Multivariate analytical approaches for investigating brain-behavior relationships
Notice bibliographique
Résumé
Background: Many studies of brain-behavior relationships rely on univariate approaches where each variable of interest is tested independently, which does not allow for the simultaneous investigation of multiple correlated variables. Alternatively, multivariate approaches allow for examining relationships between psychopathology and neural substrates simultaneously. There are multiple multivariate methods to choose from that each have assumptions which can affect the results; however, many studies employ one method without a clear justification for its selection. Additionally, there are few studies illustrating how differences between methods manifest in examining brain-behavior relationships. The purpose of this study was to exemplify how the choice of multivariate approach can change brain-behavior interpretations. Method: ) to examine brain-behavior relationships with three commonly used multivariate approaches: canonical correlation analysis (CCA), partial least squares correlation (PLSC), and partial least squares regression (PLSR). We examined the associations between psychopathology dimensions including general psychopathology, attention-deficit/hyperactivity symptoms, conduct problems, and internalizing symptoms with regional brain volumes. Results: The results of CCA, PLSC, and PLSR showed both consistencies and differences in the relationship between psychopathology symptoms and brain structure. The leading significant component yielded by each method demonstrated similar patterns of associations between regional brain volumes and psychopathology symptoms. However, the additional significant components yielded by each method demonstrated differential brain-behavior patterns that were not consistent across methods. Conclusion: Here we show that CCA, PLSC, and PLSR yield slightly different interpretations regarding the relationship between child psychopathology and brain volume. In demonstrating the divergence between these approaches, we exemplify the importance of carefully considering the method's underlying assumptions when choosing a multivariate approach to delineate brain-behavior relationships.
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 | 0,002 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».