lavaan: "could not compute standard errors"

Co oznacza ten błąd

lavaan oblicza błędy standardowe, odwracając macierz informacyjną (krzywiznę funkcji dopasowania w punkcie rozwiązania). Gdy ta macierz nie jest dodatnio określona, nie da się jej odwrócić, więc lavaan zwraca oszacowania parametrów, ale ostrzega, że błędy standardowe są niewiarygodne. Często pojawia się towarzysząca informacja, że macierz vcov lub macierz informacyjna „could not be computed” lub „is not positive definite”. Traktuj oszacowania punktowe z ostrożnością i nie raportuj wartości p, dopóki ostrzeżenie nie zniknie.

Częste przyczyny

• Model jest nieidentyfikowalny — na przykład zmienna latentna bez ustalonej skali (żadnego ładunku ustawionego na 1 i żadnej ustalonej wariancji) albo mniej niż trzy wskaźniki na samodzielnym czynniku.
• Empiryczna niedoidentyfikowalność — model jest identyfikowalny na papierze, ale ładunek lub wariancja jest bliska zeru, więc macierz informacyjna jest niemal osobliwa.
• Parametr leży na granicy, np. ujemna lub zerowa wariancja resztowa (Heywood case).
• Wejściowa macierz kowariancji jest niemal osobliwa — silnie współliniowe lub redundantne pozycje albo dwie pozycje, które są niemal tą samą zmienną.
• Mała liczebność próby względem liczby parametrów swobodnych.
• Pozycje porządkowe traktowane jako ciągłe przy rzadkich kategoriach, co destabilizuje estymację.

Jak to naprawić

1. Upewnij się, że każdy refleksyjny czynnik latentny ma skalę: albo ustaw jeden ładunek na 1 (lavaan robi to domyślnie przy std.lv = FALSE), albo ustaw wariancję czynnika na 1. Nie uwalniaj przypadkiem obu.
2. Daj samodzielnym czynnikom co najmniej trzy wskaźniki; czynnik z dwoma wskaźnikami działa tylko, gdy koreluje z innym czynnikiem.
3. Uruchom lavInspect(fit, "theta") oraz rozwiązanie standaryzowane, aby wykryć ładunki bliskie zeru lub ujemne wariancje resztowe; usuń lub przemyśl te pozycje.
4. Sprawdź macierz korelacji pozycji pod kątem wartości bliskich 1 (lub powyżej 1). Usuń redundantne pozycje i przekoduj pozycje sformułowane odwrotnie, których nigdy nie odwrócono.
5. Jeśli pozycje są porządkowe (Likert z kilkoma punktami), estymuj z ordered = i estymatorem WLSMV zamiast traktować je jako ciągłe.
6. Zwiększ N, jeśli model jest duży; więcej parametrów swobodnych wymaga więcej danych.

Jak tego uniknąć następnym razem

Zaplanuj identyfikację, zanim zbierzesz dane: co najmniej trzy dobre wskaźniki na czynnik i próba wystarczająca do wielkości modelu. Explonia liczy Twoje CFA lub SEM w przeglądarce i szybko sygnalizuje niskie ładunki oraz słabą rzetelność, więc łatwo wychwycisz kruchy model pomiarowy i uruchomisz analizę ponownie po usunięciu złej pozycji — pokazuje diagnostykę, nie zamiata pod dywan źle zdefiniowanego modelu. Docelową próbę możesz sprawdzić w kalkulatorze wielkości próby dla SEM.

Najczęściej zadawane pytania