想象你是这座城市的供水总工程师。办公桌上铺着一张巨大的管网蓝图：圆圈是水厂，方框是蓄水池，箭头是管道，标注的数字是阀门开度。你真正关心的问题不是“今天水压是多少”，而是“如果我把 A 泵站的阀门拧大一格，B 区的水压会怎么变？水质会受影响吗？”——可惜，真实城市不能随便停水做实验。 结构方程模型（SEM）就是把这张蓝图翻译成数学的语言。它用路径图刻画变量之间的因果假设，用协方差数据估算每段“管道”的粗细（路径系数），再用拟合指标检查蓝图与现实的差距。而结构因果模型（SCM）更进一步，把静态蓝图升级成可干预的数字孪生：你可以“剪掉”某根管子、“拧动”某个阀门，回答反事实问题——如果当初没有这条管道，今天的水压会怎样？ 这篇文章会带你沿着这条“水网”走一遍：先看懂蓝图（变量与路径图），再理解 SCM 与 SEM 的师徒关系，接着追踪水流如何分解成直接与间接效应，最后用 Python 亲手做一次“拧阀门”实验，并看看这套思想如何落到可解释 AI 的工程实践中。

岗位关联

对 AI 从业者而言，SEM/SCM 是把模型从“预测相关”升级为“回答因果”的核心工具，也是可解释 AI、公平性审计与决策科学不可或缺的理论基石。

目录
  1. 可视化演示
  2. SEM 基本概念：从管网蓝图说起
  3. SCM 与 SEM 的联系：从静态蓝图到数字孪生
  4. 路径分析：追踪水流的每一段管道
  5. 潜变量建模：看不见的“供水质量”
  6. 拟合评估与修正：把数字孪生与现实校准
  7. 应用与挑战：从水网到人工智能
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示SEM测量模型与结构模型双层架构、路径图表示方法、拟合优度指标评估三种模式，点击按钮切换。

本节配有交互动效（进入视口后自动加载，约 3KB）。

SEM双层架构 测量模型：潜变量→观测指标（因子载荷） 结构模型：潜变量间因果路径（回归系数） x=Λx·ξ+δ, y=Λy·η+ε 测量与结构双层建模

SEM 基本概念：从管网蓝图说起

在供水总工程师的桌上，管网蓝图是最重要的资产：每个节点的压力从哪来、流向哪、中间经过几道泵站，全都画得明明白白。SEM 的路径图就是统计版的管网蓝图——研究者根据领域知识，用带箭头的线把变量连起来，箭头方向代表“我怀疑 X 会影响 Y”。

蓝图上有两类元件，对应 SEM 的两类变量。一类是观测变量，像水压表一样直接读数；另一类是潜变量，像“供水质量”——真实存在但无法直接测量。SEM 最厉害的地方，就是允许这两类变量同时出现在一张蓝图里，再用监测数据来验证。

SEM 的输入原料不是原始数据本身，而是变量之间的协方差矩阵——它记录了两两变量“同步波动”的程度。研究者要估计一组路径系数，使模型推算出的协方差矩阵与实测协方差矩阵尽量接近。这一步由如下结构方程完成：

把方程搬回水网：每个节点的输出压力，等于所有上游管道的贡献之和再减去渗漏损耗。SEM 做的事，就是反推每一段管道到底有多粗、阀门开度多大——蓝图对不对，拿监测数据说话。

η=Bη+Γξ+ζ\displaystyle \boldsymbol{\eta} = \mathbf{B}\boldsymbol{\eta} + \boldsymbol{\Gamma}\boldsymbol{\xi} + \boldsymbol{\zeta}
  1. 内生潜变量向量 η模型要解释的“下游结果”，如某个城区的水压，会被上游变量推动。
    η\boldsymbol{\eta}
  2. 内生间系数矩阵 B下游变量之间的相互影响，对应管网中节点间串联的管道。
    Bη\mathbf{B}\boldsymbol{\eta}
  3. 外生潜变量向量 ξ完全由系统外部决定的“源头”，如水库降雨量，不受下游反向影响。
    ξ\boldsymbol{\xi}
  4. 外生载荷矩阵 Γ上游源头对下游节点的作用强度，即每一根主管道的阀门开度。
    Γξ\boldsymbol{\Gamma}\boldsymbol{\xi}
  5. 误差向量 ζ管道渗漏、天气扰动等模型没画出来的干扰。
    ζ\boldsymbol{\zeta}

