你一定得知道神经影像分析里的一个关键技术——广义线性模型（GLM），它就像把研究中的各种假设检验都给“吞”进肚子里的瑞士军刀。有了它，你不光能轻松跑t检验或者方差分析，还能一次性把多组需要比较的实验条件全塞进一个模型里去。这就好比医生拿着手术刀，既能治病也能做详细检查。 要想让GLM真正“听懂”你想问的问题，就得学会用Contrasts这种技巧。说白了，就是给每个代表刺激效果的β系数配一套权重向量。比如你想看两个条件谁更强，只要给对应位置加上权重[1, -1]就行。在实际操作中，像FSL这样的工具都会帮你搞定双尾检验，千万别自己重复写代码搞乱结果。 当你的实验设计里有不同类别刺激时，比如让受试者看People、Animals和Plants这三种图片，GLM就会对应生成三个β系数。这时候你要是想比较这三组之间的差异，只需要分别给不同的位置赋值就行了：People和Animals比的时候用[1, -1, 0]，Animals和Plants比的时候用[0, 1, -1]。如果你还想一次了解所有组合的差异情况，把两组权重合在一起做F检验就能搞定。 t统计量其实就是用效应幅度除以不确定性的大小来衡量的。这里的不确定性主要是模型拟合时吐出来的残差标准差和自由度决定的。不过需要注意的是，大多数影像工具默认都用双尾检验。虽然单尾和双尾对最终结果影响不算大，但单尾检验往往更“锋利”，能更快抓住显著的效果。 F检验的核心问题在于确定是不是有显著的效果存在。具体做法就是把多个t对比排成矩阵一起计算。这时候千万不要傻乎乎地重复列[1 -1]和[-1 1]这样的对比项。因为F检验只关心有没有显著差异，根本不关心是正还是负。在这种情况下，三行对比里其实有一行是多余的——只要随便挑两行就能推算出第三行。 到了最后的多重检验校正阶段事情就变得复杂了。无论是Voxelwise还是Vertexwise这种逐像素分析的方法，动不动就要处理上百万次对比，这时候假阳性率就会像雪崩一样飙升。从2015年开始审稿人都会逼着你做校正处理：高斯随机场（GF）方法基于聚类大小；Alphasim是参数法；非参数的TFCE通过增强聚类质量来降低假阳性；还有老牌的FDR用来控制误杀率。总结起来就是一句话：校正得越严格假阳性越少，但同时也可能把本来存在的真实信号给误判成噪音——这是统计学里永远存在的两难局面。