回归模型处理的是一个或多个自变量与单个因变量之间的关系，只能提供变量间的直接效应而不能显示可能存在的间接效应。也可能会因为多重共线性等多个严格假定未满足，出现单项指标与总体负相关等无法解释的数据分析结果。如果因变量不止一个，那么回归模型将不再适用。此时，结构方程模型更有优势。结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的变量，也可能包含无法直接观测的潜在变量。结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系。简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。结构方程模型主要用来探究潜变量的内在结构以及潜变量之间的因果关系，分别用测量模型和路径模型来检验。测量模型用于探索和验证观测变量与潜变量之间的关系，以确立潜变量的结构维度与观测指标。路径模型有广义和狭义之分。在狭义的路径分析中，所有的变量都是观测变量；广义的路径分析还包含结构方程模型中潜变量之间关系的分析。

本章所采用的主要变量具有明确的理论含义，是通过数学公式计算出来的观测值，研究意图主要在于揭示这些变量之间的相互关系，而非探索和验证存在何种潜在因子。因此，采用结构方程的路径模型来进行检验。本节中，结构方程路径模型检验的主要内容包括：①团队动力、知识动力与新兴技术创新绩效之间的关系，主要检验团队动力对知识动力的驱动效应。具体而言，包括研究者多样性、合作网络结构洞、合作网络中心势等三个团队动力的变量，对知识多样性、知识网络结构洞、知识网络中心势等三个知识动力变量，以及新兴技术创新绩效的影响。②研究者多样性与知识多样性两个变量，在新兴技术创新中的正向交互效应。(www.daowen.com)

根据结构方程研究者们的观点，结构方程中平均一个自变量大约需要5—15个样本数据，在数据质量高的情形下，5—8个便可以进行高质量的拟合，而一旦数据质量难以保证，则一个自变量至少需要15个样本数据来支撑（Bentler et al.，1987）。Loehlin（1992）在进行蒙特卡罗模拟之后发现对于包含2—4个因子的模型，至少需要100个样本，当然200个更好，小样本量容易导致模型计算时收敛的失败进而影响到参数估计。根据这些论述，以及对有关结构方程路径模型样本量的参照，本章采用的结构方程模型涉及7个自变量，而样本数据为251个，且样本数据都来源于公开的发明专利等权威数据，客观可靠，没有主观影响，因此，在数据和样本容量上可以保证结构方程拟合的质量。仍然采用中美两国新兴技术企业样本数据，运用AMOS18.0对结构方程路径模型进行估计。