Structural Equation Models (SEMs) gegen Bayesian Networks (BNs)

19

Die Terminologie hier ist ein Durcheinander. "Strukturgleichung" ist ungefähr so ​​vage wie "Architekturbrücke" und "Bayes'sches Netzwerk" ist an sich nicht Bayes'sch . Noch besser, Judea Pearl , Gott der Kausalität, sagt, dass die beiden Schulen der Modelle fast identisch sind.

Also, was sind die wichtigen Unterschiede?

(Erstaunlicherweise enthält die Wikipedia-Seite für SEMs zum jetzigen Zeitpunkt nicht einmal das Wort "Netzwerk".)

zkurtz
quelle
Hier ist eine kurze Erklärung von Judea Pearl selbst: causality.cs.ucla.edu/blog/index.php/2012/12/07/…
dmp
@dmp, danke, das scheint die neue Version meines zuvor defekten Links auf 'Judea Pearl' zu sein - behoben
zkurtz

Antworten:

11

Soweit ich das beurteilen kann, behaupten Bayesian Networks nicht, kausale Effekte in nicht gerichteten azyklischen Graphen abschätzen zu können, während SEM dies tut. Das ist eine Verallgemeinerung zugunsten von SEM ... wenn Sie es glauben.

Ein Beispiel hierfür ist die Messung der kognitiven Abnahme bei Menschen, bei denen die Kognition ein latenter Effekt ist, der mit einem Erhebungsinstrument wie 3MSE geschätzt wird. Einige Menschen können jedoch die Kognition als Funktion des Schmerzmittelgebrauchs verringern. Ihre Schmerzmittel können eine Folge von Verletzungen sein, die auf einen kognitiven Rückgang zurückzuführen sind (z. B. Stürze). In einer Querschnittsanalyse sehen Sie also ein Diagramm mit einer Kreisform. SEM-Analysten gehen solche Probleme gerne an. Ich lenke klar.

In der Bayes-Netzwerkwelt stehen Ihnen sehr allgemeine Methoden zur Beurteilung der bedingten Unabhängigkeit / Abhängigkeit von Knoten zur Verfügung. Man kann einen vollständig parametrischen Ansatz mit einer beliebigen Anzahl von Verteilungen verwenden oder sich mit den Bayes'schen nichtparametrischen Ansätzen befassen, von denen ich gehört habe. Unter Verwendung von ML geschätztes SEM wird (normalerweise) als normal angenommen, was bedeutet, dass die bedingte Unabhängigkeit einer Kovarianz von Null für 2 Knoten in der Grafik entspricht. Ich persönlich glaube, dass dies eine ziemlich starke Annahme ist und eine sehr geringe Robustheit gegenüber Modellfehlspezifikationen hätte.

AdamO
quelle
Das mag ein Unterschied zu dem sein, was die Praktiker ihre Analyse nennen, aber nichts zwingt ein System von Strukturgleichungen dazu, parametrisch zu sein. @zkurtz: Es gibt eine lange und technisch detaillierte Diskussion darüber, was SEMs in Pearl's Causality sind. Wenn Sie das Buch nicht haben, könnte ich versuchen, eine kurze Zusammenfassung zu veröffentlichen und das Beispiel aufzuspüren, auf das er in dem von Ihnen veröffentlichten Link verweist.
CloseToC
Während es stimmt, dass die Kovarianzschätzungen für nicht normale Wahrscheinlichkeitsmodelle konsistent sind, ist das Hauptproblem die Interpretation der 0-Kovarianz als bedingte Unabhängigkeit. Dies kann im Allgemeinen nur von normalverteilten Variablen gesagt werden.
AdamO
2

Ich verstehe das nicht wirklich, aber siehe hier :

Strukturgleichungsmodelle und Bayes'sche Netzwerke scheinen so eng miteinander verbunden zu sein, dass es leicht sein kann, die Unterschiede zu vergessen. Das Strukturgleichungsmodell ist ein algebraisches Objekt. Solange der Kausalgraph azyklisch bleibt, werden algebraische Manipulationen als Eingriffe in das Kausalsystem interpretiert. Das Bayes'sche Netzwerk ist ein generatives statistisches Modell, das eine Klasse gemeinsamer Wahrscheinlichkeitsverteilungen darstellt und als solches keine algebraischen Manipulationen unterstützt. Die symbolische Darstellung der Markov-Faktorisierung ist jedoch ein algebraisches Objekt, das im Wesentlichen dem Strukturgleichungsmodell entspricht.

zkurtz
quelle
Konkret frage ich mich, was sie in diesem Zusammenhang unter "algebraischen Manipulationen" verstehen.
Zkurtz