结构方程适合研究哪些论文

结构方程模型是：一般线性模型的扩展，并非单指某一种特定的统计方法，而是一套用以分析共变结构的技术整合。

结构方程模型组成及应用：

结构方程模型由两部分组成，即测量模型（Measurement Model）和结构模型（Structural Model）。本文将主要介绍以上两个模型的概念及其应用。

1、测量模型

在实际研究中，并非所有的概念都是可以被直接观察和测量的。

比如我们在调研爱采购卖家的体验时，这里的卖家体验其实就是一个抽象的概念，是卖家对平台所有可观测量化指标的综合反映，这些指标可能会包括卖家通过平台获得的询盘量、订单量、主要权益的满意度、接收到服务速度和质量等等。

在SEM中，如用户体验这些抽象且无法直接测量的概念，被称作“潜变量（Latent Variable）”，而那些能被直接观测的变量，如询盘量，则称为“观察变量（Observed Variable）”或“外显变量（Manifest Variable）”。

我们了解越多卖家对平台有效观察变量的反馈，对卖家体验的刻画就越真实可靠。

基于对测量模型的验证，我们发现卖家对平台的综合体验，可以在一定程度解释为卖家对平台的效果体验，权益体验和服务体验（满意度）的集合。

需要注意的是，观测变量并非能完全解释潜变量，在整体测量模型中同时存在无法解释的误差（也称残差），误差大小及分布的影响是实际施测中同样需要考虑的部分。

2、结构模型

与检验观测变量和潜变量之间关系的测量模型不同，结构模型主要用于检验潜变量间的关系。如果单独看待结构模型，就是传统的路径分析（Path Analysis），旨在解释变量间的因果或预测关系。

随着研究的深入，我们发现过去研究中常用的相关分析或一元/多元回归分析方法很难解释变量间的因果关系，比如在研究爱采购卖家续费意愿时，仅通过相关分析，很难判断是体验影响续费意愿，还是续费意愿影响体验。

而单纯的使用多元回归分析，我们只能发现各体验维度指标对续费意愿的独立影响，而忽视了各体验指标间的相互作用。

结构方程模型有以下几点需要注意：

1、SEM更多用于验证性的分析。

因此在实际研究中，需要我们先结合业务分析、定性研究、理论总结等方法设定初始的理论模型，再加以验证。

简而言之，假设先行，可以先把概念之间的影响路径画出来，再转变为统计模型进行修正；

2、SEM一般要求比较大的样本量。

由于SEM所处理的变量数目较多，变量间的关系较为复杂，样本

规模的大小会影响整体分析的稳定性和适用性。

一般而言样本量需要超过200，当涉及潜变量较多时，可根据题目量的10倍设置样本量；

3、分析数据时直接使用原始数据。

由于SEM的数学及统计学基础建立在方差和协方差分析中，使用SEM时应直接使用原始数据或样本的协方差矩阵，而非标准化数据或相关矩阵，以避免产生错误的参数估计或误差。