Насколько я могу судить, байесовские сети не претендуют на то, что способны оценивать причинные эффекты в неориентированных ациклических графах, в то время как SEM это делает. Это обобщение в пользу SEM ... если вы в это верите.
Примером этого может быть измерение когнитивного снижения у людей, у которых когнитивное развитие является скрытым эффектом, оцениваемым с помощью такого инструмента обследования, как 3MSE, но у некоторых людей снижение когнитивных функций может зависеть от использования болеутоляющих средств. Их болеутоляющие средства могли быть следствием травмирования себя из-за снижения когнитивных способностей (например, падения). Итак, при анализе поперечного сечения вы увидите график, который имеет круглую форму. Аналитики SEM любят решать подобные проблемы. Я держусь подальше.
В мире байесовской сети у вас есть очень общие методы оценки условной независимости / зависимости узлов. Можно использовать полностью параметрический подход с любым количеством распределений или перейти к байесовским непараметрическим подходам, о которых я слышал. SEM, оцененная с использованием ML, (обычно) считается нормальной, что означает, что условная независимость эквивалентна нулевой ковариации для 2 узлов в графе. Я лично считаю, что это довольно сильное предположение, и оно будет иметь очень мало устойчивости к неправильной спецификации модели.