cours 10

Question 1

les régressions linéaires s’appliquent à quelles modalités d’imageries ?

Answer 1

majorité de celles vue en classe

Question 2

les analyse morphométriques de type VMB utilisent quel type de jeu de donnée ?

Answer 2

jeu de données OASIS

Question 3

dans les jeu de données OASIS, qu’est-ce qui est associé à chaque voxel ?

Answer 3

pour chaque voxel, on dispose une mesure locale de densité de matière grise qui varie entre 0 et 1

Question 4

en analyse morphométrique VBM, quelle est notre variable dépendante ?

Answer 4

pour chaque voxel on va utiliser une série de 100 mesures qui représente une mesure de la densité de matière grise chaque sujet OASIS recalées dans un même espace stéréotaxique

Question 5

qu’est-ce qu’un prédicteur ?

Answer 5

autre variable qu’on va utiliser pour expliquer les variations de notre VD à travers les sujets

Question 6

quel est un bon exemple de prédicteur ?

Answer 6

l’âge des participants (20-90 ans)

Question 7

qu’est-ce qu’un modèle linéaire simple ?

Answer 7

une équation ou une sorte de loi qui va tenter de prédire la variable dépendante (densité MG) à partir de prédicteur (âge)

Question 8

quelle est la différence entre un modèle linéaire et une loi physique ?

Answer 8

loi physique tente de représenter une dépendance exacte alors que le modèle linéaire ne capture qu’une fraction de la variance de notre mesure

Question 9

qu’est-ce qui est inclu dans un modèle linéaire et non dans toutes les loi physiques ?

Answer 9

incorpore un certain bruit

Question 10

le bruit incorporé dans la loi du modèle linéaire représente quoi ?

Answer 10

représente toutes les sources de variabilité que l’on peut pas capturer avec notre relation

Question 11

quelle est la formule pour le modèle linéaire ?

Answer 11

densité matière grise = b0 + b1 * age + e(bruit)

Question 12

quelles sont les variables de la formule pour le modèle linéaire ?

Answer 12

• densité MG: pour un voxel
• b0 : ordonnée à l’origine identique pour tous qui correspond à la densité MG à la naissance en moyenne sur la population
• b1 : réduction densité MG en moyenne dans la population par année de vie
• e : bruit qui capture toutes variation de densité MG qu’on peut pas expliquer par âge

Question 13

comment minimiser l’amplitude des résidus de la régression ?

Answer 13

la procédure statistique va choisir les valeur de b0 et b1
- Résidus = MG – b0 – b1 * âge

Question 14

quel est le rôle des logiciels de neuroimagerie en analyse massive univariée ?

Answer 14

elles permettent d’effectuer systématiquement une régression linéaire pour l’ensemble des voxels simultanément et produire 2 cartes statistiques séparées

Question 15

qu’est-ce qu’un modèle univarié ?

Answer 15

lorsque les régressions effectuées à chaque voxel sont indépendantes les unes des autres

Question 16

qu’est-ce qu’un modèle multivarié ?

Answer 16

lorsqu’on va combiner les valeurs obtenues à différents voxels

Question 17

qu’est-ce qu’une régression massivement univariée ?

Answer 17

lorsqu’on fait un très grand nombre de régressions en même temps

Question 18

qu’est-ce qu’un modèle linéaire général ?

Answer 18

modèle qui permet de tester simultanément l’effet de plusieurs variables explicatives sur une seule variable dépendante

Question 19

quel type de modèle linéaire est le plus utilisé en neurosciences cognitives ?

Answer 19

celui du modèle linéaire général

Question 20

le modèle linéaire général permet de faire quoi ?

Answer 20

permet d’étudier des facteurs multiples de manière conjointe sur un VD (âge ET sexe sur densité MG)

Question 21

quelle est la formule de la loi pour un modèle linéaire général ?

Answer 21

MG = b0 + b1 * age + b2 * sexe + e(bruit)

Question 22

quelle est la différence entre modèle linéaire simple et général ?

Answer 22

le modèle linéaire général (régression multiple) consiste à incorporer PLUSIEURS variables dans la loi qui tente de prédire la VD à partir des régresseurs

Question 23

quelle est la particularité statistique des modèles linéaires généraux (multiples) ?

Answer 23

ils sont très flexible donc ils permettent de formuler la plupart des tests statistiques classiques tel que l’analyse de variance (ANOVA) ou le test d’égalité des moyennes de Student (test-t) à l’aide du modèle de régression linéaire

Question 24

est-ce que les cartes statistiques de la régression linéaire simple et de la régression linéaire générale sont les mêmes ?

Answer 24

non, en régression multiple l’effet d’âge est évalué ARPÈS avoir pris compte des différences de sexe

Question 25

quand devons-nous tester la significativité de nos variables explicatives sur notre VD ?

Answer 25

une fois que l’effet de certaines variables explicatives sur notre variable dépendante est estimé

Question 26

comment tester la significativité de nos variables explicatives sur notre VD ?

Answer 26

on utilise l’amplitude des résidus pour estimer la taille d’effet que l’on pourrait observer par chance si uniquement ses résidus étaient présents

Question 27

quel est l’utilité du test t dans le test de significativité de nos variables explicatives sur notre VD ?

Answer 27

à partir de la taille d’effet, on en déduit un test t de student qui se comporte comme une loi normale quand le nombre de sujet est grand

Question 28

quoi faire avec les statistiques t de chaque voxel pour nos variables explicatives ?

