lavaan : « could not compute standard errors »
Cet avertissement de lavaan signifie que le modèle a tourné mais que la matrice d'information n'a pas pu être inversée, donc les erreurs standard, les p-values et les intervalles de confiance ne sont pas fiables. La cause habituelle est un modèle sous-identifié ou empiriquement faible — le plus souvent un facteur latent sans échelle fixée, trop peu d'indicateurs, ou une matrice de covariance presque singulière.
Cette page est une traduction de l'original anglais relu. Voir l'original (EN)
lavaan could not compute standard errorsCe que l'erreur signifie
lavaan estime les erreurs standard en inversant la matrice d'information (la courbure de la fonction d'ajustement à la solution). Quand cette matrice n'est pas définie positive, elle ne peut pas être inversée, donc lavaan renvoie les estimations des paramètres mais avertit que les erreurs standard ne sont pas fiables. Vous verrez souvent un message associé indiquant que la matrice vcov ou d'information « could not be computed » ou « is not positive definite ». Traitez les estimations ponctuelles avec prudence et ne rapportez pas les p-values tant que l'avertissement persiste.
Causes courantes
- Le modèle n'est pas identifié — par exemple une variable latente sans échelle fixée (aucune saturation fixée à 1 et aucune variance fixée), ou moins de trois indicateurs sur un facteur isolé.
- Sous-identification empirique — le modèle est identifié sur le papier mais une saturation ou une variance est proche de zéro, donc la matrice d'information est presque singulière.
- Un paramètre est sur une borne, comme une variance résiduelle négative ou nulle (un Heywood case).
- La matrice de covariance en entrée est presque singulière — items très colinéaires ou redondants, ou deux items qui sont presque la même variable.
- Taille d'échantillon trop faible par rapport au nombre de paramètres libres.
- Items ordinaux traités comme continus avec des catégories peu remplies, ce qui déstabilise l'estimation.
Comment le corriger
- Vérifiez que chaque latent réflexif a une échelle : soit fixez une saturation à 1 (lavaan le fait par défaut avec
std.lv = FALSE), soit fixez la variance du facteur à 1. Ne libérez pas les deux par erreur. - Donnez aux facteurs isolés au moins trois indicateurs ; un facteur à deux indicateurs ne fonctionne que s'il corrèle avec un autre facteur.
- Exécutez
lavInspect(fit, "theta")et la solution standardisée pour repérer les saturations proches de zéro ou les variances résiduelles négatives ; retirez ou repensez ces items. - Inspectez la matrice de corrélation des items pour des valeurs proches de 1 (ou au-dessus de 1). Retirez les items redondants et recodez tout item formulé en sens inverse qui n'a jamais été inversé.
- Si les items sont ordinaux (Likert avec peu de points), estimez avec
ordered =et l'estimateurWLSMVau lieu de les traiter comme continus. - Augmentez N si le modèle est grand ; plus de paramètres libres exigent plus de données.
Comment l'éviter la prochaine fois
Planifiez l'identification avant de collecter les données : au moins trois bons indicateurs par facteur et un échantillon suffisant pour la taille du modèle. Explonia exécute votre CFA ou SEM dans le navigateur et signale rapidement les saturations faibles et la faible fiabilité, pour que vous puissiez repérer un modèle de mesure fragile et relancer après avoir retiré un mauvais item — l'outil met en avant les diagnostics, il ne masque pas un modèle mal spécifié. Vous pouvez vérifier votre taille d'échantillon cible avec le calculateur de taille d'échantillon pour SEM.
Questions fréquentes
Mes résultats lavaan sont-ils utilisables si j'obtiens cet avertissement ?
Les estimations des paramètres peuvent être proches, mais les erreurs standard, les p-values et les intervalles de confiance ne sont pas fiables, donc vous ne devez pas rapporter la significativité tant que l'avertissement n'est pas résolu. Prenez-le comme un signe que le modèle n'est pas correctement identifié ou que les données sont presque singulières, et corrigez d'abord la cause.
Est-ce que définir std.lv = TRUE règle le problème ?
Fixer la variance du facteur à 1 (std.lv = TRUE) est une façon valide de donner une échelle à une variable latente, et cela peut lever l'avertissement si la cause était une échelle manquante. Cela n'aidera pas si le vrai problème est trop peu d'indicateurs, un Heywood case ou une matrice de covariance presque singulière.
Que signifie « information matrix is not positive definite » ?
Cela signifie que la matrice que lavaan doit inverser pour les erreurs standard a une valeur propre nulle ou négative, en général parce qu'un paramètre n'est pas identifié, est sur une borne, ou que les données sont colinéaires. L'avertissement sur les erreurs standard est le symptôme en aval de ce problème.
Comment citer cette page
Si cette page a aidé votre recherche, vous pouvez la citer (APA 7) :
Szymkowiak, A. (2026). lavaan : Could Not Compute Standard Errors (solution). Explonia. https://explonia.com/fr/fix/lavaan-could-not-compute-standard-errors/
Last updated: juillet 2026
Vérifiez ces valeurs sur vos propres données
Importez votre fichier de données (CSV ou Excel) et obtenez les mêmes statistiques, avec un brouillon de paragraphe APA que vous pouvez modifier. Commencez gratuitement.
Analysez vos données