Neuronale Netze gegen Strukturgleichungsmodellierung Was ist der Unterschied?

Ich studiere zum ersten Mal über künstliche neuronale Netze (ANN) und bin beeindruckt, wie ähnlich die Konzepte neuronaler Netze der Modellierung von Strukturgleichungen (SEM) zu sein scheinen. Zum Beispiel,

• Eingabeknoten in ANN erinnern mich an Manifestvariablen in SEM
• Versteckte Knoten in ANN erinnern an latente Variablen in SEM
• Jedes Feature in ANN erhält einen Eingabeknoten, da jede beobachtete Variable eine Manifestvariable in SEM erhält
• ANN kann mehrere Ausgabeknoten haben, genauso wie SEM mehrere endgültige abhängige Variablen haben kann
• Beide können erklärenden und prädiktiven Zwecken dienen (glaube ich).

Erklären Sie mir bitte die Unterschiede zwischen diesen beiden Formen der statistischen Analyse

Kurze Antwort: Bei SEM besteht das Ziel im Allgemeinen darin, die Beziehungen zwischen den Variablen zu verstehen. Mit der Art der ANNs, die Sie untersucht haben, sind die Knoten eine Möglichkeit, die Daten zu transformieren, damit die Prädiktorvariablen die Ergebnisse besser erklären können. Letztendlich ist die Ähnlichkeit ziemlich oberflächlich: Während die Diagramme ähnlich aussehen, werden Sie Schwierigkeiten haben, gute Vorhersagen von einem SEM zu erhalten, und Sie werden auch Schwierigkeiten haben, die Beziehungen zwischen Variablen in einem ANN zu interpretieren.

Pedantische Antwort: Es gibt viele verschiedene Arten von SEMs und ANNs. Viele sehen nicht so ähnlich aus. Zum Beispiel sieht ein Kohonen-Netzwerk wenig wie ein SEM aus und eignet sich nicht gut für Vorhersagen. Wenn SEM zur Behandlung der Endogenität verwendet wird, kann es gut für die Vorhersage sein, aber solche SEMs werden normalerweise nicht als hübsche Netzwerkdiagramme gezeichnet.