خطای ماتریس کوواریانس در ایموس

⏱ زمان مطالعه: 11 دقیقه

یکی از متداول‌ترین موانعی که پژوهشگران هنگام کار با نرم‌افزار ایموس (IBM SPSS AMOS) برای تحلیل معادلات ساختاری و تحلیل عاملی تاییدی با آن روبه‌رو می‌شوند، هشدارهای مرتبط با وضعیت ماتریس کوواریانس است. این خطا معمولاً با عناوینی نظیر «The covariance matrix is not positive definite» یا هشدارهای مرتبط با واریانس‌های خطای منفی در بخش خروجی متنی نرم‌افزار نشان داده می‌شود. مواجهه با این اخطار مانع از اجرای صحیح محاسبات، برآورد شاخص‌های برازش یا تولید خطاهای معیار معتبر می‌شود و نیازمند شناخت دقیق از علل ریشه‌ای آن در ساختار داده‌ها و مدل ترسیم‌شده است.

ماهیت خطای ماتریس کوواریانس مثبت معین نیست در ایموس

از دیدگاه جبر خطی، یک ماتریس متقارن زمانی «مثبت معین» (Positive Definite) نامیده می‌شود که تمامی مقادیر ویژه (Eigenvalues) آن بزرگ‌تر از صفر باشند و دترمینان ماتریس عددی مثبت باشد. در تحلیل معادلات ساختاری، الگوریتم‌های بیشینه‌احتمال (Maximum Likelihood) برای بهینه‌سازی توابع و رسیدن به مقادیر برازش، نیازمند وارون‌سازی ماتریس کوواریانس هستند. هنگامی که یک ماتریس معین نباشد یا نامعین باشد، دترمینان آن صفر یا منفی می‌شود و در نتیجه، ماتریس از نظر ریاضی معکوس‌پذیر نخواهد بود.

ایموس در چنین شرایطی نمی‌تواند عملیات ماتریسی را برای به دست آوردن پارامترها و خطاهای استاندارد به پایان برساند. این مشکل در دو لایه مختلف خود را نشان می‌دهد: نخست در سطح داده‌های تجربی خام و ماتریس کوواریانس نمونه، و دوم در سطح ماتریس کوواریانس بازتولیدشده یا ضمنی که حاصل روابط ترسیم‌شده میان سازه‌ها است. تشخیص اینکه خطا دقیقاً در کدام مرحله شکل گرفته، اولین قدم در رفع آن به شمار می‌آید.

تفاوت خطای ماتریس کوواریانس نمونه و ماتریس ضمنی مدل

تفکیک میان ماتریس کوواریانس نمونه (Sample Covariance Matrix) و ماتریس کوواریانس ضمنی مدل (Model-Implied Covariance Matrix) برای انتخاب راهکار مناسب الزامی است:

راهنمای جامع این موضوع: تحلیل آماری SPSS، AMOS، Smart PLS

• نامثبت معین بودن ماتریس کوواریانس نمونه: این خطا پیش از پردازش کامل مدل و در همان گام‌های اولیه بازخوانی داده‌ها رخ می‌دهد. دلیل اصلی آن اشکال بنیادین در ماتریس داده‌های ورودی است؛ مسائلی مانند همبستگی کامل میان دو گویه، حضور گویه‌های با واریانس صفر، یا نسبت نامناسب متغیرها به حجم نمونه عامل آن هستند.
• نامثبت معین بودن ماتریس کوواریانس ضمنی: در این حالت ماتریس داده‌های نمونه مشکلی ندارد، اما ساختاری که پژوهشگر برای روابط فرضی میان متغیرهای مکنون و خطاهای اندازه‌گیری تعریف کرده، به تولید ماتریسی با دترمینان منفی یا مقادیر ویژه نامعتبر می‌انجامد. این حالت نشان‌دهنده خطای تصریح در مدل (Model Misspecification) است.

برای بررسی این تمایز، باید به پنجره متن خروجی (Amos Output) و بخش Notes for Model رجوع کرد. اگر نرم‌افزار اعلام کند که ماتریس کوواریانس نمونه مثبت معین نیست، دستکاری پیکان‌ها و روابط داخل مدل کمکی به حل مشکل نمی‌کند و تمرکز باید روی فایل داده‌های خام در SPSS باشد.

