组间比较与统计验证

“静态”脑网络指把整段扫描（通常 6–15 分钟）平均成一个连接矩阵。比较健康人与患者时有两类思路：

1. 全局/节点指标比较：每个被试计算 $E_{\text{glob}}$、$C$、$Q$ 或某脑区的度，再做组间 $t$ 检验。注意按密度匹配，并对多个指标、多个脑区做多重比较校正。
2. 边层面比较：每条边做一次检验，边数是 $N(N-1)/2$ 量级（90 个脑区就有 4005 条边），多重比较负担很重。网络统计量（network-based statistic, NBS; Zalesky 等, 2010）利用“异常连接往往连成一片”的假设，用连通分量大小做置换检验，在控制族错误率的同时提高统计功效；代价是只能在“子网络”层面下结论，而不能说某条具体的边显著。

边层面的统计量通常基于 Fisher $z$：既可比较两组的组平均连接，也可在被试水平把每条边的 $z$ 值作为因变量，做两样本 $t$ 检验或纳入头动、年龄等协变量的一般线性模型（见数学推导与算法）。小世界指数、富人俱乐部系数等相对指标的统计意义，则取决于所用零模型保留了哪些性质。

做组间比较时，以下混杂几乎总要考虑：头动（平均 FD 作为协变量，并检查其组间差异）；整体连接强度（平均 FC 或总流线数，见阈值与加权）；年龄、性别、扫描仪与站点（多中心数据可用 ComBat 等方法做批次校正，但要防止把组别效应一起“校正”掉）；用药与病程。还要记住一个越来越受重视的事实：脑影像与个体表型的关联通常效应量很小。Marek 等（2022, Nature）用数万人的数据表明，脑–行为全脑关联研究在样本量只有几十到几百人时结果很难重复。这并不否定脑网络研究，而是提醒我们：小样本里看到的“显著差异”需要独立样本验证。