结构化方程模型概述
“结构化方程模型”(SEM) 平台支持您拟合可用于检验变量间关系理论的众多模型。模型中的变量可以是观测到的（显变量），也可以是未观测到的（潜在变量）。结构化方程建模在社会科学和行为科学中很普遍。
默认情况下，该平台为所有变量指定一个具有均值和方差的模型。然后，该平台提供了一个模型构建界面，使您能够在构建模型时看到模型的多个视图。它还提供模型构造过程中的一些模型细节，这些细节在运行模型之前会向您提醒哪些模型不受支持。
拟合一个或多个模型后，可以在“模型比较”报表中比较拟合的模型和两个基线模型。基线模型是不受限模型和独立模型。不受限模型是完全饱和模型，该模型拟合指定模型变量的所有均值、方差和协方差，而不对数据强加任何结构。独立模型拟合指定的模型变量的所有均值和方差。指定模型变量之间的所有协方差都被固定为零，这会导致高度受限的模型。您还可以在“模型比较”报表中选择任何拟合好的模型，将其设置为新的独立模型。这将替换报表中的默认独立模型并更新比较性拟合指数，从而提供更准确的模型拟合评估。请参见比较多重潜在变量增长曲线模型的示例。
SEM 平台提供多种估计方法。默认情况下，若无缺失值则使用最大似然 (ML)，若数据随机缺失则使用全信息最大似然 (FIML)，(Finkbeiner 1979)。您也可以选择最大似然法进行稳健推断，通常称为“稳健最大似然法”或 MLR。该稳健版本对标准误差应用夹心校正，以防止出现某些违反模型假设的情况。该稳健版本还会重新调整卡方统计量的尺度，以防止第一类错误。或者，“隐含模型的工具变量两阶段最小二乘”(MIIV Two-Stage Least Squares) 提供了一种非迭代的逐方程估计方法，该方法对结构误定稳健且不要求预测变量服从多元正态分布。“MIIV 两阶段最小二乘”有助于将偏倚控制在单个方程内，并且避免了可能与 ML 相关的收敛问题。该方法在小样本或模型假设可能被违反的情况下尤其有用。该方法还提供方程级别的拟合统计量（Sargan 检验），可以帮助识别模型失拟的具体来源。
有关结构化方程建模的详细信息，请参见 SAS Institute Inc. (2025a) 中的“CALIS 过程”一章、Bollen (1989) 和 Kline (2016)。
注意：“结构化方程模型”平台中的所有模型都用一个平均结构来估计，这意味着包含一个“Constant”项。若不想让结构基于观测变量的均值，则应按照默认模型规格中的方式自由估计均值。