SEM主要要会哪些操作呀？求指导

SEM要会的操作有很多，我想你更想了解的是如何单独管理SEM账户，需要熟悉哪些操作流程？从两个方面来解说吧

1、基本的账户操作

（1）基本账户操作包括理论知识的理解和掌握，包含整体的账户结构：计划、单元、关键词、创意，了解各种匹配模式分别代表什么意思，否定关键词的概念，不同的否定关键词有什么作用，展现、点击、点击率、质量度的含义等等，这些是最基础的理论知识，要先把这些理论架构搭建起来。

（2）另一方面是账户后台的基本操作，要知道怎么新建账户、计划，单元，如何拓展关键词，如何描述相关创意，创意描述有什么规则，地域设置、投放时间设置、闪投推广可以了解一下，商顿也要了解、IP屏蔽等等

2、数据分析

数据分析是账户管理的关键性指标，管理账户的重中之重，账户管理的好不好和数据分析反馈有直接关系。需要了解搜索词数据，学会把搜索数据中的词否掉，学会层级分析，分析每个月每个星期甚至每天的关键词搜索词数据，数据透视表了解一下，做数据分析的辅助，了解一下推广营销漏斗模型，象限分析法等数据分析方式，展现好了，点击有没有很OK，为什么没有转化，要层级分析下来。

推广实况重点词关注，闪投数据分析、数据表现好的时间和表现差的时间可以进行对比，找出原因，比较分析法等等等~

希望有所帮助啦，有问题也可以私信我~

其实，SEM只能知道局部的大致粒径，并不能得到粒径分布的完整信息。做粒径分布测试应该通过激光粒度仪来完成，可以输出完整的粒径分布曲线报告。

另外，要对经过分散的颗粒（液相）进行SEM拍照，需要再做涂膜后干燥才能操作，实际上在干燥的过程中，再小的纳米颗粒都会重新团聚到一起了，基本上拍出来的照片看到的应该都是微米级的了。要得到纳米材料的真实情况照片，必须保持分散液状态来做电镜扫描。

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。

---