خطای مقیاس‌گذاری و عدم شناسایی مدل ساختاری

یکی از دلایل فنی بسیار رایج در نامعین شدن ماتریس کوواریانس، اشتباه در شناسایی مدل (Model Identification) و تعیین مقیاس متغیرهای پنهان است. متغیرهای مکنون ماهیت انتزاعی دارند و مقیاس اندازه‌گیری ذاتی برای آن‌ها وجود ندارد. برای اینکه نرم‌افزار بتواند واریانس این متغیرها را برآورد کند، باید مقیاس آن‌ها از طریق یکی از دو روش زیر تثبیت شود:

• تثبیت بار عاملی یکی از گویه‌ها (نشانگر مرجع) روی عدد ۱
• تثبیت واریانس متغیر مکنون روی عدد ۱ (استانداردسازی سازه)

فرض کنید پژوهشگری مدلی با سه متغیر مکنون رسم کرده و فراموش کند بار عاملی یکی از گویه‌های مربوط به سازه دوم را برابر با عدد ۱ قرار دهد. در چنین وضعیتی، مدل از نظر ریاضی کم‌شناسا (Under-identified) می‌شود. این کم‌شناسایی به نامحدود شدن پارامترهای نامعلوم در برابر معادلات موجود منجر شده و ماتریس مشتقات دوم یا همان ماتریس اطلاعات فیشر را نامعین می‌کند که پیامد مستقیم آن صدور خطای ماتریس کوواریانس خواهد بود.

بیشتر بخوانید: شاخص های برازش مدل در ایموس چیست

علاوه بر متغیرهای مکنون، جملات خطا (Error Terms) یا باقیمانده‌ها نیز نیازمند مقیاس‌گذاری هستند. هر دایره خطای متصل به متغیر مشاهده‌پذیر باید یک پیکان یک‌طرفه با وزن رگرسیونی تثبیت‌شده روی ۱ به سمت آن متغیر داشته باشد. حذف سهوی این وزن رگرسیونی سبب بروز فوری خطای ماتریس در گام محاسباتی می‌شود.

پدیده هی‌وود و بروز واریانس‌های خطای منفی

مفهوم «مورد هی‌وود» (Heywood Case) وضعیتی است که در آن برآوردهای حاصل از تحلیل فراتر از مرزهای مجاز ریاضی و احتمالات قرار می‌گیرند. بارزترین نشانه این پدیده، برآورد واریانس منفی برای خطای اندازه‌گیری یک گویه یا بار عاملی استاندارد بزرگ‌تر از ۱ است. از آن‌جا که واریانس ذرات خطا بر مبنای توان دوم انحراف معیار تعریف می‌شود، وجود هرگونه مقدار منفی برای آن در دنیای واقعی غیرممکن است.

وقتی واریانس یک جمله خطا منفی برآورد می‌شود، قطر اصلی ماتریس کوواریانس مقادیر نامعتبر پیدا می‌کند و شرط مثبت معین بودن ماتریس نقض می‌شود. دلایل اصلی شکل‌گیری موارد هی‌وود عبارتند از:

مطلب مرتبط: اشتباهات رایج در ترجمه مقاله آی اس آی

• وجود خطای نمونه‌گیری ناشی از تعداد کم نمونه
• حضور متغیرهای مشاهده‌پذیری که همبستگی بسیار ناچیزی با سازه اصلی دارند
• تعریف سازه‌هایی که تنها با دو گویه سنجیده شده‌اند و پایداری لازم را ندارند
• همبستگی درونی شدید میان جملات خطای دو گویه که همپوشانی معنایی دارند

در بررسی جدول Estimates خروجی ایموس، اگر در ستون واریانس‌ها عدد منفی مشاهده شد، تمرکز اصلی باید معطوف به همان گویه خاص و سازه متناظر آن باشد.

