[论文解读] In reply to Faes et al. and Barnett et al. regarding "A study of problems encountered in Granger causality analysis from a neuroscience perspective"

Patrick A. Stokes, Patrick L. Purdon|arXiv (Cornell University)|Sep 29, 2017

Functional Brain Connectivity Studies被引用 5

一句话总结

本文回应了对神经科学中格兰杰-盖韦克（Granger-Geweke, GG）因果关系先前研究的批评，强调分别拟合模型会引入偏差和方差，尤其是在频域中。本文主张采用单模型、状态空间方法以消除这些问题，并强调因果关系并非数据固有的属性，而是取决于模型设定与动态特性，呼吁研究人员优先考虑模型透明度与科学相关性，而非默认的实现方式。

ABSTRACT

This reply is in response to commentaries by Barnett, Barrett, and Seth (arXiv:1708.08001) and Faes, Stramaglia, and Marinazzo (arXiv:1708.06990) on our paper entitled "A study of problems encountered in Granger causality analysis from a neuroscience perspective." (PNAS 114(34):7063-7072. 2017). In our paper, we analyzed several properties of Granger-Geweke causality (GGC) and discussed potential problems in neuroscience applications. We demonstrated: (i) that GGC, estimated using separate model fits, is either severely biased, particularly when the true model is known, or a high variance is introduced to overcome the bias; and (ii) that GGC does not reflect some component dynamics of the system. The commentaries by both Faes et al. and Barnett et al. point out that the computational problems of (i) are resolved by using recent computational methods. We acknowledge that these problems are indeed resolved by these methods. However, the traditional computation using separate model fits continues to be presented and applied. More fundamentally, the interpretational problems stemming from (ii) are not in anyway addressed by the improved methods because they are inherent to the definition of GGC. These properties are indeed acknowledged by both commentaries. We have no misconception of the GGC measure and do not claim that these properties are facially wrong. But we do discuss at length how these properties make it inappropriate and misleading for common types of scientific questions, how presentation of GGC results without model estimates are not decipherable, and how the absence of clear statements of questions of interest present further opportunities for misinterpretation.

研究动机与目标

• 澄清传统、分别拟合模型方法在格兰杰-盖韦克（GG）因果关系中的统计局限性，特别是频域估计中的偏差与方差问题。
• 证明通过统一的单模型状态空间框架可解决这些问题，如Barnett、Seth与Solo先前的工作所示。
• 强调模型动态与结构在解释GG因果关系中的关键作用，主张因果关系并非独立结果，而是建模选择的产物。
• 警告不要将“定向信息流”等同于生理因果关系，尤其是在振荡性神经系统的背景下，其动态特性对理解至关重要。
• 提倡在神经科学中采用协作性、以模型为中心的方法，使因果关系分析建立在科学上有意义的动态特性之上，而非默认的计算流程。

提出的方法

• 采用状态空间建模框架，通过一次统一拟合估计GG因果关系，避免分别拟合模型带来的偏差与方差。
• 在状态空间框架内使用谱分解方法计算频域GG因果关系，确保一致性和统计稳健性。
• 通过模拟研究比较分别模型与单模型方法的性能，量化因果关系估计中的偏差与方差。
• 通过要求公开估计的模型及其动态组件，强调模型透明度，而不仅限于因果关系数值。
• 将因果关系重新定义为对所选模型及其动态特性的陈述，而非数据的固有属性。
• 倡导神经科学家与定量研究人员密切合作，使模型结构与科学问题相匹配。

实验结果

研究问题

• RQ1 格兰杰-盖韦克因果关系的分别模型拟合在频域中如何引入偏差与方差？
• RQ2 单模型、状态空间方法在多大程度上可消除GG因果关系估计中的这些统计问题？
• RQ3 GG因果关系的接收器独立性特性为何在振荡性神经系统的因果关系解释中存在问题？
• RQ4 为何在GG因果关系模型中省略动态组件会阻碍对神经科学中定向影响的解释？
• RQ5 模型结构的选择在多大程度上从根本上改变了因果关系的解释？为何这一点常被忽视？

主要发现

• 对GG因果关系分别拟合模型会导致显著的偏差与方差，尤其在频域估计中，从而损害结果的可靠性。
• 单模型、状态空间方法——此前由Barnett、Seth与Solo提出——能有效解决这些统计问题。
• MVGC工具箱已实现单模型方法，尽管其采用不同的谱分解方法，与作者早期主张相反。
• GG因果关系并非生理机制的直接反映，而是完全取决于指定的模型及其动态特性。
• 大多数GG因果关系研究中缺乏模型动态，导致解释不充分，限制了科学洞察力。
• 作者结论认为，因果关系并非独立结果，而是建模选择的产物，因此必须更加关注模型透明度与科学相关性。