用于动态有效连接的贝叶斯时变张量向量自回归模型
统计方法学
2024-05-30 v2 应用统计
摘要
在当代神经科学中，动态有效连接是一个关键兴趣领域，其对于理解不同脑区间的动态交互与因果关系至关重要。动态有效连接可揭示诸如阅读障碍等神经疾病中脑网络交互如何改变。时变向量自回归（TV-VAR）模型已被用于对此进行推断。然而，其巨大的计算需求带来了挑战，因为待估计参数数量随时间序列数量呈二次增长。本文中，我们提出一种计算高效的贝叶斯时变 VAR 方法。为处理高维时间序列，所提框架对不同滞后下的 VAR 系数矩阵采用张量分解。动态变化的连接模式通过假设任意时刻张量分解中仅一个分量子集处于活跃而被捕捉。潜在二元时间序列通过一种创新且简洁的时域 Ising 模型在每个时刻选择活跃分量。此外，我们提出稀疏性诱导先验以实现 VAR 系数的全局-局部收缩，自动确定张量分解的秩并引导自回归滞后的选择。我们通过模拟研究及一项涉及读书实验的真实 fMRI 研究数据展示了模型公式的性能。
引用
@article{arxiv.2106.14083,
title = {Bayesian Time-Varying Tensor Vector Autoregressive Models for Dynamic Effective Connectivity},
author = {Wei Zhang and Ivor Cribben and sonia Petrone and Michele Guindani},
journal= {arXiv preprint arXiv:2106.14083},
year = {2024}
}