SPM/组分析
对于 fMRI 或 EEG 数据，组分析也被称为二级分析，因为一级分析是将广义线性模型拟合到每个受试者的数据。二级分析则评估了效应在受试者组之间或组内的变异性。SPM 依赖于汇总统计方法，其中一级分析生成对比图像，总结了每个受试者的效应。这些图像随后作为数据输入到二级模型中。对于 VBM，没有一级分析。您只需直接输入处理后的解剖图像即可。
建议使用 SPM 中称为“分区误差”的方法来实现组分析。这需要设置一个二级设计矩阵，以测试每个感兴趣的效应。
如果您有多个实验因素，则分析会涉及许多步骤，因为需要测试许多效应（由于析因设计的组合性质）。因此，我们现在提供 SPM 列表中电子邮件摘录以指导您的分析。答案已针对一致性进行了编辑。
一个 2x2 设计，包含一个组内因素和一个组间因素。
问题
我的实验设置如下：2 个组（组间因素），每个组有 2 个条件（时间，扫描前和扫描后）。第一组有 8 个受试者，第二组有 14 个受试者。
理想情况下，我会设置一个 2x2 混合方差分析来模拟主效应和交互效应。我假设它是使用灵活的析因模型？您能帮助我如何准确地指定它吗？您能帮助我进行对比或推荐这方面的优秀文献吗？我在网上找到很多内容，但没有或很少涉及 2x2 混合方差分析。我假设我也可以添加协变量？
做到这一点的最佳方式是什么？我现在正在 SPM 中进行 VBM 分析，但我认为使用 PET 或 fMRI 时也是相同的流程。
回答
您需要做的是在第一级为每个受试者创建两张对比图像
- c1=[1 1] 总体/平均效应 (扫描后加扫描前)
- c2=[1 -1] 条件之间的差异 (扫描后减去扫描前)
要查看效应 ci（其中 i 可以是 1 到 2）在组之间是否存在差异，请创建一个两样本 t 检验设计（在“二级”）并输入组 1 的 ci 对比图像（即 8 张对比图像），输入组 2 的 ci 对比图像（即 14 张对比图像），并输入一个 [1 -1] F 对比。
要测试所有受试者的效应，请创建一个单样本 t 检验设计，输入两组的 ci 对比图像，并使用一个 [1] F 对比。
因此，您需要在二级进行四种不同的模型，并在每种模型中进行一次对比。这为您提供了您通常在 2x2 设计中测试的四件事。
您可能会看到与时间无关的组之间存在差异（例如，VBM 数据的结构差异）（二级 [1 -1] 对比，一级 [1 1] 对比）。并且您可能会看到这种差异随时间变化（二级 [1 -1] 对比，一级 [1 -1] 对比，交互作用）。
您可能希望用前者对后者进行掩蔽，并且您可以在二级设计中输入协变量。
关于纯组内设计的说明
如果这是一个 2x2 设计，其中两个因素都是组内的，您将为每个受试者创建四张对比图像：c1=[1 1 1 1]，c2=[1 1 -1 -1]，c3=[1 -1 1 -1]，c4=[1 -1 -1 1]（总体效应，主效应 1，主效应 2，交互作用）。然后，您将创建四个二级设计，每个设计都是一个单样本 t 检验，并将所有受试者的对比图像输入到该特定对比中（每个受试者只有一张对比图像）。然后输入一个 [1] F 对比，以测试您受试者组中相应的效应。
更一般地说，如果您有一个 k1xk2 设计，您可以使用函数 spm_make_contrasts 来告诉您要输入哪些一级对比（请阅读该函数的帮助，因为它假设您的设计矩阵中的条件按特定顺序排列）
Con = spm_make_contrasts([k1 k2])
对于 k1xk2 设计（例如 2x3）。如果所需的对比有多行，您需要将多张对比图像输入到二级。
一个 2x3x2 设计。前两个因素是组内的，第二个因素是组间的。
问题
我的任务设计涉及情感图片（积极、中性、消极），每张图片后面都跟着两种可能的提问之一（1 和 2）。在一级，我计算了每个受试者的六个对比，每个提问类型分别针对每个情绪效价，与基线进行比较。
我现在想在二级评估效价和提问类型因素的作用，以及组因素（患者与对照）。据我了解，最简单的选择是使用一个完整的析因模型，包含 3 个因素：组、提问类型和效价。我的问题是
1）我可以使用完整的析因模型吗？或者使用每个受试者的多个对比等同于重复测量设计，这意味着我必须使用灵活的析因设计并明确地建模“受试者”因素？
2）如果我使用完整的析因模型，据我了解，因素的独立性应该是：组（是），提问（否），效价（否）。方差呢？应该是相等、不相等、相等，还是始终不相等？
3）另一种可能更简单的方法是只使用两个组 t 检验，并评估 6 个条件中的每一个。所以我需要运行 6 个 t 检验。但是，如果我想评估无论效价如何，提问 1 在组之间的差异，我可以简单地将所有提问 1 的对比（即针对积极、中性、消极效价）输入到“组 1 扫描”框中吗？我假设这将计算所有扫描的平均值，并将其在组之间进行比较，这就是我想要的结果，但是在每个受试者中输入 3 个扫描是否存在任何问题？另外，假设我将年龄作为协变量输入。然后，我需要为每个受试者输入相同的年龄 3 次。这会存在问题吗？
