神经科学中 Granger 因果分析的已解决问题与剩余挑战：对 Stokes 和 Purdon (2017) 的回应
统计方法学
2018-02-07 v2
摘要
Granger-Geweke 因果关系 (GGC) 是神经科学中用于识别有向功能（“因果”）连接的一种强大且流行的方法。在最近的一篇论文中，Stokes 和 Purdon [1] 对其使用提出了几点担忧。他们提出了两个主要主张：（1）GGC 估计可能有严重偏差或高方差，以及（2）GGC 未能揭示系统的完整结构/因果机制。然而，这些主张分别建立在对文献的不完整评估以及对 GGC 所测内容的误解之上。在此我们解释了现有方法（例如在我们流行的 MVGC 软件 [2,3] 中实现的方法）如何解决第一个问题，并讨论了 Stokes 和 Purdon 第二个主张所基于的功能性与有效神经连接之间常被误解的区别。[1] Patrick A. Stokes 和 Patrick. L. Purdon (2017), 从神经科学视角看 Granger 因果分析中遇到问题的研究, Proc. Natl. Acad. Sci. USA 114(34):7063-7072. [2] Lionel Barnett 和 Anil K. Seth (2012), MVGC 多元 Granger 因果 Matlab 工具箱, http://users.sussex.ac.uk/~lionelb/MVGC/ [3] Lionel Barnett 和 Anil K. Seth (2014), MVGC 多元 Granger 因果工具箱：Granger 因果推断的一种新方法, J. Neurosci. Methods 223:50-68
引用
@article{arxiv.1708.08001,
title = {Solved problems and remaining challenges for Granger causality analysis in neuroscience: A response to Stokes and Purdon (2017)},
author = {Lionel Barnett and Adam B. Barrett and Anil K. Seth},
journal= {arXiv preprint arXiv:1708.08001},
year = {2018}
}
备注
Submitted to NeuroImage, 5 February 2018