Redes neurais versus modelagem de equações estruturais Qual é a diferença?

Estou estudando sobre redes neurais artificiais (RNA) pela primeira vez e estou impressionado com a forma como os conceitos de redes neurais parecem ser semelhantes à modelagem de equações estruturais (SEM). Por exemplo,

• nós de entrada na RNA me lembram variáveis ​​manifestas no SEM
• Nós ocultos na RNA lembram variáveis ​​latentes no SEM
• Todos os recursos da RNA obtêm um nó de entrada, pois todas as variáveis ​​observadas obtêm uma variável manifesta no SEM
• A RNA pode ter vários nós de saída, assim como o SEM pode ter várias variáveis ​​dependentes finais
• Ambos podem ser usados ​​para fins explicativos e preditivos (eu acho)

Então, por favor, explique-me as diferenças entre essas duas formas de análise estatística

Resposta curta: com o SEM, o objetivo geralmente é entender os relacionamentos entre as variáveis. Com o tipo de RNAs que você estudou, os nós são uma maneira de transformar os dados para que as variáveis ​​preditoras possam explicar melhor os resultados. Por fim, a semelhança é bastante superficial: enquanto os diagramas são parecidos, você luta para obter boas previsões de um SEM e também para interpretar as relações entre as variáveis ​​em uma RNA.

Resposta pedante: existem muitos tipos diferentes de SEMs e RNAs. Muitos não parecem tão semelhantes. Por exemplo, uma rede kohonen parece um SEM e não é ótima para previsão. Quando o SEM é usado para endereçar a endogeneidade, pode ser bom para a previsão, mas esses SEMs geralmente não são desenhados como diagramas de rede bonitos.