以下路径图描述了变量间的某种简单相互关系（y～x1+x2），这种情形中，所关注的是x1和x2如何直接影响y，y直接通过x1和x2进行建模：
如果x1和x2与y的关系属于下面这种形式，即分别存在x2～x1和y～x2的直接作用，y与x1的相互作用是间接的，并使用两个方程式综合描述这种关系，那么这两个方程即组成了一个简单的SEM：
这就是SEM的一个简单示例。一个模型中，根据推测的变量x1能够影响x2、x2影响y再进一步推测变量x1可能也会影响y，即x1-x2-y。该模型具有两个方程，一个方程使用x1预测x2，另一个方程使用x2预测y。为了验证这个模型，测量观察到的x1、x2和y之间的关系，并应用SEM提供以下测试：（1）x1是否真的是x2的有效预测因子，（2）x2是否真的是y的有效预测因子，（3）模型整体上是否符合观测数据。最后一项测试相对于前两项测试并非冗余的，因为对于测试x1是否是y的有效预测因子时，在（1）（2）均通过时，模型也可能不太合适，若忽略（3）则可能会错误地指定了x1与y的直接关系。(www.xing528.com)
综合来看，SEM是数据分析的一种特殊形式，从一个指定了多变量间（假定的）相互关系的模型开始，变量间的关系被形式化为一组方程，用于测试这些变量并量化它们之间的关系。对模型的测试涉及对方程再现或“拟合”假定关系的评估。
SEM要求事先考虑变量间相互关联的方式（如因果关系，通过先验知识给出假定），从这个意义上说，SEM是验证性的，而非探索性的分析方法。对于变量间的关系，可以是线性的，也可以是非线性的。并且SEM能够同时识别直接和间接关系，对于量化级联影响非常有用。如果意在探寻变量间的因果关系，SEM可以给出单向的推论，即模型显示x1直接或间接影响y，而反过来则无效。因此与常规的统计方法（如相关性分析）相比具有优势，可以测试复杂关系的竞争性假设，并且考虑了“相关性并不意味着因果关系”这一问题。
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。