SCM 与 SEM 的联系：从静态蓝图到数字孪生

静态蓝图看一眼就懂拓扑，却回答不了“如果把 A 泵站阀门拧大 10%，全城会怎样”。SCM 就是可干预的数字孪生：它在 SEM 的估计能力之上，叠加了“干预”和“反事实”的语义，让你能安全地做现实世界中代价巨大的实验。

SCM 由三块拼成：因果图（DAG，管网拓扑的数学形式）、结构方程（每个变量如何由父变量和噪声决定）以及干预/反事实语义。图中没有入箭头的变量是外生变量（水库源头），有入箭头的都是内生变量（被解释的节点）。SEM 主要提供“估计路径系数”这层统计能力；SCM 则额外规定了 do 算子等因果运算规则。

两者的分水岭在于“看”与“做”的区别：

供水决策者要的不是“X 和 Y 同步波动的报告”，而是“我拧了这个阀门，Y 会怎么变”的承诺。SEM 给出前者，SCM 补上后者——从蓝图到孪生，从看懂到改变。

P(Y=y∣do(X=x))≠P(Y=y∣X=x)\displaystyle P(Y = y \mid do(X = x)) \neq P(Y = y \mid X = x)
  1. 观测条件概率 P(Y|X=x)站在监测站旁“看”数据——X 取 x 时 Y 的分布，系统未被触碰。
    P(Y=y∣X=x)P(Y = y \mid X = x)
  2. 干预分布 P(Y|do(X=x))强制把阀门拧到 x，并剪断所有指向 X 的箭头后再观察 Y。
    P(Y=y∣do(X=x))P(Y = y \mid do(X = x))
  3. 不等号观测关联与干预效应通常不相等，这是“相关不等于因果”的标准数学表达。
    ≠\neq

路径分析：追踪水流的每一段管道

从水库到用户，水流往往经过好几段管道。你想知道“抬高水库水位”对“用户水压”的总影响，其中多少是直接加压，多少是先抬高中间泵站再层层传递——路径分析就是拆解这个问题的工具。

路径系数本质是标准化回归系数：一个变量变化一个标准差，另一个变量平均变化几个标准差。以最常见的 X→M→Y 中介模型为例，效应可分解为：

中介效应解释“机制如何传导”，调节效应解释“条件如何改变传导强度”。工程实践中，识别效应分解路径是设计干预的第一步：如果大部分效应走中介路径，就该优化中间环节；如果直接效应主导，就该直接作用于目标变量。

路径分析就像在水网中标注每条水流的去向和流量：总效应是“水表读数的变化”，直接效应是“主路直供”，间接效应是“支路转供”。搞清楚了，你才知道该修哪条管。

c=c′+a×b\displaystyle c = c' + a \times b
  1. 直接效应 c'X 绕过 M 直接作用于 Y 的旁路管道。
    c′c'
  2. 间接效应 a×bX 先推动 M，M 再推动 Y，两段管道串联传递。
    a×ba \times b
  3. 总效应 c全部影响之和，对应水网中“所有路径叠加”的原理。
    c=c′+a×bc = c' + a \times b

潜变量建模：看不见的“供水质量”

供水质量真实存在，但你没办法把一个“质量计”塞进管道，只能通过浊度、余氯、pH 值这些可观测指标来推断。潜变量就是这样的存在——看不见、测不准，却有真实的因果影响力。

SEM 的强大之处在于同时搭建两个子模型：测量模型负责描述“潜变量如何映射到观测指标”，结构模型负责描述“潜变量之间的因果箭头”。测量方程写作：

确认性因子分析（CFA）用于回答“这几个指标是不是真的在测同一个潜变量”。同时还要检查模型识别：待估参数个数不能超过数据能提供的信息量，否则方程无唯一解——就像只有两个监测站，却要同时推算出五段管道的粗细。

