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

---