爱华网主要包括两个过程：数据的预处理和建立模型
1 假设数据现在是以sav的格式保存在你E盘的某个文件夹里的。这时需要在C盘建立一个文件夹存放将要分析的sav数据。数据应该事先做整理，这个数据文件应该只包括需要分析的变量，而不应该包括其他无关的变量，以方便到后面使用。（根据经验，prelis生成的协方差矩阵只有放在C盘，需要时才能被找得到）
2 file-import externaldata in other formats.根据对话框，在文件类型里选择你刚刚保存数据的文件类型，点击文件名，打开。为即将产生的prelis data（后缀名为.psf）命名，比如test.psf。保存，出现prelis data的数据表。
3 data-definevariables先对变量进行定义，比如定义变量的类型、缺失值、重命名变量，如果是分类变量，还可以定义类型标签等。根据需要，我们以定义连续型数据为例：选中一个变量，点击variable type，选中continues，如果所有的变量都定义为连续变量，选中apply to all，OK，所有的变量将都是连续型数据。返回到define variable对话框，继续定义缺失值：点击missing values，进入对话框，选中missing values。导入后数据表中缺失值以-999999.00表示，在定义缺失值对话框中选中missing values，在填入框中填入所指定的值即可（如果要定义某个数值范围为缺失，填入最低最高的值即可）点击apply to all可以对所有的变量都定义同样的数值为缺失。一般来讲，到此处缺失值就定义完毕了，然而，根据经验如果globalmissing value中不做定义的话，个别功能不能识别出缺失值，因此，建议在此处也进行同样的设置。
定义完缺失值，还需要对缺失值进行处理，这里提供两种处理方式，即listwise（列删）pairwise（对删）。直接按照默认的列删即可。
4.1如果各变量的缺失值不多，删除带有缺失的样本很可惜，那么可以通过一些算法对缺失值进行填补即可。statistics-multipleimputation，出现对话框，选择带有缺失值的变量进入右边的框，选择EM算法或者MCMC算法（两种算法的区别可以阅读一些学术文献了解其优缺点，一般这里按照默认的EM算法即可）。其他选项默认。点击output variable，出现对话框，选择协方差矩阵，勾选save to file，并命以名字，命名以.cov为后缀，比如test.cov，勾选lisrel system data，勾选save the transformed data to file
并命名以dsf为后缀。OK之后，就会产生这些文件保存在C盘所建立的文件夹里了。在这里test.cov最关键，因为接下来马上需要用。这里等到一个填补缺失值后的prelis data，协方差矩阵也是根据这个数据表出来的。到此，数据的预处理工作算是完毕了。关闭prelis data。
4.2第三步只是对原始数据进行了处理，并没有计算协方差矩阵。如果没有4.1的情况，应该按照以下步骤得到协方差矩阵：statistics-output option，勾选save to file，并命以名字，命名以.cov为后缀，比如test.cov，勾选lisrel system data，勾选save the transformed data tofile并命名以dsf为后缀。OK之后这些文件都会在C盘建立的文件夹里。test.cov是很关键的，因为接下来马上需要用。到此，数据的预处理工作算是完毕了，关闭prelis data。
5 接下来，是建立模型。建立模型有两种途径：一是之间写syntax，二是通过path diagram建模型。这里主要记录使用path diagram的经验。file-new，在下拉框中选择path diagram，出现对话框，为path diagram命名，后缀名为.pth，例如：test.pth。保存之后就会出现绘图窗口。左边小框为观测变量和潜变量的窗口，右边为画布。菜单：setup-title and comments出现对话框，可以给个题目和注释，不填也可以，直接next，分组变量，没有不填直接next。接下来labels窗口，左边为观测变量，点击add/readvariables，出现对话框，read from file，可以选择lisrel system file或者prelis system file，两者的变量名都相同，file name，点击browse，出现对话框，如果前面选择了lisrel system file，则出现dsf文件，如果前面选择prelis system file，则出现psf文件。OK，观测变量名就加进来了。右边为潜变量，addlatentvariables，直接命名潜变量即可。next，进入data对话框，summary statistics-statistics，下拉框选择covariances，files下拉框，选择external ascii data，browse，选择C盘里建的文件夹，找到test.cov，选择、打开。number of填入实际的样本量。OK。
6 在右侧的变量窗口里，在观测变量里，点击Y列下的方块，显示打叉，表示相应的观测变量为内生潜变量的观测指标，下方的潜变量，在右侧的Eta列下打叉，表示相应的潜变量为内生潜变量。把观测变量拖到右边的画布上，外生变量指标放左边，内生变量指标放右边。先拖动内生潜变量到右边的画布，然后拖动外生潜变量（根据经验先拖动内生变量然后拖动外生变量不会出现问题）。
7 根据理论，点击单向箭头连接潜变量和测量指标，外生潜变量和内生潜变量，内生潜变量和内生潜变量（根据理论决定每个路径，同时注意：外生潜变量之间只能用双向箭头表示相关关系，不能用单向箭头表示因果关系，但是内生潜变量之间可以使用单向箭头表示因果关系）。最后建立好模型。
8 setup-built lisrelsyntax，生成程序语句，run lisrel，如果模型和协方差矩阵没有什么问题，潜变量间的路径系数、指标和潜变量间的载荷即可估计出来，并生成一个结果文件test.out。在test.out文件中也可以看到路径系数和载荷，另外还可以看到模型的拟合指数等结果信息。
9 简单提一下如何修订模型：在pathdiagram中，etimate的下拉窗口中选择T-values，如果系数过小，T- values将会小于1.96，并显示为红色，表示该路径没有统计学意义应该删除。选择modification indics将显示需要增加的路径，数值表示增加该路径后卡方值得下降量。可以根据理论增加路径，一般从下降量最大的一条加起，一条一条进行。注意每做一次修改后要把lisrel syntax文件重命名保存一次，方便选择相对理想的模型。
这里只是记录操作的经验步骤。其实，结构方程可分为3大类分析-纯粹验证、选择模型和产生模型。但是从应用上来看产生模型的类型是最多的。先提出一个或多个基本模型，检查这些模型是否拟合数据；基于理论或样本数据，分析找出模型中拟合欠佳的部分；修改模型，并通过同一数据或其他样本，检查修正模型的拟合度，整个分析过程的目的在于产生一个最佳模型（侯洁泰等，结构方程模型及其应用）。因此，第9点，模型的修正是最重要的一点，也是数据和理论结合最密切的一步，经验不足者在这一步可以感受到无比的纠结。
