Perché la mia CFA non converge?

Cosa significa il problema

Stimatori come la massima verosimiglianza migliorano il fit passo dopo passo finché il cambiamento tra i passi diventa minimo — questa è la convergenza. Quando il modello non converge, l'algoritmo raggiunge il limite di iterazioni senza stabilizzarsi, quindi non c'è una soluzione affidabile. Qualsiasi stima stampata è là dove l'algoritmo si è fermato per caso e non va riportata. I problemi di convergenza e i problemi di identificazione spesso vanno insieme.

Cause comuni

• Sotto-identificazione — informazione insufficiente per stimare tutti i parametri (nessuna scala su una latente, troppo pochi indicatori, gradi di libertà negativi).
• Sotto-identificazione empirica — loading deboli o vicini a zero, quindi il modello è identificato sulla carta ma instabile in pratica.
• Valori iniziali scadenti che mandano l'algoritmo nella direzione sbagliata.
• Scala inadeguata — item con varianze molto diverse (per esempio una scala 1-7 accanto al reddito in migliaia).
• Dati ordinali trattati come continui, soprattutto con poche categorie o asimmetria.
• Campione piccolo rispetto alla complessità del modello.
• Mala specificazione — struttura fattoriale sbagliata o cross-loading omessi.

Come risolverlo

1. Conferma prima l'identificazione: una scala per ogni latente, almeno tre indicatori per fattore isolato e gradi di libertà positivi.
2. Controlla i loading standardizzati cercando valori vicini a zero — elimina o ripensa quegli item (sotto-identificazione empirica).
3. Riscala le variabili così che le loro varianze siano all'incirca comparabili; varianze molto grandi o molto piccole destabilizzano la stima.
4. Fornisci valori iniziali migliori, o semplifica il modello e aggiungi complessità gradualmente.
5. Se gli item sono ordinali (Likert con pochi punti), stima con uno stimatore categoriale come WLSMV invece di trattarli come continui.
6. Aumenta N per i modelli complessi; più parametri richiedono più dati.
7. Riesamina il modello di misura per la mala specificazione — loading sbagliati o un cross-loading mancante.

Come evitarlo la prossima volta

Decidi indicatori, scala e dimensione campionaria prima di raccogliere i dati, e mantieni il modello semplice quanto la domanda consente. Explonia esegue CFA e SEM nel browser e segnala loading bassi e affidabilità debole, così un modello di misura fragile emerge rapidamente e puoi ristimarlo dopo averlo rivisto. Mostra le diagnostiche — non può far adattare un modello mal specificato. Vedi CFA e dimensione campionaria.

Domande frequenti