问题描述
我正在查看对大约 10000 名儿童进行的纵向研究中的测试分数变量，该研究记录了三个波次（3,5 岁和 9 岁）。我有充分的理由相信截距和 score ~ Age 关系的斜率都有很大的变化。如果没有，那将是令人惊讶的。正如预期的那样，该分数随着年龄的增长而下降，而且正如预期的那样，它在早些年下降得更快，而在以后下降得更慢。这张表格说明了这一点。
Table: Mean and standard deviation of score by Age group
Age score_mean score_sd
3 7.793276 4.562257
5 7.190196 4.755098
9 7.166542 5.384476
潜在增长曲线模型（未显示）证实了这一点。
我正在使用 lmer 来拟合随机截距、随机斜率模型。如果我将年龄编码为数字变量，并且确实确认随机斜率随机截距模型是合理的，那么这很好用，但是如果我按照自己的意愿将年龄编码为三级因子变量，则该模型拒绝拟合带有以下合理的消息：-
lmer5 <- lmer(data=LL,score ~ Age + (Age|ID))
Error: number of observations (=26804) <= number of random effects (=30450)
for term (Age + 1 | ID); the random-effects parameters and the residual
variance (or scale parameter) are probably unidentifiable
26804 是所有三个时间点数据中非缺失分数的总数。不确定 30450 来自哪里？
score 有 6,000 个左右的缺失值，因此作为一项实验，我制作了一个没有 score 缺失值的数据集，为此我得到了相同的错误消息，但两个数字是相同的。
所以，我认为我对 lmer 的调用是正确的，尽管如果不是，我会欢迎评论，但我看不到一种可理解的适应年龄的方式，除了线性效应，我和几代人远比较尊贵的前辈，认为不太可能是正确的。我认为这是一个统计问题，而不是 r 问题，但我接受它在边界上，所以我将它从交叉验证移到了这里。
欢迎所有建议。
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）