结构方程（Structure Equation）包括各种数学模型，计算机算法和统计方法，这些结构使构造网络适合数据。SEM（结构方程建模，Structural Equation Modeling）包括验证性因素分析，验证性综合分析，路径分析，偏最小二乘路径建模和潜伏增长建模。
结构方程模型通常用于评估不可观察的“潜在”结构。他们经常调用一个测量模型，该模型使用一个或多个观察到的变量来定义潜变量，并调用一个结构模型来推算潜变量之间的关系。可以使用独立的回归方程或通过更复杂的方法来估计结构方程模型的构造之间的联系。
结构方程（Structure Equation）代写的领域一般包括：
验证性因素分析：验证性因子分析是一种特殊形式的因素分析，在社会科学研究中最常用用到，被用于测试构造的度量是否与研究人员对该构造的理解一致。因此，确认性因素分析的目的是测试数据是否符合假设的测量模型。
验证性综合分析：在许多方面，它与确认性因素分析相似，但也与之完全不同。它与确认性因素分析共享模型规范，模型识别，模型估计和模型评估的过程。但是，与确认性因素分析始终假定存在潜在变量相反，在验证性综合分析中，所有变量都是可以观察到的，它们之间的相互关系以复合形式表示，即变量子集的线性化合物。
路径分析：在统计数据中，路径分析用于描述一组变量之间的有向依存关系。这包括等效于任何形式的多元回归分析，因子分析，典范相关分析，判别分析的模型，以及方差和协方差分析的多变量分析中的更通用的模型族。
偏最小二乘路径建模：偏最小二乘路径建模是一种基于组件的估计方法，与基于协方差的结构方程模型不同。偏最小二乘路径建模不适用于数据的公共因子模型，而适合于复合模型。通过这样做，可以最大程度地说明所解释的方差。
潜伏增长建模：潜在增长建模是在结构方程建模框架中用来估计增长轨迹的一种统计技术。这是一种纵向分析技术，可以估算一段时间内的增长。它被广泛用于心理学，行为科学，教育和社会科学领域，也称为潜伏增长曲线分析。
结构方程模型树。