AMOS : « the model is probably unidentified »

Ce que l'erreur signifie

L'identification pose la question de savoir s'il y a assez d'information dans votre matrice de covariance pour estimer chaque paramètre libre de façon unique. Quand AMOS dit que le modèle est probablement non identifié, il a détecté qu'un ou plusieurs paramètres ne peuvent pas être fixés — de nombreuses valeurs différentes s'ajustent aussi bien. AMOS nuance avec « probably » parce qu'il diagnostique cela numériquement ; le message pratique est le même : corrigez l'identification avant de faire confiance à toute estimation.

Causes courantes

• Une variable latente sans échelle — AMOS a besoin soit d'une saturation fixée à 1, soit de la variance du facteur fixée à 1 pour chaque construit.
• Trop peu d'indicateurs sur un facteur (un facteur isolé en a besoin d'au moins trois ; deux ne peuvent fonctionner que s'il corrèle avec un autre facteur).
• Degrés de liberté négatifs — plus de paramètres libres que d'éléments connus des données, donc le modèle ne peut pas être identifié.
• Un terme d'erreur laissé sans échelle (chemins résiduels non fixés à 1).
• Sous-identification empirique — un modèle structurellement correct avec une saturation ou une corrélation proche de zéro.
• Une boucle de rétroaction ou une structure corrélée spécifiée sans les contraintes nécessaires pour l'identifier.

Comment le corriger

1. Pour chaque variable latente, définissez une échelle : fixez la saturation d'un indicateur à 1, ou fixez la variance latente à 1. AMOS ajoute les 1 sur les termes résiduels par défaut — assurez-vous de ne pas les avoir supprimés.
2. Vérifiez que chaque terme d'erreur/résiduel a son poids de régression vers son indicateur fixé à 1.
3. Donnez à chaque facteur au moins trois indicateurs ; retravaillez les facteurs à deux indicateurs pour qu'ils corrèlent avec un autre latent, ou fusionnez-les.
4. Regardez les degrés de liberté dans la sortie — ils doivent être nuls ou positifs. Des df négatifs signifient que le modèle n'est pas identifié et vous devez ajouter des contraintes ou retirer des paramètres.
5. Si la structure est correcte mais que l'estimation échoue encore, cherchez des saturations proches de zéro (sous-identification empirique) et envisagez un échantillon plus grand.
6. Relancez et confirmez que le message de non-identification a disparu et que les erreurs standard sont produites.

Comment l'éviter la prochaine fois

Esquissez le modèle et comptez les paramètres par rapport aux covariances connues avant de le dessiner dans AMOS, et donnez une échelle à chaque latent dès le départ. Si vous analysez aussi le modèle dans le CB-SEM en navigateur d'Explonia, il rapporte les degrés de liberté et signale les saturations faibles, ce qui rend une structure fragile ou sous-identifiée facile à repérer tôt. Voir CB-SEM et la page conceptuelle sur l'identification.

Questions fréquentes