潜变量是 SEM“透过表象看本质”的武器。AI 里的“用户兴趣”“模型置信度”同样是看不见的潜变量，测量模型给了我们把抽象概念变成可检验数学结构的规范路径。

x=Λxξ+δ\displaystyle \mathbf{x} = \boldsymbol{\Lambda}_x \boldsymbol{\xi} + \boldsymbol{\delta}
  1. 观测向量 x一组可直接读数的仪表指标，如浊度、余氯、pH。
    x\mathbf{x}
  2. 潜变量 ξ无法直接测量、却真实存在的原因，如“供水质量”。
    ξ\boldsymbol{\xi}
  3. 因子载荷矩阵 Λ_x每个指标对潜变量的灵敏度，相当于传感器的放大倍数。
    Λx\boldsymbol{\Lambda}_x
  4. 测量误差 δ仪表噪声、采样随机性等干扰。
    δ\boldsymbol{\delta}

拟合评估与修正：把数字孪生与现实校准

数字孪生建好后，要用真实监测数据校准：模型预测的水压分布和实际分布差多少？差太多就得改蓝图。这一步对应 SEM 的拟合评估与模型修正。

最基础的指标是卡方统计量，它衡量观测协方差与模型再生协方差的偏差。由于卡方对样本量敏感，实践中更常用 RMSEA：

其他常用指数各有侧重：CFI 与 TLI 超过 0.90 表示相对基准模型有显著改进；SRMR 反映残差大小。此外要检查每个路径系数的显著性——不显著的路径相当于阀门开度为零，可以考虑简化模型。若拟合仍不理想，可借助修正指数寻找“漏画的管道”，但每条新增路径都必须有理论依据，不能被数据牵着走。

拟合评估就像管网校准：先看整体偏差，再看分项指标，最后凭工程常识补管道。一个拟合良好的模型只代表“蓝图与数据一致”，若要用于干预决策，还需因果假设的支撑——这正是 SCM 登场的时刻。

RMSEA=max⁡(χ2−df, 0)df×(N−1)\displaystyle \text{RMSEA} = \sqrt{\frac{\max(\chi^2 - \mathit{df},\ 0)}{\mathit{df} \times (N-1)}}
  1. 卡方统计量 χ²模型再现数据协方差结构的偏差总量。
    χ2\chi^2
  2. 自由度 df数据携带的信息量减去模型需要估计的参数个数；自由度不足即“模型不可识别”。
    df\mathit{df}
  3. 样本量 N-1样本越大，微小偏差越容易被识别出来，因此按样本量做惩罚折算。
    N−1N-1
  4. 根号与取 0 操作保证 RMSEA 非负；通常 RMSEA < 0.08 表示拟合可接受，< 0.05 表示良好。
    max⁡(χ2−df, 0)\max(\chi^2 - \mathit{df},\ 0)

应用与挑战：从水网到人工智能

真实城市不能随便停水做实验，但数字孪生可以。SEM/SCM 在 AI 领域扮演同样的角色：高成本的线上实验太贵，先在小规模因果结构上模拟“拧阀门”的效果。

因果推断中最核心的量是平均因果效应（ACE）：

工程上的主要应用包括：把 SEM 结构嵌入可解释 AI，让模型输出“哪些潜因子的贡献推动了预测结果”；用因果图做特征选择，剔除只相关不因果的伪特征。挑战同样明显：观测数据常存在未观测混杂、样本量不足以支撑复杂潜变量模型、结构设定错误会传导至全部估计结果。优化策略通常是从小模型出发、逐步添加路径，并配合交叉验证防止过拟合。

从一纸蓝图到可拧阀门的数字孪生，SEM 与 SCM 让 AI 从“根据历史预测未来”升级为“理解机制、敢于干预、能回答如果”——这是走向真正智能决策的必经之路。

ACE=E[Y∣do(X=x+1)]−E[Y∣do(X=x)]\displaystyle \text{ACE} = \mathbb{E}[Y \mid do(X = x+1)] - \mathbb{E}[Y \mid do(X = x)]
  1. 期望算子 E[·]把个体差异与随机干扰平均掉，得到总体层面的平均效应。
    E[⋅]\mathbb{E}[\cdot]
  2. 两次干预 do(X=x+1) 与 do(X=x)相当于把阀门从刻度 x 拧到 x+1 的两次平行实验。
    do(X=x+1)do(X = x+1)
  3. 差值单位干预造成的平均结果变化，即“每拧大一格，水压平均上升多少”。
    E[Y∣do(X=x+1)]−E[Y∣do(X=x)]\mathbb{E}[Y \mid do(X = x+1)] - \mathbb{E}[Y \mid do(X = x)]

AI 应用场景

用户增长归因：拆解投放效果的“中介管道”

