"Die Kovarianzmatrix ist nicht positiv definit"
Diese Meldung bedeutet, dass Ihre Kovarianz- oder Korrelationsmatrix einen Eigenwert von null oder negativ hat und daher keine gültige Matrix zum Modellieren ist. Die häufigsten Ursachen sind eine zu kleine Stichprobe, stark kollineare oder redundante Items, umgekehrt kodierte Items, die nie umkodiert wurden, oder eine Korrelation, die größer als 1 herauskam.
Diese Seite ist eine Übersetzung des geprüften englischen Originals. Original ansehen (EN)
kovarianzmatrix nicht positiv definitWas der Fehler bedeutet
Eine gültige Kovarianzmatrix ist positiv definit: jede Menge von Items hat eine positive Varianz. Wenn Software meldet, dass sie nicht positiv definit (NPD) ist, hat die Matrix mindestens einen Eigenwert, der null oder negativ ist. Das kann bei der Rohdatenmatrix oder bei der modellimplizierten Matrix während der Schätzung passieren. In beiden Fällen kann die Analyse nicht sicher fortfahren, und alle danach ausgegebenen Schätzungen sind fragwürdig. In der Praxis erscheint die Meldung am häufigsten bei der Schätzung einer konfirmatorischen Faktorenanalyse oder einer Covariance-based SEM, weil diese Modelle die implizierte Kovarianzmatrix in jeder Iteration neu aufbauen.
Häufige Ursachen
- Stichprobe kleiner als die Anzahl der Variablen oder kaum größer — die Matrix wird singulär.
- Multikollinearität: zwei oder mehr Items sind fast perfekt korreliert, oder ein Item ist eine Linearkombination anderer.
- Redundante Items — dieselbe Frage zweimal gestellt oder ein Summenwert zusammen mit seinen Komponenten eingegeben.
- Umgekehrt formulierte Items nicht umkodiert, was einige Korrelationen in die falsche Richtung drückt.
- Eine Korrelation größer als 1 (oder unter -1), oft durch paarweisen Ausschluss fehlender Daten oder einen Dateneingabefehler.
- Modellfehlspezifikation, die während der Schätzung eine nicht positiv definite modellimplizierte Matrix erzeugt.
Wie man es behebt
- Drucken und lesen Sie die Korrelationsmatrix. Suchen Sie nach Werten bei oder über 1 (oder unter -1) und nach Paaren nahe 1 — das sind die Problemstellen.
- Kodieren Sie umgekehrt formulierte Items um, sodass alle Items in dieselbe Richtung zeigen, und berechnen Sie dann die Matrix neu.
- Entfernen Sie redundante oder kollineare Items: behalten Sie eines eines fast identischen Paares und geben Sie nie einen zusammengesetzten Wert zusammen mit seinen Teilen ein.
- Verwenden Sie fallweisen Ausschluss (listwise) (oder eine fundierte Methode für fehlende Daten) statt paarweisem, da paarweise Korrelationen eine inkonsistente Matrix erzeugen können.
- Prüfen Sie, dass N deutlich größer ist als die Anzahl der Variablen; erheben Sie sonst mehr Daten.
- Wenn die Datenmatrix in Ordnung ist, die Warnung aber während der Modellanpassung erscheint, ist das Modell wahrscheinlich fehlspezifiziert oder nicht identifiziert — überprüfen Sie die Identifikation und etwaige Heywood cases.
Wie man es künftig vermeidet
Prüfen Sie Items, bevor Sie modellieren: kodieren Sie umgekehrte Items früh um, entfernen Sie Fast-Duplikate und streben Sie eine Stichprobe an, die deutlich größer als die Item-Anzahl ist. Explonia erstellt die Korrelationsmatrix und die Reliabilitätsausgabe während der Arbeit und markiert Items, die sich stark überschneiden oder ungewöhnlich verhalten, sodass Sie eine fast singuläre Matrix erkennen, bevor sie das Modell bricht. Siehe die Methoden Reliabilität und Diagnostik für das, was zu prüfen ist.
Referenztabelle
| Symptom in der Matrix | Wahrscheinliche Ursache | Erste Lösung |
|---|---|---|
| Eine Korrelation ≥ 1 oder ≤ -1 | Paarweiser Ausschluss oder Datenfehler | Fallweisen Ausschluss verwenden; Dateneingabe prüfen |
| Zwei Items korrelieren nahe 1 | Redundante / doppelte Items | Eines des Paares entfernen |
| Einige Korrelationen haben das falsche Vorzeichen | Umgekehrte Items nicht umkodiert | Umgekehrt formulierte Items umkodieren |
| Matrix singulär, N klein | N nahe der Anzahl der Variablen | Mehr Daten erheben oder Items reduzieren |
Häufig gestellte Fragen
Kann ich die Matrix einfach "glätten", um sie positiv definit zu machen?
Glättungsmethoden existieren, aber sie verdecken das zugrunde liegende Problem, statt es zu lösen. Finden und beheben Sie zuerst die eigentliche Ursache — eine Korrelation über 1, ein redundantes Item, ein nicht umkodiertes umgekehrtes Item oder eine zu kleine Stichprobe —, denn eine geglättete Matrix kann weiterhin irreführende Schätzungen liefern.
Warum ist die modellimplizierte Matrix nicht positiv definit, obwohl meine Daten in Ordnung sind?
Das deutet auf das Modell, nicht auf die Daten: ein nicht identifizierter Parameter, ein Heywood case (negative Residualvarianz) oder eine strukturelle Fehlspezifikation können während der Schätzung eine nicht positiv definite modellimplizierte Matrix erzeugen. Prüfen Sie die Identifikation und suchen Sie nach Varianzschätzungen außerhalb des zulässigen Bereichs.
Ist eine nicht positiv definite Matrix dasselbe wie ein Heywood case?
Sie sind verwandt, aber nicht identisch. Ein Heywood case ist eine spezifische Schätzung außerhalb des zulässigen Bereichs (etwa eine negative Fehlervarianz), die die modellimplizierte Matrix oft nicht positiv definit macht. Die NPD-Meldung kann auch von der Rohdatenmatrix stammen, bevor ein Modell angepasst wird.
So zitieren Sie diese Seite
Wenn diese Seite Ihrer Forschung geholfen hat, können Sie sie zitieren (APA 7):
Szymkowiak, A. (2026). Kovarianzmatrix ist nicht positiv definit (Lösung). Explonia. https://explonia.com/de/fix/non-positive-definite-matrix/
Last updated: September 2026
Führen Sie Ihre ganze Studie an einem Ort durch
Erstellen Sie sie, sammeln Sie die Daten und erhalten Sie eine Analyse auf Publikationsniveau mit einem APA-Absatzentwurf, den Sie bearbeiten können. Kostenlos starten. Keine Kreditkarte.
Kostenlos starten