回答
我将按照下面描述的方式分析这些数据。传统上，您可能希望测试 8 种效应（见下文） - 在我的描述中，您设置了 4 组一级对比图像，并为每组设置了两个设计矩阵。也就是说，您为 SPM 分析创建了 8 个新目录（每个目录对应于您正在测试的一种效应）。因此，步骤 (1) 是创建必要的第一个对比图像，步骤 (2) 创建第二个设计矩阵，分配对比图像并拟合模型，步骤 (3) 是输入第二个对比，以测试您感兴趣的效应。
我假设您这里有两个组内因素
(A) 任务，具有两个水平：提问 1 或提问 2，(B) 情绪效价，具有三个水平：(1) 积极、(2) 中性、(3) 消极。
为了使之具体，假设您在患者组中有 18 个人，在对照组中有 17 个人，总共 35 人。
还假设您为每个受试者设置了一个一级设计矩阵，其列按以下顺序排列：A1B1、A1B2、A1B3、A2B1、A2B2 和 A2B3。
为了测试(1) 总体效应，我会为每个受试者使用一个 [1 1 1 1 1 1] 对比，并将得到的 35 张对比图像输入到二级单样本 t 检验中。然后，您将指定一个 [1] F 对比（在二级），以测试与您的范式相关的显著非零 BOLD 反应。在二级使用相同的第一个对比图像，并将其分成 18 个患者和 17 个对照，将使您能够测试组效应（使用二级 F 对比 [1 -1] 测试差异）。这是(2) 组的主效应。
为了测试(3) 因子 A 的主效应（具有两个水平的因子），我将使用[1 1 1 -1 -1 -1] 对比度对每个受试者进行测试，并将得到的 35 个 con 图像放入第二级进行单样本 t 检验。类似地，将相同的第一级对比图像放入第二级进行双样本 t 检验设计，并将 18 名患者和 17 名对照组分开，将允许您测试组效应（使用第二级 F 对比[1 -1] 进行测试差异）。这将检验(4) 组 × 任务交互。
为了测试(5) 因子 B 的主效应，我将使用每个受试者的两个对比度[1 -1 0 1 -1 0] 和[0 1 -1 0 1 -1]，并将得到的 70 个 con 图像（每个受试者两个）放入第二级进行双样本 t 检验设计。然后，我将使用[1 0; 0 1] F 对比度测试该主效应。类似地，将相同的第一级对比图像放入第二级进行单因素方差分析设计（具有 4 个“水平”；前两个用于患者，后两个用于对照组），并将 18 名患者和 17 名对照组分开，将允许您测试组效应（使用第二级 F 对比[1 0 -1 0; 0 1 0 -1] 进行测试差异）。这将检验(6) 组 × 效价交互。
为了测试(7) 因子 A 和因子 B 之间的交互，我将使用每个受试者的两个对比度[1 -1 0 -1 1 0] 和[0 1 -1 0 -1 1]，并将得到的 70 个 con 图像（每个受试者两个）放入第二级进行双样本 t 检验设计。然后，我将使用[1 0; 0 1] F 对比度测试该交互效应。类似地，将相同对比度放入第二级进行单因素方差分析设计（具有 4 个“水平”；前两个用于患者，后两个用于对照组），并将 18 名患者和 17 名对照组分开，将允许您测试组效应（使用第二级 F 对比[1 0 -1 0; 0 1 0 -1] 进行测试差异）。这将检验(8) 组 × 效价 × 任务交互。
这就是您设计中因子性质的全部内容：对于具有 3 个因子的析因设计，需要测试 8 个效应：总效应、3 个主效应、3 个双向交互和 1 个三向交互 - 您可以使用上面编号为 (1) 到 (8) 的方法测试它们。
顺便说一下，SPM 可以帮助您找到在析因设计中测试效应所需的对比度。使用函数Con = spm_make_contrasts ([k1 k2]) 进行 k1 -by-k2 设计（例如 2 × 3）。如果所需的对比度具有多行，则需要将多个 con 图像放入第二级。
对于任何第二级设计，您还可以输入协变量，例如年龄。如果您在第二级有一个单样本 t 检验设计，那么这很简单，只要您的年龄变量是中心化的 - 即均值为零（否则它将与您正在测试的另一个效应共线性，并使其消失）。然后，[0 1] F 对比度将测试 BOLD 反应依赖于年龄的区域。对于更复杂的第二级设计（例如双样本 t 检验），您可以包含交互项 - 这将创建两个新列，例如患者的年龄、对照组的年龄。然后，[0 0 1 0; 0 0 0 1] F 对比度测试任何年龄的影响，[0 0 1 -1] F 对比度测试 BOLD 与年龄效应在患者与对照组之间不同的区域。
- 方差分析和 SPM，R. Henson 和 W. Penny
- 方差分析 (ANOVA)，R. Henson
- 使用单变量一般线性模型对神经影像数据的组级重复测量建模，M. McFarquhar