スパイクカウントデータの柔軟なモデルは、過剰分散と過小分散を伴う

システム神経科学の重要な観察結果は、刺激が一定に保たれている制御された設定であっても、神経反応が異なることです。多くの統計モデルは、試行間のスパイク数の変動性がポアソンであると想定していますが、刺激、注意状態、脳領域に応じて、ニューロンがポアソンよりもかなり多かれ少なかれ可変性があるというかなりの証拠があります。ここでは、スパイクカウントデータの過剰および過小評価の両方を柔軟に説明できるConway-Maxwell-Poisson（com-poisson）分布に基づいた一連のスパイクカウントモデルを調べます。チューニング曲線とペリ刺激時間ヒストグラムのベイジアン推定のためのこのノイズモデルのアプリケーションを説明します。スパイクカウントの変動性が時間または刺激の関数であるグループ/観測レベルの分散を備えたcom-poissonモデルは、ポアソンモデルや代替としてよく使用される負の双項モデルと比較して、スパイク数のより正確な説明を生成することがわかります。分散はパラメーター標準誤差の1つの決定要因であるため、Com-Poissonモデルはより正確なモデル比較をもたらす可能性があります。より一般的には、これらの方法は、神経反応の平均と変動の両方を推測するための有用なモデルベースのフレームワークを提供します。

A key observation in systems neuroscience is that neural responses vary, even in controlled settings where stimuli are held constant. Many statistical models assume that trial-to-trial spike count variability is Poisson, but there is considerable evidence that neurons can be substantially more or less variable than Poisson depending on the stimuli, attentional state, and brain area. Here we examine a set of spike count models based on the Conway-Maxwell-Poisson (COM-Poisson) distribution that can flexibly account for both over- and under-dispersion in spike count data. We illustrate applications of this noise model for Bayesian estimation of tuning curves and peri-stimulus time histograms. We find that COM-Poisson models with group/observation-level dispersion, where spike count variability is a function of time or stimulus, produce more accurate descriptions of spike counts compared to Poisson models as well as negative-binomial models often used as alternatives. Since dispersion is one determinant of parameter standard errors, COM-Poisson models are also likely to yield more accurate model comparison. More generally, these methods provide a useful, model-based framework for inferring both the mean and variability of neural responses.