全模型（Full Model）由测量模型和结构模型构成，测量模型处理潜变量和观测指标间的关系，结构模型处理潜变量间的关系。某种意义上说，全模型估计可以看作是因子分析和路径分析的结合体，同时估计测量系数和结构系数。与传统的回归分析相比，全模型具有两个比较突出的优势：其一，考虑变量的测量误差；其二，允许多个被解释变量。实践方面，运用Mplus可以简便的处理全模型分析，本期拟就一个简单的2×2潜变量预测模型（见图1）来演示如何利用Mplus实现全模型分析，模型对应的syntax见图2：
图1 model
图2 syntax
下面对模型结果进行简要解读：
模型拟合方面，结果显示，该模型的各项拟合指数均比较理想（x2=73.227, df=60,CFI=0.985, TLI=0.981, RMSEA=0.030, 90%CI=[0.000, 0.051]），见图3。
图3 model fit
参数估计方面（见图4）：首先，因子负荷的表现一般，没有过低的负荷，但也存在较多低于0.7的负荷，这些会使得一些潜变量的AVE达不到0.50；其次，f2对f3的预测作用不显著，f2对f4的预测作用边缘显著，而f1对f3和f4均具有显著的正向预测作用（p<0.05）；最后，f1和f2显著正相关，由于f3和f4的协方差已被事先固定为0，故这里未予估计。由于Mplus 5.0开始即默认进行均值-协方差分析，故结果里还给出了对指标截距的估计。
图4 parameter estimation
模型解释率方面（见图5），Mplus给出了各个观测指标和潜变量的R-square，观测指标的R-square是其所属潜变量对指标的解释率，等于标准化因子负荷的平方，潜变量的R-square反映了外生潜变量对内生潜变量的解释率。
图5 R-square
软件还给出了模型的修正指数（见图6），该部分由4列组成，第1列MI值是修正指数，代表释放参数自由估计所能减少的卡方量，第2列EPC是期望改变值，若一开始参数被默认固定为0，则这里的EPC即代表该参数的估计值，最后两列是EPC的标准化解。
图6 MOD Index
如图7，Mplus还自动给出了带参数估计的模型图，图上的系数均为标准化解。模型图有助于研究者检查模型设定是否存在细节上的疏忽，也方便进行进一步的论文报告。
图7 output model configuration