结构方程模型有点象多元回归：几个变量被用来预测另一个变量。结构方程模型比回归模型更复杂，结构方程模型是由多层变量和它们之间的相互联系组成。这样，一个被一组变量预测的变量将帮助预测另外一个变量。被预测的变量称为因变量(与回归一样)或内生变量，用来预测其它变量的变量被称为外生变量。

结构方程模型的一个显著特点是使用了隐变量。所谓隐变量是指一个模型构件或一个概念，它本身不能被直接测量，但是能够用一个或更多的指标或者可测变量来代表或测量。如：收入和教育是可测因子，可以被当作不可测量的社会地位的指标。

与上面的例子相似，商店形象，满意度，忠诚度和表现都是潜变量的典型例子，他们都能用一组指标来进行测量。如，公司的业绩表现是一个潜变量，它能够通过投资回报率、销售或市场份额的增长率，或新产品开发成功率等等间接地进行测量。

结构方程模型的主要特点能用以下的内容来概括：

1.       使用隐性的或者不可直接测量的变量。

2.       明确标示潜变量与它们的指标之间的关系。

3.       同时分析几个系列的变量的相关关系。

4.       明确标示潜变量与整合的测量误差之间的期望关系

5.       除了探索性的分析之外还进行证实性的分析。

一个结构方程模型结合了测量和因果子模型：

1.       测量子模型列出每个模型构件的指标并且评估每个构件在用来估计因果关系时的可靠性。测量子模型是作为一种确认性的因子分析运作的。一个理论性的推理结构在可测量的变量和潜变量之间建立并被检验。

2.       因果子模型标示出潜变量之间的联系，和任何一个同时方程模型（simultaneous equation model）一样，复杂关联的因果关系能被代表。

这样，市场分析员就有一个数据库并且能够根据理论或过去的经验建模。两个矩阵被建立：一个基于现存的观察，另外一个基于理论。如果这两个矩阵区别不太大，则数据确认了理论模型模型；反之推理模型被拒绝。

下面的图形描绘了一个顾客忠诚度的结构方程模型。市场研究人员的最终目的是想理解顾客忠诚度，他们推断顾客忠诚度是品牌资产和顾客满意度的直接函数。接下来，他们预期品牌资产是广告，品牌知名度，品牌形象或价格的函数。这样忠诚度通过品牌资产，间接成为了广告，品牌知名度和形象的函数。

如果我们把图中的模型用回归方程来表示，我们可以用五个直接相关的回归方程：

忠诚度＝b1*品牌资产+b2*满意度

品牌资产＝c1*广告+c2*品牌知名度+c3*形象/价格

满意度＝d1*形象/价格+d2*质量

品牌知名度＝e1*广告+e2*渠道铺货

形象/价格＝f1*广告+f2*渠道铺货+f3*质量

结构方程模型与进行一系列回归运算相比，其优势在于这个更大模型的各组成部分能够同时满足方程条件，这样研究人员能够一次性检验所有的相关关系、直接和间接的路径，在统计上控制所有其他相关因素。

在上面的例子中，如这些方程所示，没有变量被用来预测广告，渠道铺货，或者质量，因此它们组成了一组外生变量。其余的都是内生变量。品牌知名度，品牌资产，形象/价格，和顾客满意度也可以被称为是中介变量，因为它们建立了从一些变量到另一变量之间的间接联系。

结构方程模型相比回归分析的另外一个优点是它结合因子分析以利用解释同一模型构件的指标变量之间的相关性。如上图所示，为了简化该图表，结构方程模型中只绘出了顾客满意度这个模型构件的指标变量。可以看到顾客满意度由三个指标变量测量，X1（我满意），X2（它超出了我的期望），X3（我为这次购买而感到高兴）。如果这三个变量被直接用于预测忠诚度，而忽略了它们共同解释了一个模型构件，它们之间的相互联系会导致有问题的多重共线性。在结构方程模型中，它们之间的相互联系首先被有利地均衡化以辨别出构成模型的构件因子，然后这些因子被用来预测其它的内生构件。

（2006年4月，转载请注明作者与出处）

本文刊登于勺海内刊《研究的魅力·特刊·客户满意度测量与管理》，文章有删节，欲了解详细内容敬请在线咨询。