Robust and Sparse Group Dynamic Causal Modeling via Student-t Parametric Empirical Bayes and Nonlocal Priors
结合 Student-t 经验贝叶斯与非局部先验的稳健稀疏群组动态因果建模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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要针对神经影像中的群组有效连接建模，未提供与所列经济学因果效应、网络干扰或其他领域细分的充分对应依据。
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
结合 Student-t 经验贝叶斯与非局部先验的稳健稀疏群组动态因果建模
- 研究问题
- 群组动态因果建模利用个体后验摘要时，如何降低异常估计的影响、筛选非零连接效应，并保留个体层面的估计不确定性？
- 方法与思路
- 作者结合 Student-t 似然与含 pMOM 非局部成分的尖峰厚尾先验，通过块协方差预白化传递不确定性，并用 EM–ReML 迭代估计。
- 材料陈述的贡献
- 摘要称模拟中重尾加权主要抵御污染，非局部先验主要帮助强稀疏情景；框架提供元素级稳健诊断和连接系数纳入概率。
- 阅读关注点
- 应核对个体后验到群组模型的协方差传递、先验和自由度设定、算法收敛，以及纳入概率与 fMRI 连接解释之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供算法保证或性能数值，脑连接的因果解释仍需核对模型假设。
原文摘要
Dynamic causal modeling (DCM) estimates directed effective connectivity, while parametric empirical Bayes (PEB) supports group inference using subject-specific posterior summaries. Standard PEB relies on Gaussian models and continuous shrinkage, making it sensitive to atypical estimates and unable to distinguish negligible from nonzero effects. We develop a robust and sparse group-DCM extension combining a Student-t likelihood with a spike-and-slab prior using a nonlocal product-moment (pMOM) slab. A normal--gamma representation of the Student-t distribution yields weights that downweight atypical subject--parameter combinations. The pMOM slab vanishes at zero, sharpening coefficient selection and yielding inclusion probabilities. We propagate first-level posterior uncertainty through block-covariance pre-whitening and estimate the model using an EM--ReML algorithm that updates weights, inclusion probabilities, effects, and variance components. A simulation study showed that Student-t weighting provided the main protection against contamination, the nonlocal prior contributed most under strong sparsity, and their combination was most beneficial when contamination and sparsity occurred together. In an openly shared mixed-gambles fMRI application, we found mild heterogeneity, concentrated inclusion support on three intrinsic self-connections, and close directional agreement with standard SPM-PEB. Our framework therefore adds interpretable element-level robustness diagnostics and sparse coefficient selection to hierarchical DCM while retaining first-level uncertainty.