在fMRI分析中寻求对线性解决方案的无意偏见

科学领域:

• 神经成像是一种神经成像.
• 认知神经科学 认知神经科学
• 统计建模 统计建模

背景情况:

• 任务功能磁共振成像 (fMRI) 时间序列模型中的对线性可以减少统计功率.
• 以减少对线性为目的的后期模型修改可能会在参数估计中引入偏差.
• 这些问题在任务fMRI研究中很普遍,包括那些使用货币激励延迟 (MID) 任务的研究.

研究的目的:

• 引入一种新的方法,即基于对比的差异膨胀系数 (cVIF),用于量化对线性对任务fMRI测量的影响.
• 评估任务fMRI中常见的对线性减少策略的偏差影响.
• 提出一个"和"模型作为一种策略,以减轻偏差,同时管理对线性.

主要方法:

• 开发和应用基于对比的差异膨胀系数 (cVIF) 来评估对线性.
• 从青少年大脑认知发展 (ABCD) 研究中分析货币激励延迟 (MID) 任务数据.
• 来自"和"模型的参数估计与采用对线性减少技术的模型的参数估计的比较.

主要成果:

• cVIF提供了一个直接测量对线性对任务相关对比的影响.
• 诸如回归器遗漏,冲动响应函数和忽视响应时间变化等策略可以显著偏差对比估计.
• 拟议的"和"模型,包括包括响应时间在内的所有任务组件,在保持可接受的对线性水平的同时,证明了减少偏差.

结论:

• 任务fMRI中的对线性需要仔细考虑,因为常见的缓解策略可以引入偏差.
• cVIF是评估对线性对fMRI结果的影响的一个有价值的工具.
• "和"模型方法为在任务fMRI分析中获得较少偏差的参数估计提供了一个有希望的方法.