Structural Equation Model (SEMs) versus Bayesian Networks (BNs)

19

Terminologi di sini berantakan. "Persamaan struktural" kira-kira sama samarnya dengan "jembatan arsitektural" dan "jaringan Bayesian" secara intrinsik bukan Bayesian . Bahkan yang lebih baik, Judea Pearl dari sebab akibat mengatakan bahwa kedua aliran model hampir identik.

Jadi, apa perbedaan penting?

(Luar biasa bagi saya, halaman Wikipedia untuk SEM bahkan tidak menyertakan kata "jaringan" pada tulisan ini.)

sem bayesian-network causality zkurtz
sumber
Inilah penjelasan singkat dari Judea Pearl sendiri: causality.cs.ucla.edu/blog/index.php/2012/12/07/…
dmp
@dmp, terima kasih, yang tampaknya merupakan versi baru dari tautan saya yang sebelumnya rusak di atas pada 'Judea Pearl' - diperbaiki
zkurtz

Jawaban:

11

Sejauh yang saya tahu, Bayesian Networks tidak mengklaim dapat memperkirakan efek kausal dalam grafik asiklik yang tidak diarahkan, sedangkan SEM melakukannya. Itu adalah generalisasi yang mendukung SEM ... jika Anda percaya.

Contoh dari ini mungkin mengukur penurunan kognitif di antara orang-orang di mana kognisi adalah efek laten yang diperkirakan menggunakan instrumen survei seperti 3MSE, tetapi beberapa orang mungkin mengalami penurunan kognisi sebagai fungsi dari penggunaan obat sakit. Obat sakit mereka mungkin merupakan konsekuensi dari melukai diri mereka sendiri karena penurunan kognitif (jatuh misalnya). Jadi, dalam analisis cross sectional, Anda akan melihat grafik yang memiliki bentuk lingkaran. Analis SEM suka mengatasi masalah seperti itu. Saya menghindari.

Di dunia jaringan Bayes, Anda memiliki metode yang sangat umum untuk menilai independensi bersyarat / ketergantungan node. Seseorang dapat menggunakan pendekatan parametrik sepenuhnya dengan sejumlah distribusi, atau melakukan pendekatan nonparametrik Bayes yang pernah saya dengar. SEM yang diperkirakan menggunakan ML (biasanya) dianggap normal, yang berarti bahwa independensi bersyarat setara dengan nol kovarians untuk 2 node dalam grafik. Saya pribadi percaya itu asumsi yang agak kuat dan akan memiliki sedikit ketangguhan untuk memodelkan spesifikasi yang salah.

AdamO
sumber
Itu mungkin perbedaan dalam apa yang para praktisi sebut analisis mereka, tetapi tidak ada yang memaksa sistem persamaan struktural menjadi parametrik. @ zkurtz: Ada diskusi panjang dan terperinci secara teknis tentang apa SEM yang ada dalam Kausalitas Pearl. Jika Anda tidak memiliki buku itu, saya dapat mencoba untuk mengirim ringkasan singkat dan melacak contoh yang dia rujuk di tautan yang Anda poskan.
CloseToC
Meskipun benar bahwa estimasi kovarians konsisten untuk model probabilitas non-normal, masalah utamanya adalah interpretasi kovarians 0 sebagai independensi bersyarat. Secara umum, itu hanya bisa dikatakan variabel terdistribusi normal.
AdamO
2

Saya tidak begitu mengerti hal ini, tetapi lihat di sini :

Model persamaan struktural dan jaringan Bayesian tampak begitu terhubung sehingga mudah untuk melupakan perbedaannya. Model persamaan struktural adalah objek aljabar. Selama grafik kausal tetap asiklik, manipulasi aljabar ditafsirkan sebagai intervensi pada sistem sebab akibat. Jaringan Bayesian adalah model statistik generatif yang mewakili kelas distribusi probabilitas gabungan, dan, dengan demikian, tidak mendukung manipulasi aljabar. Namun, representasi simbolis dari faktorisasi Markov adalah objek aljabar, pada dasarnya setara dengan model persamaan struktural.

zkurtz
sumber
Secara khusus, saya ingin tahu apa yang mereka maksud dengan "manipulasi aljabar" dalam konteks ini.
zkurtz