把SEM 应用于社会学或者社会心理学领域，与传统的统计分析方法相比较，它具有如下优点：
（1）引入潜在变量使研究更为深入、有效。在社会科学研究中，许多指标的概念比较模糊，使用单一指标测量易于产生概念上的偏性。特别在社会心理学研究领域，要获得较为准确的心理度量指标，需要利用多个量表进行测量，对于本研究涉及的情感变量，如何从中提取出潜在的本质的支配因素，SEM 是较好的方法，有助于提高研究的准确性。此外，潜在变量的引入解决了多元回归分析中自变量的多重共线性问题。当因变量受影响面较广、自变量之间存在相互依赖关系时，利用多元回归分析所得到的结果就有可能出现无法解释的现象，如所得结果与常理不符等问题。而SEM首先将相互依赖、相关性较强的指标进行因子的提取，形成一个比较独立的因素而纳入分析，弥补了多元回归分析的不足。SEM 在参数估计时可以同时考虑测量误差，把有意义的效应与误差分离开来，提高了研究的准确性。
（2）发展了通径分析的优势，应用通径图使变量间复杂关系一目了然，又克服了通径分析的基本假定太多、无法包括潜在变量、不能处理因果关系等缺点。另外，通径分析采用通常的ULS 方法（非加权最小二乘法）对各个方程分别进行估计，而SEM 可以根据数据类型有多种参数估计方法（常用极大似然估计方法），并且是将模型中所有参数同时进行估计的，因此更准确、合理。
（3）应用的范围更加广泛。SEM 涵盖当前主要的几种多元统计分析方法，如证实性因子分析、二阶因子分析、多元回归、通径分析、方差分析和协方差分析、计量经济模型等。由于传统的多元回归分析要求自变量呈多元正态分布，所以在实际应用中受到限制，特别是在心理、行为等社会科学的研究工作中，研究的对象是人，测量的指标受到太多不可控制因素的影响，所得资料的分布不一定具有正态性。而SEM 利用多序列相关系数矩阵对数据进行拟合时具有较好的稳健性。
尽管SEM 具有许多优越性，但也有其局限性和不足之处：
（1）潜在变量的解释具有模糊性和随意性。在方程中引入潜在变量本来是SEM 的优点，可以解决过去运用单一变量测量的不足，然而该测量是否真正反映了潜在变量，或者说可观测变量与潜在变量是否对应一致，还值得探讨。
（2）对于相同的数据，可能存在多个数理上满意的模型，选择最佳模型存在一定的主观任意性，这既是SEM 的优点也是其缺点之一。因此，在使用SEM 时，特别强调专业知识与数理知识的紧密结合。(www.xing528.com)
（3）它要求样本量较大，且拟合指数易受样本量制约。拟合指数之间不一致时如何处理，在什么条件下用哪些指数更合适等问题还有待进一步解决。如果没有深入理解SEM 的理论基础和应用条件，很容易产生滥用与错误解释的现象。因此，在应用SEM 时，应该注意如下若干问题：
①研究者要有一个完善的专业理论框架。如果专业理论不完善甚至错误，那么再好的方法，再好的模型也难以发挥实际作用。
②选择相关矩阵还是协方差矩阵来拟合模型。如果是有序及离散变量，可使用PRELIS 得到多项相关系数，然后用该矩阵来拟合模型；如果既有有序变量，又有数值变量，此时可利用PRELIS 得到多项相关及多序列相关系数；若都是数值变量，原则上提倡用协方差矩阵来拟合。实践工作中，研究者可以同时用相关矩阵和协方差矩阵来拟合，然后根据结果的好坏来选择。当然应该尽可能地把数据转换成正态变量。
③模型的修改及选取。统计学上一个好的模型应该是：各项拟合指数都比较满意；待估参数的t 检验均有统计学意义。在模型拟合的过程中，需要不断地修改，但应遵循：a.先修改度测量模型部分，后修改模型的结构部分。在模型的输出结果中，每个指示变量都有一个决定系数。如该系数较小，如小于0.1，即使其因子负荷的t 检验具有统计学意义也可以考虑去掉该变量。因为它可能更多的是受其他因素的影响，而并非能较好地表征对应的潜在变量；b.应先删去t 值太小的参数。在全部参数的t 值都可接受的情形下，再根据修正指数（MI）的大小去增加参数。
④研究结论不能绝对化。虽然SEM 在对因果关系的检验上有较传统方法的优势，但由于研究者无法将所有可能的影响因素都纳入研究范围，因此SEM 所得的结论并不全面。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
