SEM和SEO的区别：优缺点对比分析

一、SEM的优缺点

缺点：

1、价格高昂：竞争激烈地词，单次点击价格可以达到数元甚至上百元，一个月就要消费数千元甚至数万元，如果是长期做，那就需要长期花费如此高昂地费用。

2、恶意点击：竞价排名的恶意点击非常多，你的一大半广告费都是被竞争对手、广告公司或闲着无聊的人无意点击消费掉了，这些人不会给你带来任何收益，而且你也无法预防。

3、管理麻烦：如果要保证位置和控制成本，需要每天都进行价格查看，设置最合适的价格来进行竞价。

4、人员管理：需要专人拓展关键词，挑取适合的关键词，衡量价格，检查效果。

5、局限性：每个搜索引擎都是各自单独的，你在百度做了竞价后，谷歌那不会出现排名，雅虎那也不会出现排名，如果你想要所有引擎都出现排名，那就要重复花费数倍地推广费用。

6、稳定性差：一旦别人出价格比你的高，那你就会排名落后一旦你地帐户中每天地预算消费完了，那你的排名立刻就会消失。

优点：

1、见效快：充值后设置关键词价格后即刻就可以进入百度排名前十，位置可以自己控制。

2、关键词数量无限制：可以在后台设置无数地关键词进行推广，数量自己控制，没有任何限制。

3、关键词不分难易程度：不论多么热门,只要你想做，你都可以进入前三甚至第一。

二、SEO的优缺点

缺点：

1、见效慢：通过网站优化获得排名是无法速成的，一般难度的词大约需要2-3个月的时间，如果难度更大的词则需要4-5个月甚至更久。

2、排名规则的不确定性：由于搜索引擎对排名有各自的不同规则，有可能在某天某个搜索引擎对排名规则进行了改变，那时也许就会出现原有的排名位置发生变动，这个是很正常的现象。

4、排名位置：在百度，自然排名位于竞价排名之后，谷歌、雅虎等其他搜索引擎竞价显示在右边，自然排名在左边。

优点：

1、价格低廉：网站优化维持一年排名的费用或许只是做SEM一到两个月的费用，相比竞价要便宜得多。

2、展示面广：网站优化最大的好处就是没有搜索引擎的各自独立性，您只要求针对百度进行优化，但结果在谷歌、雅虎还是其他的搜索引擎，排名都会相应的提高，会在无形中给您带来更多的潜在客户。

3、不用担心恶意点击：我们所做的效果是自然排名，不会按点击付费，不论竞争对手如何点击，都不会产生费用。

4、稳定性强：用正规网站优化手法做好了排名的网站，只要维护得当，排名的稳定性非常强，所在位置数年时间也许都不会变动。

5、客户精准度高：自然优化上去的排名排除了一大半竞争对手、广告公司等恶意点击，剩下通过关键词进入我们网站的访客大部分均为精准流量，属于潜在客户群体或意向客户。

虽然SEM和SEO区别挺大，但却是互补的。一般企业两者都会做，因为SEM成本高，做SEO是为了在后期能降低SEM的成本。

验证性因子分析，是用于测量因子与测量项(量表题项)之间的对应关系是否与研究者预测保持一致的一种研究方法。尽管因子分析适合任何学科使用，但以社会科学居多。

目前有很多软件都可以非常便利地实现验证性因子分析，本文将基于SPSSAU系统进行说明。

 

因子分析可分为两种类型：探索性因子分析（EFA）和验证性因子分析（CFA）。

探索性因子分析，主要用于浓缩测量项，将所有题项浓缩提取成几个概括性因子，达到减少分析次数，减少重复信息的目的。

验证性因子分析与探索性因子分析相似，两者区别只在于探索性因子分析(EFA)用于探索因子与测量项之间的对应关系，验证性因子分析(CFA)用于验证结果与理论预期是否一致。

 

在实际研究中，验证性因子分析常会与结构方程模型、路径分析等方法联系到一起，对于不熟悉概念的研究人员容易搞混这些方法，下表对这几种方法进行简单说明：

探索性因子分析： 验证因子与分析项的对应关系，检验量表效度，非经典量表通常用探索性因子分析。

验证性因子分析： 验证因子与分析项的对应关系，检验量表效度，成熟量表通常用验证性因子分析。确认测量关系后，后续可进行路径分析/线性回归分析研究具体的影响关系。

路径分析： 用于研究多个自变量与多个因变量影响关系；如果因变量只有一个，可以使用线性回归分析。

结构方程模型SEM ： 包括测量关系和影响关系。如果仅包括影响关系，此时称作路径分析（Path analysis，有时也称通径分析）。通常需要进行探索性因子分析和验证性因子分析，均保证测量关系无误之后，再进行结构方程模型构建。

从分析思路上看，建议先用探索性因子分析EFA构建模型，确定存在几个因子及各分析项与因子的对应关系，再用验证性因子分析CFA加以检验。

（1）模型设定

首先需要确定因子数及对应分析题项，顺序放入分析框内。

（2）模型拟合

通过因子载荷系数表格可以展示因子(潜变量)与分析项(显变量)之间的关系情况。如果因子与测量项间的对应关系出现严重偏差，或者因子载荷系数值过低，则需要删除掉该测量项。

