Neuroimagingデータを使用した可変選択のブートストラップ強化ペナルティ回帰

fMRI研究における最近の進歩は、全脳の接続性を調べるための多変量法の使用を強調しています。個人差に関連する予測因子のサブセットを決定するためには、補完的なデータ駆動型の方法が必要です。この目的のために一般的に使用されていますが、通常の最小二乗（OLS）回帰は、多発性と過度の適合の問題のために理想的ではない場合があります。ペナルティされた回帰は、OLS回帰の有望で十分な活用されていない代替品です。この論文では、ニューロイメージングデータを使用した可変選択のためのノンパラメトリックブートストラップ分位（QNT）アプローチを提案します。提案された方法の利点を実証するために、実際のデータとシミュレートされたデータと注釈付きRコードを使用します。私たちの結果は、提案されているブートストラップQNTアプローチの実用的な可能性を示しています。私たちの実際のデータの例は、私たちの方法を使用して、ニューラルネットワーク接続の個人差を外部化された性格尺度に関連付ける方法を示しています。また、シミュレーションの結果は、QNTメソッドがさまざまなデータ条件の下で効果的であることを明らかにしています。ペナルティを受けた回帰は、多数の高度に相関した神経予測因子を持つ状況でのOLS回帰よりも安定した推定値とスパースモデルを生成します。我々の結果は、罰せられた回帰が、神経予測因子と臨床的に関連する特性または行動との関連を調べるための有望な方法であることを示しています。これらの発見は、多変量法が多​​数の高度に相関した脳ネットワークを生成する機能的接続性研究の成長分野に重要な意味を持っています。

Recent advances in fMRI research highlight the use of multivariate methods for examining whole-brain connectivity. Complementary data-driven methods are needed for determining the subset of predictors related to individual differences. Although commonly used for this purpose, ordinary least squares (OLS) regression may not be ideal due to multi-collinearity and over-fitting issues. Penalized regression is a promising and underutilized alternative to OLS regression. In this paper, we propose a nonparametric bootstrap quantile (QNT) approach for variable selection with neuroimaging data. We use real and simulated data, as well as annotated R code, to demonstrate the benefits of our proposed method. Our results illustrate the practical potential of our proposed bootstrap QNT approach. Our real data example demonstrates how our method can be used to relate individual differences in neural network connectivity with an externalizing personality measure. Also, our simulation results reveal that the QNT method is effective under a variety of data conditions. Penalized regression yields more stable estimates and sparser models than OLS regression in situations with large numbers of highly correlated neural predictors. Our results demonstrate that penalized regression is a promising method for examining associations between neural predictors and clinically relevant traits or behaviors. These findings have important implications for the growing field of functional connectivity research, where multivariate methods produce numerous, highly correlated brain networks.