"The covariance matrix is not positive definite"
Essa mensagem significa que sua matriz de covariância ou correlação tem um autovalor nulo ou negativo, então não é uma matriz válida para modelar. As causas mais comuns são uma amostra pequena demais, itens altamente colineares ou redundantes, itens de codificação reversa que nunca foram recodificados, ou uma correlação que saiu maior que 1.
Esta página é uma tradução do original em inglês, revisado por pares. Ver o original (EN)
covariance matrix is not positive definiteO que o erro significa
Uma matriz de covariância válida é positiva definida: todo conjunto de itens tem variância positiva. Quando o software reporta que ela não é positiva definida (NPD), a matriz tem pelo menos um autovalor nulo ou negativo. Isso pode acontecer com a matriz de dados bruta ou com a matriz implícita do modelo durante a estimação. De qualquer forma, a análise não pode prosseguir com segurança, e quaisquer estimativas impressas depois são suspeitas. Na prática, a mensagem aparece com mais frequência ao estimar uma análise fatorial confirmatória ou um SEM baseado em covariância, porque esses modelos reconstroem a matriz de covariância implícita a cada iteração.
Causas comuns
- Tamanho de amostra menor que o número de variáveis, ou pouco maior - a matriz se torna singular.
- Multicolinearidade: dois ou mais itens são quase perfeitamente correlacionados, ou um item é uma combinação linear de outros.
- Itens redundantes - a mesma pergunta feita duas vezes, ou uma pontuação total inserida junto com seus componentes.
- Itens reversos não recodificados, o que empurra algumas correlações na direção errada.
- Uma correlação maior que 1 (ou menor que -1), muitas vezes por exclusão pairwise de dados ausentes ou erro de digitação.
- Má especificação do modelo produzindo uma matriz implícita do modelo não positiva definida durante a estimação.
Como corrigir
- Imprima e leia a matriz de correlação. Procure qualquer valor igual ou acima de 1 (ou abaixo de -1) e pares próximos de 1 - esses são os pontos problemáticos.
- Recodifique os itens reversos para que todos os itens apontem na mesma direção, depois recalcule a matriz.
- Remova itens redundantes ou colineares: mantenha um de cada par quase duplicado, e nunca inclua um composto junto com suas partes.
- Use exclusão listwise (ou um método de dados ausentes bem fundamentado) em vez de pairwise, já que correlações pairwise podem produzir uma matriz inconsistente.
- Verifique se o N é confortavelmente maior que o número de variáveis; colete mais dados se não for o caso.
- Se a matriz de dados está correta, mas o aviso aparece durante o ajuste do modelo, o modelo provavelmente está mal especificado ou não identificado - revise a identificação e quaisquer casos de Heywood.
Como evitar isso da próxima vez
Analise os itens antes de modelar: recodifique os itens reversos cedo, remova quase duplicatas e busque uma amostra confortavelmente maior que o número de itens. A Explonia constrói a matriz de correlação e a saída de confiabilidade conforme você avança e sinaliza itens que se sobrepõem muito ou se comportam de forma estranha, então você consegue identificar uma matriz quase singular antes que ela quebre o modelo. Veja os métodos de confiabilidade e diagnósticos para saber o que verificar.
Tabela de referência
| Sintoma na matriz | Causa provável | Primeira correção |
|---|---|---|
| Uma correlação ≥ 1 ou ≤ -1 | Exclusão pairwise ou erro nos dados | Use exclusão listwise; verifique a entrada dos dados |
| Dois itens correlacionam perto de 1 | Itens redundantes / duplicados | Remova um do par |
| Algumas correlações têm o sinal errado | Itens reversos não recodificados | Recodifique os itens reversos |
| Matriz singular, N pequeno | N próximo do número de variáveis | Colete mais dados ou reduza itens |
Perguntas frequentes
Posso simplesmente "suavizar" a matriz para torná-la positiva definida?
Métodos de suavização existem, mas mascaram o problema subjacente em vez de resolvê-lo. Encontre e corrija a causa real primeiro - uma correlação acima de 1, um item redundante, um item reverso não recodificado ou uma amostra pequena demais - porque uma matriz suavizada ainda pode dar estimativas enganosas.
Por que a matriz implícita do modelo não é positiva definida mesmo que meus dados estejam corretos?
Isso aponta para o modelo, não para os dados: um parâmetro não identificado, um caso de Heywood (variância residual negativa) ou uma má especificação estrutural podem produzir uma matriz implícita do modelo não positiva definida durante a estimação. Verifique a identificação e procure estimativas de variância fora dos limites.
Uma matriz não positiva definida é o mesmo que um caso de Heywood?
Estão relacionados, mas não são idênticos. Um caso de Heywood é uma estimativa específica fora dos limites (como uma variância de erro negativa) que muitas vezes torna a matriz implícita do modelo não positiva definida. A mensagem NPD também pode vir da matriz de dados bruta antes de qualquer modelo ser ajustado.
Como citar esta página
Se esta página ajudou sua pesquisa, você pode citá-la (APA 7):
Szymkowiak, A. (2026). A Matriz de Covariância Não É Positiva Definida (Solução). Explonia. https://explonia.com/pt/fix/non-positive-definite-matrix/
Last updated: setembro 2026
Rode todo o seu estudo em um só lugar
Monte o estudo, colete os dados e obtenha uma análise de nível de publicação com um parágrafo APA que você pode editar. Comece grátis. Sem cartão de crédito.
Começar grátis