结构方程模型是当前国内外分析显变量和潜在变量之间内在联系的重要工具之一,是社会科学研究中的一个非常有用的研究方法。在社会科学以及经济、医学、市场、心理学等研究领域,有时需处理多个原因、多个结果的关系,这些传统统计方法不好解决的难题,通过结构方程模型对其进行弥补。而在上述研究领域中,往往存在观测值缺失,不完整的情况,如果简单的删除会对研究结果产生影响,造成结果的不准确。目前对不完全数据的研究大都假设缺失数据机制为可忽略的,在一些实际问题研究中,我们常常遇见数据的缺失与该变量本身存在一定的联系,即缺失数据机制为不可忽略的情形。近年来,对于不可忽略缺失数据的处理,也有了一些新的方法和研究成果,然而这些方法和结果都仅仅局限于广义线性模型,或一些简单的非线性模型,而对带有不可忽略缺失数据的指数族非线性结构方程模型的研究尚未见相关报道。因此,本文将在前人的研究工作基础上,讨论带有不可忽略缺失数据的指数族非线性结构方程模型参数估计,模型选择等一系列问题。　　 本文对上述模型建立了模型参数的贝叶斯估计方法,其中缺失数据机制由Logistic回归模型所定义,通过视潜在变量为缺失数据并结合了Gibbs抽样技术和Metropolis-Hastings算法,得到了模型参数、潜在因子以及缺失数据机制中回归系数的联合贝叶斯估计,在此基础上,给出了评价模型拟合优度统计量一偏后验预测p值。此外,通过路径抽样的方法得到了进行模型比较的贝叶斯因子。最后,运用WINBUGS软件,用实际数据例子验证了该方法的有效性和可行性。