Słownik metodologiczny · Modele SEM

Przypadek Heywooda – co oznacza ujemna wariancja błędu i jak sobie z nią poradzić

Przypadek Heywooda to ujemna wariancja reszty i ładunek standaryzowany powyżej 1 – rozwiązanie niedopuszczalne. Pokazujemy przyczyny, diagnozę na podstawie przedziału ufności, dwa sposoby postępowania i symulację, jak często problem pojawia się w małych próbach.

Strona główna / Słownik / Przypadek Heywooda
W skrócie: Przypadek Heywooda to ujemna oszacowana wariancja błędu wskaźnika (i ładunek standaryzowany powyżej 1) – rozwiązanie niedopuszczalne w CFA lub SEM. Najpierw sprawdź, czy przedział ufności tej wariancji obejmuje zero: jeśli tak, a model jest dobrze dopasowany, przyczyną jest zwykle błąd losowy i wystarczy ograniczenie do wartości nieujemnych; jeśli nie – szukaj błędnej specyfikacji modelu.

Co to jest przypadek Heywooda?

Przypadek Heywooda (ang. Heywood case) to rozwiązanie modelu czynnikowego lub SEM, w którym oszacowana wariancja błędu (reszty) wskaźnika jest ujemna, a w konsekwencji jego ładunek standaryzowany przekracza 1. Wariancja nie może być ujemna, więc takie rozwiązanie jest niedopuszczalne (ang. improper solution) – nawet jeśli program je wypisał i dopasowanie wygląda dobrze. Nazwa pochodzi od nazwiska H. B. Heywooda, który w latach 30. XX wieku opisał to zjawisko w analizie czynnikowej.

W psychologii przypadki Heywooda zdarzają się najczęściej w CFA krótkich skal i podskal mierzonych dwiema–trzema pozycjami, w małych próbach i przy pozycjach, które niemal powtarzają tę samą treść. Pojęcie bywa używane szerzej – także dla ujemnych wariancji czynników albo korelacji czynników większych niż 1 – ale klasycznie dotyczy wariancji błędu wskaźnika.

Skąd się bierze ujemna wariancja?

W modelu refleksyjnym wariancja wskaźnika dzieli się na część wspólną (λ²) i błąd (θ). Program dobiera ładunki tak, by odtworzyć obserwowane kowariancje. Jeśli dane „żądają” ładunku tak dużego, że λ² przekracza wariancję wskaźnika, błąd musi wyjść ujemny. Prowadzą do tego różne mechanizmy:

Przyczyny przypadku Heywooda i ich sygnały
PrzyczynaTypowy sygnałCo zrobić
Błąd losowy przy małej próbieUjemna wariancja bliska zera, przedział ufności obejmuje 0Ograniczenie do wartości nieujemnych, większa próba
Za mało wskaźników na czynnik (zwłaszcza 2)Problem dotyczy czynnika z dwoma wskaźnikamiDodanie pozycji, ograniczenia równości ładunków (gdy uzasadnione)
Błędna specyfikacja modeluWyraźnie ujemna wariancja, przedział nie obejmuje 0, złe dopasowanie lub duże indeksy modyfikacjiPoprawa modelu (pominięty czynnik, ładunek krzyżowy, kowariancja reszt)
Wartości odstające, braki danych, niemal identyczne pozycjeEkstremalne korelacje w macierzy wejściowejKontrola danych przed analizą

Anderson i Gerbing (1984) w badaniu Monte Carlo stwierdzili, że rozwiązania niezbieżne i niedopuszczalne występowały częściej przy mniejszych próbach i mniejszej liczbie wskaźników na czynnik. Kolenikov i Bollen (2012) pokazali natomiast, że błędna specyfikacja strukturalna może dawać ujemną wariancję nawet w populacji – wtedy żadna liczebność próby jej nie usunie. Dlatego kluczowe pytanie brzmi: czy ujemna wariancja jest zgodna z wahaniem losowym wokół zera, czy wyraźnie od zera odstaje?

