图模型群体的两样本推断及其在功能连接中的应用

基于摘要分析。本文研究多被试功能连接分析中的群体差异推断：在为每位被试估计 Gaussian Graphical Models（GGM）后，如何判断两组之间哪些网络边存在差异。作者将这一问题称为 Population Post Selection Inference，并提出 R3，以纳入个体图模型选择与估计带来的不确定性。 核心机制是通过重采样与随机惩罚估计选择后的变异性，再结合适当的随机效应检验统计量开展边级两样本推断。作者指出，将估计出的个体网络视为固定对象、再逐边进行组间检验的做法，会忽略图估计变异性；作者报告，在模拟研究中，R3 相较这类方法改善了错误控制与统计功效。摘要未给出具体模拟设置、对照实现或数值结果，因此改善幅度及适用条件尚未验证。 实际应用对象是 ABIDE 多被试 fMRI 数据中的自闭症群体功能连接，而不是 EEG 解码或 BCI 控制任务。作者使用该方法识别自闭症被试中存在或缺失的功能连接，但摘要未列出具体连接、被试数量、预处理与协变量控制、网络估计参数或显著性结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究同样以每位被试的 GGM 为基础比较两组连接，R3 对个体图估计不确定性的处理具有明确的机制对应。可考虑复用重采样、随机惩罚与随机效应检验框架，但需适配 EEG 的时间依赖、通道或源空间定义及连接估计方式；低信噪比、体积传导和较短记录可能使图估计不稳定。一个可证伪的小实验是在具有已知组间边差异的模拟 EEG 数据上，对比 R3 与固定个体图后的逐边检验，在相同数据和网络估计条件下检查错误控制与统计功效。已有 EEG 相关应用尚未检索确认。