本书以通俗易懂的方式系统地介绍和阐述结构方程模型（SEM）的基本概念和统计原理，侧重结构方程模型的实际运用，介绍和示范各种常用结构方程模型，以及许多新近发展的模型，包括带分类条目的验证性因子分析（CFA）模型、双因子CFA模型、贝叶斯CFA模型、缺失值多重插补（MI）、潜变量合理值的估计和应用、调节中介效应模型、贝叶斯路径分析模型、带个体差异观察时间的潜发展模型（LGM）、检验带分类变量的量表的测量不变性、纵向潜类别分析（LLCA）、潜转换分析（LTA）、带协变量和远端结局变量的潜发展混合模型（GMM）、手动实施BCH方法和三步法混合模型建模、各种结构方程模型的蒙特卡罗模拟功效分析以及潜类别分析（LCA）模型的样本量估计。 本书采用国际著名SEM软件Mplus估计所有模型，使用真实数据演示各种模型估计，详细解读程序代码及输出结果。本书提供用于示范模型的数据和相应的Mplus程序，参照本书提供的例题和相应的计算机程序，读者便能自己实践各种结构方程模型。 本书可作为大学社会科学及公共卫生学院研究生以及统计和生物统计专业本科生的参考书，也可作为相关学科的研究人员从事统计分析的工具书。

第一章 结构方程建模简介（Introduction to Structural Equation Modeling）
1.1 简介（Introduction）
1.2 模型表述（Model formulation）
1.2.1 测量模型（Measurement model）
1.2.2 结构模型（Structural model）
1.2.3 模型表述公式（Model formulation in equations）
1.3 模型识别（Model identification）
1.4 模型估计（Model estimation）
1.5 模型拟合评估（Model fit evaluation）
1.6 模型修正（Model modification）
附录1.A 将观察变量之间的方差/协方差表示为模型参数的函数（Expressing variances and covariances among observed variables as functions of model parameters）
附录1.B SEM的最大似然函数（Maximum likelihood function for SEM）
第二章 验证性因子分析（Confirmatory Factor Analysis，CFA）
2.1 简介（Introduction）
2.2 CFA模型基础（Basics of CFA model）
2.3 带连续标识变量的CFA模型（CFA model with continuous indicator variables）
2.3.1 因子标度设定备选方法（Alternative methods for factor scaling）
2.3.2 基于模型估计的条目信度（Model estimated item reliability）
2.3.3 基于修正指数的模型修正（Model modification based on modification indices）
2.3.4 基于模型估计的量表信度（Model estimated scale reliability）
2.3.5 条目打包（Item parceling）
2.4 带非正态或删失连续标识变量的CFA模型（CFA model with non-normal or censored continuous indicator variables）
2.4.1 检验非正态性（Testing non-normality）
2.4.2 带非正态连续标识变量的CFA模型（CFA model with non-normal continuous indicator variables）
2.4.3 带删失连续标识变量的CFA模型（CFA model with censored continuous indicator variables）
2.5 带分类标识变量的CFA模型（CFA model with categorical indicator variables）
2.5.1 带二分类标识变量的CFA模型（CFA model with binary indicator variables）
2.5.2 带有序分类标识变量的CFA模型（CFA model with ordinal indicator variables）
2.6 贝叶斯CFA模型（Bayesian CFA model，BCFA）
2.7 潜变量合理值（Plausible values of latent variables）
2.8 CFA模型的扩展（Extension of CFA model）
2.8.1 高阶CFA模型（Higher-order CFA model）
2.8.2 双因子CFA模型（Bifactor CFA model）
附录2.A BSI-18量表（BSI-18 instrument）
附录2.B 条目信度（Item reliability）
附录2.C Cronbach α系数（Cronbach’s alpha coefficient）
附录2.D 用PROBIT回归系数计算概率（Calculating probabilities using PROBIT regression coefficients）
第三章 结构方程模型（Structural Equation Model，SEM）
3.1 简介（Introduction）
3.2 MIMIC模型（Multiple indicators and multiple causes model）
3.3 结构方程模型（Structural equation model）
3.4 单标识变量中测量误差的校正（Correcting for measurement error in single indicator variable）
3.5 检验涉及潜变量的交互效应（Testing interactions involving latent variable）
3.6 调节中介效应模型（Moderated mediation effect model）
3.7 使用潜变量合理值的SEM （SEM using plausible values of latent variable）
3.8 贝叶斯路径分析模型（Bayesian path analysis model）
附录3.A 测量误差的影响（Influence of measurement errors）
附录3.B 缺失信息分率（Fraction of missing information，FMI）
第四章 潜发展模型（Latent Growth Model，LGM）
4.1 简介（Introduction）
4.2 线性潜发展模型（Linear LGM）
4.2.1 无条件线性潜发展模型（Unconditional linear LGM）
4.2.2 带时间恒定协变量的潜发展模型（LGM with time-invariant covariates）
4.2.3 带时间变化协变量的潜发展模型（LGM with time-varying covariates）
4.3 非线性潜发展模型（Nonlinear LGM）
4.3.1 带多项式时间函数的潜发展模型（LGM with polynomial time functions）
4.3.2 分段线性潜发展模型（Piecewise linear LGM）
4.3.3 自由时间分值潜发展模型（LGM with free time scores）
4.3.4 带终端结局测量的潜发展模型（LGM with distal outcomes）
4.4 带多结局测量发展过程的线性潜发展模型（LGM with multiple growth processes）
4.5 两部式潜发展模型（Two-part LGM）
4.6 带分类结局测量的潜发展模型（LGM with categorical outcomes）
4.7 带个体差异观察时间的潜发展模型（LGM with individually varying time of observations）
第五章 多