傳統上，研究者在探討變數間的關係時，最常使用的統計方法包括：相關分析、迴歸分析和路徑分析…等。然而我們也不難發現，這些方法在運用上往往也存在著許多不足之處。例如，我們不能拿兩個變數間的相關係數，來當作單方向的因果關係之推論。因為即使兩變數間呈現高度相關時，也可能存在多面向的解釋方式，如兩變數可能「互為」因果關係；或者此兩變數亦可能是共同受到此兩變數之外的某其他變數之影響等。

而當我們進行迴歸分析時，雖然能夠將較多的變數同時納入分析與討論，但是由於這些變數之間或許並不存在明確的時間順序，因此將它們之間的關係，莽撞的直接以單方向的因果關係來解釋的話，也是蠻危險的。另外，更令人詬病的是，若以數學的角度來看，迴歸分析的前提假設中，須滿足每個自變數在測量時，不會有測量誤差的存在。然而我們都知道，在社會科學領域的相關研究中，很多變數都是屬於不可直接測量的潛在變數(如忠誠度、滿意度…)，這些潛在變數都存在著測量誤差。因此，這個前提假設很難在社會科學領域的相關研究中獲得滿足。

此外，較為複雜的路徑分析技術，雖然已克服迴歸分析中未能考慮變數間之時間先後順序的缺點，而已能將變數客觀的，按事件發生的先後順序而建立關係，進而間接的推論變數間之單方向因果關係。但是，令人遺憾的是，路徑分析中所使用的變數也存在著與迴歸分析一樣的先天缺陷，即假設變數是沒有測量誤差的。

結構方程模型(structural equation model，SEM)又稱為共變異數結構分析(analysis of covariance structure)或線形結構方程(linear structure equation)，它是一種運用統計學中的假設檢定概念，對有關變數的內在因素結構與變數間的因果關係進行驗證、分析的一種統計方法。它是近年來在社會科學領域的研究中，發展甚為快速，應用越來越廣泛的一種多變量統計分析方法，並已成為一種十分重要的資料分析技巧。由於結構方程模型對於潛在變數、測量誤差和因果關係模型皆具有獨特的處理能力，除了在心理學、教育學等領域的應用日臻成熟和完善之外，還不斷的被應用在其他多個領域。而先前我們所提及的相關分析、多元迴歸分析、因素分析和路徑分析等統計方法都只不過是結構方程模型的特例而已。