大型相关多变量数据集的高效统计分析: 以脑连接矩阵为例
统计方法学
2010-08-13 v1 统计理论
神经元与认知
统计理论
摘要
在神经影像学中,常规需要进行大量相关检验来检测单被试实验中的活跃体素,或检测不同组别个体之间存在差异的区域。为了控制成对差异的假发现概率,必须进行Bonferroni或其他多重比较校正。这些校正大大降低了比较的统计功效,这意味着微弱的信号(差异)仍然隐藏,因此其成功程度取决于具体应用。我们引入了一种方法,通过利用我们对问题的先验理解,以有序的方式减少相关统计检验的数量,从而提高一族相关统计检验的功效。检验按尊重数据结构的块进行分组,每组只进行一个或少数几个检验。对于每个块,我们构建一个适当的汇总统计量,以表征该块的一个有意义的特征。比较基于这些汇总统计量,采用逐块方法进行。我们将此方法与基于单个度量的方法在功效方面进行了对比。最后,我们将该方法应用于比较脑连接矩阵。尽管本研究将该方法应用于影像这一特定案例,但所提出的策略可广泛应用于涉及多重比较的问题,只要这些检验能够根据特定问题的属性进行分组。关键词: 多重比较; 族系错误率; 假发现率; Bonferroni过程; 人脑连接; 脑连接矩阵。
引用
@article{arxiv.1008.1909,
title = {Efficient statistical analysis of large correlated multivariate datasets: a case study on brain connectivity matrices},
author = {Djalel Eddine Meskaldji and Leila Cammoun and Patric Hagmann and Reto Meuli and Jean Philippe Thiran and Stephan Morgenthaler},
journal= {arXiv preprint arXiv:1008.1909},
year = {2010}
}