阶段：因果推断 / 归因分析

解决的问题：市场团队想知道广告投放带来的付费增长，是投放直接推动的，还是先提升了用户活跃、再由活跃带动付费。传统 A/B 实验只能给出总效果，无法拆分机制；SEM 路径分析可以回答“总效果里有多少走了中介”。

具体案例：某 App 同时上线投放与激励活动，DAU 和付费双升。分析师建立“投放 X → 活跃 M → 付费 Y”的中介模型，估计出路径系数 a=0.62、b=0.51、直接效应 c'=0.18，算得约 64% 的效果经由活跃度中介传递。团队据此把预算重心从“直接促付费”转向“提升活跃”。

可解释 AI：给黑箱模型装一张“因果蓝图”

阶段：模型可解释性 / 负责任的 AI

解决的问题：深度学习模型能预测术后并发症，但医生不会信任一个说不出理由的黑箱。用 SEM 构建一层“可解释结构”：模型负责特征提取，SEM 负责展示潜因子如何沿因果路径推动风险评分。

具体案例：在临床决策支持系统中，研究者用 SEM 构建“基础健康潜因子 → 生理指标 → 并发症风险”结构。当模型给出高风险预测时，解释层输出“术前血红蛋白偏低（载荷 0.82）→ 氧合能力下降 → 风险 +18%”的路径归因，医生认可度显著提升。

推荐系统公平性审计：辨别“歧视路径”

阶段：公平性治理 / 因果审计

解决的问题：推荐系统对某人群点击率偏低，是算法直接歧视，还是通过“曝光机会”等中介间接造成？直接看相关性指标会误伤无辜。SEM 路径分解能把“直接歧视路径”与“公平中介路径”拆开。

具体案例：审计团队构建“用户属性 → 曝光机会 → 点击反馈”的 SEM，估计各路径系数后发现直接路径不显著、中介路径显著，说明问题出在曝光分配环节而非排序算法本身，从而精准定位修复点。

Python 演示

python50 行
import numpy as np  def simulate_mediation(n=1000, seed=42):    """模拟中介机制数据: 外生变量 X -> 中介 M -> 结果 Y"""    rng = np.random.default_rng(seed)    X = rng.normal(0, 1, n)                      # 外生变量: 广告曝光    M = 0.6 * X + rng.normal(0, 1, n)            # 中介变量: 用户活跃度    Y = 0.3 * X + 0.7 * M + rng.normal(0, 1, n)  # 结果变量: 付费转化    return X, M, Y  def standardize(x):    """标准化, 使回归系数成为可比较的路径系数"""    return (x - x.mean()) / x.std(ddof=1)  def path_coef(x, y):    """一元回归路径系数, 等价于标准化斜率"""    return float(np.dot(x, y) / np.dot(x, x))  def estimate_sem(X, M, Y):    """估计路径系数并验证效应分解恒等式"""    Xs, Ms, Ys = standardize(X), standardize(M), standardize(Y)    a = path_coef(Xs, Ms)                      # 路径 a: X -> M    design = np.column_stack([Xs, Ms])         # 设计矩阵, 同时放入 X 和 M    coef, _, _, _ = np.linalg.lstsq(design, Ys, rcond=None)    c_prime = coef[0]                          # 直接效应: X -> Y    b = coef[1]                                # 路径 b: M -> Y    c = path_coef(Xs, Ys)                      # 总效应: X 对 Y 的全部影响    return a, b, c_prime, c  def main():    X, M, Y = simulate_mediation()    a, b, c_prime, c = estimate_sem(X, M, Y)    indirect = a * b    print("结构方程模型(简化版)路径系数估计")    print("a  (X -> M)      : %.4f" % a)    print("b  (M -> Y)      : %.4f" % b)    print("c' (X -> Y 直接) : %.4f" % c_prime)    print("c  (X -> Y 总)   : %.4f" % c)    print("间接效应 a*b     : %.4f" % indirect)    print("c' + a*b         : %.4f" % (c_prime + indirect))    print("校验 |c-(c'+ab)| : %.6f" % abs(c - c_prime - indirect))  if __name__ == "__main__":    main()
目的：用最小二乘估计中介模型 X→M→Y 的路径系数，并验证“总效应 = 直接效应 + 间接效应”的分解恒等式，这正是 SEM 路径分析的核心计算。
  1. rng = np.random.default_rng(seed)固定随机种子，保证数据可复现
  2. M = 0.6 * X + rng.normal(0, 1, n)埋入真实因果机制：M 由 X 与噪声共同生成
  3. (x - x.mean()) / x.std(ddof=1)标准化，把不同量纲的变量统一到可比尺度
  4. a = path_coef(Xs, Ms)估计 X→M 路径系数，相当于测出第一段管道的阀门开度
  5. design = np.column_stack([Xs, Ms])把 X 和 M 拼成设计矩阵，用于多元回归
  6. coef, _, _, _ = np.linalg.lstsq(design, Ys, rcond=None)最小二乘同时解出直接效应 c' 与路径 b
  7. c_prime = coef[0]取出直接效应路径系数
  8. indirect = a * b间接效应等于两段路径系数相乘
  9. abs(c - c_prime - indirect)验证“总效应 = 直接 + 间接”恒等式

