Söyleyebildiğim kadarıyla Bayesian Networks, yönlendirilmemiş asiklik grafiklerde nedensel etkileri tahmin edebileceğini iddia etmiyor, SEM ise. Bu SEM lehine bir genelleme ... eğer inanırsanız.
Bunun bir örneği, bilişin 3MSE gibi bir anket aracı kullanılarak tahmin edilen gizli bir etki olduğu insanlar arasındaki bilişsel gerilemeyi ölçmek olabilir, ancak bazı insanlar bilişsel ağrı kullanımının bir fonksiyonu olarak bilişini azaltabilir. Ağrı ilaçları, bilişsel düşüş (örneğin düşme) nedeniyle kendilerini yaralamanın bir sonucu olabilir. Ve böylece, kesitsel bir analizde, dairesel bir şekle sahip bir grafik görürsünüz. SEM analistleri böyle problemlerle başa çıkmaktan hoşlanırlar. Açıkça yönlendiriyorum.
Bayes ağ dünyasında, koşullu bağımsızlığı / düğümlerin bağımlılığını değerlendirmek için çok genel yöntemlere sahipsiniz. Herhangi bir sayıda dağılımla tamamen parametrik bir yaklaşım kullanılabilir veya duyduğum Bayesçi parametrik olmayan yaklaşımları inceleyebiliriz. ML kullanılarak tahmin edilen SEM'in (genellikle) normal olduğu varsayılır, bu da koşullu bağımsızlığın grafikteki 2 düğüm için sıfır kovaryansa eşdeğer olduğu anlamına gelir. Şahsen bunun oldukça güçlü bir varsayım olduğuna ve yanlış ifadeyi modellemek için çok az sağlamlığa sahip olacağına inanıyorum.