Zanim zmienisz model, sprawdź dane:

  • czy w macierzy korelacji nie ma wartości bliskich 1 (dwie pozycje o niemal identycznej treści albo zdublowana kolumna);
  • czy pozycje odwrócone zostały przekodowane (zob. pozycja odwrócona);
  • jak obsłużono braki danych – analiza par dostępnych przypadków może dać macierz, której nie odtworzy żaden poprawny model;
  • czy kilka skrajnych obserwacji nie zawyża jednej korelacji.

Przykład: lęk przed egzaminem w małej próbie

Krótki kwestionariusz lęku przed egzaminem (skala 1–5) wypełniło 90 studentów (dane symulowane). Model CFA ma trzy czynniki: zamartwianie (3 pozycje), napięcie (3 pozycje) i objawy somatyczne mierzone tylko dwiema pozycjami (som1, som2). W populacji model jest poprawny, a wszystkie wariancje błędu są dodatnie.

  1. Sygnał. lavaan wypisuje ostrzeżenie some estimated ov variances are negative, a lavInspect(fit, "post.check") zwraca FALSE.
  2. Lokalizacja. Wariancja reszty som1 wynosi −0.051, a ładunek standaryzowany som1 – 1.029. Druga pozycja czynnika, som2, ma ładunek .550.
  3. Diagnoza. Błąd standardowy jest duży (SE = 0.255), z = −0.20, p = .842, a 95% przedział ufności [−0.550, 0.448] obejmuje zero i wartości dodatnie. Dopasowanie modelu jest bardzo dobre: χ²(17) = 10.36, p = .888, CFI = 1.000, RMSEA = .000, SRMR = .047. Wszystko wskazuje na błąd losowy przy małej próbie i czynniku z dwoma wskaźnikami, a nie na błędną specyfikację.
  4. Rozwiązanie 1 – ograniczenie nierównościowe. Po ograniczeniu wariancji reszty som1 do wartości dodatnich estymator zatrzymuje się na granicy (oszacowanie 0), a dopasowanie praktycznie się nie zmienia: χ²(17) = 10.41.
  5. Rozwiązanie 2 – równe ładunki som1 i som2. To rozwiązanie jest dopuszczalne (wariancje reszt 0.307 i 0.411), ale ograniczenie istotnie pogarsza dopasowanie: test różnicy χ² dał Δχ²(1) = 6.45, p = .011. Nie ma więc podstaw, by zakładać równe ładunki – to rozwiązanie odrzucamy.

Taka kolejność postępowania odpowiada wnioskom Dillona i in. (1987): gdy przypadek Heywooda wynika z wahań losowych, ustawienie wariancji na zero działa zadowalająco, a gdy wynika z braku dopasowania i błędnej specyfikacji, gotowych rozwiązań technicznych nie ma – trzeba poprawić model. Chen i in. (2001) dodają, że oszacowania w próbach z rozwiązaniami niedopuszczalnymi były bardziej obciążone, a ograniczenia nierównościowe pomagały osiągnąć zbieżność. W raporcie opisz więc problem i zastosowane ograniczenie zamiast je ukrywać.

Jak często zdarza się w poprawnym modelu?

Rysunek 1 pokazuje symulację: model trzech czynników jest w populacji dokładnie prawdziwy (ładunki .60–.80), a mimo to ujemne wariancje pojawiają się regularnie. Przy dwóch wskaźnikach na czynnik i N = 50 przypadek Heywooda wystąpił w 45.0% prób (a w kolejnych 14.3% estymacja nie osiągnęła zbieżności), przy N = 100 – w 28.0%, przy N = 400 – w 3.2%. Trzy wskaźniki na czynnik obniżają ten odsetek do 13.8% przy N = 50 i 1.2% przy N = 100.

Odsetek prób z przypadkiem Heywooda w poprawnym modelu CFA z trzema czynnikami: przy 2 wskaźnikach na czynnik 45.0% dla N = 50, 28.0% dla N = 100, 15.0% dla N = 200 i 3.2% dla N = 400; przy 3 wskaźnikach 13.8%, 1.2%, 0.0% i 0.0%
Rysunek 1. Odsetek prób (z 400 w każdym wariancie), w których przynajmniej jedna wariancja błędu była ujemna, choć model jest zgodny z populacją. Czerwona linia – 2 wskaźniki na czynnik, niebieska – 3 wskaźniki. Obliczenia: R (dane symulowane).

