A variance components model for statistical inference on functional connectivity networks

A variance components model for statistical inference on functional connectivity networks
用于FC网络统计推断的方差成分模型

2017年 Mark Fiecas 提出了一个方差成分模型，以便对FC网络进行统计推断。fmri时间序列数据存在着固定的时间自相关和不同被试的异质性。这个模型以非参数和特定主体的方式估计自相关结构，并使用最小二乘法估计异质性引起的方差。
时间自相关：temporal autocorrelation inherent.
不同被试的异质性：heterogeneity across subjects in the study.

其他一般的统计模型不会考虑时间自相关性和被试异质性，所以这是本次模型的优势。
既往统计推断的模型方法大体分为两种：
（1）第一种是基于复杂网络分析的图论方法。这种方法用图的边来代表signal。
具体而言，把单个被试的signal correlation计算后，经fisher z转化，然后使用两样本t检验，再加上多重校正，来检验患者和对照组之间的FC假设。
（2）第二种是图的汇总统计（graph summary statistics）。
具体而言，这种方法不是单纯的以边的变化来统计推断了。它是估计图的汇总统计，例如小世界属性、模块化、富人俱乐部等，然后来综合进行统计推断，检验患者和对照组在图汇总统计上的差异。
（3）其他方法概述
其他的统计方法，例如指数随机图模型框架（exponential random graph modeling, ERGM）等等。

以上这些标准方法有一些问题。首先，这些方法隐含的假设了bold signal在时间上是不相关的，但其实这和现实相违背。其次就是，这些方法没有考虑到受试者之间的异质性。这些都会导致虚假的统计推断结果。并且，这些方法缺少了对FC网络的平等性进行评价。虽然也有用Hotelling $T^2$检验，来进行网络整体的平等性检验，但是在受试者数量少的时候，这种检验的功效非常低，或者说不能被计算出来。
基于此，作者提出了方差成分框架模型，variance components framework，用于建模和进行FC网络的统计推断，并纳入每个受试者ROI时间序列中固有的自相关性和受试者之间的被试异质性。

方差成分模型介绍 introduction of the variance components model

假设我们有一个p长度的时间序列，横跨N个被试。在不丧失一般性的情况下（without loss of generality），假设所有被试的边缘的时间序列都被减少了（the marginal time series across all subjects have been detrended）。为了估计FC强度，我们计算了所有被试每个ROI边缘时间序列的样本相关性，这样的话，每个被试就有$q=p(p-1)/2$个ROI配对，这样，FC强度就可以由N个q长度的值来评估，该值在每个被试上对比了配对样本的相关性。
具体而言：
假设$r_{ij}$代表第$j$个被试的第$i$个样本相关系数，因此得$$Y=(r_{11},r_{21}...r_{q1},r_{12},...r_{1N}...r_{qN})$$，假设$X$是$N_q\ast q$的矩阵，即N个$q\ast q$的单位矩阵。
由此，建立第一个误差项$ϵ$，这个误差项用来对**每个受试者ROI时间序列的时间自相关性的变异性和共变性（variability and covariability）**进行建模。因此$$ϵ=({ϵ}_{1j},...,{ϵ}_{qj}{)}^{{}^{\prime }}N(0,\sum j)$$.
第二个误差项$\psi$用于控制被试间的异质性。假设$$\psi N(0,{\psi }_0)$$其中${\psi }_0$是qxq的对角线单位矩阵。
将上述这些汇总起来，用一般线性模型来表示：$$Y=X\beta +ϵ+\psi$$.
这个模型主要计算3个方面：（1）每个被试内的边缘时间序列的时间自相关性（2）每个被试的被试间的不同样本相关系数（3）从潜在人群中对受试者进行抽样而导致的变异性（即被试间差异，被试异质性）。

模型的细节

假设两个误差项$ϵ$和$\psi$是相互独立的，因此其协方差为$Var(Y)=\sum +\psi$
1.作者证明出，只要数据有时间上的相关性，fisherz转换就不再是一个方差稳定变换。
模型估算细节：
1.获取${\psi }_0$的初始估计值。
2.获得残差$$R=Y-X\ast \hat{\beta }$$
3.使用残差R来更新估计值$\psi$，从而更新$\psi$
4.重复2和3步骤，直至收敛。
然后对该模型进行统计推断：
使用置换检验进行显著性校正，H0的无效假设为：两组的网络是相同的。
假设H0假设成立，那么被试的网络是可以交换的，因此：
1.将受试者在两组之间进行配对
2.使用上述2和3的步骤来估计$\psi$和$\beta$，并构建他们的方差矩阵
3.计算上述的统计量。
将上述过程重复1000次或5000次，来观察两组之间网络差异是否超过显著性阈值。
流程图如下：

模型使用介绍：
模型来源：LongiInclude.cpp
模型：
FCanalysis(datalist, N1, N2, Nperms, lag=50L, bw=5, steps_tol=1e-05, Psi0type='CS, MaxIter=20L, verbose=FALSE, SigmaType=“Unstructured”)
参数介绍：
datalist是每个受试者的TXP矩阵。P是网络中的ROIs，T是时间序列。
N1是group 1的被试
N2是group 2的被试
Nperms是置换检验运行次数
lag是计算中的最大滞后数
bw是MB窗口功能的带宽
step2_tol是迭代求解β和Psi的停止标准
Psi0type表示用于Psi0的结构，“CS”表示复合对称，
Scaled 表示缩放尺度，包括“缩放”、“零”、“非结构化”或“对角线”
MaxIter是执行Psi和beta求解的最大迭代次数
verbose是布尔值，表示是否应将置换测试状态更新打印到控制台
SigmaType是一个字符串，表示SigmaRoy方差应为“零”、“非结构化”或“对角”