结构方程模型（SEM）与贝叶斯网络（BN）

这里的术语是一团糟。“结构方程”与“建筑桥梁”一样模糊，而“贝叶斯网络” 本质上并不是贝叶斯。因果关系之神朱迪亚·珀尔（Judea Pearl）说得更好，这两个模型流派几乎相同。

那么，重要的区别是什么？

（令我惊讶的是，截至本文撰写时，SEM的Wikipedia页面甚至还没有包含“网络”一词。）

据我所知，贝叶斯网络并不声称能够估计无向无环图中的因果效应，而SEM却可以。如果您相信SEM，那就是对SEM的概括。

这方面的一个示例可能是测量人们的认知能力下降，其中认知是使用3MSE这样的调查工具估计的潜在效果，但有些人可能会因使用止痛药而使认知下降。他们的止痛药可能是由于认知能力下降（例如摔倒）而受伤的结果。因此，在横截面分析中，您将看到具有圆形形状的图形。SEM分析师喜欢解决此类问题。我避开了。

在贝叶斯网络世界中，您可以使用非常通用的方法来评估条件的条件独立性/节点依赖性。可以使用具有任意数量分布的完全参数化方法，也可以采用我所听说的贝叶斯非参数方法。使用ML估计的SEM通常（通常）被认为是正常的，这意味着条件独立性等效于图中2个节点的零协方差。我个人认为这是一个很强的假设，并且对模型失准建模的鲁棒性很小。

我不太明白，但是请看这里：

结构方程模型和贝叶斯网络之间的联系是如此紧密，以至于容易忘记它们之间的差异。结构方程模型是一个代数对象。只要因果图保持非周期性，代数操作就被解释为对因果系统的干预。贝叶斯网络是代表一类联合概率分布的生成统计模型，因此不支持代数运算。但是，其马尔可夫因式分解的符号表示形式是一个代数对象，基本上等同于结构方程模型。