Scaling of variables. Scaling can b

Scaling of variables. Scaling can be important. The larger the ratio between the largest standard deviation and the smallest standard deviation, the more problems you will have with numerical methods. For example, if you have income measured in dollars, it may have a very large standard deviation relative to other variables. Recoding income to thousands of dollars may solve the problem. Long says that, in his experience, problems are much more likely when the ratio between the largest and smallest standard deviations exceeds 10. I have seen rescaling solve many problems.You may want to rescale for presentation purposes anyway, e.g. the effect of 1 dollar of income may be extremely small and have to be reported to several decimal places; coding income in thousands of dollars may make your tables look better.Model specification. Make sure the software is estimating the model you want to estimate, i.e. make sure you haven’t made a mistake in specifying what you want to run. (And, if it is running what you wanted it to run, make sure that what you wanted it to do actually makes sense!)Incorrect variables. Make sure the variables are correct, e.g. variables have been computed correctly. Check the descriptive statistics. Long says his experience is that most problems with numerical methods are due to data that have not been “cleaned.”Number of observations. Convergence generally occurs more rapidly when there are more observations. Not that there is much you can do about sample size, but this may explain why you are having problems.Distribution of outcomes. If one of the categories of a categorical variable has very few cases, convergence may be difficult. Long says you can’t do much about this, but I think you could sometimes combine categories.

結果 (繁體中文) 1:

縮放的變量。縮放也很重要。該地區最大的標準差和最小的標準差之間的比值越大，更多的問題，您將有數值方法。例如，如果你的收入以美元計算，它可能有一個非常大的標準相對於其他變量的偏差。重新編碼收入幾千塊錢可以解決這個問題。龍說，根據他的經驗，存在的問題更容易發現，當最大和最小標準差之間的比率超過10我已經看到了重新調整解決很多問題。

您可能需要重新調整，以用於演示反正，如收入1美元的影響可能非常小，必須報告幾位小數; 編碼數千美元的收入可以讓你更好的表看。

型號規格。確保軟件估計要估計模型，即確保你沒有在指定要運行什麼犯了一個錯誤。（如果它正在運行什麼，你希望它運行，確保你想要它做的實際上是有意義的！）

不正確的變量。確保變量是正確的，如變量已經被正確地計算。檢查描述性統計。龍說，他的經驗是，大多數問題與數值計算方法是，因為已經沒有數據“清理”

的意見數量。融合一般發生時，有更多的觀察更為迅速。這並不是說是非常有可以做樣本量，但是這也許可以解釋為什麼你有問題。

結果的分佈。如果一個分類變量的類別之一有極少數情況下，收斂可能很困難。龍說，你不能做這個，但我認為你可能有時合併類別。

結果 (繁體中文) 2:

變數的縮放。縮放可能很重要。最大標準差和最小標準差之間的比率越大，數值方法的問題就越多。例如，如果您的收入以美元衡量，則相對於其他變數，它可能有非常大的標準差。將收入重新編碼到數千美元可能會解決這個問題。Long說，根據他的經驗，當最大和最小的標準差之間的比率超過10時，問題就更有可能發生。我見過重新縮放可以解決許多問題。

無論如何，您可能仍要重新縮放以用於演示目的，例如，1 美元收入的影響可能非常小，必須報告給幾個小數位;編碼收入在數千美元可能會使您的表看起來更好。

模型規範。確保軟體正在估計要估計的模型，即確保在指定要運行的內容時沒有出錯。（而且，如果它運行的是您希望它運行的內容，請確保您希望它執行的內容實際上有意義！

變數不正確。確保變數正確，例如變數計算正確。檢查描述性統計資訊。Long說，他的經驗是，數值方法的大多數問題都是由於資料沒有被"清理"造成的。

觀測值數。當有更多的觀測值時，收斂通常發生得更快。並不是說你可以對樣本大小做很多，但這也許可以解釋為什麼你遇到問題。

成果的分配。如果分類變數的一個類別具有很少的情況，則收斂可能很困難。Long說你對此不能做太多，但我認為你有時可以合併類別。 ...

結果 (繁體中文) 3:

變數縮放。縮放可能很重要。最大標準差與最小標準差之比越大，數值方法的問題就越多。例如，如果您的收入是以美元計算的，那麼相對於其他變數，它可能有一個非常大的標準差。把收入記到幾千美元可以解决這個問題。Long說，根據他的經驗，當最大和最小標準差之間的比率超過10時，出現問題的可能性要大得多。我看到重新縮放可以解决很多問題。
無論如何，您可能需要重新縮放以用於演示目的，例如，1美元收入的影響可能非常小，必須報告到幾個小數位；將收入編碼為數千美元可能會使您的錶看起來更好。
型號規格。確保軟件正在估計要估計的模型，即確保在指定要運行的對象時沒有出錯。（而且，如果它運行的是您希望它運行的內容，請確保您希望它運行的內容實際上是有意義的！）
變數不正確。確保變數正確，例如變數計算正確。檢查描述性統計。龍說，他的經驗是，大多數數值方法的問題都是由於沒有“清理”數據造成的
觀察次數。當有更多的觀測值時，收斂通常更快。並不是說你可以做很多關於樣本量的事情，但這也許可以解釋為什麼你有問題。
結果的分配。如果一個分類變數的一個類別有很少的情况，收斂可能是困難的。朗說你不能做太多，但我認為你有時可以結合類別。