Modele równań strukturalnych są zasadniczo podobne do modeli regresji wielowymiarowej, jednak w przeciwieństwie do nich mogą one być stosowane w opisie zależności nieliniowych, skorelowanych zmiennych niezależnych, skorelowanych składników losowych oraz zmiennych ukrytych będących wynikiem oddziaływania wielu zmiennych wskaźnikowych. Ułatwia to znacząco kwantyfikowanie kategorii bezpośrednio niemierzalnych oraz złożonych takich jak „sukces gospodarstw”. Wadą metody równań strukturalnych jest mocno rozbudowany aparat obliczeniowy, czego konsekwencją jest brak możliwości „objęcia” przez badacza wszystkich operacji obliczeniowych. W porównaniu do metody regresji w SEM mierniki dopasowania modelu nie dają również jednoznacznej oceny jakości modelu, a także nie można ich porównywać z innymi miarami np. R2. W efekcie modele strukturalne w dużej mierze oparte są na założeniach poprawności modelu, a standardowa teoria statystyczna nie pozawala na test tych założeń. Ponadto należy zwrócić uwagę na dużą czasochłonność prowadzonych analiz oraz trudności z raportowaniem i interpretacją wyników. Mimo tych zastrzeżeń obecnie uznaje się, że SEM jest jedną z najbardziej obiecujących technik statystycznych, umożliwiającą pełniejszą analizę badanych zjawisk i relacji między zmiennymi. Wyniki przeprowadzonych badań potwierdzają dużą przydatność zastosowanego aparatu badawczego, przy czym należy zwrócić uwagę, iż w zależności od sposobu pomiaru zmiennej endogenicznej „sukces gospodarstw”, wyniki modelowania były zróżnicowane, tj. poszczególne zmienne objaśniające w różnym stopniu wpływały na zmienną objaśnianą. W przypadku modelu regresji wykazano, iż w sytuacji, gdy „sukces gospodarstw” będzie przedstawiany za pomocą zmiennej: dochód z gospodarstwa rolniczego lub dochód z gospodarstwa rolniczego w przeliczeniu na osobę pełnozatrudnioną, za najważniejszy czynnik sukcesu gospodarstwa należało uznać powierzchnię użytków rolnych, natomiast jeśli „sukces” będzie mierzony poziomem majątku gospodarstwa, to najważniejszym czynnikiem rozwoju okazują się zasoby pracy. Metoda ta nie pozwala więc na jednoznaczne wskazanie głównej determinanty sukcesu gospodarstw. Łączne ujęcie wymienionych powyżej zmiennych objaśnianych i zastosowanie ich jako wskaźników pomiarowych ukrytej zmiennej „sukces gospodarstw” znacznie zobiektywizowało prowadzone rozważania. Wyniki modelu równań strukturalnych wskazują, iż głównym czynnikiem sukcesu gospodarstw była ich powierzchnia, a następnie kolejno powiązanie z rynkiem, akumulacja oraz zasoby pracy. Ujęcie większej liczby zmiennych oraz wystarczająca jakość modelu wskazują na wyższość modeli równań strukturalnych (nad regresji) w określaniu zależności przyczynowo-skutkowych.