论文中的SEM是什么意思

结构关系方程模型（SEM）属于验证式的协方差结构模型分析，完整的协方差结构模型包含两个次模型：①测量模型（如图），潜变量（即不可自我描述的因变量）被显性指标（即观察变量）所测量或概念化，测量模型也可以复杂一些，比如二阶测量模型，；②结构模型（如图），潜变量之间的假设关系，以及无法解释的变异量部分，以确认假设的潜变量之间的关系以及潜变量与显性指标的一致性程度。当然，复杂度更高的结构模型比比皆是，这就太考验理论能力、概念化能力、量表设计能力和SEM模型控制能力了。

SEM包含以下几个方向。

1、市场分析和市场调查。

和线下商业模式类似，每类商品都有自己的使用人群和受众，也有自己的渠道和特点。用户能不能买你的产品归根结底看的是你的商品产生的使用价值是否能满足顾客的需求，并在质量、价格、感受方面优于其他竞争对手。有了这方面的数据资料，你才能让你后续的推广有的放矢。

2、竞争对手分析。

刚才的市场分析已经提到过竞争对手了。对竞争对手的分析不能仅仅看它现在的市场表现，还要结合他的公司背景、产品特点对它进行长远的模拟。自己有没有实力将其压下去。另外竞争对手的营销策略我们是不是可以参考一下，取其精华、弃其糟粕。

3、用户心理分析。

产品能不能卖出去，看的是你的推销技术。而如何说服用户去购买，靠的不是理论，而是站在用户角度的用户体验。用户体验是一切商品销售的基本点，既然想让自己的产品被认可、就一定和用户换位思考，想想如果是自己买这东西，可以有什么用处、得到什么收获。

4、网站建设调整。

如果SEM分析是在建站前，那我们就可以有分寸地建站了。如果网站已经上线，那我们就需要结合前面得到的数据对网站进行调整。比如网站是否满足了受

众的年龄层次、学历层次，网站功能是否简捷实用，网站是否能给用户信任感、权威感。然后亲自测试网站，是否能快速精准地找到自己想要的信息。

5、搜索引擎广告。

搜索引擎广告主要分为竞价广告和主题推荐广告。竞价广告简单来说就是用竞价的形式买关键词位置，谁买词出的价高，搜索该词的时候谁就排得靠前，这种

广告都是呈现在搜索结果页面上方。而主题推荐广告往往是存在于搜索引擎联盟合作网站的广告位上。随页面的内容变化而变化，同时结合你当前浏览器的

cookies呈现相关的关键字广告。

6、软文推广。

软文推广本应写在SEO中的，不过通过软文成交的定单比比皆是。把软文发在高权重的网站上，别人不小心看到你精心准备的软文和购物经验，很可能就忍不住跟着你去购物了，哪怕你只是编的一个经验，也有机会打动小白们的。

当然，如果做广告肯定要花钱的，天下没有免费的午餐，不管在时间上还是经济上，你想挣钱就得投资。SEO是个漫长的过程，而竞价广告用金钱缩短了这

个时间，让你的网站可以第一时间被用户看到，你就不需要考虑SEO的问题了，一个烂透了被百度K到无底洞的站都可以easy地排到第一位，你该想想如何用

最少的广告费产生最多的定单了。

    结构方程模型(SEM)包括连续潜变量之间的回归模型(Bollen, 1989Browne &Arminger, 1995Joreskog &Sorbom, 1979)。也就是说，这些潜变量是连续的。这里需要注意的是：1. 潜变量(latent variables)是与观察变量(Observed variables)相对的，可通过数据分析观察；2. 观察变量可以是连续的(continuous)、删失的(censored)、二进制的(binary)、有序的(ordinal)、无序的(nominal)、计数的(counts)，或者是这些类别的组合形式。

    SEM有两个部分：一个测量模型(measurement model)和一个结构模型(structural model)。

     测量模型 相当于一个多元回归模型(multivariate regression model)，用于描述一组可观察的因变量和一组连续潜变量之间的关系。在此，这一组可观察的因变量被称为因子指标(factor indicators)，这一组连续潜变量被称为因子(factors)。

    如何描述它们之间的关系？可以通过以下方式：

1. 若因子指标是连续的，用线性回归方程(linear regression equations)；

2. 若因子指标是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若因子指标是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若因子指标是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若因子指标是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

     结构模型 则在一个多元回归方程中描述了三种变量关系：

1. 因子之间的关系；

2. 观察变量之间的关系；

3. 因子和不作为因子指标的观察变量之间的关系。

    同样，这些变量有不同的种类，所以要根据它们的类别来选择合适的方程进行分析：

1. 若因子为因变量，及可观察的因变量是连续的，用线性回归方程(linear regression equations)；

2. 若可观察的因变量是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若可观察的因变量是二进制的或者是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若可观察的因变量是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若可观察的因变量是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

    在回归中，有序的类别变量可通过建立比例优势(proportional odds)模型进行说明；最大似然估计和加权最小二乘估计(maximum likelihood and weighted least squares estimators)都是可用的。

    以下特殊功能也可以通过SEM实现：

1. 单个或多组分析(Single or multiple group analysis)；

2. 缺失值(Missing data)；

3. 复杂的调查数据(Complex survey data)；

4. 使用最大似然估计分析潜变量的交互和非线性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood)；

5. 随机斜率(Random slopes)；

6. 限制线性和非线性参数(Linear and non-linear parameter constraints)；

7. 包括特定路径的间接作用(Indirect effects including specific paths)；

8. 对所有输出结果的类型进行最大似然估计(Maximum likelihood estimation for all outcome types)；

9. bootstrap标准误差和置信区间(Bootstrap standard errors and confidence intervals)；

10. 相等参数的Wald卡方检验(Wald chi-square test of parameter equalities)。

    以上功能也适用于CFA和MIMIC。

---