Theo như tôi có thể nói, Bayesian Networks không tuyên bố rằng có thể ước tính các tác động nhân quả trong các biểu đồ chu kỳ không định hướng, trong khi SEM thì có. Đó là một sự khái quát có lợi cho SEM ... nếu bạn tin vào điều đó.
Một ví dụ về điều này có thể là đo lường sự suy giảm nhận thức ở những người mà nhận thức là một tác động tiềm ẩn được ước tính bằng cách sử dụng một công cụ khảo sát như 3MSE, nhưng một số người có thể giảm nhận thức như là một chức năng của việc sử dụng thuốc giảm đau. Thuốc giảm đau của họ có thể là hậu quả của việc tự làm mình bị thương do suy giảm nhận thức (ví dụ như ngã). Và do đó, trong một phân tích cắt ngang, bạn sẽ thấy một biểu đồ có hình tròn. Các nhà phân tích SEM muốn giải quyết các vấn đề như thế. Tôi bẻ lái rõ ràng.
Trong thế giới mạng Bayes, bạn có các phương pháp rất chung để đánh giá sự độc lập / phụ thuộc có điều kiện của các nút. Người ta có thể sử dụng một cách tiếp cận tham số đầy đủ với bất kỳ số lượng phân phối nào, hoặc đi về các phương pháp tiếp cận không tham số Bayes mà tôi đã nghe nói. SEM ước tính sử dụng ML (thường) được coi là bình thường, điều đó có nghĩa là tính độc lập có điều kiện tương đương với việc có hiệp phương sai bằng 0 cho 2 nút trong biểu đồ. Cá nhân tôi tin rằng đó là một giả định khá mạnh mẽ và sẽ có rất ít sự mạnh mẽ để mô hình hóa sai chính tả.