SEM结构方程模型是一种基于因子分析、线性回归方法，用于分析错综复杂变量之间路径关系的一种模型。

因子分析：（用于数据降维）（应用于高斯分布的数据）研究从变量群中提取共性因子的统计技术，这里的共性因子指的是不同变量之间内在的隐藏因子。例如，一个学生的英语、数据、语文成绩都很好，那么潜在的共性因子可能是智力水平高。因此，因子分析的过程其实是寻找共性因子和个性因子并得到最优解释的过程。 基本思想：根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构一即公共因子。 核心问题： 一是如何构造因子变量，二是如何对因子变量进行命名解释。 因子分析类型： R型因子分析与Q型因子分析，就像聚类分析分为R型和Q型一样，R型的因子分析是对变量作因子分析，Q型因子分析是对样品作因子分析，本文是以R型因子分析展开。 步骤： 1.确定原有若干变量是否适合于因子分析：可以使用相关性矩阵进行验证，如果相关系数小于0.3，那么变量间的共性较小，不适合使用因子分析；也可以实用KMO检验（该检验是对原始变量之间的简相关系数和偏相关系数的相对大小进行检验）（原理:如果原始数据中确实存在公共因子，则各变量之间的偏相关系数应该很小，这时，KMO的值接近于1，因此，原数据适用于因子分析） KMO公式： 2.确定因子变量：包括主成分分析、公因子模型和独立因子模型。不同的模型假设会影响因子提取和解释。 3.数据标准化：z-score标准化（即成绩与总体平均成绩的差除以总体的标准差，看一看与总体相差多少个标准差，公式如下）

1.绘制结构方程模型：要求按照初步假设出模型中各变量的相互关系，绘制成一张清晰的路径分析图 2.返回结果：带权结构路径图+因子载荷系数表

结构方程模型相比起路径分析，多了一个因子测量模型。当我们想对难以描述的概念建立路径时，比如想要建立”生活习惯->健康“这个路径，其中两个概念都很难描述，我们可以用饮食均衡、坚持运动等等指标来反映生活习惯，用心率、血压、体温等等指标来反映这个概念。

关注我给大家分享更多有趣的知识，以下是个人公众号，提供 ||代码兼职|| ||代码问题求解|| 由于本号流量还不足以发表推广，搜我的公众号即可：