sem和tem都可以用来分析材料的显微结构，其原理和应用特性各有什么迥异

XRD可以做定性，定量分析。即可以分析合金里面的相成分和含量,可以测定晶格参数,可以测定结构方向、含量，可以测定材料的内应力，材料晶体的大小等等。一般主要是用来分析合金里面的相成分和含量。

样品制备：

通常定量分析的样品细度应在1微米左右，即应过320目筛。

SEM是利用电子和物质的相互作用，可以获取被测样品本身的各种物理、化学性质的信息，如形貌、组成、晶体结构、电子结构和内部电场或磁场等等。主要是利用二次电子信号成像来观察样品的表面形态，即用极狭窄的电子束去扫描样品，通过电子束与样品的相互作用产生各种效应，其中主要是样品的二次电子发射。

结构百分比分析法，又称纵向分析，是指同一期间财务报表中不同项目间的比较与分析，主要是通过编制百分比报表进行分析，即将财务报表中的某一重要项目（如资产负债表中的资产总额或权益总额）的数据作为100%，然后将报表中其余项目额都以这一项目的百分比的形式作纵向排列，从而揭示出各项目的数据在公司财务中的意义。它反映该项目内各组成部分的比例关系，代表了企业某一方面的特征、属性或能力。结构百分比实际上是一种特 殊形式的财务比率。它们同样排除了规模的影响，使不同比较对象建立起可比性，可以用于本企业历史比较、与其他企业比较和与预算比较。

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。

---