VanderWeele, T. J. (2012). Invited commentary: Structural equation models and epidemiologic analysis. American Journal of Epidemiology, 176(7), 608–612. http://doi.org/10.1093/aje/kws213

這篇是個哈佛大學公衛學院的教授，為SEM是否適合引入流行病學門作為研究方法所作的專業評價報告。很值得當作我們進入、認識SEM前的暖身文。

他文中說了幾點SEM的弱點。最令我震憾的結論，是他認為SEM只能在嚴謹的自律下，用在兩種情形：探索與產生假設。

這與當前許多自稱SEM大師的說法完全相反。因為我曾在國內上過相關課程，聽到的、反覆如教條般被提及的是：「只要有理論，SEM就宜用於驗證理論。」

我對主流的說法始終懷疑，直到這篇文章才覺得自己多年來遲未正式進入這個研究方法領域的直覺得到確認。

因為，受過訓練的經驗研究者都應知道，理論從來不等於真相，那麼若要用SEM驗證理論，SEM到底在驗證什麼？

VanderWeele的說法總算能解開我心裡多年的一團謎霧，也讓我更覺慶幸自己沒有耗費過多時間在這上頭打轉（其實也是沒時間投進去）。他認為SEM的幾個罩門是：

一、過強的假設，套用在所有變數關係之上，而這些線性、分佈、以及變數間不容有其他潛在變數的假設（the linearity, distributional, and no-confounding assumptions）實在過於僵硬而往往有太多可以挑戰的地方。所以，若不是要同時檢驗多組變數之間的關聯，而是單純的模型，不如使用「傳統」的迴歸模型即可。

二、沒有畫出的線往往才是重點。他指出沒畫出的線被預設為真，但我們是否真的相信所有沒畫出的線都應該是不該被畫出的？還是說，應該所有的線都該負責任的被畫出、被討論、被檢視？SEM顯然迴避了這個在公衛領域非常重視的要求。而SEM「一體適用」的線性假設，也使得公衛學門習慣的sensitivity analysis派不上用場。

三、目前已在發展中的causal mediation analysis（政治學也在行列之中）是在SEM的發展之外擴展開的。CMA並沒有SEM這麼多的前提和預設，中介（mediation）與調節（moderation）在SEM的文獻討論中是缺席的。

四、最後，若無足夠好的資料，例如時間序列資料，一般的橫斷面資料cross-sectional data在SEM中仍無法解決因與果的問題，我們常用來質疑理論的雙向的影響（bidirectional influence ）甚至反向的影響（opposite direction），由於SEM無法處理，都會讓SEM看似愈描愈黑。

總之，他認為流行病學門不需要接受這個研究方法，因為「我們總是在尋找更少的前提假設來做研究，並以敏感分析來檢證前提；但SEM卻是製造了更多前提，而我們不需要這些。」（"We usually would opt for fewer assumptions rather than more, and then use sensitivity analysis techniques about which we were especially concerned. SEMs opt for more assumptions rather than fewer, but they deliver more as a result." p.611）