เปรียบเทียบวิธี

	การสร้างแบบจำลองเชิงสาเหตุพลวัต	แบบจำลองสมการโครงสร้าง
สาขาวิชา	การถ่ายภาพประสาท	สถิติการวิจัย
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	2003	1921
ผู้ริเริ่ม	Karl J. Friston	Sewall Wright
ประเภท	Causal modeling pipeline for neuroimaging	Method
แหล่งต้นตำรับ	Friston, K. J., Harrison, L., & Penny, W. (2003). Dynamic causal modelling. NeuroImage, 19(4), 1273–1302.	Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.
ชื่อเรียกอื่น	DCM, Dynamic Causal Model	SEM, path analysis, latent variable modeling, causal modeling
ที่เกี่ยวข้อง	2	3
สรุป	Dynamic Causal Modeling (DCM) is a Bayesian framework for specifying and inverting generative models of brain connectivity from neuroimaging data. Introduced by Karl Friston and colleagues in 2003, DCM treats brain regions as dynamical systems and estimates effective connectivity by fitting observed fMRI time series to a biophysically plausible model of neuronal interactions.	Structural equation modeling (SEM) is a comprehensive statistical framework combining path analysis (Sewall Wright, 1921) and confirmatory factor analysis to test complex causal models linking observed and latent variables. Formalized by Jöreskog (1973) with LISREL software, SEM enables simultaneous estimation of measurement relationships (how variables measure latent constructs) and structural relationships (how constructs influence outcomes), making it powerful for theory testing in psychology, epidemiology, organizational research, and health sciences where complex mediation, moderation, and latent processes require integrated analysis.