动态指标的重测信度

一个指标要用于个体差异或临床研究，首先要在同一个人身上可重复。

主要证据

• 静态 FC 本身：Noble 等（2019, NeuroImage）的荟萃分析纳入 25 项研究，单条边的平均 ICC 只有 0.29（95% CI 0.23–0.36），属于“差”。更可靠的测量往往是：更强的、网络内的、皮层的边；睁眼、清醒、有任务的记录；每人更多的数据；更短的重测间隔；未做伪迹校正（部分原因是伪迹本身也可靠）；以及带收缩的完全相关。作者特别提醒，不应以牺牲效度为代价追求信度。
• dFC 估计方法：Choe 等（2017, NeuroImage）在两个公开重测数据集上比较滑动窗口、锥形滑动窗口和 DCC：动态相关能被可靠地检测到，DCC 的概括统计量（尤其是动态相关的方差）比窗口方法更可靠；但无论用哪种估计方法，基于“脑状态”的指标（占时、停留时间等）信度都较低。
• 大样本可重复性：Abrol 等（2017）的约 7500 个数据集表明，状态的空间模式在组水平可重复（见状态数的选择与稳定性）。组水平模式可重复，与个体水平指标可靠，是两个不同的问题。
• 个体特征：Vidaurre 等（2017）报告 HMM 状态占时是稳定的个体特征，提示模型化的、利用全部时间点的估计可能比基于窗口的状态指标更可靠。
• MEG：见上一节 Colclough 等（2016）的比较。

为什么动态指标的信度更低？

动态指标通常是“估计量的估计量”：先从短窗口估计连接（误差大），再从连接序列估计方差、停留时间等（误差进一步放大）。若被试间的真实差异（如“动态性”的个体差异）远小于有限样本波动，ICC 就会很低。延长扫描、合并多次扫描、使用模型化估计（DCC、HMM）、选择较少的状态数，都可以提高信度。代码示例的模拟中，在同样的数据量下，静态相关的 ICC 明显高于窗口相关标准差。