分析时主要关注P值及标准载荷系数，建议结合SPSSAU给出的“分析建议”进行分析。

模型拟合指标用于整体模型拟合效度情况分析。

常用的拟合值及其判断标准，都展示在上表中，实际输出值在标准范围内及说明模型拟合程度较好。模型拟合指标非常多,通常下很难保证所有指标均达标，只要多数指标达标或接近标准值即可。

*常用指标包括卡方自由度比，GFI，RMSEA，RMR，CFI，NFI和NNFI。

（3）模型修正

根据模型拟合指标情况，评价模型的优劣，如果模型拟合情况不佳，则需要进一步修正模型。

MI指标越大说明该项与其他因子的相关性越强，MI过大时会干扰模型需要进行修正或剔除该项。

模型构建过程需要重复多次，以找到最优模型。同时SPSSAU会自动生成模型结果图。

（4）模型分析

在完成模型构建后，即可使用模型进行分析。验证性因子分析主要有三个方面的功能，分别是聚合效度、区分效度、共同方法偏差。

聚合效度

聚合效度，也叫做收敛效度。AVE和CR是用于判断聚合效度的常用指标，AVE>0.5，并且CR>0.7，则说明具有良好的聚合效度。如果AVE或CR值较低,可考虑移除某因子后重新分析聚合效度。

上图为SPSSAU输出的AVE、CR值指标表格，可以根据此表格进行查看。

区分效度

区分效度，常用的做法是将AVE根号值与‘相关系数值’进行对比，SPSSAU也会输出相应结果。

如果每个因子的AVE根号值均大于“该因子与其它因子的相关系数最大值”，说明具有良好的区分效度。

共同方法偏差

共同方法偏差，SPSSAU提供两种方法检验，一种是探索性因子分析(也称作Harman单因子检验方法)，做法是将所有变量进行探索性因子分析，如果只得出一个因子或者第一个因子的解释力（方差解释率）特别大，则判定存在共同方法偏差。

另一种是验证性因子分析，所有变量全部放在一个因子里面进行分析，如果测量出来显示模型的拟合指标无法达标，模型拟合不佳，说明所有的测量项并不应该同属于一个因子，也就说明数据无共同方法偏差问题。

 

验证性因子分析需要较大的样本量，通常建议样本量至少为测量项(量表题)的5倍以上，最好10倍以上，且一般情况下至少需要200个样本。

一个因子对应的测量项最好在5~8个之间，便于后续删除掉不合理测量项。

绝大多数情况下均为一阶验证性因子分析。如果说验证性因子分析时为二阶模型，此时参数处选中‘二阶’即可。

一般来说，使用验证性因子分析需要有一定的理论基础支持，如果拟合指标不能达标，最好按照分析思路：探索性因子分析→验证性因子分析，进行分析。

以及对于不熟悉的步骤，建议大家阅读SPSSAU帮助手册的相关说明以及SPSSAU的教学视频。

验证性因子分析视频教学： https://www.bilibili.com/video/av69372013

英文SearchEngineMarketing，我们通常简称为“SEM”。就是根据用户使用搜索引擎的方式利用用户检索信息的机会尽可能将营销信息传递给目标用户。简单来说，搜索引擎就是基于搜索引擎平台的网络营销，利用人们对搜索引擎的依赖和使用习惯，在人们检索信息的时候将信息传递给目标客户。搜索引擎营销的基本思想是让用户发现信息，并通过点击进入网站或网页，进一步了解所需要的信息。

搜索引擎营销的基本思想是让用户发现信息，并通过（搜索引擎）搜索点击进入网站/网页进一步了解他所需要的信息。在介绍搜索引擎策略时，一般认为，搜索引擎优化设计主要目标有2个层次：被搜索引擎收录、在搜索结果中排名靠前。这已经是常识问题，简单来说SEM所做的就是以最小的投入在搜索引擎中获最大的访问量并产生商业价值。多数网络营销人员和专业服务商对搜索引擎的目标设定也基本处于这个水平。但从实际情况来看，仅仅做到被搜索引擎收录并且在搜索结果中排名靠前还很不够，因为取得这样的效果实际上并不一定能增加用户的点击率，更不能保证将访问者转化为顾客或者潜在顾客，因此只能说是搜索引擎营销策略中两个最基本的目标。

计算机语言中的var：Pascal:var在Pascal作为程序的保留字，用于定义变量。var是variable（变量，可变物）的简写。在多种计算机编程语言中，var被用作定义变量的关键字，在一些操作系统中也能见到它的身影。

基本思想

VaR按字面的解释就是“处于风险状态的价值”，即在一定置信水平和一定持有期内，某一金融工具或其组合在未来资产价格波动下所面临的最大损失额。JP.Morgan定义为：VaR是在既定头寸被冲销（beneutraliged）或重估前可能发生的市场价值最大损失的估计值；而Jorion则把VaR定义为：“给定置信区间的一个持有期内的最坏的预期损失”。

---