همخطی چندگانه شدید میان متغیرها

همخطی چندگانه (Multicollinearity) شدید بین گویه‌های مشاهده‌پذیر یا میان سازه‌های مکنون، عامل بازدارنده دیگری در همگرایی ماتریس‌ها است. هنگامی که همبستگی پیرسون بین دو گویه به اعدادی بالاتر از ۰٫۹۰ یا ۰٫۹۵ برسد، این دو متغیر تقریباً حاوی اطلاعاتی یکسان هستند. از دیدگاه ماتریسی، این رویداد باعث ایجاد وابستگی خطی میان سطرها و ستون‌های ماتریس کوواریانس می‌شود.

وابستگی خطی سبب نزدیک شدن دترمینان ماتریس به سمت صفر و تبدیل آن به یک ماتریس منفرد (Singular Matrix) می‌شود. نرم‌افزار ایموس برای حل این ماتریس با تقسیم بر صفرهای محاسباتی مواجه شده و اجرای تحلیل را متوقف می‌کند. این پدیده نه فقط در گویه‌ها، بلکه میان متغیرهای مکنونی که روایی تشخیصی (Discriminant Validity) میان آن‌ها نقض شده نیز رایج است؛ به عنوان مثال، زمانی که همبستگی ساختاری میان دو سازه فرضی به ۱ نزدیک می‌شود.

برای کنترل این حالت، پیش از ورود داده‌ها به محیط ایموس، لازم است در محیط SPSS مقادیر شاخص تحمل (Tolerance) و عامل تورم واریانس (VIF) بررسی شوند. مقادیر VIF بالاتر از ۵ زنگ خطری جدی برای سلامت محاسبات ایموس تلقی می‌شوند.

مطلب مرتبط: تعداد اسلاید استاندارد برای دفاع پایان نامه

تاثیر حجم نمونه ناکافی و عدم تقارن شدید داده‌ها

روش‌های برآورد در تحلیل معادلات ساختاری بر مبنای نظریه نمونه‌های بزرگ تدوین شده‌اند. هنگامی که حجم نمونه نسبت به تعداد پارامترهای آزاد مدل اندک باشد، نوسانات نمونه‌گیری به اوج خود می‌رسد و احتمال تخمین پارامترهای نامتعارف افزایش می‌یابد. قاعده سرانگشتی متداول برای روش بیشینه‌احتمال، حضور دست‌کم ۱۰ تا ۲۰ نمونه به ازای هر پارامتر برآوردی در مدل است.

علاوه بر حجم، توزیع داده‌ها نقشی تعیین‌کننده دارد. روش برآورد بیشینه‌احتمال بر فرض نرمال بودن چندمتغیره (Multivariate Normality) استوار است. اگر داده‌ها دارای چولگی (Skewness) یا کشیدگی (Kurtosis) چندمتغیره شدید باشند، برآوردهای ماتریسی دچار اعوجاج می‌شوند. ضریب کشیدگی چندمتغیره ماردیا (Mardia’s coefficient) در ایموس نشان می‌دهد که آیا داده‌ها از این فرض پیروی می‌کنند یا خیر. کشیدگی‌های فراتر از مرز مجاز می‌توانند ماتریس را از حالت تعادل خارج کرده و پیام مثبت معین نبودن را ثبت کنند.

مدیریت داده‌های پرت و گمشده در ایجاد خطای ماتریس

داده‌های دورافتاده چندمتغیره (Multivariate Outliers) از طریق فاصله مهالانوبیس (Mahalanobis Distance) در ایموس قابل ردگیری هستند. وجود چند مشاهده با الگوهای پاسخ‌دهی غیرمعمول می‌تواند انحراف‌های شدیدی در کوواریانس‌ها ایجاد کند و ماتریس نمونه را غیرمعین سازد. حذف این مشاهدات پرت معمولاً به پایدار شدن فوری ماتریس می‌انجامد.

