分析选择可产生表观富俱乐部差异:一项阿尔茨海默病脑电案例研究
Analysis choices can produce apparent rich-club differences: an Alzheimer's disease EEG case study
预印本 · 尚未经过同行评审
加权富俱乐部系数用来检验网络中度数最高的节点是否彼此优先连接,但随机对照网络的构建方式和枢纽节点是否在对照网络中重新识别,常被隐含处理。研究用 20 名阿尔茨海默病患者和 20 名对照的静息态脑电,固定数据比较四种流程,并在不含优先枢纽耦合的构造数据上做校准。结果显示表观的开眼组间差异只在一种流程下出现,该流程在无差异情形下有 40% 报告差异,其余三种接近 5%。作者指出没有普遍正确的选择,但需报告所用选择及其理由。
用 20 名阿尔茨海默病患者与 20 名对照的静息态脑电,交叉比较四种加权富俱乐部系数分析流程,并在无富俱乐部耦合的构造数据上做校准。
背景:加权富俱乐部系数检验一个网络中最强连接的节点是否优先相互连接。其解释取决于两个通常隐含的选择:随机化比较网络如何构建,以及枢纽是在每个比较网络中重新识别还是固定为观测网络中的枢纽。当枢纽由连接强度定义时,这些选择会改变该系数所检验的内容。新方法:我们使用20名阿尔茨海默病患者和20名对照的静息态EEG,考察这些选择如何影响推断。在数据固定的情况下,我们比较了四种分析流程,将两种构建比较网络的方式(全局权重重排或强度条件零模型)与两种枢纽选择交叉组合,并使用构造为除节点强度外不含优先枢纽耦合的数据进行了校准研究。结果:富俱乐部组织上明显的睁眼组间差异仅出现在将全局权重重排与重新识别枢纽相结合的流程下。在经验重采样集成下,该流程在43%的伪研究中报告了组间差异,且始终在阿尔茨海默病组中更高,而其他三种流程则接近预期的5%。与现有方法比较:与全局权重重排不同,强度条件零模型近似保留节点强度;固定观测枢纽也保留了所检验核心的身份。结论:相同的数据可以支持或消解明显的富俱乐部差异,取决于这些选择。没有单一选择是普遍正确的,但报告做出了哪些选择以及为何它们适合所提出的问题,对于解释结果至关重要。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Quantitative Methods · arxiv.org