<div dir="ltr">I'm running into a situation in which the numeric and analytic derivatives are vastly different.  I have separate code FORTRAN code that fits the model with numeric derivatives and I know that the log-likelihood value produced by the ADMB code and the numeric derivatives are correct because they match the FORTRAN code. The analytic derivatives are several orders of magnitude greater (960 vs 0.0001) so the optimization algorithm thinks it should move but can't from what I can tell.  It gives up because it can't make any improvements because I started the code at the MLEs derived from the FORTRAN code.<div><br></div><div>This is a very large problem.  It is a Cormack-Jolly-Seber model with 10000+ capture histories for 27 occasions with 251 parameters.  The input file is 135MB because the design matrix has 260,000+ rows and 251 columns.  If I use a subset of the data (50-75%) the input file is reduced to less than 100MB and everything works fine. Also if I keep the data set the same and reduce the number of columns in the design matrix to 70, it also works fine. It is not a single model that fails. I tried a mdeol with 3/4 of the data and 357 parameters and it fails as well. It appears to be a function of the magnitude of the design matrix (x) which would be in the derivative calculation because the likelihood is a function of 1/(1+exp(-X'Beta)).  I do not get any out of error messages.  All of the index ranges are input parameters and adjust automatically and I'm compiling in safe mode.</div><div><br></div><div>Any ideas?  Any help is appreciated. I'd like to use ADMB for these problems but may have to remain with my R/FORTRAN code which is slower but works.</div><div><br></div><div>I'm using ADMB 11 on a Windows machine with 8GB RAM with the Mingw/gcc4.5.2 compiler.</div><div><br></div><div>regards --jeff</div><div><br></div><div><br></div></div>