常见误区

误区很多人跑完 SEM，看到路径系数显著就写“X 导致 Y”。他们会想：“路径图是我画的假设，数据也支持了，因果结论应该没问题吧？”

正解SEM 只能证明“这组箭头结构能讲得通数据”，并不排除其他等价结构同样讲得通。就像水压数据既支持“泵站 A 推高 B 区水压”，也可能支持“B 区需求拉低了泵站压力”。因果成立还需额外保证：X 先于 Y、控制所有混杂、排除反向因果。拟合指标说明“蓝图与数据一致”，不说明“蓝图就是真相”。

为何常见：路径图的箭头太像“因果流程图”，让人误以为数据自己在证明因果，实则因果方向来自研究者的假设。

误区刚接触因果推断的同学常把两者混用：“SCM 不就是 SEM 换个名字？反正都是画箭头、估系数。”

正解SEM 是估计协方差结构的统计技术，聚焦“给定结构，如何用数据估参数”；SCM 是 Pearl 提出的因果建模框架，在结构方程之上定义了 do 算子、反事实与因果识别规则。可以把 SEM 理解为 SCM 在线性可估计假设下的一种实现工具。SCM 能回答“干预后世界会发生什么”，传统 SEM 只回答“观测世界里变量如何相关”。

为何常见：两者名称高度相似，且 SCM 的数学形式确实借用了 SEM 的结构方程写法，容易望文生义。

误区“CFI=0.96, RMSEA=0.04，全都达标！这个模型肯定没问题。”很多初学者把拟合指数当作模型质量的唯一标准。

正解拟合指数只说明模型能复现当前样本的协方差，但可能过拟合、包含无意义路径，或与另一个拓扑完全不同的模型无法区分。数字孪生模拟水压很准，不代表内部管道画对了。评估模型要综合拟合优度、简约性、理论合理性与样本外表现，最好做交叉验证。

为何常见：教程普遍以“指数达标”作为合格线，让人误以为达标就是终点。

误区“供水质量”这么抽象，直接把浊度、余氯、pH 三个指标求平均不就算出来了？很多初学者把潜变量得分等同于简单平均。

正解潜变量是多个指标背后的共同原因，每个指标还有自己的测量误差。简单平均等于强行规定所有指标权重相同、误差相同，通常不符合现实。正确做法是用因子分析让数据决定每个指标的载荷，再按载荷加权合成潜变量。就像评价水质不能拍脑袋让三个指标各占三分之一，要让数据告诉我们哪个更关键。

为何常见：平均数是直觉上最省事的综合方式，且在小样本下“看起来也能跑通”，掩盖了测量误差的差异。

面试题

Q1. 结构方程模型的路径图中，单向箭头连接的两个变量表示什么？

单选题 · easy

  • A.变量间存在相关关系
  • B.变量间存在数据依赖
  • C.变量间存在因果假设← 正确答案
  • D.变量间存在层级关系

答案：C。单向箭头在路径图中表示研究者假设的因果方向，相当于蓝图中管道从水源指向用户。相关关系通常用双向弧线表示，层级关系不是 SEM 的表达对象，故选 C。

Q2. 下列哪类变量属于 SEM 中的外生变量？

单选题 · easy

  • A.不受模型内变量影响的变量← 正确答案
  • B.由其他变量解释的变量
  • C.误差项经过标准化的变量
  • D.潜变量测量方程中的指标

答案：A。外生变量类似于上游水库，由模型外部决定，不被模型内其他变量解释。B 是内生变量的定义，C、D 与“外生”这一属性无关，故选 A。

Q3. 在简单中介模型 X→M→Y 中，间接效应的大小等于什么？

单选题 · mid

  • A.路径系数 a 与 c 的乘积
  • B.路径系数 b 与 c 的乘积
  • C.路径系数 a 加 b 的和
  • D.路径系数 a 与 b 的乘积← 正确答案