Answer 28

on va calculer la probabilité p d’observer cette statistique sous l’hypothèse nulle où l’effet de la variable explicative est exactement de 0

Question 29

qu’est-ce que l’hypothèse nulle ?

Answer 29

hypothèse où il n’existe aucune association entre la densité de MG et l’âge

Question 30

l’hypothèse nulle est au coeur de quoi ?

Answer 30

au coeur de l’interprétation de la valeur p

Question 31

les permutations permettent de confirmer quoi ?

Answer 31

permet de voir que les valeur des test t sont ++ petites avec les valeurs d’âge aléatoires donc la valeur de p est grande DONC H0 vrai, donc pas association entre MG et âge

Question 32

qu’est-ce qu’une permutation pour confirmer ou rejetter H0 ?

Answer 32

refaire toutes les procédures d’estimation de l’effet de l’âge sur la densité de MG en utilisant des variables aléatoires au lieu de l’âge réel

Question 33

les permutations ont permises d’inférer quoi par rapport à H0?

Answer 33

puisque nos valeurs de test t sont plus petites avec les valeurs d’âge aléatoire que lorsqu’on fait l’expérience, cela veut dire que notre p est grand et on ne rejette PAS H0

Question 34

qu’est-ce que le problème de comparaison multiple ?

Answer 34

puisque nous faisons un test par voxel en neuroimagerie, si nous avons un seuil habituel p=0,05 on va détecter 5% du cerveau pour chaque permutation

Question 35

quel est l’impact de l’abaissement du seuil sur le problème de comparaison multiple ?

Answer 35

si on abaisse à p < 0,001, on détecte juste 0,1% du cerveau sous H0 et on observe un effet de réduction du nombre de voxels

Question 36

une valeur de p non corrigée va contrôler quoi ?

Answer 36

le taux de faux positif pour chaque voxel

Question 37

quelle est la méthode la plus simple permettant de corriger le problème de comparaison multiples ?

Answer 37

utiliser un seuil corrigé p< 0,05/ N (nombre de comparaisons)

Question 38

quel est le lien entre le seuil de p et le nombre d’effet significatifs détectés ?

Answer 38

plus le seuil p est petit, moins on va détecter des effets significatifs

Question 39

est-ce que nous pouvons détecter les effets principaux de l’âge avec un p < 0,05 corrigé par Bonferonni ?

Answer 39

oui

Question 40

qu’est-ce qu’une correction de Bonferonni ?

Answer 40

correction du problème de comparaisons multiples la plus sévère qui consiste à diviser le taux de faux positif non-corrigé sur le nombre de corrections

Question 41

quel type d’erreur la correction de Bonferonni permet de corriger ?

Answer 41

permet de contrôler l’erreur de famille avec un alpha = 5%, on peut détecter 1 ou plusieurs faux positif dans 5% des réplications en moyenne

Question 42

si nous avons un seuil p = 0,1 quel sera le problème ?

Answer 42

on va détecter beaucoup de voxels dans les cibles ce qui équivaut à un FAIBLE taux de faux négatifs mais un HAUT taux de faux positifs car nous avons ++ points en dehors du cercle

Question 43

si nous avons un seuil FWE = 0,1 quel sera le problème ?

Answer 43

on va limiter la probabilité d’avoir un faux positif à 1%, donc FAIBLE taux de faux positif mais HAUT taux de faux négatif car il y a peu de valeurs dans les cercles cibles

Question 44

qu’est-ce qu’une matrice de confusion ?

Answer 44

matrice qui permet d’évalur les chances d’avoir un faux positif ou un faux négatif en fonction des vérités du terrain (x) et des tests (y)

Question 45

qu’est-ce qu’une vérité du terrain dans la matrice de confusion ?

Answer 45

permet de savoir si un voxel à un signal (vrai positif) ou pas de signal (vrai négatif)

Question 46

qu’est-ce que les tests dans la matrice de confusion ?

Answer 46

permet de savoir si le voxel est significatif (vrai positif) ou non significatif (vrai négatif)

Question 47

qu’est-ce qu’un faux négatif ?

Answer 47

dit que le voxel est significatif alors qu’il ne l’est pas

Question 48

quel type d’erreur est lié à un faux négatif ?

Answer 48

erreur de type 2, concerne la sensibilité

Question 49

qu’est-ce qu’un faux positif ?

Answer 49

dit qu’on a du signal mais en réalité il en a pas réellement

Question 50

quel type d’erreur est lié à un faux positif ?

Answer 50

erreur de type 1, concerne la spécificité

Question 51

quel genre de compromis devons-nous faire lorsque nous faisons des cartes statistiques ?

Answer 51

on doit faire un compromis entre la résolution spatiale et la puissance statistique

Question 52

quel est le problème avec une situation où nous avons une excellente résolution spatiale en contexte de cartes statistiques ?

Answer 52

on fait des tests pour tous les voxels MAIS on doit faire une correction pour chaque comparaison

Question 53

quel est le problème avec une situation où nous avons une excellente résolution temporelle en contexte de cartes statistiques ?

Answer 53

s’il permet de tester une valeur moyenne sur une seule région, on aura juste un test donc aucune correction MAIS on ne sait pas il se passe quoi dans tout le reste du cerveau à l’intérieur de la région

Question 54

qu’est-ce que la puissance statistique ?

Answer 54

représente la sensibilité d’un test qui dépend de la taille d’échantillon (+ sensible si + échantillons)

Question 55

comment mesurer la puissance statistique ?

Answer 55

1 - (taux de faux négatif)