基于最小描述长度原则的格兰杰因果分析统一模型选择方法
统计方法学
2020-04-28 v2
摘要
格兰杰因果分析(GCA)为利用神经影像技术揭示脑连接机制模式提供了有力工具。传统GCA在两阶段方案中应用两种不同的数学理论:(1)贝叶斯信息准则(BIC)或赤池信息准则(AIC)用于与内源和外源信息相关的回归模型阶数;(2)F统计量用于确定外生变量的因果效应。虽然指定内源和外源效应本质上是相同的模型选择问题,但这可能在两个阶段产生不同的基准,从而降低GCA的性能。在此过程中,我们提出了一种基于最小描述长度(MDL)原则、在一般回归模型范式下的GCA统一模型选择方法。与常规方法相比,我们的方法强调应在整个GCA过程中坚持单一数学理论。在此框架下,模型空间内的所有候选模型都可以在码长的背景下自由比较,而无需中间模型。我们在3节点网络和5节点网络合成实验中展示了其相对于传统两阶段GCA方法的优势。该统一模型选择方法能够识别实际连接性,同时避免噪声的虚假影响。更重要的是,所提方法在一项因果研究的挑战性fMRI数据集(分别为视觉和听觉刺激下的心算网络)中获得了更一致的结果。所提方法有潜力容纳其他函数空间中的其他格兰杰因果表示。不同函数空间中不同GC表示之间的比较也可在该框架中自然处理。
引用
@article{arxiv.1910.11537,
title = {Unified model selection approach based on minimum description length principle in Granger causality analysis},
author = {Fei Li and Xuewei Wang and Qiang Lin and Zhenghui Hu},
journal= {arXiv preprint arXiv:1910.11537},
year = {2020}
}