SPSS: „this matrix is not positive definite"

Co chyba znamená

Faktorová analýza v SPSS potřebuje korelační matici, která je pozitivně definitní — se všemi kladnými vlastními čísly a nenulovým determinantem. Když tomu tak není, SPSS hlásí „this matrix is not positive definite" a může odmítnout extrahovat faktory nebo spočítat KMO a Bartlettův test. Je to tentýž skrytý problém jako kovarianční matice, která není pozitivně definitní, viděný přes dialog faktorové analýzy SPSS.

Časté příčiny

• Obráceně formulované položky, které nebyly překódovány, takže některé korelace míří špatným směrem.
• Redundantní položky — dvě téměř totožné otázky, nebo celkové/součtové skóre zadané spolu s položkami, které ho tvoří.
• Multikolinearita: položky, které jsou téměř dokonale korelované.
• Párové vynechání chybějících hodnot, které může vytvořit nekonzistentní matici (korelace může vyjít nad 1).
• Velikost vzorku na úrovni nebo pod počtem proměnných, což činí matici singulární.
• Zahrnutí konstantních nebo téměř konstantních položek (téměř žádný rozptyl).

Jak to opravit

1. Otevřete korelační matici ve výstupu (zaškrtněte „Coefficients" a „Determinant" pod Descriptives). Determinant na úrovni nebo blízko 0 problém potvrzuje.
2. Překódujte obráceně skórované položky přes Transform > Recode into Different Variables a poté analýzu znovu spusťte.
3. Odstraňte redundantní položky: z každého téměř duplicitního páru vynechte jednu a nikdy nezahrnujte kompozitní skóre spolu s jeho položkami.
4. Přepněte zacházení s chybějícími hodnotami na Exclude cases listwise místo párového.
5. Zkontrolujte, že N je větší než počet proměnných — ideálně několikanásobně — a v případě potřeby sesbírejte více dat.
6. Vynechte jakoukoli položku s téměř nulovým rozptylem a poté faktorovou analýzu spusťte znovu.

Jak se tomu příště vyhnout

Před spuštěním faktorové analýzy překódujte obrácené položky a prověřte duplicity, používejte listwise vynechání a nastavte velikost vzorku výrazně nad počet položek. Explonia počítá korelační matici a reliabilitu už při stavbě studie a upozorňuje na položky, které se silně překrývají, takže téměř singulární matici zachytíte dřív, než analýzu zablokuje. Viz metody EFA a reliabilita a velikost vzorku.

Často kladené otázky