проблем за оценка на смесен логит модел в R, винаги същите като първоначалните стойности

Работата е там, че имам широк набор от данни с липсващи стойности и променливата на отговора е двоична, ДА ИЛИ НЕ за отговора. Трябва да го оценя чрез смесен логически модел, така че първо приписвам данните чрез пакет с мишки. След това прехвърлете данните в клас mlogit.data, направете оценка от gmnl. Резултатът от приблизителните стойности винаги е почти същият като първоначалните стойности... Това изглежда е резултат от градиента, който е близо до 0, така че изобщо няма оптимизация.

Използвам други по-прости данни от домашна работа (така че не е проблемът в данните според мен), за да проверя как върви. Странното е, че изтривам някои стойности от него, правя импутация, оценка, същия резултат, което означава, че може да има нещо нередно в импутацията? Но използването на оригиналния набор от данни без липсващи стойности дава същия резултат. В този случай просто чета данни, прехвърлям ги в клас mlogit, правя оценка, всичко чрез вградени функции в R. Какво може да не е наред? Сега съм напълно объркан и отчаян.

Има ли някой да ми помогне по въпроса? Оценявам всяка помощ и дискусия.

Простите данни изглеждат така: липсващите

Кодът е:

# use data having missing values
data1   <- read.table("train_Titanic.csv", sep = ",", header = T) 

data1$Pclass <- as.factor(data1$Pclass)
data1$Male <- as.logical(data1$Male)
data1$SibSp <- as.factor(data1$SibSp)
data1$Parch <- as.factor(data1$Parch)

part <- data1[,3:8]
imputed <- mice(part,m=7,maxit = 2)
part2 <- complete(imputed,1)
data_imputed <- cbind(data1[,1:2],part2)

data_imputed <- na.exclude(data_imputed) # drop the data without response
reg_missing <- mlogit.data(data_imputed,choice = "Survived",shape = "wide",id.var = "PassengerId")
model_missing <- gmnl(Survived ~ Pclass+Male+SibSp+Parch+Age+Fare
              | 1,
              data = reg_missing,
              model = "mixl", 
              reflevel = 2, 
              haltons = NA, 
              R = 150, 
              panel = TRUE,
              print.init = TRUE, 
              print.level = 2,
              ranp = c(Age = "n"),
              correlation = FALSE,
              iterlim = 500,
              method = "bhhh",)

# use the original data having no missing values
data2 <- read.table("train_Titanic(1).csv", sep = ",", header = T) # Load whole data
reg_nomissing <- mlogit.data(data2,choice = "Survived",shape = "wide",id.var = "PassengerId")
model_nomissing <- gmnl(Survived ~ Pclass+Male+SibSp+Parch+Age+Fare
                    | 1,
                    data = reg_nomissing,
                    model = "mixl", 
                    reflevel = 2, 
                    haltons = NA, 
                    R = 150, 
                    panel = TRUE,
                    print.init = TRUE, 
                    print.level = 2,
                    ranp = c(Age = "n"),
                    correlation = FALSE,
                    iterlim = 500,
                    method = "bhhh")

Резултатът за model_nomissing е (първият е подобен):

Starting Values:
0:(intercept)        Pclass          Male         SibSp         Parch          Fare           Age        sd.Age 
   0.37776251   -0.03504190   -0.01583640   -0.01261044   -0.01048478   -0.74403561   -0.49059713    0.10000000 
Estimating MIXL model 
----- Initial parameters: -----
fcn value: -405.3734 
                parameter initial gradient free
0:(intercept)  0.37776251     4.710893e-11    1
Pclass        -0.03504190     2.170486e-14    1
Male          -0.01583640     4.385381e-15    1
SibSp         -0.01261044     5.162537e-15    1
Parch         -0.01048478     5.884182e-15    1
Fare          -0.74403561     5.500045e-13    1
Age           -0.49059713     1.878497e-13    1
sd.Age         0.10000000    -6.589781e-16    1
Condition number of the (active) hessian: 2.489843e+32 
-----Iteration 1 -----
--------------
gradient close to zero 
1  iterations
estimate: 0.3777625 -0.0350419 -0.0158364 -0.01261044 -0.01048478 -0.7440356 -0.4905971 0.1 
Function value: -405.3734 

Благодаря ви, че прочетохте.