答案：D。间接效应 = a×b，相当于两段串联管道的综合传递系数。a×c 与 b×c 没有路径语义，a 加 b 则混淆了“串联”与“并联”，故选 D。

Q4. 结构方程模型中的潜变量通常如何获得测量？

单选题 · mid

  • A.通过单个直接指标直接测量
  • B.通过多个观测指标综合测出← 正确答案
  • C.通过随机抽样的方式直接赋值
  • D.通过人为设定常数的方式估计

答案：B。潜变量看不见摸不着，必须通过多个观测指标来测量，每个指标有自己的载荷和测量误差。单个指标无法分离误差；随机赋值或设定常数都不是建模做法，故选 B。

Q5. 关于拟合指标 RMSEA 与拟合质量的关系，下列说法正确的是？

单选题 · mid

  • A.数值小于 0.08 时拟合较好← 正确答案
  • B.数值大于 0.08 时拟合较好
  • C.数值恰好等于 1 时拟合完美
  • D.数值越小表示模型越不拟合

答案：A。RMSEA 越小越好：<0.08 可接受，<0.05 理想。大于 0.08 表示偏差大，等于 1 更不可能表示完美，故选 A。

Q6. 结构因果模型 SCM 中，do(X=x) 表示什么操作？

单选题 · hard

  • A.观测到变量 X 取值为 x 的条件概率
  • B.对变量 X 进行多次重复测量的过程
  • C.强行干预使 X 取值为 x 并观察后果← 正确答案
  • D.将 X 从结构方程中删除的移除操作

答案：C。do(X=x) 是 Pearl 框架的干预算子，语义是“切断指向 X 的箭头，强行令 X=x”，这是 SCM 与 SEM 的本质区别。观测、重复测量、删除变量都不是干预，故选 C。

Q7. 总效应与直接效应、间接效应之间的正确关系是？

单选题 · mid

  • A.总效应等于直接效应乘间接效应
  • B.总效应等于直接效应减间接效应
  • C.总效应与直接效应和间接效应无关
  • D.总效应等于直接效应加间接效应← 正确答案

答案：D。在线性结构方程假设下，总效应恒等于直接效应加间接效应，这是效应分解的核心恒等式，对应水网中“所有路径叠加”的原理，故选 D。

Q8. 结构方程模型 SEM 的完整框架包含以下哪两个核心子模型？

多选题 · mid

  • A.测量模型（因子分析部分）← 正确答案
  • B.结构模型（潜变量间关系）← 正确答案
  • C.多层感知机分类模型
  • D.自回归集成滑动平均模型

答案：AB。SEM 由测量模型（处理潜变量与指标的关系）和结构模型（处理潜变量之间的关系）构成。多层感知机与时间序列模型不属于 SEM 的标准组成，故选 A、B。

Q9. 模型拟合不佳时，以下哪些修正做法在方法论上是合理的？

多选题 · hard

  • A.任意增加变量之间相关关系
  • B.依据修正指数添加合理路径← 正确答案
  • C.删除无统计学意义的路径← 正确答案
  • D.直接删除大部分异常样本

答案：BC。合理修正是依据修正指数添加理论上可辩护的路径，或删除不显著的路径。任意加相关是数据挖掘式过拟合；直接删大量样本需要充分理由，故选 B、C。

Q10. 与 SEM 相比，SCM 额外提供了哪些因果推理能力？

多选题 · easy

  • A.反事实推理（what-if 分析）← 正确答案
  • B.用 do 算子刻画干预效应← 正确答案
  • C.纯描述性统计结果汇报
  • D.因子载荷自动旋转估计

答案：AB。SCM 在结构方程之上加入了反事实世界与 do 算子，能回答“若非如此会怎样”。描述性统计 SEM 也能做，因子旋转属于测量模型细节，均不算 SCM 的增量，故选 A、B。