图模型总体的两样本推断及其在功能连接中的应用
统计方法学
2017-05-01 v1 定量方法
应用统计
摘要
高斯图模型（Gaussian Graphical Models, GGM）广泛用于基于fMRI、EEG或MEG的神经影像研究中，以估计功能连接（functional connectivity），即远端脑区之间的关系。在多被试研究中，科学家试图识别两组被试之间不同的功能脑连接，即疾病组中存在而对照组中不存在的连接，或反之。这等同于在图模型选择后进行网络边上的两样本大规模推断，我们称之为总体后选择推断（Population Post Selection Inference）的新问题。当前解决此问题的方法包括为每个被试估计一个网络，然后假设被试网络固定，对每条边进行两样本推断。然而，这些方法未能考虑与估计每个被试图相关的变异性，从而导致大量假阳性（false positives）和低统计功效（statistical power）。通过使用重采样和随机惩罚来估计后选择变异性，并结合适当的随机效应检验统计量，我们开发了一种称为 的新流程以解决这些问题。通过模拟研究，我们表明 在错误控制和统计功效方面较当前方法有很大改进。我们应用我们的方法，利用ABIDE多被试fMRI研究来识别自闭症患者中存在或缺失的功能连接。
引用
@article{arxiv.1502.03853,
title = {Two Sample Inference for Populations of Graphical Models with Applications to Functional Connectivity},
author = {Manjari Narayan and Genevera I. Allen and Steffie Tomson},
journal= {arXiv preprint arXiv:1502.03853},
year = {2017}
}