多时间序列的 Granger 中介分析及其在 fMRI 中的应用

对来自复杂实验研究的数据进行中介分析正变得日益普遍。在本文中，我们提出了 Granger 中介分析（GMA），一种用于多时间序列因果中介分析的新框架。该框架的动机来自于一项功能磁共振成像（fMRI）实验，我们感兴趣的是估计随机刺激时间序列与来自两个脑区的脑活动时间序列之间的中介效应。因此，因果中介分析中的稳定单位处理假设对于这类时间序列数据是不现实的。为了应对这一挑战，我们的框架整合了两类模型：跨变量的因果中介分析与跨时间观测的向量自回归模型。我们进一步扩展该框架以处理多层数据，从而解决个体变异性以及中介变量与结果变量之间的误差相关性问题。这些模型不仅为时间序列数据提供了有效的因果中介分析，还对跨时间的因果动力学进行了建模。我们证明了我们模型中的建模参数是可识别的，并开发了计算上高效的方法来最大化基于似然的优化准则。模拟研究表明，与现有方法相比，我们的方法减少了估计偏差并提高了统计功效。在真实的 fMRI 数据集上，我们的方法不仅推断出了脑通路的因果效应，还准确捕捉到了结果区域对中介区域的反馈效应。