Praktyczny wniosek dla planowania badania: nie projektuj podskal z dwiema pozycjami, jeśli zamierzasz analizować je w CFA, i licz się z tym, że przy N poniżej 100–200 rozwiązania niedopuszczalne będą częste. Więcej o planowaniu liczebności – w poradniku dobór liczebności próby, a o konstrukcji skal – we wpisie budowa i walidacja skali psychometrycznej.

Jak opisać przypadek Heywooda w pracy

Recenzenci oczekują informacji, że problem wystąpił, jaka była jego prawdopodobna przyczyna i co z nim zrobiono. Wzór dla przykładu:

W modelu trójczynnikowym oszacowana wariancja reszty pozycji som1 była ujemna (−0.051, 95% CI [−0.550, 0.448]), a jej ładunek standaryzowany przekraczał 1 (przypadek Heywooda). Ponieważ przedział ufności obejmował zero, a model był dobrze dopasowany, χ²(17) = 10.36, p = .888, CFI = 1.000, RMSEA = .000, SRMR = .047, problem uznano za skutek błędu losowego w małej próbie (N = 90) i czynnika mierzonego dwiema pozycjami. Wariancję reszty ograniczono do wartości nieujemnych, co nie zmieniło istotnie dopasowania, χ²(17) = 10.41. Wyniki dotyczące czynnika objawów somatycznych należy interpretować ostrożnie.
Przykład reprodukowalny

Przypadek Heywooda w R (lavaan)

Kod tworzy dane z przykładu, wykrywa ujemną wariancję, sprawdza jej przedział ufności i porównuje dwa sposoby postępowania. Liczby w tekście pochodzą z tego kodu, a rysunek 1 – z osobnej symulacji (400 prób w każdym z ośmiu wariantów).

Wykrycie, diagnoza i dwa rozwiązania

Dane wejściowe: 90 osób (dane symulowane, set.seed(8)), 8 pozycji (1–5): zam1–zam3, nap1–nap3, som1–som2.

Co odczytać: ostrzeżenie lavaan, post.check, oszacowanie wariancji reszty som1 z SE i przedziałem ufności, ładunek standaryzowany większy niż 1, dopasowanie modeli z ograniczeniami i test różnicy χ² dla równych ładunków.

R
# Dane symulowane: 90 studentów, krótki kwestionariusz lęku przed egzaminem (1–5):
# zamartwianie (zam1–zam3), napięcie (nap1–nap3) i objawy somatyczne mierzone tylko 2 pozycjami (som1, som2)
suppressPackageStartupMessages(library(lavaan))
set.seed(8)
n <- 90
R <- matrix(c(1, .55, .45, .55, 1, .50, .45, .50, 1), 3)
F <- MASS::mvrnorm(n, rep(0, 3), R)
poz <- function(f, l) round(pmin(pmax(2.8 + 0.9 * (l * f + rnorm(n, sd = sqrt(1 - l^2))), 1), 5), 1)
dane <- data.frame(zam1 = poz(F[, 1], .75), zam2 = poz(F[, 1], .70), zam3 = poz(F[, 1], .65),
                   nap1 = poz(F[, 2], .75), nap2 = poz(F[, 2], .70), nap3 = poz(F[, 2], .60),
                   som1 = poz(F[, 3], .90), som2 = poz(F[, 3], .65))
model <- '
  ZAM =~ zam1 + zam2 + zam3
  NAP =~ nap1 + nap2 + nap3
  SOM =~ som1 + som2
'
# lavaan ostrzega o ujemnej wariancji – wypisujemy treść ostrzeżenia
fit <- withCallingHandlers(cfa(model, data = dane), warning = function(w) {
  message("Ostrzeżenie: ", conditionMessage(w)); invokeRestart("muffleWarning") })
suppressWarnings(lavInspect(fit, "post.check"))   # FALSE = rozwiązanie niedopuszczalne

