在研究可观测变量和潜变量的关系时结构方程是非常重要的，结构方程模型是关于可观测变量和潜在变量的回归模型，包括测量方程和结构方程模型两部分。但是，在几乎所有存在的理论和计算软件中都以正态性作为主要的假设（总是假定数据的分布是正态的）。因此，这些理论和计算软件就不能满足实际研究中十分普遍的非正态数据。此外，潜变量在结构方程建模过程中起到非常重要的作用，但是，在几乎所有存在的结构方程模型中，总是假定潜变量的分布是服从正态分布的，而在生物医学的很多研究中这个正态假定是违背客观事实的。　　 另一方面，处理非线性结构方程模型的参数估计通常有两种方法，一种是基于矩阵结构的古典常态理论发展起来的极大似然估计法(ML);另一种是基于贝叶斯理论下的贝叶斯估计法。在本文中，放松了潜变量分布的正态性假设，当给定潜在变量时，可观测变量的条件分布为指数分布，建立非线性结构方程模型，利用包含数据增广和马尔可夫链蒙特卡罗方法的贝叶斯方法来分析结构方程模型。在贝叶斯框架下，采用Gibbs技术和Metropolis-Hasting(MH)算法从后验分布中有效地模拟出相应的贝叶斯估计并作模型的拟合优度检验，最后讨论了用贝叶斯因子进行模型选择的方法，模拟研究很好地说明了这种方法的可行性。