神经科学大危机，一文扫荡15年研究？

是的，你看到了那个亮亮的部分吗？这就是说明这条死三文鱼的某些身体部位在判断图片中的人的情绪哦！你是不是觉得很荒诞？这里的原因就是没有做多重检验校正。图中激活的部分并不是因为死三文鱼在进行情绪判断的认知活动，而是因为随机误差造成的虚报。如果我们进行多重检验校正以后，这条三文鱼就全都黑下去了。

在了解了多重检验校正在fMRI实验数据分析中的重要性之后，我们回过头来看现在这篇文章。这篇文章在这条死三文鱼之上，更进一步。因为业界大家都知道需要多重检验校正了，但是对于如何正确地多重检验校正并不同意。最暴力的方法是诸如bonferroni这样的控制family-wise error(FWE)的方法：为了控制FWE程度上的虚报率p < 0.05, 直接上来给定这样每一个Voxel的虚报率就要控制在以下——如果你没有概念，我只能告诉你这是一个非常非常苛刻的要求。所以，大多数研究人员都不会选择这样的校正方法。于是一帮人选择了clusterwise inference：

通过设置某个p-value的阈值(比如常用的0.01, 0.001)来筛选voxels，然后将相邻的超过这个阈值的voxels构成clusters, 这时候得到的clusters并不一定是显著的。事实上clusterwise inference是通过寻找这些clusters来构建新的统计量(比如cluster size, cluster mass等等)，然后用新的统计量来进行全局的假设检验，从而达到修正多重检验的目的。之后需要估计的就是在零假设下，满足这样的阈值条件所找到的clusters的分布。这篇文章说的就是在使用参数方法(gaussian random field)估计这一分布时候存在的问题。——@Yuanning

而本文就是发现，后面一种clusterwise inference，虽然理论上能够控制整体的虚报率，但是在实际数据分析中会产生非常高的虚报率。他们说，这个虚报率甚至高达70%。也就是说，我们用这样的校正方法，还是可能发现死三文鱼在做认知任务这个问题上。

这项研究的作者是非常勤奋的，他们当然不会只用三文鱼来说事。他们使用了当前学界最常用的3大分析软件，对同一个包含将近400个人类被试的数据集进行了1000次随机筛选，对于每一次随机筛选使用了以前的实验设计。这个数据集有意思的地方在于这是一个静息态的数据集，所以作者假设这个数据集不应该产生任何任务相关的激活。你可以这么想，你躺在扫描仪里面，闭上眼睛什么都不干。然后我告诉你，你此刻的大脑在分析一个你看都没看到的图片上的人脸的情绪，你会觉得这一定有问题。根据这样的逻辑，文章作者就把这个把这个数据集丢进了若干实验设计，一分析，一校正，发现：我勒个去，竟然看到了大脑部分区域激活了！这不科学！于是他们觉得，当前使用的校正方法一定是有问题。为什么有问题呢？他们发现clusterwise inference的统计理论假设中对于空间信息和噪声的假设并不能在实际数据中得到满足，实际数据信息并不是空间高斯分布的。这个原因直接导致了使用clusterwise这一校正方法无法很好地控制虚报率。截止到这里，作者的研究结果都是非常有说服力的。