مطلب مرتبط: نمونه گزارش فصل چهارم با اسمارت پی ال اس

نحوه مواجهه با داده‌های گمشده (Missing Data) عامل دیگری است که مستقیماً بر ماتریس تاثیر می‌گذارد:

• حذف موردی (Listwise): امن‌ترین روش برای جلوگیری از خطای ماتریس نمونه است؛ زیرا ماتریس بر پایه تعداد نمونه‌های کاملاً یکسان تشکیل می‌شود، هرچند ممکن است حجم نمونه را کاهش دهد.
• حذف جفتی (Pairwise): بدترین رویکرد برای ایموس است. در این شیوه، هر کوواریانس بر پایه حجم متفاوتی از داده‌ها محاسبه می‌شود که این ناهماهنگی در محاسبات ماتریسی معمولاً منجر به غیرمثبت معین شدن قطعی ماتریس نمونه خواهد شد.
• برآورد بیشینه‌احتمال با اطلاعات کامل (FIML): اگر در فایل داده مقادیر گمشده وجود داشته باشد، گزینه Estimate means and intercepts در تنظیمات ایموس باید فعال گردد تا محاسبات بدون تولید ماتریس‌های نامعتبر انجام شود.

مراحل گام‌به‌گام بررسی خروجی متنی ایموس برای ردیابی خطا

برای مکان‌یابی دقیق منشأ خطا در مدل، این ترتیب بررسی در بخش خروجی متنی نرم‌افزار ایموس پیشنهاد می‌شود:

1. بررسی بخش Notes for Model: اولین پیامی که نشان می‌دهد کدام ماتریس دچار مشکل شده را در این قسمت پیدا کنید. هشدارهای صریح درباره عدم امکان وارون‌سازی ماتریس یا معین نبودن آن در اینجا قید می‌شود.
2. مشاهده جدول مقادیر ویژه (Eigenvalues): در بخش خروجی ماتریس‌های نمونه، به مقادیر ویژه نگاه کنید. اگر حتی یکی از مقادیر ویژه برابر با صفر یا دارای علامت منفی باشد، ماتریس مثبت معین نیست.
3. ارزیابی جدول Estimates و زیربخش Variances: ردیف‌های جدول را برای پیدا کردن واریانس‌های منفی یا خطاهای معیار فوق‌العاده بزرگ (Standard Errors) بررسی کنید. خطای استاندارد بسیار بزرگ نشان‌دهنده ناپایداری شدید آن پارامتر است.
4. بررسی بارهای عاملی در بخش Regression Weights: بررسی کنید که آیا هیچ بار عاملی غیراستانداردی وجود دارد که عددی غیرمنطقی نشان دهد یا بار عاملی استاندارد آن از ۱ فراتر رفته باشد.

راهکارهای آماری و محاسباتی برای رفع خطای واریانس منفی

پس از یافتن متغیر یا خطایی که ارزش منفی تولید کرده، باید یکی از راهکارهای روش‌شناختی زیر به کار گرفته شود:

مطلب مرتبط: انواع مقاله علمی از نظر اعتبار

تثبیت واریانس خطای منفی روی یک مقدار کوچک مثبت

اگر بررسی‌های محتوایی نشان دهد که واریانس منفی صرفاً ناشی از خطای نوسان نمونه‌گیری است و فاصله بسیار ناچیزی با صفر دارد (مثلاً ۰٫۰۰۳-)، می‌توان پارامتر واریانس آن جمله خطا را به صورت دستی روی عددی مثبت و بسیار نزدیک به صفر (مانند ۰٫۰۰۵) یا دقیقاً روی صفر مقید کرد. با این کار، الگوریتم بهینه‌سازی از جست‌وجو در فضاهای نامعتبر منع شده و ماتریس به وضعیت مثبت معین بازمی‌گردد.

حذف یا ادغام گویه‌های همپوشان

اگر دو گویه مربوط به یک سازه دارای جملات خطای با همبستگی فوق‌العاده بالا باشند یا بار عاملی یکی از آن‌ها به بیش از ۰٫۹۵ برسد، حذف گویه‌ای که بار مفهومی کمتری دارد یا ادغام نمرات دو گویه به شکل میانگین واحد، وابستگی خطی را برطرف می‌کند و مدل بدون خطای ماتریسی اجرا می‌شود.

اصلاح ساختار سازه‌های کم‌نشانگر

سازه‌هایی که فقط با دو متغیر مشاهده‌پذیر اندازه‌گیری می‌شوند، مستعد ناپایداری ریاضی و بروز موارد هی‌وود هستند. در چنین مواردی می‌توان وزن‌های رگرسیونی هر دو گویه را با یکدیگر برابر فرض کرد (تعریف قید مساوی) تا درجات آزادی مدل حفظ شده و از واگرایی برآوردها جلوگیری شود.

