Inference on Multi-level Partial Correlations Based on Multi-subject Time Series Data
基于多受试者时间序列的多层偏相关推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以多受试者时间序列为数据对象，并针对时间依赖构造推断程序，因此归入时间序列方法，应用背景为脑影像。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于多受试者时间序列的多层偏相关推断
- 研究问题
- 如何利用多受试者且存在时间依赖的数据，同时研究个体层面和总体层面的偏相关，并识别各层面非零的条件关联？
- 方法与思路
- 作者提出偏相关的层次模型，构造适应时间依赖并控制错误发现比例的多重检验程序，同时开发计算上可行的算法。
- 材料陈述的贡献
- 摘要称理论与模拟支持所提程序的良好性质，并以健康受试者及帕金森病患者的功能磁共振数据展示脑连接分析应用。
- 阅读关注点
- 应核对个体与总体偏相关的定义、时间依赖条件、错误发现比例控制的具体保证，以及层次模型与实际数据的匹配程度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明总体层面的汇总定义、检验条件及具体效果，偏相关也不能直接解释为因果关系。
原文摘要
Partial correlations are commonly used to analyze the conditional dependence among variables. In this work, we propose a hierarchical model to study both the subject- and population-level partial correlations based on multi-subject time-series data. Multiple testing procedures adaptive to temporally dependent data with false discovery proportion control are proposed to identify the nonzero partial correlations in both the subject and population levels. A computationally feasible algorithm is developed. Theoretical results and simulation studies demonstrate the good properties of the proposed procedures. We illustrate the application of the proposed methods in a real example of brain connectivity on fMRI data from normal healthy persons and patients with Parkinson’s disease. Supplementary materials for this article are available online.