敘列誤差

指研究者所提的理論模式,無法反應出母群體及變項的真正特質(true characterization)，研究中的待答問題無法獲得解決。因此研究者需注意確保模式中沒有遺漏重要的外衍與內衍變項，若是某些重要變項被遺漏掉，會導致參數估計的偏差，造成無法收斂或參數無法解釋

適配度的考驗

研究人員要檢驗樣本資料所得的共變數矩陣(s矩陣)，與理論模式推導出來的共變數矩陣(Σ矩陣)間的契合程度，就是測量Σ矩陣如何近似S矩陣的函數。
可以分成：
1.可接受值-admissible solution
假設模式與實徵資料的相容性高，在經過一定疊代程序後，會使模式達到收斂程度
2.不可接受值-non-admissible solution
分成未達到收斂程度、達到收斂兩種。
@未達到收斂程度-提出模式不適切，使假設模型與實際資料差太多，故無法達到收斂
@達到收斂-會產生許多參數無法合理的解釋、變項間相關係數的絕對值超過1、出現負的誤差變異量、共變數矩陣或相關矩陣出現非正定(positive-definite)的情形等(Diamantopoulos & Sigua, 2000)

基本概念

結構方程模型為多變量統計的一環
主要比較：研究者提出的假設模型所隱含的共變數矩陣與實際蒐集資料導出的共變數矩陣之間的差異。
因為處理的是整體模型的比較，因此所參考的指標是整合性的係數，不是以單一的參數為主要考量，所以個別檢定是否具有特定的統計顯著性並不是SEM分析的重點所在。
適用於大樣本之分析，因此當樣本數低於100之時，幾乎所有的SEM分析都是不穩定，樣本數的影響是一個重要議題，應特別注意。