6. 话说你group analysis你是用的random effect还是fixed effect？

最后一点是我没有从文章中看到答案的。文章使用的是group analysis，也就是说把不同的10几个人的大脑数据综合起来看一个『平均人脑』中是否有脑区激活。但是，在这个『综合10几个人的大脑』的过程中，存在很多的假设，也有很多的方法。比如，有经典的fixed effect和random effect的方法。简单地说（欢迎打脸），fixed effect就是把这10几个人当做一个人，直接叠加效应；而random effect会把这10几个人当做不同的人来控制最后综合结果是否显著。

简单的说：random effect会比fixed effect产生更少的虚报。实际上现在大多数的fMRI实验都会使用random effect。而是用fixed effect大多数是很早的时候的研究。这篇PNAS文章没有说明白他们到底使用了fixed effect还是random effect。如果他们不幸使用了fixed effect，那么他们自己的实验数据中的虚报率就会被放大。然而他们还得假设所有实验都是使用的fixed effect。真是欲加之罪何患无辞啊。
这一部分的总结就是：虽然这篇PNAS文章本是研究做的还是很不错的，但是他们从自己的数据分析出发，来推论整个研究领域的数据分析毛病的时候，他们自己也陷入了好几个不成立的假设中，而这些不成立的假设，可能会直接导致他们虚报了整个研究领域『高估虚报率』。

如果作者不能明确解决以上的所有假设，圈出真正满足所有假设的文章，我就只能说：fMRI领域的研究没你们说的那么糟糕。

fMRI研究要谨慎

老实说我是比较喜欢这篇文章的，但是我非常担心这篇文章因为夸大其词的地图炮的原因，失去了它本该有的警示作用。

fMRI这项技术从发明到使用到现在，每一步都存在假设。整个这个领域的每一步推理都是建立在一系列的假设上的。从最根本的地方出发，神经元活动和BOLD信号之间是什么关系？这个问题到现在也没有很明白地说清楚。但是现在已经有的模型提供了一个基本的假设，就是BOLD信号的确是反应了神经活动的。如果有一天实验证明这个假设是错的，那整个领域可能要颤抖一下——不过现在还没有人能够证明这个。

不仅仅是基本假设，在数据分析的步骤中还存在更多的假设和简化。比如血液动力反应函数(Hemodynamic Response Function, HRF)，理论上来说在不同的脑区是有不同的形状的。所以最正确的方法需要用通过实验设计来测量出相应脑区的HRF的形状。但是在实践过程中，很多研究都会使用经典HRF，也就是canonical HRF，并且假设所有脑区的HRF都是一个形状的。这样做当然是可以简化整个数据分析，但是会有多大的影响呢？我相信一定是有人研究过使用和不使用经典HRF对于同一个实验的实验结果会有多大的影响的。

就算是你拿到了大脑数据，你要分析数据，让数据说出个意义出来，整个统计过程中都有很多的陷阱，也有很多的方法。有些人使用GLM，有些人使用MVPA，有些人觉得机器学习、深度网络才是高级货，所以一定要用这种高级货分析大脑数据才是正道。

我觉得这篇文章最好的地方在于，他们提醒每一个进行fMRI研究的人：不要轻易地以为你这么做就是对的。现在我展现给你看，你可以错得多离谱。这并不是说现在已有的每一个研究者都错得这么离谱，但是给大家上个警钟是很重要的。

fMRI现在作为人类大脑研究中的烫手的山芋，什么人都想进来参一脚。这其实是一件非常糟糕的事情。最早一批进行fMRI实验的人，因为是开创者，他们反而会对整个工具的正确性更加谨慎。而后来加入的人，尤其是一些心理学背景，以及其他社会科学背景的人，会把这个工具完全工具化，而不去学习如何正确地使用这个工具。作为一个心理学背景出身的人，我是知道学这种工具的过程中，遇到的那些数学、物理什么的是多么的难懂。老实说，从功利和实际操作的角度，我当然是愿意找到一本手册，然后手册上说我应该要怎么做，我就怎么做。实际上，这也是不少心理学实验室现在教授fMRI的方法。当然，我就不展开说：更有甚者，整个实验是的fMRI分析都建立在某个曾经大师兄或者大师姐一般的人物写的一套程序，然后做完实验就把数据丢进去，把整个分析作为一个黑箱，然后看输出。