[論文レビュー] Rescaling, thinning or complementing? On goodness-of-fit procedures for point process models and Generalized Linear Models

Felipe Gerhard, Wulfram Gerstner|arXiv (Cornell University)|Nov 18, 2010

Neural dynamics and brain function参考文献 25被引用数 8

ひとこと要約

本稿では、時間スケーリング定理の仮定を満たさない離散化されたデータに対しても、神経スパイクトレインの一般化線形モデル（GLMs）に点過程理論からの適合度検定を適用するフレームワークを提案する。離散データから補助的点過程を構築し、削減（thinning）および補完（complementing）手順を導入することで、著者らは従来のスケーリング手法よりも高い感度でモデルのずれを検出できることを示した。特に高発火率または粗いボーリングデータにおいて顕著である。

ABSTRACT

Generalized Linear Models (GLMs) are an increasingly popular framework for modeling neural spike trains. They have been linked to the theory of stochastic point processes and researchers have used this relation to assess goodness-of-fit using methods from point-process theory, e.g. the time-rescaling theorem. However, high neural firing rates or coarse discretization lead to a breakdown of the assumptions necessary for this connection. Here, we show how goodness-of-fit tests from point-process theory can still be applied to GLMs by constructing equivalent surrogate point processes out of time-series observations. Furthermore, two additional tests based on thinning and complementing point processes are introduced. They augment the instruments available for checking model adequacy of point processes as well as discretized models.

研究の動機と目的

• 高発火率や粗いボーリングによる時間スケーリング定理の破綻を解消すること。
• 離散化されたGLM（ポアソンおよびベルヌーイ-GLM）に点過程の適合度検定を信頼性高く適用する手法を開発すること。
• 点過程の操作に基づく2つの新しい適合度手順（削減および補完）を導入すること。
• これらの新しい検定が、特に小さなずれを検出する際、時間スケーリング法よりも感度が優れていることを示すこと。

提案手法

• スパイクカウントやバイナリイベントなどの離散時間観測値から補助的点過程を構築し、時間スケーリングに必要な条件を回復する。
• 補助的点過程に時間スケーリング定理を適用することで、元の離散モデルが低発火確率仮定を満たさない場合でも、有効な統計的推論が可能になる。
• 削減に基づく検定を導入：スパイク発生時における条件付き強度を用いて、観測スパイクトレインをランダムに削減し、均一ポアソン過程を生成する。
• 補完に基づく検定を構築：強度関数を定数上界 C まで補完する過程 $ C - \lambda(t) $ を用い、均一ポアソン過程を形成する。
• 削減手順における下限の低さの問題を克服するために、強度関数のしきい値領域を用いる。
• 時間スケーリング、削減、補完の3つの検定をすべて適用し、さまざまな神経モデル（例：非定常ポアソン過程、スパイク応答モデル）におけるモデル適正性を評価する。

実験結果

リサーチクエスチョン

• RQ1 時間スケーリング定理の仮定が満たされない離散時間神経モデルに、点過程理論からの適合度検定を信頼性高く適用できるか？
• RQ2 離散時間神経データから、有効な統計的検定を可能にする補助的点過程をどのように構築できるか？
• RQ3 削減および補完手順は、神経スパイクトレインモデルにおけるモデル不適合を検出する際、時間スケーリング法よりも感度が向上するか？
• RQ4 時間スケーリング、削減、補完の3つの検定は、真の強度関数からの小さなずれを検出する際に、どのように比較されるか？

主な発見

• 補助的点過程に適用した時間スケーリング検定は、離散データに直接適用する素朴な時間スケーリング法よりも顕著に優れている。特に1ボックスあたりの発火確率が低くない場合に顕著である。
• 削減および補完検定は、時間スケーリング法が検出可能なずれの半分の大きさのずれを検出でき、感度が優れていることを示した。
• 非定常ポアソン過程およびスパイク応答モデルにおいて、削減および補完検定は時間スケーリング法を上回る検出力を持つ。特に中程度のジャッター強度において顕著である。
• 削減検定は、強度がしきい値を超える領域に適用した場合に最も効果的であり、下限が不切切に低い問題を克服できる。
• 補完法は、スパイクの位置に依存せず、強度関数の全体の形状に敏感であるため、スケーリング法および削減法と相補的である。
• 時間スケーリング法は、再生過程ではわずかに優れており、これはそのインタースパイクインターバル分布への感受性から予想される。