[论文解读] Reply to Stokes and Purdon: A study of problems encountered in Granger causality analysis from a neuroscience perspective

Lionel Barnett, Adam B. Barrett+1 more|arXiv (Cornell University)|Aug 26, 2017

Functional Brain Connectivity Studies参考文献 19被引用 7

一句话总结

本文通过反驳关于严重偏差和因果洞察力有限的指控，为神经科学中使用格兰杰-盖韦克因果关系（GGC）提供辩护。文章认为，GGC在神经系统的预测性因果关系方面提供了有效且具有统计基础的度量方法，纠正了对其局限性的误解，并重申其在分析脑网络中方向性信息流方面的实用性。

ABSTRACT

Stokes and Purdon [1] raise several concerns about the use of Granger-Geweke causality (GGC) analysis in neuroscience. They make two primary claims: (i) that GGC estimates may be severely biased or of high variance, and (ii) that GGC fails to reveal the full structural/causal mechanisms of a system. Unfortunately, these claims rest, respectively, on an incomplete evaluation of the literature and a misconception about what GGC can be said to measure. [1] Patrick A. Stokes and Patrick. L. Purdon (2017), A study of problems encountered in Granger causality analysis from a neuroscience perspective, Proc. Natl. Acad. Sci. USA, 114(34):7063-7072.

研究动机与目标

• 回应斯托克斯与普尔登针对格兰杰-盖韦克因果关系（GGC）在神经科学中可靠性与可解释性的质疑。
• 纠正GGC估计值在典型神经科学研究应用中存在严重偏差或高方差的误解。
• 阐明GGC衡量的是随机过程中的预测依赖性，而非完整的结构或机制因果关系，并为其在此特定目的下的有效性进行辩护。
• 重申GGC在分析神经时间序列数据中方向性信息流方面的实用性。

提出的方法

• 分析格兰杰-盖韦克因果关系的理论基础，以澄清其统计特性与假设。
• 将GGC的预期范围——即衡量时间序列中的预测依赖性——与要求其具备完整结构因果关系的主张进行对比。
• 回顾现有文献，证明所报告的偏差与方差问题在典型神经科学研究应用中并不具有普遍性。
• 强调GGC基于随机过程框架运行，其设计目的并非恢复未观测到的因果机制。
• 运用正式的统计推理表明，在标准条件下，GGC估计值具有的一致性，即使在有限数据下亦然。
• 主张当适当地应用时，GGC仍是识别神经数据中方向性影响的有效工具。

实验结果

研究问题

• RQ1 在神经科学中，格兰杰-盖韦克因果关系估计值是否在实践中系统性地存在偏差或过度变异？
• RQ2 格兰杰-盖韦克因果关系在多大程度上能够揭示神经系统的真正因果结构？
• RQ3 为何一些研究者声称GGC无法捕捉脑网络中的完整因果机制？
• RQ4 GGC的理论范围与神经科学研究中对其的期望相比如何？

主要发现

• 与斯托克斯和普尔登的主张相反，GGC估计值在典型神经科学研究应用中通常不存在严重偏差或高方差。
• 所报告的偏差与方差问题源于对文献的误解以及不恰当的应用情境。
• GGC并非旨在揭示未观测到的结构或机制因果关系，而是用于量化时间序列中的预测依赖性。
• 当在其适当的理论框架内应用时，GGC为神经系统中的方向性信息流提供了有效且可靠的度量。
• 认为GGC无法揭示因果机制的误解，源于对其统计公式所允许能力的过高期待。
• 当适当地使用时，GGC仍是分析脑网络中神经连接性和方向性影响的宝贵工具。