2015年以后，神经影像领域的审稿人开始要求研究者必须进行多重检验校正，把这视作一道不可逾越的门槛。面对这种情况，研究者不得不给成千上万次的Voxelwise或Vertexwise分析上一道安全“保险丝”。这道“保险丝”有多种表现形式，包括高斯随机场（GF）这种基于cluster size的参数方法，还有Alphasim这种非参数且强调cluster mass的工具。此外，非参数的TFCE和老牌的FDR也被用来控制误杀率。虽然校正越严能把假阳性率压得越低，但这也会连带杀死许多真正的阳性信号，这是统计学里永远存在的两难境地，只有靠更精细的方法或者更大样本量才能稍微缓解一下这种尴尬。要想让广义线性模型（GLM）真正“听懂”你想问什么，得学会正确使用Contrasts。所谓Contrasts，就是给每个β系数配上一套特定的权重向量。如果我们想知道β1是不是比β2大，就可以给模型喂入一个权重[1, -1, 0]。类似地，想比较“病人”和“对照组”的情况，FSL等工具会自动帮你做双尾检验，别手忙脚乱地再写一遍。比如说在图片任务中，同一个人分别看到People、Animals、Plants三类刺激时，GLM里自然就会对应产生三个β系数。这时候只要把两组权重合在一起做F检验，就能一次性覆盖所有组合的对比情况。单尾检验用t统计量这个“锋利刀”，它等于感兴趣的效应幅度除以不确定性幅度。不确定性通常由残差标准差和自由度算出，模型在拟合的时候一并吐出来。大多数影像工具默认使用双尾检验，单尾和双尾对结果的影响其实不大，但大家得把概念搞清楚：单尾检验更“锋利”，双尾检验则要保守得多。而F检验的核心问题则是要搞清楚A、B、C这些变量或者它们的任意组合是否显著不为零。实现这个目标的办法就是把多行t-contrast堆成矩阵形式。千万别重复写[1 -1]和[-1 1]，F检验只关心有没有显著性差异，不关心结果到底是正还是负。因为在三行对比里有一行是多余的——任意两行其实就能推算出第三行。记住一句话口诀：“差异加上均值就是完整信息，但别重复列对比”。最后要注意的是，GLM是神经影像研究里最常用的工具之一，它不仅能完成t检验、方差分析这些老把戏，还能把多组对比一次性塞进同一个模型里去做假设检验和概率推断。所以说它是神经影像“假设检验”的瑞士军刀。