Structurele vergelijkingsmodellen (SEM) zijn een vaak gebruikte techniek in de gedrags- en sociale wetenschappen om de relaties te bestuderen tussen latente variabelen (zoals depressie, persoonlijkheidskenmerken, attitudes, ...). In de wereld van SEM bestaat een model doorgaans uit twee delen: een meetgedeelte (die de latente variabelen relateert aan geobserveerde indicatoren), en een structureel gedeelte die de latente variabelen relateert aan elkaar). In de praktijk ligt de interesse van onderzoekers voornamelijk bij het structureel gedeelte. In de huidige praktijk is het echter gangbaar om voor het schatten van de (vele) parameters het volledige model te beschouwen, en alle parameters simultaan te schatten. Dat leidt tot tal van schattingsproblemen, in het bijzonder wanneer een deel van het model niet helemaal correct werd opgesteld. In de structureel-na-meting (SAM) benadering daarentegen schatten we de parameters in twee stappen: eerst het meetgedeelte, en daarna het structureel gedeelte. Dit werkt evengoed als de tradionele aanpak indien het model correct werd opgesteld, maar is robuuster indien sommige delen van het model niet helemaal correct werden opgesteld. Dit project zal de SAM benadering verder evalueren en uitbreiden zodat berekeningen sneller verlopen (ook bij grote datasets), en zodat SAM nog breder kan worden aangewend door onderzoekers die zich richten op correcte en robuuste modellen van het menselijk functioneren.