結構方程模型的初衷在於針對潛變數之間關係進行建模。例如，智商，情商，成功這三個潛變數之間到底是何種關係？但是它們三個本身不可直接測量，於是需要透過一定手段對它們進行測量。你當然可以先透過量表各自“估計”這三個潛變數，再建立三者間的模型。結構方程模型實現了這兩步的一體化，優勢在於，估計的過程中充分考慮了潛變數間的關係。而分開兩步是不能做到的。當然這是否真的是優勢有待商榷。

結構方程模型的估計方法主要有三類：第一種是協方差分析法，第二種是偏最小二乘法，第三種是貝葉斯法。

協方差分析認為，潛變數間的關係反映在可測變數的協方差關係中，由模型產生的協方差結構和真實協方差結構應一致（理想情況）。於是以協方差矩陣的差異作為最佳化準則。偏最小二乘的想法為：考慮潛變數結構的前提下，“最好”的潛變數應該與對應可測變數“最接近”。於是，其最佳化準則本質是OLS。貝葉斯也是對潛變數假定先驗，然後用MCMC直接對潛變數進行抽樣，既然潛變數的樣本都有了，結構方程模型也就退化為了一堆迴歸。

國內很多文獻把結構方程模型等同於上述第一種估計方法，這是一種誤區。每一種方法都有各自的檢驗和評價手段。三種方法孰優孰劣？難以確定，只能說，各有各的優勢和不足。另外，結構方程模型定位是驗證性分析，這需要大量背景知識支撐，否則建模必然失敗。近年來，發展了探索性的結構方程模型，題主不妨找找cnki。