指数族图模型：相关重复测量与未测量混杂因素及其在 fMRI 数据中的应用
统计方法学
2020-12-10 v1
摘要
图模型已广泛用于建模脑连接网络。然而，在模型拟合时未测量混杂因素与测量间的相关性常被忽视，这可能导致虚假的科学发现。受功能磁共振成像（fMRI）研究启发，我们提出一种新方法，用于构建具有相关重复测量与潜效应的脑连接网络。在典型 fMRI 研究中，每名被试接受扫描，并在一段时间内收集 fMRI 测量值。在许多情况下，被试可能具有脑扫描期间无法测量的不同心理状态：例如，一些被试在脑扫描前半段清醒，后半段可能入睡。为建模由重复测量间相关性及不同心理状态引起的潜效应，我们假设每名独立被试内的相关重复测量服从一阶向量自回归模型，且未测量混杂因素引起的潜效应为分段常数。所提方法归结为一个凸优化问题，我们使用块坐标下降算法求解。我们建立了参数估计的理论保证。通过大量数值实验，我们证明该方法比现有方法更准确地估计了含相关重复测量的潜变量图模型。
引用
@article{arxiv.2012.05158,
title = {Exponential Family Graphical Models: Correlated Replicates and Unmeasured Confounders, with Applications to fMRI Data},
author = {Yanxin Jin and Yang Ning and Kean Ming Tan},
journal= {arXiv preprint arXiv:2012.05158},
year = {2020}
}
备注
R package latentgraph for fitting the model can be found at CRAN