Bei einer fMRI-Analyse der 1. Ebene ist mir unklar, was der für jedes Voxel durchgeführte t-Test tatsächlich vergleicht. Ich habe gesehen, dass dies auf zwei verschiedene Arten beschrieben wird:
Der t-Test schätzt, wie gut das Modell (mit dem Design gefaltete HRF-Kurve) zu den Daten passt (FETT-Signal), ist also ein Maß für die Güte dieser Anpassung.
Der t-Test vergleicht das BOLD-Signal mit einer Grundlinie.
Ich denke, beide können als Ein-Stichproben-t-Tests konzipiert werden, aber es ist unklar, ob die beiden Vergleiche tatsächlich äquivalent wären oder ob verschiedene Arten von t-Tests in verschiedenen Situationen verwendet werden, wobei die beiden oben genannten Fälle vorliegen aber zwei Beispiele.
Der Koeffizient ist das Maß dafür, wie stark der gegebene Faktor die abhängige Variable vorhersagt, oder anders ausgedrückt, wie viel der Varianz der abhängigen Variablen durch diesen Faktor erklärt werden kann. Der Koeffizient selbst und nicht die t-Statistik des Koeffizienten ist also ein Maß dafür, wie gut das Modell (oder genauer gesagt der Regressor) zu den Daten passt.
Die t-Statistik des Koeffizienten in einer multiplen Regression ist der statistische Test dieses Koeffizienten, berechnet als der Koeffizient dividiert durch seinen Standardfehler. Es wäre also am richtigsten zu sagen, dass dies ein Maß dafür ist, wie zuverlässig der Stichprobenkoeffizient ist oder wie wahrscheinlich es angesichts des Koeffizienten, den wir erhalten haben, ist, dass der wahre Koeffizient 0 ist. Aber dies ist theoretisch unabhängig von der Güte des passen, und Sie könnten einen sehr stabilen, aber kleinen Koeffizienten haben, der einen hohen t-stat erhalten würde, oder einen im Durchschnitt großen, aber stark variablen Koeffizienten, der einen niedrigen t-stat erhalten würde. Die Ergebnisse des Tests hängen natürlich auch von Ihrer Stichprobengröße und den Freiheitsgraden in Ihrem Modell ab.
Wo die Verwirrung liegen könnte, ist, dass der Koeffizient mehr oder weniger derselbe ist wie ein Vergleich mit der Basislinie, weil die Basislinie kein expliziter Regressor im Modell ist (oder nicht sein sollte). Ein höherer Koeffizient bedeutet bei sonst gleichen Bedingungen, dass die Anpassung besser und/oder der Effekt größer ist. Aber es sei denn, Sie führen explizit einen Vergleich zwischen Aktivierung und Baseline durch, was der Koeffizient eigentlich nicht bedeutet.
Sie können hier mehr über diese letzte Ausgabe lesen: https://github.com/jdkent/tests_and_musings/blob/master/magnitude_and_delay_in_bold.ipynb?fbclid=IwAR3H-pvYmVQtMaDBzDAfexyNeuCUHHe6vuYLsV83l957rvHawv1bWJlaB9U
z8080
Heinrich Brice