lavaan: „could not compute standard errors"

Co chyba znamená

lavaan odhaduje standardní chyby invertováním informační matice (zakřivení fitovací funkce v řešení). Když tato matice není pozitivně definitní, nelze ji invertovat, takže lavaan vrátí odhady parametrů, ale varuje, že standardní chyby jsou nespolehlivé. Často uvidíte doprovodnou zprávu, že matici vcov nebo informační matici „could not be computed" nebo „is not positive definite". K bodovým odhadům přistupujte opatrně a p-hodnoty nereportujte, dokud varování nezmizí.

Časté příčiny

• Model není identifikovaný — například latentní proměnná bez pevného škálování (žádný náboj nastavený na 1 a žádný pevný rozptyl), nebo méně než tři indikátory u samostatného faktoru.
• Empirická nedostatečná identifikace — model je identifikovaný na papíře, ale nějaký náboj či rozptyl je blízko nuly, takže informační matice je téměř singulární.
• Parametr leží na hranici, například záporný nebo nulový reziduální rozptyl (Heywood case).
• Vstupní kovarianční matice je téměř singulární — silně kolineární nebo redundantní položky, nebo dvě položky, které jsou téměř tatáž proměnná.
• Malá velikost vzorku vzhledem k počtu volných parametrů.
• Ordinální položky brané jako spojité s řídkými kategoriemi, což destabilizuje odhad.

Jak to opravit

1. Ověřte, že každá reflektivní latentní proměnná má škálu: buď zafixujte jeden náboj na 1 (lavaan to dělá ve výchozím nastavení s std.lv = FALSE), nebo zafixujte rozptyl faktoru na 1. Neuvolněte omylem obojí.
2. Dejte samostatným faktorům alespoň tři indikátory; faktor se dvěma indikátory funguje jen tehdy, pokud koreluje s jiným faktorem.
3. Spusťte lavInspect(fit, "theta") a standardizované řešení, abyste odhalili náboje blízké nule nebo záporné reziduální rozptyly; takové položky vynechte nebo přehodnoťte.
4. Prohlédněte korelační matici položek a hledejte hodnoty blízké 1 (nebo nad 1). Odstraňte redundantní položky a překódujte obráceně formulované položky, které nikdy nebyly otočeny.
5. Pokud jsou položky ordinální (Likert s málo body), odhadujte s ordered = a estimátorem WLSMV místo toho, abyste je brali jako spojité.
6. Zvyšte N, pokud je model velký; více volných parametrů potřebuje více dat.

Jak se tomu příště vyhnout

Naplánujte identifikaci ještě před sběrem dat: alespoň tři dobré indikátory na faktor a dostatečný vzorek pro velikost modelu. Explonia spustí vaši CFA nebo SEM v prohlížeči a rychle upozorní na nízké náboje a slabou reliabilitu, takže odhalíte křehký měřicí model a znovu ho spustíte po vynechání špatné položky — zobrazuje diagnostiku, nezakrývá špatně specifikovaný model. Cílovou velikost vzorku si můžete ověřit v kalkulátoru velikosti vzorku pro SEM.

Často kladené otázky