这个还是要分学科来看吧，社会学貌似没什么人用。

中国能做到数据质量保证吗？方法论才是最重要的

有的领域才早已开始使用，但使用的范围较小

一般多变量的一般线性模型(glm)均是sem的特例
因此,sem可以解决glm的所有问题
再加上sem软体功能不断的进步中
未来一定会逐步的取化glm的方法
至少在美国已经是这样了

这年头 数据很坑爹的

米兔。。。真心被逼的，而且还没乱用出来

我个人觉得楼主说的有欠妥当。学术研究的过程是这样：实际---》模型-----》数据。统计做的是看模型和数据拟合的好不好，本来就没有来说看实际是不是这样。这是统计学的观点，所以从这一点来看，本身批评结构方程建模就有欠妥当。
第二点呢，现在sem类似的有lisrel，pls以及AMOS等三大流派，很多关于什么时候用什么方法来分析的研究，也有很多关于不同种类的方法优劣比较的方法，现在呢，国内貌似用lisrel比较多，国外不太用，因为可能涉及一些数学公式的处理。国外用pls和amos比较多。
第三点呢，一个看似完美的研究应该是这样的，在现实中得到需要解决的问题，我们通过观察一些问题的case，然后总结出一些模型，做一个好的定性研究，然后再做定量的研究。我们一般都是略过了定性研究的方面，直接看文献，总结模型，然后直接收集数据验证。我们很多学者，包括我自己都太浮躁了。

总的来说，我觉得SEM肯定会继续用下去，至少在没有更好的方法的时候。但是呢，现在作为Mixed method研究很火，在国外知名期刊现在比较好发文章，譬如对一个模型，收集定性（如访问受访者，回答开放性问题）及定量（如收集问卷数据）的数据来验证。这种事国外的一个趋势。

“最近发现很多同学做研究，不管变量间有没有理论基础，反正用结构方程随便一连，这不仅不符合学术研究的规范，同时对做研究的态度相对草率。在研究过程中，结构方程模型逐渐淡出，而结构方程模型中的验证性因子分析对于检验数据的质量具有良好的效果，因此我想以后结构方程模型将会主要应用于数据质量的检验。至于论文中选择何种实证方法进行研究，这需要看文章变量的性质而定。希望大家针对SEM的发展方向畅所欲言”
又看了一下，发现楼主说的也有一定的道理，特别是第一句，不管变量间有没有理论基础乱连。我留意到几个表现，第一，很多论文没有理论基础，也就是没有理论支撑自己提出的模型，然后美其名曰创新，第二，自己搞问卷，也不做飞行员测试，不借鉴别人已验证的问卷，然后到最后数据分析，发现reliability不好，譬如alpha小于点七，还说也是可以接受。本人接受的教育是，尽量用已有的问卷，这样的好处是，我做过的研究里面，变量的reliability从来没有低于0.7，达到普遍认可的标准。第三，关于modification indices （MI），很多人用AMOS等分析数据后，MI会给出很多提高适配度的建议，他们就不管三七二十一，按照来，也不看是不是有理论支持，是不是合理。等等。

此外，关于SEM用得太多，我不知道楼主什么领域，我这次回国刚好去到管理学院的一个图书室，看到管理类的一些比较好的期刊，更多的是数学公式推导，或者是仿真，或者是侃侃而谈的定性研究，反而很少见到用SEM来做分析的。用SEM不是错，错就错在要看适不适合用，这句很对。SEM更多的是想让自己的研究更有数据来支持，就这点而言，不是错的。

