Att undersöka områden i hjärnan som är aktiva utan att någon stimulans sker kan ge information om en individs standardnätverks basnivå. Denna basnivå kan användas för att identifiera avvikande spatiala mönster i hjärnan som associeras med sjukdomar och funktionsnedsättningar. Denna uppsats syftar till att undersöka hur skillnaderna ser ut för individspecifika nätverkskartor genom att jämföra tre olika anpassningar av Dual Regression, en frekventistisk och två Bayesianska modeller. Datamaterialet som analyseras i uppsatsen är från Cambridge-Buckner, en del av 1000 Functional Connectomes Project som innehåller fMRI-data. Från datamaterialet har även tillhörande förhandsskattade gruppvisa oberoende komponenter erhållits från 20 utvalda individer vilket sedan används i uppsatsen för att skatta individspecifika nätverkskartor i hjärnan för tre individer från studien. Det anpassas tre olika Dual Regressions-modeller: En frekventistisk modell med homoskedastisk varians, en Bayesiansk modell med heteroskedastisk varians med okorrelade feltermer samt en Bayesiansk modell med heteroskedastisk varians och korrelerade feltermer. För de två Bayesianska modellerna används icke-informativa priorfördelningar. Dessa olika modeller skiljer sig åt då de kan ta hänsyn till olika mängder av information genom att ha olika komplexa kovariansstrukturer. Det observeras att den frekventistiska modellen och den Bayesianska modellen med heteroskedastisk varians och okorrelerade feltermer skattar nätverk som är i stor utsträckning lika varandra. Den Bayesianska modellen med heteroskedastisk varians och korrelerade feltermer tenderar att skatta nätverk som är skild från de andra modellerna, där det ofta förekom skillnader i nätverkens former samt en del amplitudskillnader. I kovariansmatrisen för den Bayesianska modellen med heteroskedatisk varians och korrelerade feltermer observeras ett flertal höga korrelationer mellan feltermerna vilket indikerar på att det bör tas hänsyn till korrelerade feltermer. Det diskuteras även om problem som förekommer hos respektive tillvägagångssätt för att skatta modellen, där frekventistiska tillvägagångssättet inte tar hänsyn till all information i data men är enkel att anpassa. Den Bayesianska modellen med heteroskedastisk varians och okorrelerade feltermer ger liknande resultat som det frekventistiska tillvägagångssättet. Den Bayesianska modellen med heteroskedastisk varians och korrelerade feltermer ger resultat som anpassar data bättre än de andra två modellerna men är mer komplex att beräkna. / Examining regions in the brain that are active without any stimuli gives information about an individual's default brain networks. These default mode networks can be analyzed to identify deviating spatial patterns in the brain that are associated with diseases and disabilities. This thesis aims to analyze the difference in how frequentist and Bayesian Dual Regression estimates subject specific spatial-maps. We received pre-estimated groupwise independent components from 20 individuals based off of fMRI-data from the Cambridge-Buckner dataset which is part of the 1000 Functional Connectomes Project. These are later used to create subject specific spatial-maps for 3 individuals in the study. In this thesis 3 different types of Dual Regression models will be fitted: A frequentist Dual Regression, A Bayesian model with heteroscedastic variance and uncorrelated error terms and a Bayesian model with heteroscedastic variance and correlated error terms. Non-informative prior distributions are used for both Bayesian models. As these 3 models can account for varying amounts of information in the data due to varying complexity of the covariance structure some difference were observed in the subject specific maps. The frequentist Dual Regression and the Bayesian model with heteroscedastic variance and uncorrelated error terms often showed similar results, however the resulting networks from the Bayesian model with heteroscedastic variance and correlated error terms often differed from the other two models. The difference was observed both in network shapes and in activation amplitude. The covariance matrix for the Bayesian model with heteroscedastic variance and correlated error terms contained a number of high correlations between the error terms, indicating that correlation among error terms should be taken into account. Some arguments are made for respective way of fitting the model as each model has its unique advantage and disadvantage; where the frequentist model does not take into account all information from the data it is easy to fit. The Bayesian model with heteroscedastic variance and uncorrelated error terms is also relatively easy to fit and provides similar results to the frequentist model. The Bayesian model with heteroscedastic variance and correlated error terms however does account for more information and yields better results but is more computationally expensive.