20 世纪主流统计方法技术：因素分析回归分析20 世纪 70 年代：结构方程模型时代正式来临结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析
在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题
SEM 能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计
结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究
实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合
多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例
结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差
在许多科学领域的研究中，有些变量并不能直接测量
实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法
人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差
在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰
自变量测量误差的发生会导致常规回归模型参数估计产生偏差
虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系
只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系
简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型
与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是
