用途：对带有潜在构念和方向性路径的理论模型进行结构方程模型（SEM）分析，同时估计测量模型（观测指标如何映射到潜在构念）和结构模型（构念之间的方向性路径），检验数据是否与假设的理论结构一致。
适用场景：检验包含潜在构念与方向性路径的完整理论模型；评估多重中介链（X → M → Y）；用CFA判断问卷题目是否充分反映其预期构念；在同一数据上比较替代理论模型。
不适用场景：样本量低于200（或每个估计参数低于10个个案）；没有先验理论模型的探索性研究；全部变量均为观测变量且模型只是简单回归；数据严重非正态且缺乏稳健估计方法。
主要能力与步骤：一、设定测量模型，定义潜在构念与观测指标，运行CFA确认因子载荷、收敛效度（AVE ≥ 0.50）和区分效度。二、评估测量模型拟合：CFI ≥ 0.90、TLI ≥ 0.90、RMSEA ≤ 0.08、SRMR ≤ 0.08；谨慎查看修正指数，只有具备理论依据时才重新设定。三、设定并估计结构模型，加入构念间的方向性路径，估计路径系数及显著性，用卡方差异检验比较嵌套模型。四、报告标准化路径系数、内生构念的R²和整体拟合；若假设中介效应，需讨论间接效应。
输出格式：按“测量模型（CFA）表、模型拟合表、结构路径表、关键发现、局限性”组织结果。
关键假设与限制：SEM不能证明因果，只检验数据是否与假设的因果结构一致；拟合良好不等于模型正确，只说明模型无法被拒绝。需正确设定模型（遗漏路径或构念会带来偏差）、ML估计需要多元正态（否则用稳健估计）、样本量通常需N ≥ 200、指标间不应存在过度多重共线性。注意：总存在拟合相同但因果方向不同的等价模型，SEM无法区分；修正指数可能诱导数据驱动的重新设定；打包题目会掩盖测量模型设定错误；N > 500时卡方检验过于敏感，应依赖近似拟合指标；非正态数据需用MLR或自助法而非默认ML；只报告显著路径而省略完整假设模型属于选择性报告。
参考：Kline (2016)；Hu & Bentler (1999)；Anderson & Gerbing (1988)。安装命令与具体代码示例暂未提供。