结构方程模型中，模型识别是结构方程模型得以顺利估计的前提，而且也是许多初学者在使用结构方程模型中经常遇到的棘手问题。模型的识别本质上和线性代数中n个未知数需要n个独立方程组才能求解一样。但是结构方程模型形式更加复杂，并没有适用于所有情况的判断模型识别的充分必要条件。但是经过学者的努力，也有一些常用的经验做法，能够帮助我们顺利估计出模型结果。

1 整体模型识别

整体模型识别的思路较为简单清晰，一般常用的判断方法是t法则，即需要自由估计的参数应该小于用于产生共变结构的观测值数目。其中，用于产生共变结构的观测值数目的计算公式为：(p+q)(P+q+1)/2

p和q分别为外生潜变量对应的测量变量和内生潜变量对应的测量变量。

因而，如果模型不能顺利估计的话，可以数一下，需要估计的参数个数是否小于(p+q)(P+q+1)/2。如果不满足这一条件，那么可以试着将潜在变量对应残差的回归系数设定为1；或者将信度较高的测量模型的参数设定为1；或者去除不良的变量；或者同时使用以上几种方法。

2 测量模型的识别

2.1 外生潜变量中的约束

对于外生潜在变量及其对应的测量变量，为了保证模型可识别，有两种处理技巧。要么将外生潜在变量的方差设置为1，要么将外生变量的测量变量中的一个相关系数设置为1

2.2 内生潜变量中的约束

对于内生潜在变量及其对应的测量变量，为了保证模型可识别，只有一种处理技巧。即将内生变量的测量变量中的一个相关系数设置为1。

2.3 测量变量个数的要求

当潜在变量之间具有相关假设时，每一个潜在变量至少需要两个独立的测量变量；当潜在变量之间没有相关的假设时，每一个潜在变量至少需要三个独立的测量变量。

3 结构模型的识别

结构模型的识别是指变量之间的因果依赖关系。一般来说，变量之间的因果关系如果不存在回溯，那么结构模型一定可识别。如果变量之间的因果关系如果存在回溯，那么结构模型不一定能识别，导致模型无法正确估计，这种情况处理起来较为麻烦，常用的处理方法是增加模型中具有非回溯关系的变量，或减少模型中具有回溯关系的变量。

4 潜在变量量尺化及识别说明

潜在变量没有单位，因而需要对其进行量尺化。其处理方法和“测量模型的识别”中的方法一致。在Amos软件中可以不用单独考虑。

需要说明的是：潜在变量量尺化的难点主要在于内生潜在变量的量尺化。主要有两种方法，一是将内生潜在变量方差设定为1，进行设限参数估计；二是将内生潜在变量中的一个因素载荷设定为1。两种方法都不够完美，第一种方法导致参数估计有偏，而标准误差估计无偏；第二种方法导致参数估计无偏，而标准误差估计有偏。Amos软件使用了第二种方法，由于该方法不完美，所以Amos软件中也不会报告潜在内生变量方差的估计值。