本文首先简单介绍了结构方程模型的概念、结构和优点等，紧接着提到研宄方法类文章经常使用的模拟研究，并详细介绍了模拟研究的步骤。通常结构方程模型的估计方法（如极大似然估计法，ML）都有数据为多元正态分布且连续的前提假设，但是实证研究中这样的假设通常得不到满足。本文就探讨了在非正态分布观察变量数据对结构方程模型估计的影响。在蒙特卡罗模拟研究中，构建了一个两因素验证性因素模型，系统的控制了观察变量非正态的程度，非正态观察变量数占总的观察变量数的比例，并且比较了极大似然估计法(ML)、稳健极大似然估计法(S-B校正法)、渐进自由分布法(ADF)和Y-B校正法四种估计方法。评估的指标为模型收敛得到合适解的比例、参数估计的偏差和模型的拟合指数。最后在一个实证数据中进行验证。　　研究结果发现，观察变量的非正态程度实质性影响到估计结果，非正态程度越大估计结果越差;非正态观察变量的比例也会实质性影响到模型的估计结果，当一半的观察变量为非正态分布时，模型的估计结果最差，随着这个比例的降低或增加，模型估计结果都会明显提升;在多元正态分布条件下，ML法和S-B校正法是最优秀的估计方法。当存在非正态分布的观察变量时，Y-B校正法是最优秀的估计方法，其次是ML法和S-B校正法，ADF法是最差的估计方法,不应该在本研究所设置的条件下使用。　　最好，在一个实证研究中,验证了不同估计方法的估计效果，印证了模拟研究中的发现,本次研究为实证研究提供了理论指导的意义。