本帖最后由 空里流霜 于 2019-1-4 11:50 编辑
本帖作为《用Matlab和SPM批量处理被试的经验总结》的一部分
目录贴请见http://home.52brain.com/forum.ph ... =1&extra=#pid158525
SPM第二层的flexible factorial让很多人感觉莫名其妙不知其作用,
也有滴友在论坛发帖讨论(比如,http://home.52brain.com/thread-29436-1-1.html)
下面我说说我的看法。我自己拿自己的数据对这些分析进行了一个相对系统但略粗糙的对比,由于生成的结果比较繁杂,我就不贴上了,就用语言总结几点。希望读者也动手试试,看我有哪些遗漏或者说得不对的地方,欢迎批评指正。
不保证完全正确或者合理,只是我根据自己现阶段的理解和经验说一说:
1,flexible factorial的关键在于灵活,它可以用于替代SPM第二层所有的分析。包括:单样本t检验,双样本t检验,配对t检验,one way方差分析,one way重复测量方差分析,full factorial方差分析以及multiple regression,且结果可以做到和用这些专门的分析方法完全一样。
2,以上这些分析都可以分为两种情况:被试间和被试内。
被试间有双样本t检验和被试间方差分析(单样本和multiple regression算是一种特殊的被试间);被试内有配对t检验和被试内方差分析。
在SPM的设计矩阵中,被试内设计所共有的一个特点就是有一个subject的因素(就是像楼梯一样的一个被试一个的小白块。)
3,还有一个常见的误解就是把independence设置成No并不能让你的设计变成被试内,而是需要你加上subject这个因素,不信的话你看看SPM中配对t检验生成的设计矩阵就知道了。
4,full factorial方法据我的使用经验只能做被试间因素的方差分析。它的好处在于会自动生成主效应交互作用等。
5,关于variance是否equal,我不是很确定,但我想如果你设置成unequal,SPM会对非球型性进行校正计算。如果你觉得有信心数据符合球型性,可以选择equal,如果不确定,就选择unequal,我想可能这也是SPM默认为unequal的原因。
6,SPM中的被试内方差分析或是配对t检验可以非常灵活。你可以在第一层设计矩阵中做好方差分析的主效应和交互作用,然后再把得到的contrast图放在第二层后用单样本t检验来做
关于在flexible factorial的情况下如何设置contrast,强烈建议看看这篇文章http://www.sbirc.ed.ac.uk/cyril/download/Contrast_Weighting_Glascher_Gitelman_2008.pdf。
######################################################################
下面放上示例数据的截图。二乘二设计,A和B两个因素,图中主要显示A和B的交互作用。
Full factorial
Flexible factorial (未加subject因素)(结果和full factorial完全一样) Flexible factorial (加了subject因素但未纳入设计矩阵)(结果和full factorial几乎完全一样) Flexible factorial (加了subject因素并且纳入设计矩阵)(结果更强一点点)
我个人认为如果做被试内设计还是要加入subject因素在被试中的。上图也显示结果使用被试因素后稍微显着了一点。
|