结构方程模型SEM是一种多元数据分析方法，其可用于研究多个潜变量之间的影响关系情况。常用语一些数据本身不能直接询问或测量得到，即所谓以潜变量的形式，对数据模型进行估计。可以替代多重回归、通径分析、因子分析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系。

怎么采用结构方程模型？

结构方程模型SEM包括测量关系和影响关系；如果仅包括影响关系，此时称作路径分析（Path analysis，有时也称通径分析）。一般情况下设置测量关系—影响关系—模型检验与调整就够了，

但是在实际应用过程中，结构方程模型对于数据质量，包括样本量，测量关系和影响关系均有着很高的要求；样本数量200份以上，且因子之间实际存在相互影响关系，且影响效应能够明显表现在数据上，可以提前进行检验，通过探索性因子分析和验证性因子分析，确保测量关系良好后再进行SEM分析；

如果对模型进行检验时有发现拟合效果不佳时，可考虑结合MI指标情况进行模型调整，此时有两种调整模型的办法，分别是和‘协方差关系调整’和‘影响关系调整’。

‘协方差关系调整’一般包括2种情况，第1种是指结合MI指标值情况，在原有模型基础上加入‘测量项’之间的协方差关系，此种调整的目的是在于调整‘测量关系结构’。第2种情况是建立factor与factor之间（也或者二阶Scale与Scale/factor）之间的‘协方差相关关系’。

‘影响关系调整’需要结合专业知识和MI指标（协方差）进行调整，即重新在模型中加入影响关系，此种调整的目的是在于调整‘影响关系结构’，如果MI＞20才有结果出来，说明两者间有较大影响关系，需要在模型中重新建立两个间的影响关系，但是需要在满足专业知识、理论要求得情况下。输出MI>10’,其意义是将MI值大于10的全部输出（通常情况下MI值非常多，但一般只有较大的值才有参考意义）。在输出之后，可将MI值非常大的两两项之间建立‘协方差相关关系’（即相关关系，在‘设置模型关系’处进行设置），用于修正模型。

如果模型无论如何拟合效果均不好，可有三种解决办法，第一种处理是将结构方程模型进行拆分成多个小模型分别进行分析；模型越复杂拟合要求越高，因此将模型的复杂度减低可有效提高拟合效果；第二种处理是改为路径分析（即直接放弃掉测量关系进行多元模型构建，尤其是测量关系质量不佳时）；第三种处理是使用线性回归这种复杂度最低的模型进行研究。

数据如何分析？

对于模型拟合情况得数值表现有很多，通过软件一般会出现如下数值，

如果测量关系良好，通常来说，标准化载荷系数值基本上均会大于0.6。

最终结果图展示如下：

协方差系数：相关关系，表格中显示感知价值和感知质量之间的协方差关系即相关关系系数为0.558,这个并不是结构模型探讨的重点。

影响关系系数：影响关系是重点，若p＜0.05，则表示感知质量对于顾客满意产生0.05水平的显著影响，标准化路径系数值为0.314，意味着感知质量会对于顾客满意产生正向的影响关系。

测量关系系数：如果测量关系良好，通常来说，标准化载荷系数值基本上均会大于0.6。下图中B2的标准化载荷系数值为0.355比较低，如果发现模型拟合效果不好时，可考虑对其进行删除再尝试进行分析。

需要注意的是：

1. 一个Factor（因子）只能隶属于1个二阶结构Scale，不能隶属于多个Scale（量表）。

2. 如果想建立测量项之间的关系，分析上只能建立协方差关系，通常测量项之间协方差关系的设置依据是结合MI指标值进行。

3. 结构方程模型设置时，如果说没有设置过某个Factor，那么就不能在模型关系（也或者二阶结构Scale中出现该Factor）。

4. 结构方程模型设置时，如果设置过某个Factor，那么Factor需要出现在模型关系中（当然Factor可能隶属于某个Scale，那么此时模型关系中就应该以对应的Scale为准，模型关系中也不能再出现该Factor）。

更多的问题在实际的操作中可能会更为复杂，同学们也不要为了让论文看上去好看去盲目使用结构模型，每个模型都有一定的适用性，需要根据实际关系来选择，有更多论文实证相关的问题均可在线咨询。