Structural equation modeling (SEM) is often used to investigate effective connectivity in functional neuroimaging studies. Modeling effective connectivity refers to an approach in which a number of specific brain regions, called regions of interest (ROIs), are selected according to some prior knowledge about the regions, and directional (causal) relationships between them are hypothesized and tested. Existing methods for SEM, however, have serious limitations in terms of their computational capacity and the range of models that can be specified. To alleviate these difficulties, I propose a new method of SEM for analysis of effective connectivity, called Dynamic GSCA (Generalized Structured Component Analysis). This method is a component-based method that combines the original GSCA and a multivariate autoregressive model to account for the dynamic nature of data taken over time. Dynamic GSCA can accommodate more elaborate structural models that describe relationships among ROIs and is less prone to computational difficulties, such as improper solutions and the lack of model identification, than the conventional methods of SEM. To illustrate the use of the proposed method, results of empirical studies based on synthetic and real data are reported. Further extensions of Dynamic GSCA are also discussed, including higher order components, multi-sample comparison, multilevel analysis, and latent interactions. / La Modélisation par Équations Structurelles (MES) est souvent utilisée dans les études d'imagerie cérébrales fonctionnelles afin d'investiguer la connectivité effective. La modélisation de connectivité effective est une approche dans laquelle certaines régions cérébrales, appelées régions d'intérêts (RIs), sont spécifiquement sélectionnées à partir de connaissances établies sur ces régions, et des hypothèses sur les possibles liens directionnels (causals) entre les RIs sont formulées et testées. Par contre, les méthodes de MES existantes sont sérieusement limitées par leur capacité computationelle et le nombre et l'étendue des modèles qui peuvent être spécifiés. Afin d'adresser ces difficultés, je propose ici une nouvelle méthode de MES afin d'analyser la connectivité effective, appelée Analyse en Composantes Structurée Généralisée (ACSG) Dynamique. Cette méthode est une méthode basée sur les composantes, combinant la version originale des ACSGs et un modèle auto-régresseur multi-variable afin de tenir compte de la nature dynamique des données recueillies à différent temps. Les ACSG Dynamiques peuvent accommoder des modèles structurels plus complexes pour décrire les relations entre les RIs. De plus, comparé aux méthodes traditionnelles de MES, les ACSG Dynamiques sont moins susceptible de succomber aux difficultés computationelles, comme les solutions inappropriées et l'échec d'identification de modèle. Afin d'illustrer l'utilisation de la méthode proposée, des résultats d'études empiriques basées sur des données synthétiques et réelles sont présentées. Des extensions possibles des ACSG Dynamiques sont aussi discutées, incluant des composantes de plus haut niveau, la comparaison de plusieurs échantillons, l'analyse multi-niveau, et les interactions latentes.
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.106488 |
| Date | January 2012 |
| Creators | Jung, Kwang Hee |
| Contributors | Heungsun Hwang (Internal/Cosupervisor2), Yoshio Takane (Internal/Supervisor) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Doctor of Philosophy (Department of Psychology) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically-submitted theses. |
Page generated in 0.002 seconds