使用基于集群的顺序测试来估计MEG/EEG发病:它有多严重?
1School of Psychology and Neuroscience, College of Medical, Veterinary and Life, Sciences, University of Glasgow, Glasgow, UK.
The European journal of neuroscience
|December 1, 2024
概括
在脑电图 (EEG) 中,基于集群的统计方法可能会高估效应的开始. 新的模拟显示了改进的偏差减小策略和分层启动置信区间,可以更准确地定位大脑活动.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 生物统计学 生物统计学
背景情况:
- 磁性脑电图 (EEG) 研究的目的是定位神经效应在空间和时间.
- 基于集群的统计方法很受欢迎,用于纠正EEG数据中的多重比较,但在精确的时间定位方面存在局限性.
研究的目的:
- 为了比较集群总和推理的性能与用于定位EEG数据效应的其他统计方法.
- 评估减少发病预估偏差和变异性的策略.
- 引入一种新的方法,用于生成可靠的效果开始的置信区间.
主要方法:
- 一个模拟研究,比较集群和推理与错误发现率和家族错误率控制方法.
- 实施减少偏差策略:组校准,组比较和二进制细分.
- 创建起始层次式启动链的置信区间.
主要成果:
- 集群总和方法复制了先前报告的在发病估计中的积极偏差.
- 尽管有偏差,集群总和在偏差和可变性方面相比点向p值方法的表现相对较好.
- 在发病检测模拟中,二进制细分优于质量不变方法.
- 层次化的启动信任区间有效地整合了试验和参与者变化.
结论:
- 在EEG分析中的标准集群和方法可能会导致偏差的发病估计.
- 建议的策略,特别是二进制细分和等级引导置信区间,为定位神经效应提供了更高的准确性和可靠性.
- 这些进展对于精确解释EEG研究中的时间动态至关重要.
