Evaluating permutation-based inference for partial least squares analysis of neuroimaging data
Notice bibliographique
Résumé
Partial least squares (PLS) is actively leveraged in neuroimaging work, typically to map latent variables (LVs) representing brain-behaviour associations. LVs are considered statistically significant if they tend to capture more covariance than LVs derived from permuted data, with a Procrustes rotation applied to map each set of permuted LVs to the space defined by the originals, creating an "apples to apples" comparison. Yet, it has not been established whether applying the rotation makes the permutation test more sensitive to whether true LVs are present in a dataset, and it is unclear whether significance alone is sufficient to fully characterize a PLS decomposition, given that complementary metrics such as strength and split-half stability may offer non-redundant information about the LVs. Accordingly, we performed PLS analyses across a range of simulated datasets with known latent effects, observing that the Procrustes rotation systematically weakened the null distributions for the first LV. By extension, the first LV was nearly always significant, regardless of whether the effect was weak, undersampled, noisy, or simulated at all. But, if no rotation was applied, all possible LVs tended to be significant as we increased the sample size of UK Biobank datasets. Meanwhile, LV strength and stability metrics accurately tracked our confidence that effects were present in simulated data, and allowed for a more nuanced assessment of which LVs may be relevant in the UK Biobank. We end by presenting a list of considerations for researchers implementing PLS permutation testing, and by discussing promising alternative tests which may alleviate the concerns raised by our findings.
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 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».