[论文解读] The lure of misleading causal statements in functional connectivity research

David Ma Mehler, Konrad P. Körding|arXiv (Cornell University)|Dec 8, 2018

Functional Brain Connectivity Studies参考文献 105被引用 29

一句话总结

本文批判了功能连接研究中因果语言的误用，指出尽管统计方法（如格兰杰因果关系和信息流）基于采样不足、低维的数据，却常被误解为揭示了大脑机制。作者证明，未观测到的共同输入会导致无限多个合理的因果模型，使相关性不足以支持机制推断，并强调诸如“因果性”和“流动”等术语误导性地暗示了机制性洞察。

ABSTRACT

As neuroscientists we want to understand how causal interactions or mechanisms within the brain give rise to perception, cognition, and behavior. It is typical to estimate interaction effects from measured activity using statistical techniques such as functional connectivity, Granger Causality, or information flow, whose outcomes are often falsely treated as revealing mechanistic insight. Since these statistical techniques fit models to low-dimensional measurements from brains, they ignore the fact that brain activity is high-dimensional. Here we focus on the obvious confound of common inputs: the countless unobserved variables likely have more influence than the few observed ones. Any given observed correlation can be explained by an infinite set of causal models that take into account the unobserved variables. Therefore, correlations within massively undersampled measurements tell us little about mechanisms. We argue that these mis-inferences of causality from correlation are augmented by an implicit redefinition of words that suggest mechanisms, such as connectivity, causality, and flow.

研究动机与目标

• 揭示尽管依赖于采样不足、低维的数据，从统计功能连接度量推断大脑机制的风险。
• 识别误导性术语（如“因果性”、“连接性”和“流动”）如何造成对机制性理解的错误印象。
• 证明未观测到的共同输入可为任意观测到的相关性生成无限多个合理的因果模型，从而破坏因果推断。
• 倡导神经影像研究中采用更高的方法论和语言严谨性，以避免将相关性误认为因果性。

提出的方法

• 作者通过理论分析表明，功能连接数据中任何观测到的相关性都可由包含未观测变量的无限多个因果模型解释。
• 他们分析了常见的统计技术——功能连接、格兰杰因果关系和信息流——强调这些方法依赖于从高维大脑活动获得的低维测量。
• 本文运用数学推理说明，未观测到的共同输入在统计上主导于观测到的相互作用，使基于观测相关性的因果推断在统计上无效。
• 它分析了神经科学文献中的语言框架，表明“因果性”和“流动”等术语暗示了机制性洞察，却缺乏实证依据。
• 作者使用模拟数据和代码，展示了在采样不足和隐藏混杂因素的现实条件下，因果推断的不稳定性与模糊性。
• 他们主张在术语和方法上进行转变，以反映当前统计工具在捕捉真实大脑机制方面的局限性。

实验结果

研究问题

• RQ1 为何研究人员常将功能连接中的统计相关性误解为因果大脑机制的证据？
• RQ2 未观测到的共同输入如何使基于低维神经影像数据的因果推断失效？
• RQ3 像“因果性”和“信息流”这类误导性术语在多大程度上扭曲了对功能连接结果的解读？
• RQ4 当考虑未观测变量时，大脑活动中的任何观测相关性是否都能由无限多个不同的因果模型解释？
• RQ5 采样不足对使用标准连接度量在神经科学中因果主张的有效性有何影响？

主要发现

• 任何观测到的功能连接数据中的相关性，都可由包含未观测共同输入的无限多个因果模型解释，使得唯一因果推断成为不可能。
• 格兰杰因果关系和信息流等统计技术从根本上受限于其对高维大脑活动的低维测量的依赖。
• 未观测变量的存在——可能比观测到的变量更具影响力——使得大多数基于功能连接研究的因果主张缺乏依据。
• 神经影像文献中使用“因果性”、“连接性”和“流动”等术语，造成了存在机制性洞察的误导印象，尽管缺乏实证支持。
• 本文的模拟数据和代码表明，此类方法的因果推断极不稳定，且对未观测混杂因素高度敏感。
• 作者得出结论：当前功能连接研究的方法和语言系统性地夸大了对机制的理解，亟需在方法和术语上进行改革。