R语言执行CFA时提示估计参数方差协方差矩阵非正定如何解决

假阳性警告排查 #

你遇到的最小负特征值仅为-9.174795e-17，属于双精度浮点运算的常规误差范围，远小于真实非正定问题的判定临界值（通常以特征值小于-1e-5为判定标准），且你已经排查无Heywood case（负方差、因子相关系数大于1），大概率为假阳性警告。可先运行summary(first.fit, fit.measures = TRUE)查看拟合指标，若拟合参数符合预期、参数标准误无异常偏大，可直接保留现有结果。

模型与样本量适配优化 #

你当前设置6因子66题，有效样本量仅200，有序CFA默认的WLSMV估计对样本量要求较高（通常建议每题项对应5-10个样本），模型复杂度过高容易引发数值稳定性问题，可做如下调整：

• 剔除标准化载荷低于0.5的题项，减少待估参数数量
• 对题项数量过多的因子做打包处理（item parceling），可采用随机打包、因子分析打包等方式，每个因子保留3-4个题项包，大幅降低模型复杂度
• 调整估计方法，在cfa()函数中添加参数estimator = "MLR"，改用稳健极大似然估计，该方法对小样本、非正态数据的耐受性更强

模型定义校验 #

• 检查所有题项是否仅加载到单个因子上，无重复定义、拼写错误的问题，可运行lavInspect(first.fit, "parameters")导出所有待估参数核对
• 尝试取消std.lv = T设置，改用默认的首题载荷固定为1的因子尺度标定方式，部分小样本场景下std.lv = T的标定逻辑更容易触发数值稳定性问题

因子结构合理性验证 #

如果上述操作后警告仍存在，可拆分一半样本做探索性因子分析（EFA），验证6因子结构是否符合数据本身的特征，若存在两个因子的相关系数持续高于0.85，可考虑合并高相关因子，降低模型冗余度。

内容的提问来源于stack exchange，提问作者ZXX