求高人指点用SEM和OLS的区别，优缺点比较

其实应该说是最大似然法和最小二乘法的区别吧。

采用OLS的回归分析方法存在几方面的限制：

（1）不允许有多个因变量或输出变量

（2）中间变量不能包含在与预测因子一样的单一模型中

（3）预测因子假设为没有测量误差

（4）预测因子间的多重共线性会妨碍结果解释

（5）结构方程模型不受这些方面的限制

SEM的优点：

（1）SEM程序同时提供总体模型检验和独立参数估计检验；

（2）回归系数，均值和方差同时被比较，即使多个组间交叉；

（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；

（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

构方程模型最为显著的两个特点是：

（1）评价多维的和相互关联的关系；

（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。

1、最小二乘法的典型应用是求解一套x和y的成对数据对应的曲线（或者直线）方程。

其思想是：设y和x之间的关系可以用一个公式在表示，但其系数为待定系数。然后，将各个点的实测数据与计算求得的数据相减，得到“误差”或者不符值（有正有负，但其平方都是正的），将这些不符值的平方相加，得到总的“误差”。通过调整公式中的各个系数，使得误差平方和最小，那么就确定了y和x之间的方程的最好结果。求解最小二乘问题的过程中没有提及概率问题。

2、而极大似然估计值，是用于概率领域的一种方法，和最小二乘法是两个领域的。这种方法是应用求极大值的方法，让某一个公式求导值为0，再根据情况判断该极值是否是合乎要求。极大似然估计法可以用于正态分布中 μ, σ2的极大似然估计。极大似然估计法就是要选取类似的数值作为参数的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

下面针对SEM日常优化所遇到的五大问题进行解析。

1、关键词有几个就够

每个人的搜索方式都不一样，那么词的丰富率越高，就代表用户找到你的机会就会越大。而且，关键词数量多并不会增加多余的推广费用，毕竟展现是免费的，只有用户进行了点击才会收取相应的点击费用。但也有人认为词多不一定是最好，但小编看来，只要对账户是有用有效的，合适的数量才是对账户最大的效果。

2、出价高就能排在最前面

首先，我们要知道出价是提升关键词排名的重要因素，但不是唯一因素。排名的先后顺序是根据综合的指数高低来决定的。那么我们知道，综合指数的排名=出价*质量度。而质量度又是由创意的质量、广告点击率、以及账户的历史表现得出一个系数。当然了，再好的质量也得需要足够的金钱来支持。

3、对出价设置较为模糊

当所有的物料都搭建好，接下来所面对的问题就是对关键词进行一个出价，那么对于不了解这个行业和新人刚接触这个行业的伙伴来说如何给出价无疑是很头痛的问题。出价要根据关键词的竞价激励程度和自己的预算、关键排名规划来设置，它是一个动态的，往往还需要根据时段和竞价环境进行调整，如在搜索高峰期进行高价抢位，低峰期时降低出价。

4、看不到自己的广告展现

有些公司的老板由于不了解SEM的推广策略，觉得只要是推广了就会有排名，但结果一查看的时候找不到自己的排名就觉得是不是推广出现了问题。那么，其实影响广告展现的因素有很多，如：关键词是否有提交；关键词所属计划的地域是否包含自己搜索所在地；关键词是否超预算提前下线；关键词和创意状态是否异常等，只有确定是出低价时才进行提价。

5、效果突然下降

现在很多企业都存在这样一种推广误区，就是效果好了就提价，效果差了就降价，导致账户频繁调整，模型无法更好的学习，最后效果迟迟上不来。其实，推广存在波动情况是很常见的，一般情况下都会拉长一段周期去观察，当下降时先检查页面和排名，再进行对效果差的计划控消费，如果持续几日不行可以先暂停计划。总之不能急于大调整。

---