结构方程模型（Structural Equation Model，SEM）是一种统计分析方法，它的起源和发展历程可以追溯到20世纪初的一些重要发现。最早，Spearman在他的研究中试图将智力的各个维度，如动手能力、语言能力、空间能力和运算能力，归结为单一因素，即一般智力。这种将多种能力归结为单一因素的做法是因子分析的起源。

在因子分析的基础上，Thurstone在20世纪30年代提出了多因素分析模型。他认为智力不是像Spearman认为的那样是一个单一因素，而是由几个因素组成的，这可以说是“多因子分析”模型的起源。Thurstone还发明了因子旋转法，这一方法在后续的因子分析和结构方程模型中被广泛应用。

同时，在20世纪初，Wright正在研究路径分析模型。路径分析被用于分析显变量，能够对变量间的间接关系进行建模，而这在标准的回归模型中通常不被分析。这一技术的出现对结构方程模型的发展产生了重要影响。瑞典统计学家、心理测量学家Karl·G·Joreskog在20世纪70年代中期提出结构方程模型（Structural Equation Model，SEM），并开发了相应的应用软件LISREL ( Linear Structural Relations )，被认为是最权威性的SEM软件。

在随后的时间里，结构方程模型在社会科学的数据分析中得到了广泛应用。结构方程模型能够同时估计一组观察变量与其代表的潜变量之间的关系，并分析各潜变量之间的关系，这是它的一个重要特点。这一模型经过多年的发展和完善，已经成为社会科学和行为科学等领域中常用的统计分析工具。

结构方程模型适合的研究选题如下，在应用中建议结合具体的研究问题选择是否应用结构方程模型。

• 多变量间结构关系分析。SEM可以用于同时估计多个变量之间的相互关联，以及它们与潜在变量的关系，这对于探究复杂的社会现象和行为模式非常有用。比如，在社会科学领域，研究者可以用SEM来探究与社会行为相关的多个因素间的关系，类似“大学生持续使用短视频的影响因素研究”“移动阅读APP用户满意度影响因素与提升策略研究”“老年人移动健康APP的接受意愿影响因素研究”等选题是适合的。

• 潜在变量的研究。SEM能够估计观察变量与潜在变量之间的关系，这使得它适合用于研究潜在变量对观察变量的影响，或者观察变量如何通过潜在变量产生影响。

• 验证性研究。SEM可以用于验证或反驳特定的假设或理论，通过模型设定和拟合，可以评估模型的有效性和准确性。

• 复杂模型的研究。SEM能够处理复杂的模型设定和估计，例如中介效应、调节效应和交互效应等。

这些年我使用SEM发表的部分SSCI论文的题目如下：

题目1：Factors influencing users’ satisfaction and loyalty to digital libraries in Chinese universities. Computers in Human Behavior (CHB),83, 64-72. [IF: 8.957; SSCI; JCR Q1 top Q journal].

题目2：Research on the drivers of undergraduates’ intention to use university digital libraries: affinity theory as an additional construct of information system success model. Library Hi tech. [IF: 2.357; JCR journal quartile Q2; SSCI].

题目3：Examining the factors influencing college students’ continuance intention to use short-form video APP. Aslib Journal of Information Management，2021,73（6）[IF: 2.222; JCR journal quartile Q2; SSCI].

题目4：Examining the factors influencing information poverty in western China.The Electronic Library (TEL). 38(5/6),1115-1134.[IF: 1.675; JCR journal quartile Q3; SSCI].