SEM有兩個部分：壹個測量模型(measurement model)和壹個結構模型(structural model)。
測量模型 相當於壹個多元回歸模型(multivariate regression model)，用於描述壹組可觀察的因變量和壹組連續潛變量之間的關系。在此，這壹組可觀察的因變量被稱為因子指標(factor indicators)，這壹組連續潛變量被稱為因子(factors)。
如何描述它們之間的關系？可以通過以下方式：
1. 若因子指標是連續的，用線性回歸方程(linear regression equations)；
2. 若因子指標是刪失的，用刪失回歸或膨脹刪失回歸方程(censored normal or censored-inflated normal regression equations)；
3. 若因子指標是有序的類別變量，用profit或logistic回歸方程(probit or logistic regression equations)；
4. 若因子指標是無序的類別變量，用多元logistic回歸方程(multinomial logistic regression equations)；
5. 若因子指標是計數的，用Poisson或零膨脹Poisson回歸方程(Poisson or zero-inflated Poisson regression equations)。
結構模型 則在壹個多元回歸方程中描述了三種變量關系：
1. 因子之間的關系；
2. 觀察變量之間的關系；
3. 因子和不作為因子指標的觀察變量之間的關系。
同樣，這些變量有不同的種類，所以要根據它們的類別來選擇合適的方程進行分析：
1. 若因子為因變量，及可觀察的因變量是連續的，用線性回歸方程(linear regression equations)；
2. 若可觀察的因變量是刪失的，用刪失回歸或膨脹刪失回歸方程(censored normal or censored-inflated normal regression equations)；
3.?若可觀察的因變量是二進制的或者是有序的類別變量，用profit或logistic回歸方程(probit or logistic regression equations)；
4.?若可觀察的因變量是無序的類別變量，用多元logistic回歸方程(multinomial logistic regression equations)；
5.?若可觀察的因變量是計數的，用Poisson或零膨脹Poisson回歸方程(Poisson or zero-inflated Poisson regression equations)。
在回歸中，有序的類別變量可通過建立比例優勢(proportional odds)模型進行說明；最大似然估計和加權最小二乘估計(maximum likelihood and weighted least squares estimators)都是可用的。
以下特殊功能也可以通過SEM實現：
1. 單個或多組分析(Single or multiple group analysis)；
2. 缺失值(Missing data)；
3. 復雜的調查數據(Complex survey data)；
4. 使用最大似然估計分析潛變量的交互和非線性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood)；
5. 隨機斜率(Random slopes)；
6. 限制線性和非線性參數(Linear and non-linear parameter constraints)；
7. 包括特定路徑的間接作用(Indirect effects including specific paths)；
8. 對所有輸出結果的類型進行最大似然估計(Maximum likelihood estimation for all outcome types)；
9. bootstrap標準誤差和置信區間(Bootstrap standard errors and confidence intervals)；
10. 相等參數的Wald卡方檢驗(Wald chi-square test of parameter equalities)。
以上功能也適用於CFA和MIMIC。