按照James Stevens 的社会科学的应用多变量统计的说法，一个好的经验法则是在标准普通最小二乘多重回归分析中每个因子有15 个个案。因为SEM在某些方面与多重回归紧密相关，SEM中每个测量变量15 个个案是合理的。Bentler 和Chou (1987) 注意到只要数据表现良好（例如，正态分布，无缺失数据或例外值等等），在SEM分析中研究者对每个参数估计，只需要5个个案。注意Bentler 和Chou 提及每个参数估计要有5个个案而不是每个测量变量。测量变量在分析中至少有一个典型地路径系数与其它变量相关联，加上残差项或方差估计，所以认可Bentler 和Chou 和Stevens推荐的每个测量变量最小要15 个个案相吻合是重要的。更一般的， Loehlin (1992) 使用验证性因子分析模型报告蒙特卡洛仿真的研究结果，参考一些文献后，得出对两到四因子模型，调查者应该收集至少100 个个案，200更好（如果可能）。使用小样本的结果包括迭代失败 (软件不能达到满意的解), 不合理的解 (包括测量变量的方差估计为负值)和降低参数估计的准确性，尤其是，标准误– SEM的标准误是在大样本假设下进行计算的。

如果用lisrel,对样本的要求是一样的.但是也有小样本问题,Marsh和Hau(1999)在一系列的模拟研究中,比较了多种处理小样本数据的策略.他们建议:若有可能,尽量增大样本容量;如果样本很小,应该用更多高信度的题目;每个因子应当最少含有4到5个指标,指标越多越好.

能否在请教一个问题？如果我研究仅自变量X1和X2对y的作用，但实际上对y有作用的自变量还有许多，那在结构方程建模时是否必须将所有的影响y的自变量都放入模型？有没有更好的处理方法？