Lavaan做CFA出现观测变量负方差：如何定位与解决？

一、定位负方差的观测变量 #

使用parameterEstimates()函数提取所有参数估计值，筛选出观测变量的残差方差（即变量与自身的协方差，op == "~~"且lhs == rhs），直接定位估计值为负的条目：

# 提取所有参数估计结果
params <- parameterEstimates(FEMusiK.model.fit)
# 筛选出残差方差为负的观测变量
negative_var <- subset(params, op == "~~" & lhs == rhs & est < 0)
# 打印结果查看具体变量
print(negative_var)

运行后会直接显示哪个观测变量的残差方差为负，同时可查看对应的标准误、p值等辅助信息。

二、解决负方差问题的可行方案 #

你的样本量（78）远不足以支撑当前复杂模型（8个一阶因子+1个二阶因子，共45个观测变量），负方差（Heywood case）本质是小样本下模型过度拟合导致的不合理估计，以下是具体解决步骤：

1. 排查数据与变量合理性 #

• 检查负方差对应的观测变量：查看该变量的描述性统计（均值、标准差、极端值），确认是否存在计分错误（如反向题未转换）、异常值或缺失比例过高的情况，修正后重新拟合模型。
• 查看该变量在所属一阶因子上的标准化载荷：如果载荷低于0.3，说明变量与因子关联极弱，属于冗余项，可直接删除。

2. 简化模型结构 #

常规CFA建议每个观测变量对应5-10个样本，45个变量至少需要225个样本，当前样本量必须简化模型：

• 精简因子项目：对每个一阶因子，保留标准化载荷≥0.4的项目，删除载荷低的冗余项，减少每个因子的项目数量。
• 合并相关因子：如果某些一阶因子在理论上高度关联（如"Unterhaltung"与"Erholung"），可尝试将其合并为单个因子，减少一阶因子总数，降低模型复杂度。

3. 调整估计策略 #

• 固定负方差为小正数：若不想删除变量，可将该变量的残差方差固定为极小的正数（如0.01）强制模型收敛，示例修改模型语句：

  FEMusiK.model <-   'Unterhaltung =~ FEMusiK1 + FEMusiK2 + FEMusiK3 + FEMusiK4
                      FEMusiK4 ~~ 0.01*FEMusiK4  # 固定该变量残差方差
                      Erholung =~ FEMusiK5 + FEMusiK6 + FEMusiK7 + FEMusiK8 + FEMusiK9 + FEMusiK10 + FEMusiK11
                      # 其余因子语句保持不变
                      FEMusiK_global =~ Unterhaltung + Erholung + sEmpfindungen + Ablenkung + Entladung + mArbeit + Trost + Immersion'
  

• 更换稳健估计器：如果数据是有序分类变量，改用estimator="WLSMV"，该估计器在小样本和非正态数据下表现更稳定；若为连续数据，可尝试estimator="MLM"（均值结构稳健ML估计）。

4. 确认模型识别正确性 #

lavaan默认固定第一个一阶因子（Unterhaltung）对二阶因子的载荷为1，同时自由估计二阶因子方差，这是正确的识别方式。若需调整，也可固定二阶因子方差为1，自由估计所有一阶因子载荷：

FEMusiK.model <-   'Unterhaltung =~ FEMusiK1 + FEMusiK2 + FEMusiK3 + FEMusiK4
                    # 其余一阶因子语句保持不变
                    FEMusiK_global =~ 1*Unterhaltung + Erholung + sEmpfindungen + Ablenkung + Entladung + mArbeit + Trost + Immersion
                    FEMusiK_global ~~ 1*FEMusiK_global'  # 固定二阶因子方差为1

内容的提问来源于stack exchange，提问作者ElenaKJ