[论文解读] 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 8

一句话总结

本文提出一种框架，将点过程理论中的拟合优度检验应用于神经动作电位列的广义线性模型（GLMs），即使在离散化违反时间重标定定理假设的情况下也适用。通过从离散数据构建替代点过程，并引入删失与补全程序，作者表明这些新检验方法在检测模型偏差方面比传统重标定方法具有更高的灵敏度，尤其适用于高发放率或粗粒度分箱的数据。

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.

研究动机与目标

• 解决由于高发放率或粗粒度分箱导致时间重标定定理在离散时间神经模型中失效的问题。
• 为在离散化GLM（泊松与伯努利-GLM）中应用点过程拟合优度检验，开发一种可靠的方法。
• 提出两种基于点过程操作的新拟合优度程序——删失与补全。
• 证明这些新检验方法在检测模型误设方面比时间重标定更灵敏，尤其适用于微小偏差。

提出的方法

• 从离散时间观测数据（如动作电位计数或二值事件）构建替代点过程，以恢复时间重标定所需的条件。
• 将时间重标定定理应用于替代过程，确保即使原始离散模型违反低发放概率假设，也能进行有效的统计推断。
• 引入基于删失的检验：使用发放时刻的条件强度随机删减观测到的动作电位列，以生成一个齐次泊松过程。
• 开发基于补全的检验：通过互补过程 $ C - \lambda(t) $ 将强度函数填充至一个常数上界，形成一个齐次泊松过程。
• 利用强度函数的阈值区域，以克服删失程序中下界过低的问题。
• 将三种检验方法——在替代过程上的时间重标定、删失与补全——应用于多种神经模型（如非时齐泊松过程、脉冲响应模型）以评估模型适配性。

实验结果

研究问题

• RQ1 当时间重标定定理的假设被违反时，能否可靠地将点过程理论中的拟合优度检验应用于离散化GLM？
• RQ2 如何从离散时间神经数据构建替代点过程，以实现有效的统计检验？
• RQ3 删失与补全过程是否在检测神经动作电位列模型中的模型误设方面，相比时间重标定具有更高的灵敏度？
• RQ4 三种检验方法——时间重标定、删失与补全——在检测真实强度函数的微小偏差方面表现如何比较？

主要发现

• 在替代点过程上应用时间重标定检验，显著优于对离散数据进行的朴素时间重标定，尤其当每箱的发放概率不低时。
• 删失与补全检验可检测出仅为时间重标定方法可检测偏差一半大小的模型偏差，表现出更高的灵敏度。
• 对于非时齐泊松过程与脉冲响应模型，删失与补全检验在检验效能上优于时间重标定，尤其在中等抖动强度下。
• 当删失检验应用于强度超过阈值的区域时最为有效，从而克服了下界过低的不切实际问题。
• 补全检验对强度函数的整体形状敏感，而与发放位置无关，使其成为对重标定与删失检验的有益补充。
• 时间重标定在更新过程上仍略占优势，这与预期一致，因其对峰间间隔分布的敏感性更高。