（3）模型估計（modelestimation）
可以采用最大似然法（maximumlikelihood）和廣義最小二乘法（generalizedleastsquares）來估計模型參數，其目的是盡量縮小樣本的方差協方差值與預測的方差協方差值之間的差異。
（4）模型評價（modelevaluation）
檢驗模型擬合樣本數據的程度，即模型能否最充分地對觀測數據做出解釋，並與替代模型的擬合指標進行比較。
（5）模型修正（modelmodification）
通過模型的修正和參數的再設定增進模型的擬合程度。一個擬合較好的模型往往需要反複試驗多次。
與任何分析方法一樣，結構方程模型也有一定的應用條件，主要包括三點：
首先，結構方程模型要求有一個合理的樣本規模。有學者指出（Stevens，1996），在一個標準的OLS多元回歸分析中，每個預測變量不應少於15個樣本個數。Bentler和Chou（1987）指出，在數據較完整的情況下，結構方程模型的每個待估參數至少應有5個樣本支持。Loehlin（1992）認為，對包含2至4個因子的模型，其樣本規模至少在100個以上，最好是200個。因為使用小規模樣本進行結構方程模型分析可能導致參數估計的準確度降低，模型的一致性檢驗不能取得滿意的效果。目前並沒有一個統一的樣本規模標準，一般都遵循足夠大（largeenough）樣本原則。
其次，結構方程模型要求變量是連續變量並服從正態分布。嚴格來講，要求單變量和多變量都服從正態分布。但在實際操作中，這種假設要求難以百分之百滿足。此外，結構方程模型還要求觀測數據是完整無缺失的。
第三，關於結構方程模型的基本理論指出，任何一個給定的模型都是暫時接受的（provisionallyaccept），即使一個模型較好地擬合了數據，也不意味著該模型是“正確”或“最好”的。因此，對模型的選擇與評價，需要多方麵考慮。
4、結構方程應用條件檢驗
結構方程模型的應用必須滿足一些基本假定條件，這樣才能保證統計推斷的有效性。下麵對這些基本假定條件進行檢視。
首先，結構方程模型要求觀測變量服從正態分布，包括單變量與多變量分布都符合正態性要求。由於最大似然法與變量分布的正態性有關，因此，對這一條件進行檢視。單變量分布的正態性主要看其偏度（skewness）和峰度（kurtosis）。絕大部分單一觀測變量的偏度與峰度絕對值都小於1，檢驗變量正態性的P-P圖和Q-Q圖顯示，沒有變量顯著地偏離正態分布。我們再用Mardia多變量峰度指標來檢定多變量分布的正態性。由於最大似然估計的健全性（robustness），若這一指標的絕對值不超過25，則多變量正態性的偏差就不會對估計產生顯著影響（黃芳銘，2002）。本研究觀測變量的絕大部分Mardia多變量峰度指標都在25以下。總體來看，本研究的單變量和多變量分布特征上符合結構方程模型應用的條件。
其次，結構方程模型要求變量是連續的。本研究所使用的量表大部分為語義量表或李克特式量表，這類量表屬於定序量表（ordinalscale），而將定序變量作為連續變量來使用，可能產生估計上的偏差。有學者（黃芳銘，2002）提出了這種變通性應用的理論依據：第一，使用協方差矩陣作為最大似然估計的輸入矩陣時，將定序變量視為連續變量，對模型不會產生顯著的影響；第二，當變量的測量等級超過5以上時，並且多變量的分布不是嚴重的非正態性時，不會產生明顯的估計偏差。因此，將定序變量視為連續變量不會產生顯著的估計偏差。本研究所使用的量表均為7等級量表，因此可視為定量變量。
此外，本研究采用最大似然法作為參數估計法（MaximumLikelihood），這是一種有效的無偏估計法，但利用ML時樣本數不能太小（最少應在100至150之間）（Ding,Velicer,Harlow,1995），本研究的樣本數符合這一條件。另外，從206份有效樣本的結構特征看，樣本具有相當程度的代表性和廣泛性，而樣本數據的缺失使隨機的，不存在係統性數據缺失。
5數據分析方法
概念測量的有效性（validity）是一個非常重要的研究評價指標。對抽象概念在多大程度上能成功進行操作化進行檢驗，這是概念的建構有效性（constructvalidity）檢驗（Campell,1960）。建構有效性以理論的邏輯分析為基礎，又根據實際所得數據驗證理論的正確性，因此是一種比較嚴謹的有效性檢測方法（吳明隆，2000）。本書運用因子分析（factoranalysis）方法進行概念測量的建構有效性檢驗。首先采用探索性因子分析（exploratoryfactoranalysis:EFA）方法得到因子的維度結構，其次用驗證性因子分析（confirmatoryfactoranalysis:CFA）對該因子結構進行驗證。