# Wariancja reszty som1 z 95% CI i standaryzowany ładunek som1
pe <- parameterEstimates(fit)
round(pe[pe$lhs == "som1" & pe$op == "~~", c("est", "se", "z", "pvalue", "ci.lower", "ci.upper")], 3)
st <- standardizedSolution(fit)
round(st[st$op == "=~" & st$lhs == "SOM", "est.std"], 3)
round(fitMeasures(fit, c("chisq", "df", "pvalue", "cfi", "rmsea", "srmr")), 3)

# Rozwiązanie 1: ograniczenie wariancji reszty do wartości nieujemnych (gdy przyczyną jest błąd losowy)
model_ogr <- paste(model, 'som1 ~~ t1 * som1
  t1 > 0')
fit_ogr <- cfa(model_ogr, data = dane)
pe2 <- parameterEstimates(fit_ogr)
round(pe2[pe2$lhs == "som1" & pe2$op == "~~", "est"], 3)
round(fitMeasures(fit_ogr, c("chisq", "df", "cfi", "rmsea")), 3)

# Rozwiązanie 2: równe ładunki niestandaryzowane dwóch wskaźników czynnika SOM
fit_row <- cfa('ZAM =~ zam1 + zam2 + zam3
                NAP =~ nap1 + nap2 + nap3
                SOM =~ a * som1 + a * som2', data = dane)
lavInspect(fit_row, "post.check")
round(diag(lavInspect(fit_row, "est")$theta)[c("som1", "som2")], 3)
round(fitMeasures(fit_row, c("chisq", "df", "cfi", "rmsea")), 3)
lavTestLRT(fit, fit_row)          # czy ograniczenie równości istotnie pogarsza dopasowanie?
Wynik w R
Ostrzeżenie: lavaan->lav_object_post_check():  
   some estimated ov variances are negative
[1] FALSE
      est    se    z pvalue ci.lower ci.upper
15 -0.051 0.255 -0.2  0.842    -0.55    0.448
[1] 1.029 0.550
 chisq     df pvalue    cfi  rmsea   srmr 
10.363 17.000  0.888  1.000  0.000  0.047 
[1] 0
 chisq     df    cfi  rmsea 
10.407 17.000  1.000  0.000 
[1] TRUE
 som1  som2 
0.307 0.411 
 chisq     df    cfi  rmsea 
16.812 18.000  1.000  0.000 

Chi-Squared Difference Test

        Df    AIC    BIC  Chisq Chisq diff   RMSEA Df diff Pr(>Chisq)  
fit     17 1706.4 1753.9 10.363                                        
fit_row 18 1710.8 1755.8 16.812      6.449 0.24606       1     0.0111 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunek przygotowano w ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lavaan (wersja 0.7-2): Rosseel, Y., Jorgensen, T. D., & De Wilde, L. (2026). lavaan: Latent variable analysis (R package version 0.7-2) [Computer software]. https://doi.org/10.32614/CRAN.package.lavaan
  3. MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://www.stats.ox.ac.uk/pub/MASS4/
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Interpretowanie wyników mimo ostrzeżenia. Ładunek 1.03 nie oznacza „bardzo dobrej pozycji”, tylko rozwiązanie niedopuszczalne.
  • Automatyczne ustawianie wariancji na zero bez sprawdzenia przedziału ufności i dopasowania. Gdy ujemna wariancja wynika z błędnej specyfikacji, ograniczenie tylko ukrywa problem.
  • Nakładanie ograniczeń równości bez testu. W przykładzie równe ładunki usuwały problem, ale istotnie pogarszały dopasowanie.
  • Usuwanie pozycji „sprawiającej kłopot” z czynnika, który ma już tylko dwie pozycje – czynnik przestaje być identyfikowany (zob. identyfikacja modelu SEM).
  • Pomijanie problemu w raporcie. Opisz, co się stało i jak to rozwiązano; ukrycie przypadku Heywooda uniemożliwia ocenę wyników.
  • Za mała próba i dwa wskaźniki na czynnik już na etapie planowania – najprostsza profilaktyka to co najmniej trzy dobre pozycje na czynnik i liczebność dobrana do złożoności modelu.

Najczęstsze pytania

Co oznacza ostrzeżenie „some estimated ov variances are negative” w lavaan?

