[論文レビュー] Valid population inference for information-based imaging: Information prevalence inference

Carsten Allefeld, Kai Görgen+1 more|arXiv (Cornell University)|Sep 16, 2016

Statistical Methods and Inference被引用数 3

ひとこと要約

本稿は、情報ベース神経画像法における集団推論の有効な手法として「情報優位性推定」を提案し、平均に基づくt検定の代わりに、被験者間での情報効果の優位性を標的にするパーミュテーションベースのアプローチを採用する。従来の分類精度に対するt検定が、確率以下に上限があることから一般化可能な集団推論を支持しないこと、代わりに効果が十分な割合の被験者に存在するかを検証すべきであることを示している。

ABSTRACT

In multivariate pattern analysis of neuroimaging data, 'second-level' inference is often performed by entering classification accuracies into a t-test vs chance level across subjects. We argue that while the random effects analysis implemented by the t-test does provide population inference if applied to activation differences, it fails to do so in the case of classification accuracy or other 'information-like' measures, because the true value of such measures can never be below chance level. This constraint changes the meaning of the population-level null hypothesis being tested, which becomes equivalent to the global null hypothesis that there is no effect in any subject in the population. Consequently, rejecting it only allows to infer that there are some subjects in which there is an information effect, but not that it generalizes. This statement is supported by theoretical arguments as well as simulations. We review possible alternative approaches to population inference for information-based imaging, converging on the idea that it should not target the mean, but the prevalence of the effect in the population. One method to do so, 'permutation-based information prevalence inference using the minimum statistic', is described in detail and applied to empirical data.

研究の動機と目的

• 分類精度が確率以下に上限を持つ情報ベース画像法における、ランダム効果t検定を用いた集団推論の根本的欠陥を特定すること。
• このようなt検定における標準的帰無仮説が、意味のある一般化可能な集団レベルの検定ではなく、グローバル帰無仮説に等しいことを示すこと。
• 集団推論は平均精度ではなく、被験者間での効果の優位性に焦点を当てるべきであることを主張すること。
• 最小統計量を用いたパーミュテーションベースの情報優位性推定という、この文脈における有効な集団推論のための新手法を開発・検証すること。
• 提案手法の実証的妥当性を、実際の神経画像データを用いて検証すること。

提案手法

• 被験者間での有意な効果の優位性を検証する方法に、分類精度の平均を検証するのではなく、シフトすること。
• 被験者間の最小統計量を用いるパーミュテーションベースの統計的検定を導入し、効果が十分な割合の集団に存在するかを評価する。
• グローバル帰無仮説の下で被験者レベルの統計量をパーミュテーションし、依存構造を保持しながらグループ所属をランダム化する。
• 閾値処理手順を用いて、個々の被験者の分類精度に基づき「有意」とされる被験者を定義し、その数が確率的に期待される数を超えるかを検証する。
• 非パラメトリックアプローチを用いて、パーミュテーション下での最小統計量の帰無分布を推定し、パラメトリック仮定なしに有効な推論を可能にする。
• 実際のfMRIデータにこの手法を適用し、この文脈における有効性と検出力の両方を示す。

実験結果

リサーチクエスチョン

• RQ1 なぜ分類精度に対する標準的t検定は、情報ベース画像法における有効な集団推論を提供しないのか？
• RQ2 分類精度に対するt検定が検証する帰無仮説の真の意味は何か？一般化可能な集団効果とはどのように異なるのか？
• RQ3 集団推論は、平均効果ではなく被験者間での情報効果の優位性を反映するようにどのように再定義できるか？
• RQ4 集団内の情報効果の優位性を検証するための有効な非パラメトリック統計的手法は何か？
• RQ5 提案されたパーミュテーションベースの情報優位性推定手法は、適切な第一種過誤制御のもとで、実際の神経画像データにおいて真の効果を検出できるか？

主な発見

• 標準的t検定は、分類精度の真の値が確率以下に上限を持つことから、ランダム効果モデルの仮定を破壊するため、有効な集団推論を支持しない。
• t検定が検証する帰無仮説は、集団内の被験者全員が情報効果を示さないというグローバル帰無仮説に等しく、一般化の推論は不可能である。
• 提案されたパーミュテーションベースの情報優位性推定手法は、帰無仮説下で第一種過誤率を適切に制御し、統計的検出力も維持する。
• シミュレーションにより、有意な効果が十分な割合の被験者に存在する場合、平均精度が確率と有意に異なるとは限らないが、この手法がその効果を検出できることを確認した。
• fMRIデータへの実証的応用により、従来のt検定が失敗する状況でも、この手法が集団レベルの情報効果を同定できることを示した。
• この手法は正規性の違反に強く、分類精度の分布に関するパラメトリック仮定を必要としない。