同意你的观点，我认为现在顶多是乱用，而不是滥用！很多人不会用，所以才会出现乱用！

好，非常好

不错

本来还想用SEM写写论文，看了这篇帖子，发现仅仅关注方法的新颖意义不大，此外还要多逛各种论坛，看看大家的学习和工作心得。

SEM论文中，最关键的就是模型的推导过程~~~~~~不是随便一连就可以的！

先做EFA 再做SEM 比较好

结构方程模型，严格来说，是不得已而为之，而不是一种必须的方法，因为其假设条件太多，导致结果很不稳健。
这么说吧，能方差分析解决的问题，就不要用多元线性回归。能多元线性回归解决的问题，就不要用结构方程模型，这是最后一种方案。
那为什么还要依靠结构方程模型？是因为社会科学研究中，有些概念必须用多指标才能全面测量，这就是结构方程模型的用武之地。注意了，结构方程模型的建模起点，首先是概念界定，高手就是从这里开始的。概念没想清楚，起点就没打好。比如说，“聪明”，仁者见仁，智者见智，有人说占小便宜是聪明，有人说吃亏是福才是真聪明，那到底怎样才是“聪明”？你必须从理论体系中和前人文献中演绎出来，让大家心服口服，你给出的概念，确实界定了“聪明”的本质，大家都是这么认为的。概念界定好了，接下来是测量，如果你认可吃亏是福是“聪明”，那么你在操作性测量中就得有“有人在我前面插队时，我从不与他争论”之类的问项。
简单来说，就是概念要站得住，不要人为构造概念，或是随意阐释概念，概念站住了，后面的测量才有基础。很多人，概念没想清楚，就开始乱测量，自己都不知道自己在测量什么，你怎么能期望因子分析能聚合到你想要的结果呢？
有了概念，接下来是概念间的关系，这就是假设，也就是结构方程模型的路径，很多人是胡乱牵线，怎么好怎么来，或是这里搭搭，那里配配，看那种结果最好。正确地逻辑应该是，先根据理论推演和前人研究推论出变量间的假设关系，然后再看结构方程模型能否支持假设关系下的模型，如支持，则假设得以成立，若不支持，则假设不成立。这中间，关键是假设关系要强，才很有可能得到显著性的结果。怎么说呢，所谓吹尽黄沙始到金，你有很强的假设关系，那么你测量的建构效度差一点，数据质量差一点，其他因素再干扰一点，还是动摇不了你的假设关系。比如说路径影响系数原本很强，有0.6，在其他诸多因素干扰之下，大不了算0.2嘛，还是显著的正向关系，关系本质不变。但假如关系不强，原本是0.1，一有风吹草动，可能就变成-0.1了，结果你还在那傻乎乎的surprise。
综上，结构方程模型其实是一门技术，高手不会把精力放在技术上，而是放在idea、概念创新和假设关系上，当然，中间的操作性测量、问卷设计、数据搜集其实也很见功力，所以管理研究不是那么好做的。

补充一点，什么叫概念创新？看看甚嚣尘上的“吸收能力”、“动态能力”、“结构洞”就清楚了，可谓一个概念开创一个流派。

那个谁，自1989年在ASQ上提出“吸收能力”的概念后，多少人因为分析吸收能力的维度和测量问题发表了AMJ、AMR等top文章？

对于许多研究而言，统计方法是工具，理论是基础。现在的情况是，很多人在一些问题上都能发表一些言论，但缺乏理论依据，又不能有科学论证。而改变这种状况有两条本应同时前进的路：一是加强科学修养，一是加强理论修养。说实在的，理论修养的形成耗时长，有的人直接先选择学会方法和工具，这本无可非议，问题是，在实际研究中不能忽略理论建构。

这个方法很好用，但是其实很多还是属于静态的实证，在某些领域还是有些局限的！

SEM是个好方法,但要应用自如不容易

SEM 的发展方向一是纯粹的学术即理论方面的研究,这要求很高并且就有很好的理论基础；二就是与各个学科结合，作为一个 工具。

不是吧！只要有多元回归的地方，就最好有SEM，对不了？
特别是有潜在变量的地方，也最好有SEM吧。现实生活中，什么论题不需要接触到潜在变量的啊？能举个例子吗？
还有，样本量不大的时候，可以用SEM，
最后，SEM 对非正态分布的数据的要求不是那么严格，所以推荐！
综上所述，现在搞个毕业论文，不用SEM ，都不让毕业，头疼死了！软件还不好搞，特别愤怒！

你好，请问CCT具体指的什么？谢谢

你好，请问CFA具体指什么？谢谢

确实有滥用和不会用还强用的很多研究论文...

应该很多人不了解。我在读书时，学校统计都没教这个课。现在需要用，还得自学。