为了通过路径分析了解破坏性创新条件下企业执行力的基本变化情况，本书借用了结构方程来对执行力的形成路径进行研究。结构方程分析通常称为结构方程建模（Structural Equation Modeling，SEM），是基于变量的协方差矩阵来分析变量之间关系的一种统计方法。
3.2.1 选取结构方程建模的原因
由于企业执行力涉及的变量，都不能准确、直接地测量，在结构方程中把这种变量称为潜变量（latent variable），为了有效的研究企业执行力的形成与变革，本书试图用一些外显指标（observable indicators）去间接测量这些潜变量，这些外显指标又可以称为观测变量。传统的统计方法不能妥善的处理潜变量，而结构方程模型则可以同时处理潜变量和外显指标。结构方程模型是一个包含面很广的数学模型，可以分析一些涉及潜变量的复杂关系。很多流行的传统方法（如回归分析），虽然容许因变量包含测量误差，但需要假设自变量是没有误差的。当因变量和自变量都不能准确测量时，传统的统计方法（如回归分析）就不能用来估计变量之间的关系①，同时传统的统计方法需要假设自变量是没有误差的，当自变量和因变量都不能准确测量时，传统方法（如回归）就不能用来估计变量之间的关系，而结构方程模型能够提供更佳的解答方案。结构方程模型与传统的统计方法比较起来，具有以下优点（Bollen＆Long，1993）②：
1、同时处理多个因变量
结构方程可以同时考虑和处理多个因变量。在路径分析中就算统计结果的突变中展示了多个因变量，其实在计算路径系数时仍是对每个因变量逐一计算。因此图表上来看似乎是多个因变量同时考虑，实际在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。
2、容许自变量和因变量含测量误差
作为企业执行力内容中较为关键的心理、行为等变量往往含有误差，也不能简单地用单一指标（题目）来测量。而结构方程恰好容许自变量和因变量的测量误差，同时变量可以采取多个指标（题目）来测量。
3、可以同时估计因子结构和因子关系
如果每个潜变量都是用多个指标（题目）测量，在传统统计中我们要了解潜变量之间的相关性，一般是对每个潜变量先用因子分析计算潜变量与题目间的关系（即因子负荷），进而得到因子得分，作为潜变量的观测值，然后再计算因子得分的相关系数，作为潜变量之间的相关系数，以上两步是两个独立的步骤，用某一指标（题目）计算潜变量的因子得分时并不考虑其他指标（题目）。在结构方程分析中，这两步同时进行，即因子与题目间的关系以及因子与因子之间的关系同时考虑。
3.2.2 结构方程模型的结构
结构方程模型可分为测量方程（measurement equation）和结构方程（structural equation）两部分。测量方程是描述潜变量与指标（题目）之间的关系的，而结构方程则是描述潜变量之间的关系的。指标（题目）含有随机误差和系统误差，随机误差是指测量上的不准确性行为，系统误差则是反映指标（题目）也同时测量潜变量（即因子）以外的特性。
1、测量模型
对于指标（题目）与潜变量之间的关系，通常写成如下测量方程：
[HL（1]x=Λxξ δy=Λyη ε[HL）]
其中x-外生（exogenous）指标组成的向量
y-内生（endogenous）指标组成的向量
Λx—外生指标与外生潜变量间的关系，是外生指标与外生潜变量上的因子负荷矩阵
Λy—内生指标与内生潜变量间的关系，是内生指标与内生潜变量上的因子负荷矩阵
ξ—外生指标x的误差项
ε—内生指标y的误差项
2、结构模型
对于潜变量间的关系，通常写成如下结构方程：
η=Bη Гξ ζ
其中η—内生潜变量
ξ—外生潜变量
B-内生潜变量间的关系
ζ—结构方程的残差项，反映了η在方程中未能被解释的部分。
结构方程分析包括测量模型（因子与指标间的关系）和结构模型（因子间关系），若各因子可以直接测量（因子就是指标）则结构方程分析就是回归分析。如果只考虑因子间相关不考虑因子之间的因果关系，则结构方程分析就是因子分析。
3、结构方程模型常用的图标含义
由于本书在进行路径研究时利用图表的形式展示了企业执行力的形成路径。因而有必要对结构方程的常用图标做一个说明。
对于建构结构方程模型来说，Boomsma（1982）发现选取的样本容量越大越好，他建议样本容量最少大于100，因为对于容量小于100的样本，所产生的相关矩阵不够稳定，使得结构方程的信度（可重复性）低。因而本书在进行样本选取时尽可能满足Boomsma提出的要求，以保证结构方程模型的信度。
