基于半参数自助联合检验程序的稳健空间范围推断
统计方法学
2018-08-23 v1
摘要
空间范围推断（SEI）广泛应用于各类神经成像模态，以研究脑-表型关联，从而增进我们对疾病的理解。近期研究表明，基于高斯随机场（GRF）的工具可能出现膨胀的族wise错误率（FWER）。这引发了热烈讨论：在使用基于GRF的SEI控制FWER时，哪些预处理步骤是必要的。GRF方法的失效源于对成像数据协方差函数不切实际的假设。置换程序是最稳健的SEI工具，因为它从成像数据估计协方差函数。然而，置换程序可能失效，因为其交换性假设在许多成像模态中被违反。在此，我们提出（半）参数自助联合（PBJ; sPBJ）检验程序，专为多层成像数据的SEI设计。sPBJ程序使用协方差函数的稳健估计，即便协方差模型设定错误，也能产生标准误的一致估计。我们运用所提方法在一项工作态fMRI研究中探讨表现与执行功能之间的关联。sPBJ程序对方差误设稳健，并在小样本中维持名义FWER，这与GRF方法形成对比。sPBJ的功效也等于或优于PBJ与置换程序。我们提供了R包 https://github.com/simonvandekar/pbj 以使用PBJ和sPBJ程序执行推断。
引用
@article{arxiv.1808.07449,
title = {Robust Spatial Extent Inference with a Semiparametric Bootstrap Joint Testing Procedure},
author = {Simon N. Vandekar and Theodore D. Satterthwaite and Cedric H. Xia and Kosha Ruparel and Ruben C. Gur and Raquel E. Gur and Russell T. Shinohara},
journal= {arXiv preprint arXiv:1808.07449},
year = {2018}
}