Hasta donde yo sé, las redes bayesianas no pretenden ser capaces de estimar efectos causales en grafos acíclicos no dirigidos, mientras que el SEM sí lo hace. Eso es una generalización a favor del SEM... si te lo crees.
Un ejemplo de esto podría ser la medición del deterioro cognitivo entre personas en las que la cognición es un efecto latente estimado mediante un instrumento de encuesta como el 3MSE, pero algunas personas pueden mostrar una disminución de la cognición en función del uso de analgésicos. Sus analgésicos pueden haber sido una consecuencia de haberse lesionado debido al deterioro cognitivo (caídas, por ejemplo). Y así, en un análisis transversal, veríamos un gráfico con forma circular. A los analistas SEM les gusta abordar problemas así. Yo me mantengo al margen.
En el mundo de las redes Bayes, existen métodos muy generales para evaluar la independencia/dependencia condicional de los nodos. Se puede utilizar un enfoque totalmente paramétrico con cualquier número de distribuciones, o recurrir a los enfoques bayesianos no paramétricos de los que he oído hablar. SEM estimado utilizando ML son (por lo general) supone que es normal, lo que significa que la independencia condicional es equivalente a tener covarianza cero para 2 nodos en el gráfico. Personalmente, creo que es una suposición bastante fuerte y que tendría muy poca solidez frente a una especificación errónea del modelo.