To komunikat lavaan o przypadku Heywooda: co najmniej jedna zmienna jawna ma ujemną oszacowaną wariancję błędu. Rozwiązanie jest niedopuszczalne – nie interpretuj go, dopóki nie sprawdzisz, której pozycji dotyczy problem, jaki ma przedział ufności i czy model jest poprawnie określony.

Czy ładunek standaryzowany może być większy niż 1?

Jeśli pozycja ładuje tylko jeden czynnik, ładunek standaryzowany powyżej 1 oznacza, że jej wariancja błędu jest ujemna, czyli rozwiązanie jest niedopuszczalne. Nie jest to więc „bardzo dobra pozycja”, tylko sygnał problemu z modelem lub danymi. Wyjątkiem mogą być modele z ładunkami krzyżowymi, gdzie ładunki standaryzowane nie muszą być ograniczone do 1.

Czy można po prostu ustawić ujemną wariancję na zero?

Tak, ale tylko wtedy, gdy ujemna wartość jest zgodna z błędem losowym: jest bliska zera, jej przedział ufności obejmuje zero, a model jest dobrze dopasowany. Dillon i in. (1987) wykazali, że w takiej sytuacji to rozwiązanie działa zadowalająco. Gdy przyczyną jest błędna specyfikacja, ograniczenie tylko maskuje problem.

Jak uniknąć przypadku Heywooda w badaniu?

Planuj co najmniej trzy dobre pozycje na każdy czynnik, odpowiednio dużą próbę i usuń z danych błędy oraz skrajne obserwacje przed analizą. W symulacji na tej stronie przy dwóch wskaźnikach na czynnik i 100 osobach ujemna wariancja pojawiła się w 28.0% prób, a przy trzech wskaźnikach – w 1.2%.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Anderson, J. C., & Gerbing, D. W. (1984). The effect of sampling error on convergence, improper solutions, and goodness-of-fit indices for maximum likelihood confirmatory factor analysis. Psychometrika, 49(2), 155–173. https://doi.org/10.1007/bf02294170
  2. Chen, F., Bollen, K. A., Paxton, P., Curran, P. J., & Kirby, J. B. (2001). Improper solutions in structural equation models. Sociological Methods & Research, 29(4), 468–508. https://doi.org/10.1177/0049124101029004003
  3. Dillon, W. R., Kumar, A., & Mulani, N. (1987). Offending estimates in covariance structure analysis: Comments on the causes of and solutions to Heywood cases. Psychological Bulletin, 101(1), 126–135. https://doi.org/10.1037/0033-2909.101.1.126
  4. Kolenikov, S., & Bollen, K. A. (2012). Testing negative error variances. Sociological Methods & Research, 41(1), 124–167. https://doi.org/10.1177/0049124112442138

Cytowania BibTeX

@article{anderson1984effect, author={Anderson, James C. and Gerbing, David W.}, title={{The effect of sampling error on convergence, improper solutions, and goodness-of-fit indices for maximum likelihood confirmatory factor analysis}}, journal={Psychometrika}, year={1984}, volume={49}, number={2}, pages={155--173}, doi={10.1007/bf02294170}}
@article{chen2001improper, author={Chen, Feinian and Bollen, Kenneth A. and Paxton, Pamela and Curran, Patrick J. and Kirby, James B.}, title={{Improper solutions in structural equation models}}, journal={Sociological Methods \& Research}, year={2001}, volume={29}, number={4}, pages={468--508}, doi={10.1177/0049124101029004003}}
@article{dillon1987offending, author={Dillon, William R. and Kumar, Ajith and Mulani, Narendra}, title={{Offending estimates in covariance structure analysis: Comments on the causes of and solutions to Heywood cases}}, journal={Psychological Bulletin}, year={1987}, volume={101}, number={1}, pages={126--135}, doi={10.1037/0033-2909.101.1.126}}
@article{kolenikov2012testing, author={Kolenikov, Stanislav and Bollen, Kenneth A.}, title={{Testing negative error variances}}, journal={Sociological Methods \& Research}, year={2012}, volume={41}, number={1}, pages={124--167}, doi={10.1177/0049124112442138}}
R