जहां तक मैं बता सकता हूं, बेयसियन नेटवर्क गैर-निर्देशित चक्रीय ग्राफ में कारण प्रभाव का अनुमान लगाने में सक्षम होने का दावा नहीं करते हैं, जबकि एसईएम करता है। यह SEM के पक्ष में एक सामान्यीकरण है ... यदि आप इसे मानते हैं।
इसका एक उदाहरण लोगों में संज्ञानात्मक गिरावट को मापना हो सकता है जहां अनुभूति एक अव्यक्त प्रभाव है जिसका सर्वेक्षण 3MSE जैसे सर्वेक्षण उपकरण का उपयोग करके किया जाता है, लेकिन कुछ लोग अनुभूति को दर्द मेड के उपयोग के कार्य के रूप में कम कर सकते हैं। उनके दर्द मेड्स संज्ञानात्मक गिरावट (उदाहरण के लिए गिरने) के कारण खुद को घायल करने का परिणाम हो सकते हैं। और इसलिए, एक क्रॉस सेक्शनल विश्लेषण में, आपको एक ग्राफ़ दिखाई देगा जिसमें एक गोलाकार आकृति होगी। SEM के विश्लेषकों की तरह समस्याओं से निपटने के लिए। मैं साफ करता हूं।
बेयस नेटवर्क की दुनिया में, आपके पास सशर्त स्वतंत्रता / नोड्स की निर्भरता का आकलन करने के बहुत सामान्य तरीके हैं। कोई भी वितरण के किसी भी संख्या के साथ एक पूरी तरह से पैरामीट्रिक दृष्टिकोण का उपयोग कर सकता है, या मैं के बारे में सुना है बेसेनियन नॉनपैमेट्रिक दृष्टिकोण के बारे में जाना। एमएल का उपयोग करने वाले एसईएम का अनुमान है (आमतौर पर) सामान्य माना जाता है, जिसका अर्थ है कि सशर्त स्वतंत्रता ग्राफ में 2 नोड्स के लिए शून्य सहसंयोजक होने के बराबर है। मेरा व्यक्तिगत रूप से मानना है कि यह एक मजबूत धारणा है और इसमें मॉडल प्रक्षेपन के लिए बहुत कम मजबूती होगी।