晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

雖然SEM有這麼多的優點，但有利就有弊，以下針對SEM幾點重要的劣勢作說明：

一、不易考慮控制變項

一般我們若以迴歸分析探討因果關係時（Casual inference），通常都會考慮其他自變項（或稱控制變項）對於依變項的影響效果，例如最常被用來「控制」的變項就是性別、年齡、教育程度等等，如此我們只要跑像以下這樣的迴歸就可以回答研究問題了

依變項   = 截距項 + β1×性別+ β2×年齡 + β3×自變項 + 殘差

可是「控制變項」在SEM分析可是一大難題，因為在SEM裡頭的橢圓形（即潛在變項，或構念）是假設「可計量尺度」的，亦即是連續變項的意思，例如智商、態度或信念等「心理特質」都是連續尺度的概念。但試想，性別、年齡、教育程度可以合稱叫作「背景變項」，但是「背景變項」這個構念是可以被計分（scaling）的嗎？也因為大家對於SEM的假設不夠瞭解，我們常在paper會看到許多研究者在作SEM時真的把「背景變項」當成一個潛在變項，事實上這是一個很不恰當的作法。

不過並不是所有的「背景變項」皆無法被當成潛在變項，有些背景變項的概念事實上是可以被量化的，最佳例子就是「社經地位」，我們舉余民寧教授2008年的文章為例（上方與右方的圖被我裁掉了，以節省空間），余教授以父母親的教育程度等級、職業等級以及家庭收入等級當成是「社經地位」的觀察變項，其實是說的通的，一方面也是因為這幾個觀察變項可勉強說是連續變項的性質。

二、類別變項的使用限制

延續第一點的劣勢，SEM對於觀察變項的要求是假定為「常態分配」，如果我們是使用Likert 4~7點量表，雖然先天上的性質是「順序尺度」，但至少我們還能勉強地假設它們是「區間尺度」且是符合常態分配，雖然不盡精確，但是至少能得到相對精確的結果。或者是目前也已發展針對順序尺度的SEM分析（有兩大派系，第一是以IRT的概念出發，第二是以貝氏機率的概念來處理），高階的研究者也可以突破這個限制，進而針對問題有更精確的答案。

但是事實上很多研究變項都是真正的「類別變項」，例如性別的男性與女性根本連順序尺度都不是，因此會造成在使用SEM的時候，很多類別（間斷）的變項變得無法使用，也限制了研究的範圍。

三、模式不易適配良好，需有良好的理論先驗性

身為統計諮詢顧問，幾乎每週都會有機會執行SEM，我們的經驗值顯示幾乎有3分之1的狀況是「完全跑不出結果」，有3分之1的機會是「跑出很糟糕的結果」，剩下的3分之1當然就是跑出可以接受的結果。

完全跑不出結果或跑出很不理想的結果的狀況經我們歸納原因之後，最重要的原因其實是因為沒有紮實的理論支持，純粹只是跑跑看。許多研究者（尤其是碩士生）沒有認真的看文獻，對於許多學者長久研究而累積的「理論架構」理解不足，可能自己就急就章「弄出」一個模型，如此草率不經考慮的「模型」當然風險很高，畢竟一個理論之所以可以被廣為引用，一定是經過長久的實證資料的驗證，慢慢地修改成今日的理論架構，因此在作SEM之前事前工作必須作足，如此蒐集的資料才比較可能去FIT這個理論架構。

大家務必記得，SEM基本是一種比較偏向「驗證性」的分析，而非「探索性」的分析，因此在執行分析之前需思考的問題不應該是：「最佳的理論模型應該是長的怎麼樣呢？」，而應該是已經針對理論探討做過探討，進而思考：「哪一種理論模型的修正可能是最佳的模式呢？」。SEM不是不可以針對理論模型進行修正或裁減（Trimming），而是每一步的修正都必須有所根據，如此才不會變成是「不停修正我們的理論模型去FIT所收集的資料」，變成本末倒置。

Reference

李敦仁、余民寧（2008）社經地位、手足數目、家庭教育資源與教育成就結構關係模式之驗證：以TEPS資料庫資料為例。臺灣教育社會學研究，5（2）， 1-48。