مطلب مرتبط: نمونه پروپوزال پر شده کارشناسی ارشد

راهنمای عیب‌یابی سریع خطاهای رایج ماتریس در ایموس

جدول زیر خلاصه‌ای کاربردی از نشانه‌های مشاهده‌شده در ایموس، علت‌های محتمل و مسیرهای اصلاح هر وضعیت را ارائه می‌دهد:

نشانه خطا در خروجی	علت ریشه‌ای احتمالی	اقدام اصلاحی مناسب
Sample covariance matrix is not positive definite	همبستگی خطی کامل، حضور داده‌های گمشده با حذف جفتی، داده‌های پرت شدید	بررسی ماتریس همبستگی در SPSS، حذف متغیرهای تکراری، مدیریت داده‌های گمشده با FIML
برآورد مقدار منفی برای واریانس خطای یک گویه (e)	مورد هی‌وود به دلیل خطای نمونه‌گیری، بارهای عاملی ضعیف یا همپوشانی بالا	تثبیت واریانس روی ۰٫۰۰۵، بازبینی کیفیت گویه یا ادغام سوالات بسیار مشابه
عدم محاسبه خطاهای معیار و خروجی استاندارد	کم‌شناسا بودن مدل یا فراموشی تخصیص مقیاس به متغیرهای مکنون	تثبیت بار عاملی یکی از گویه‌های هر سازه روی ۱ یا تثبیت واریانس سازه روی ۱
ضریب استاندارد مسیر بزرگ‌تر از ۱ در تحلیل عاملی	همخطی چندگانه شدید میان دو متغیر پنهان یا دو نشانگر	ترکیب دو متغیر مکنون در قالب یک سازه واحد یا بازنگری در ساختار عاملی مدل

پرسش‌های متداول درباره خطای ماتریس کوواریانس در ایموس

آیا تثبیت واریانس خطای منفی روی صفر از نظر آماری معتبر است؟

بله، در صورتی که مقدار منفی برآوردشده بسیار کوچک بوده و از نظر آزمون معناداری با صفر تفاوت معناداری نداشته باشد (p-value بزرگ‌تر از ۰٫۰۵)، متون تخصصی تحلیل معادلات ساختاری این اقدام را تحت عنوان یک قید منطقی (Boundary Constraint) مجاز می‌دانند. با این حال، اگر واریانس منفی بزرگ و معنادار باشد، مقید کردن آن صرفاً صورت‌مسئله را پاک می‌کند و باید مدل یا ابزار اندازه‌گیری اصلاح شود.

چرا ایموس با فعال‌سازی روش بوت‌استرپینگ خطا می‌دهد؟

روش بوت‌استرپینگ (Bootstrapping) نیازمند نمونه‌گیری‌های مکرر از داده‌ها است. اگر مدل شما در مرز ناپایداری قرار داشته باشد یا داده‌های گمشده بدون برآورد میانگین‌ها و عرض‌ازمبدأها در فایل موجود باشند، در بخش عمده‌ای از نمونه‌های بازتولیدشده ماتریس کوواریانس غیرمثبت معین تولید می‌شود. در این وضعیت، ایموس خطای عدم امکان اجرای بوت‌استرپینگ صادر می‌کند که راه‌حل آن ابتدا پایدارسازی مدل اصلی و پاکسازی کامل داده‌های مفقود است.

اگر با وجود تمام اصلاحات، ماتریس نمونه مثبت معین نشود چه باید کرد؟

هنگامی که ماتریس نمونه حتی با حذف پرت‌ها و تصحیح همخطی نامعین باقی می‌ماند، ممکن است تعداد سوالات پرسشنامه بیش از توان ریاضی ماتریس نسبت به تعداد پاسخ‌دهندگان باشد. در چنین سناریوهایی، فشرده‌سازی داده‌ها از طریق تکنیک بسته‌بندی گویه‌ها (Item Parceling) یا استفاده از روش‌های برآورد جایگزین در نرم‌افزارهای مبتنی بر حداقل مربعات جزئی راهگشا خواهد بود.