使用tau.test函数时遭遇“system is computationally singular”报错的技术咨询

我之前处理多变量信度分析时也碰到过这个问题，这个报错的核心原因是数据对应的协方差/相关矩阵不可逆——当你的变量数超过14时，很可能出现了严重的多重共线性（变量间高度相关），甚至存在完全线性相关的冗余变量，导致tau.test()内部调用的solve.default()函数无法计算矩阵的逆。下面是一步步的解决建议：

1. 先排查变量间的相关性问题 #

首先得确认是不是多重共线性在搞鬼，运行这段代码找出高相关的变量对：

# 计算变量间的皮尔逊相关系数矩阵（自动忽略缺失值）
cor_matrix <- cor(x, use = "pairwise.complete.obs")
# 筛选出相关系数绝对值>0.9的变量对（可以根据数据调整阈值）
high_cor_pairs <- which(abs(cor_matrix) > 0.9 & upper.tri(cor_matrix), arr.ind = TRUE)
print(high_cor_pairs)

如果输出了大量的变量对，那基本可以确定是多重共线性导致的问题。

2. 移除或合并冗余变量 #

• 删除完全线性相关的变量：比如某列是另一列的精确倍数，或者完全重复的列，直接删掉其中一列就行；
• 合并高度相关的变量：如果变量都有业务意义不想删除，可以用主成分分析（PCA）把这些高相关变量合并成少数几个主成分，再代入分析：

# 假设high_cor_pairs里的第一列是高相关变量的索引
high_cor_vars <- unique(high_cor_pairs[, 1])
# 对高相关变量做标准化后的PCA
pca_result <- prcomp(x[, high_cor_vars], scale. = TRUE)
# 提取累计方差解释率超过80%的主成分
cum_var <- cumsum(pca_result$sdev^2 / sum(pca_result$sdev^2))
keep_components <- which(cum_var >= 0.8)[1]
pca_cols <- pca_result$x[, 1:keep_components]
# 替换原数据中的高相关变量，生成新数据集
x_processed <- cbind(x[, -high_cor_vars], pca_cols)
# 再尝试运行tau.test
tau.test(x_processed, varphi = 0)

3. 换用鲁棒性更强的替代函数 #

如果必须保留所有变量，可以试试psych包的omega()函数，它对共线性数据的处理更稳健，同样能计算类似的信度指标：

# 单因子模型下的omega信度分析
omega(x, nfactors = 1)

4. 检查并清理数据中的异常值/缺失值 #

极端异常值或者大量缺失值也可能干扰矩阵计算，先做数据清理：

# 方式1：删除含缺失值的行（适合缺失率低的情况）
x_clean <- na.omit(x)
# 方式2：用中位数填充缺失值（适合缺失率较高的情况）
x_clean <- as.data.frame(lapply(x, function(col) {
  ifelse(is.na(col), median(col, na.rm = TRUE), col)
}))
# 清理后再运行tau.test
tau.test(x_clean, varphi = 0)

内容的提问来源于stack exchange，提问作者off