重新审视fMRI中的多受试者随机效应：倡导患病率估计
应用统计
2013-09-03 v2
摘要
随机效应分析被引入fMRI研究，以将研究组的发现推广到整个人群。推广发现显然比在研究组中检测激活更难，因为要具有显著性，激活必须大于受试者间变异性。确实，与固定效应分析相比，使用随机效应分析检测到的区域更小。经典随机效应模型背后的统计假设是，每个位置的效应在受试者间呈正态分布，而“激活”指的是非零均值效应。我们认为，与真实的群体变异性相比，该模型不切实际——由于功能可塑性和配准异常，在每个脑位置，一些受试者活跃，一些则不活跃。我们提出一个有限高斯混合随机效应模型。该模型分摊了受试者间的空间不一致性，并使用每个位置的激活“患病率”对其进行量化。该度量具有几个理想性质：(a) 它比典型的活跃/不活跃范式更具信息量。(b) 与假设检验方法（因此是t图）相反，后者对于大样本量容易被拒绝，而样本量越大，患病率统计量就越具信息量。在这项工作中，我们给出了这种患病率的正式定义和估计程序。所提出分析的最终结果是显著激活位置的患病率图，突出了许多大脑共有的激活区域。
引用
@article{arxiv.1212.3436,
title = {Revisiting Multi-Subject Random Effects in fMRI: Advocating Prevalence Estimation},
author = {Jonathan D. Rosenblatt and Matthijs Vink and Yoav Benjamini},
journal= {arXiv preprint arXiv:1212.3436},
year = {2013}
}