sem的模型介绍

SEM简单介绍，以下资料来源

因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。

一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。

历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.

SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。

因果关系：

究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：

3. 这时还有可能出现更多的潜在变量：

这里我又举另外一个例子，回归模型

在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下：

回归分析简单的说就是：X真的影响Y 吗？

路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。

在这里要提一下因素模型（factor model）

在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。

举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。

这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。

对潜在变量（std.lv）或观察变量和潜在变量（std.all）进行标准化。sem结构方程模型数据对潜在变量（std.lv）或观察变量和潜在变量（std.all）进行标准化。SEM表示搜索引擎营销，SEM可以全面而有效地利用搜索引擎来进行网络营销和推广。

比重分析法

指通过计算某个维度所占维度总量的比例，从而去判断投放方向或投放效果。

公式：比重=某维度数值 / 总量 X 100%

倒推法

倒推法，是竞价推广中常用的一种方法，但更多被应用于战略目标的制定。

即：根据历史数据，将成交—线索—对话—点击—展现倒着进行推理的过程。

关键词四象限分析

关键词是竞价推广之根本，那么便可通过对关键词进行系统化分类，从而有针对性地进行优化。

通常，主要分为以下四类：

01 有对话成本低

像这类词，大都集中在品牌词等，且它属于优质词的一类，针对较为优秀的词可以进行放量操作

例如：加词、提价、放匹配等等。

02 有对话成本高

像这类词，主要集中在产品词和行业大词。

点击成本高，往往说明点击流量多且杂，这类情况建议有条件地放量操作，即：获取流量的同时，去控制流量的质量。

主要操作有：

加词、

优化账户结构(使账户流量结构更精准)

优化创意(利用创意筛选部分杂质流量)

03 无对话成本高

这种情况，往往都是没有集中词性，通常可根据以下两点来进行判断下一步的操作：

均价高还是低?

流量大还是小?

若流量很大，均价很低，往往通过优化页面来进行若均价很高，流量一般，便是进行降价操作若是因为流量意向低，建议进行收匹配操作。

04 效果差成本低

像这种情况，大多数都为“只点击一次就产生了对话”，我们就以为是优质词，便进行放量操作，但也有可能是意外。

营销流程表分析

通过每天罗列、收集账户中核心指标数据【消费、展现、点击、抵达、对话、线索、成交】，然后根据核心数据算出一些辅助数据，像【点击率、对话率、点击成本】等，通过将不同周期的数据进行对比，从而发现病种。

单一维度分析

指针对不同维度间的数据进行分析，从而确定优化方向。

单一维度主要可分为：产品维度、时段维度、设备维度、地区维度、关键词维度。

---