Testing effective connectivity changes with structural equation modeling: What does a bad model tell us?
Notice bibliographique
Résumé
Structural equation modeling (SEM) is a statistical method that can assess changes in effective connectivity across tasks or between groups. In its initial application to neuroimaging data, anatomical connectivity provided the constraints to decompose interregional covariances to estimate effective connections. There have been concerns expressed, however, with the validity of interpreting effective connections for a model that does not adequately fit the data. We sought to address this concern by creating two population networks with different patterns of effective connectivity, extracting three samples sizes (N = 100, 60, 20), and then assessing whether the ability to detect effective connectivity differences depended on absolute model fit. Four scenarios were assessed: (1) elimination of a region showing no task differences; (2) elimination of connections with no task differences; (3) elimination of connections that carried task differences, but could be expressed through alternative indirect routes; (4) elimination of connections that carried task differences, and could not be expressed through indirect routes. We were able to detect task differences in all four cases, despite poor absolute model fit. In scenario 3, total effects captured the overall task differences even though the direct effect was no longer present. In scenario 4, task differences that were included in the model remained, but the missing effect was not expressed. In conclusion, it seems that when independent information (e.g., anatomical connectivity) is used to define the causal structure in SEM, inferences about task- or group-dependent changes are valid regardless of absolute model fit.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».