STATISTIK-FORUM.de

[Marie_4]

Hi all, I'm investigating two different sets of fMRI data (the same data but with different models specified): I have 18 bregressors from physiological signal which were obtained using the RETOIRCOR algorithm. When I compare residual noise (standard deviation of residuals) in the data denoised with physiologcal regressors and (the same) data but without any physiologcal regressors and the results are highly significant - is that a true result or could it be caused by the fact that one model has a lot of regressors and the other has none and this fact alone can cause such differences?
In other words, is the fact that the model with the noise regressors has 18 more regressors than the other model (where there are 0 regressors) a problem (i.e., the reason for diffeences in std. of residuals)? Sample size and data processing are equal in both models and there are no more confounding factos in any model.

Any help is aprpeciated, thanks in advance,

Marie.

[PonderStibbons]

When I compare residual noise (standard deviation of residuals) in the data denoised with physiologcal regressors and (the same) data but without any physiologcal regressors and the results are highly significant - is that a true result

Ich verstehe die Frage nicht ganz. Der Zweck der Regression mit n=18 Prädiktoren ist, den Vorhersagefehler zu reduzieren.
Der Vorhersagefehler wurde reduziert, und dies auch noch in "statistisch signifikanter" Weise. Was bedeutet hier true/untrue?

Es wäre gut, die Stichprobengröße anzugeben, und mit welchem Verfahren der Vergleich denoised/nicht denboised durchgeführt
wurde. Ist das nicht einfach der F-Test der mutliplen Regression?

Oder verstehe ich das falsch, und es wurde (auf welche Weise?) der Vergleich zwischen den beiden Datensätzen durchgeführt, ohne
dass in der Analyse berücksichtigt wurde, dass 18 Prädiktoren beteiligt waren?

Mit freundlichen Grüßen

PonderStibbons

[Marie_4]

Hi PonderStibbons,
danke für die schnelle Antwort.

Es handelt sich um eine Stichprobe von n= 60.
In der Anaylyse haben wir einen funktionelle Datensatz zuerst mit den 18 Regressoren denoised, wodurch wir die Residuals erhalten haben (also das korrigierte Signal). Aus den korrigierten (und unkorrigierten) Daten haben wir dann jeweils STD maps berechnet und diese wurden dann mittels einem paired t-test (also denoised vs nicht-denoised) verglichen. Die Frage ist eben, ob nicht auch einfach ein Vergelich zwischen nicht-denoised und denoised mit random noise zu einem ähnlichen Ergebnis geführt hätte, oder ob man hier von einem wahren Effekt von physiology-correction sprechen kann?

Liebe Grüße
Marie

[bele]

Hallo Marie,

die Hälfte von dem geschriebenen verstehe ich nicht, die andere Hälfte versuche ich zu erklären. Du willst bei einer Regression mit 18 Regressoren mehr oder weniger wissen, ob die verbesserte Vorhersagekraft durch den Zufall erklärt werden kann, weil 18 Freiheitsgrade mehr da waren, oder die 18 Regressoren das Modell signifikant verbessert haben. Wenn das Regressionsverfahren eine muliple lineare Regression wäre, könnte man das durch eine ANOVA untersuchen, wahrscheinlicher handelt es sich um ein Black Box Regressionsverfahren.

Der p-Wert beschreibt die Wahrscheinlichkeit Deiner Daten bei geltender Nullhypothese. Du kannst die Nullhypothese in Deinem Datensatz gelten lassen, indem Du die Werte innerhalb der 18 Prädiktoren verwürfelst. Also der Wert in Zeile drei tauscht den Platz mit dem Wert in Zeile 5 und ganz viele weitere Verwürfelungen. Danach besteht dann zwischen den Werten und den anderen Werten kein systematischer Zusammenhang mehr.

Du verwürfelst also sehr oft (zehntausend Mal?) Die 18 Prädiktoren (jeweils jeden Prädiktor in sich) und berechnest von diesen zehntausend Mal jeweils wie groß die Residuen sind. Auf diese Art erhälst Du eine Verteilung der Residuen unter der Nullhypothese, dass die Prädiktoren nichts bringen. Jetzt vergleichst Du Deine Residuen mit der wahren Reihenfolge der Werte in den 18 Variablen mit der Unter-der-Nullhypothese-Verteilung und kannst daraus einen p-Wert bestimmen.

Das Prinzip nennt man einen Permutationstest oder auf Englisch zum googlen einen permutation test.

Hoffentlich habe ich die Aufgabe richtig verstanden.
LG,
Bernhard

[Marie_4]

Lieber Bernhard,

danke für die ausführliche Antwort.
Ich hoffe, ich kann es noch etwas verständlicher erklären:
Im Prinzip wird während der fMRT- Sitzung z.B. das Atemsignal mitaufgenommen. Das kann dann mit jedem einzelnen Slice, das im MRT aufgenommen wird (also das Gehirn wird permanent gescannt, aufgeteilt in viele dünne slices). synchronisiert werden und so werden die 18 Regressoren gebildet.
Diese Regressoren fügt man dann dem GLM hinzu. In meinem Fall haben wir das für einen Datensatz gemacht. Anschließend haben wir das fMRT Signal, das mit den Regressoren korrigiert wurde mit dem gleichen Signal, das eben nicht korrigiert wurde, verglichen. Dazu haben wir die Standard-Abweichung dieser korrigierten und nicht-korrigierten Maps genommen (um eben das 'resiudal noise' zu erheben) und mit einem paired t-test verglichen. Das Ergebnis ist hoch signifikant. Ich wollte nun auf diesem Weg eine Einschätzung von euch Experten, ob dieses hoch signifikante Ergebnis trivial ist und auch zustande gekommen wäre, wenn wir einfach Regressoren mit random noise anstatt echtem physiologischen Signal genommen hätten? Oder ob es tatsächlich darauf beruht, dass physiologisches Noise effectiv korrigiert wurde?

Liebe Grüße
Marie

[bele]

Hallo Marie,
meine Empfehlung bleibt: Verwürfle die 18 Regressoren und schau, wie es sich dann verhält. Das ist dann random noise, aber random noise mit dem richtigen Wertebereich, der richtigen Verteilung und Varianz etc Du kannst das Einmal machen und schauen oder sehr oft und damit testen.

LG, Bernhard