Modele równań strukturalnych (SEM) a sieci bayesowskie (BN)


19

Terminologia tutaj to bałagan. „Równanie strukturalne” jest tak samo niejasne jak „most architektoniczny”, a „sieć bayesowska” nie jest z natury bayesowska . Co więcej, Judea Pearl , bóg przyczynowości, mówi, że obie szkoły modeli są prawie identyczne.

Jakie są ważne różnice?

(Zdumiewające dla mnie, strona Wikipedii dla SEM nie zawiera nawet słowa „sieć” w tym piśmie).


Oto zwięzłe wyjaśnienie samego Judei Pearl: causality.cs.ucla.edu/blog/index.php/2012/12/07/…
dmp

@dmp, dzięki, wygląda na to, że jest to nowa wersja mojego wcześniej zepsutego linku powyżej na „Judea Pearl” - naprawiono
zkurtz

Odpowiedzi:


11

O ile mi wiadomo, Bayesian Networks nie twierdzi, że jest w stanie oszacować skutki przyczynowe w niekierowanych grafach acyklicznych, podczas gdy SEM tak. To uogólnienie na korzyść SEM ... jeśli w to wierzysz.

Przykładem tego może być pomiar spadku funkcji poznawczych u osób, u których poznanie jest utajonym efektem oszacowanym za pomocą narzędzia ankietowego, takiego jak 3MSE, ale niektóre osoby mogą zmniejszać funkcje poznawcze w zależności od stosowania środków przeciwbólowych. Ich leki przeciwbólowe mogły być konsekwencją zranienia się z powodu pogorszenia funkcji poznawczych (na przykład upadku). I tak w analizie przekrojowej zobaczysz wykres o okrągłym kształcie. Analitycy SEM lubią rozwiązywać takie problemy. Steruję czysto.

W świecie sieci Bayes istnieją bardzo ogólne metody oceny warunkowej niezależności / zależności węzłów. Można zastosować podejście w pełni parametryczne z dowolną liczbą rozkładów lub przejść do bayesowskich podejść nieparametrycznych, o których słyszałem. SEM oszacowane przy użyciu ML są (zwykle) zakładane jako normalne, co oznacza, że ​​niezależność warunkowa jest równoważna zerowej kowariancji dla 2 węzłów na wykresie. Osobiście uważam, że jest to dość mocne założenie i miałoby bardzo małą odporność na modelowanie błędnej specyfikacji.


Może to być różnica w tym, co praktykujący nazywają swoją analizą, ale nic nie zmusza układu równań strukturalnych do parametrycznego. @zkurtz: Istnieje długa i szczegółowa technicznie dyskusja na temat tego, jakie SEM są w związku przyczynowym Pearl. Jeśli nie masz książki, mógłbym spróbować opublikować krótkie streszczenie i wyśledzić przykład, do którego odnosi się w opublikowanym linku.
CloseToC,

Chociaż prawdą jest, że szacunki kowariancji są spójne dla nienormalnych modeli prawdopodobieństwa, głównym problemem jest interpretacja kowariancji 0 jako warunkowej niezależności. Zasadniczo można to powiedzieć tylko o zmiennych normalnie rozłożonych.
AdamO,

2

Naprawdę tego nie rozumiem, ale zobacz tutaj :

Modele równań strukturalnych i sieci bayesowskie wydają się tak ściśle ze sobą powiązane, że łatwo można zapomnieć o różnicach. Model równania strukturalnego jest obiektem algebraicznym. Dopóki wykres przyczynowy pozostaje acykliczny, manipulacje algebraiczne interpretowane są jako interwencje w układzie przyczynowym. Sieć Bayesa jest generatywnym modelem statystycznym reprezentującym klasę wspólnych rozkładów prawdopodobieństwa i jako taka nie obsługuje manipulacji algebraicznych. Jednak symboliczna reprezentacja faktoryzacji Markowa jest obiektem algebraicznym, zasadniczo równoważnym modelowi równań strukturalnych.


W szczególności zastanawiam się, co rozumieją przez „manipulacje algebraiczne” w tym kontekście.
zkurtz
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.