路径分析（Path analysis）,也称通径分析（有时也称结构方程模型，一般情况下如果包括测量模型和结构模型，则称为结构方程模型；如果只包括结构模型，则称为路径分析）。路径分析在于研究模型影响关系，用于对模型假设进行验证。比如下图的模型框架：希望研究工作条件，人际关系对于公司满意度的影响；同时还希望研究公司满意度和机会感知对于离职倾向的影响。路径有一共有4条（即4对影响关系），路径分析可以同时研究此4对影响关系。
针对路径分析的步骤上，SPSSAU建议分为以下三个步骤，分别为：
第一步：建立模型。并初步查看模型拟合结构，回归系数显著性等；
第二步：调整模型。如果拟合指标不达标(比如RMSEA值过大)，此时共有两种模型调整办法，第一种办法是结合“回归影响关系-MI指标表格”结果及专业知识情况，重新调整模型；第二种办法是设置“模型协方差调整”MI指标参数。多次重复调整模型，直至拟合指标在标准范围内即可。
第三步：分析模型。待模型拟合指标达到标准后，对模型进行详细分析和说明。
路径分析可能会经过中间多次调整，但这些均是中间过程。针对路径分析的最终结果呈现上，通常包括两部分，分别为模型拟合指标结果和模型回归系数汇总表格结果。
特别提示：
如果某项由多个量表题表示，比如本例子公司满意度由很多个量表题表示，则需要先求平均值后（SPSSAU生成变量功能）得到新的一列数据叫‘公司满意度’，然后再分析。
SPSSAU操作：
模型拟合指标非常多，通常情况下只需要关注卡方自由度比，GFI，RMSEA，RMR，CFI，NFI，NNFI共七个指标即可。并不需要全部指标均达标，有时候甚至只需要关注于RMSEA,RMR,CFI,NFI共4个指标即可。从上图可以看到，模型明显不达标，各项指标均不在标准范围内。因此需要进行模型调整。模型调整共有两种方法：第一种办法是结合“影响关系-MI指标”结果及专业知识情况，重新调整模型；第二种办法是结合“协方差关系-MI指标”结果，在模型中加入协方差关系，调整模型。
在使用路径分析前，需要对数据进行预处理。以下是一些常见的数据预处理方法：
数据清洗：对数据中的缺失值、异常值、重复值等进行清洗和处理，保证数据的准确性和完整性。
变量选择：选择与研究问题相关的变量，删除无关变量，降低数据的维度。
数据标准化：对数据进行标准化处理，将数据转化为无量纲的形式，避免变量之间的量纲差异对分析结果造成影响。
数据转换：对数据进行转换，如对数变换、幂次变换等，使数据更符合分析要求。
变量分组：根据实际情况对变量进行分组，以适应分析需要。
数据平滑：对数据进行平滑处理，去除噪声干扰，保证数据的稳定性和可靠性。
以上是常见的数据预处理方法，可以根据具体情况选择适合的方法进行数据处理。