Deux écoles concurrentes se sont imposées dans le domaine de la modélisation des équations structurelles. La première approche, appelée « Covariance-based SEM » (SEM = Structural Equation Modeling), s'est développée autour de Karl Jöreskog. Cette approche a pour objectif de modéliser la matrice de covariance des variables observées. Elle peut être considérée comme une généralisation de l'analyse factorielle en facteurs communs et spécifiques au cas de plusieurs tableaux de données reliés entre eux par des liens de causalité. La seconde approche s'est développée autour de Herman Wold sous le nom de « PLS » (Partial Least Squares), puis de « Component-based SEM ». Elle a pour objectif la construction de scores résumant au mieux chaque bloc de variables tout en tenant compte du réseau de causalité. C'est une généralisation de l'analyse en composantes principales au cas de plusieurs tableaux de données reliés entre eux par des liens de causalité. Plus récemment Hwang et Takane (2004) ont proposé une méthode « Component-based SEM » : la méthode GSCA (Generalized Structural Component Analysis). Elle permet une recherche de scores optimisant un critère global. Nous allons discuter de l'utilisation de ces trois approches en donnant des exemples d'utilisation en analyse sensorielle