Longitudinal Statistics 纵向统计分析

在这之前的准备工作：用freesurfer的纵向处理流处理您的数据——http://surfer.nmr.mgh.harvard.edu/fswiki/LongitudinalProcessing

本文主要是讲统计分析方法：本文官方教程链接：http://surfer.nmr.mgh.harvard.edu/fswiki/LongitudinalStatistics

纵向数据比横截面数据（横截面数据就是我们用recon-all处理过的数据）更复杂，因为每个对象内的重复测量值相关（因为纵向数据是对一个对象重复扫描得到不同时间点的数据，来分析这个人从健康到生病到疾病的严重程度的分析）。 这种关联的强度将取决于扫描之间的时间间隔。 此外，当数据在时间点数和扫描间隔（不完善的时间）上显示出受试者之间的显着变化时，必须格外小心（我理解这句话的意思是说当我们研究的对象在扫描的次数和扫描的间隔不同时，如果变化很大，那就需要特别注意了（例如，A患者扫描10次，每次扫描间隔一个星期；B患者扫描了20次，每次间隔一个月；这种因为采样方式不同得到的不同的数据，如果他们的差别很大，拿我们分析的过程中，需要注意比较））。 然后，统计分析应考虑这些数据特征，以获得有效的统计推断。

Freesurfer当前（至少）具有三个不同的纵向数据分析框架：

1. 简化的重复测量方差分析（忽略测量场合的相关性和时序）http://surfer.nmr.mgh.harvard.edu/fswiki/RepeatedMeasuresAnova

2. 直接分析萎缩率或百分比变化（忽略相关性和单个时间点）http://surfer.nmr.mgh.harvard.edu/fswiki/LongitudinalTwoStageModel

3. 线性混合效果模型<-推荐（但更复杂）http://surfer.nmr.mgh.h