Revisit permutation test methodology
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 25/100
Línea de trabajo
Comienza revisando los métodos de pruebas de permutación discutidos en #101 y compara la implementación de PyMARE con el procedimiento permuted_ols de Nilearn. Investiga si paralelizar entre conjuntos de datos es apropiado para cargas de trabajo de neuroimagen y cómo debería diferir el preprocesamiento para las variables objetivo, las variables sometidas a prueba y las variables de confusión. La tarea se considerará completada cuando exista una metodología acordada antes de la implementación.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
In working on #101, I've come across a few things in the permutation test methods that confuse me.
First, the permutation tests loop over datasets and parallelize across permutations. This makes sense in a non-imaging context, when you won't have many, if any, parallel datasets. However, in neuroimaging meta-analyses, you'll typically have many more parallel datasets (e.g., voxels) than permutations. Would it make sense to flip the approach in PyMARE, or would that cause too many problems for non-imaging meta-analyses?
Second, I'm comparing PyMARE's approach to Nilearn's permuted_ols function. I've noticed that there are a few steps in Nilearn's procedure that aren't in PyMARE, including some preprocessing done on the target_vars (y), tested_vars (X), and confounding_vars (also X). Should we (1) adopt this step and/or (2) treat confounding variables differently from tested variables?
- Lenguaje dominante
- Python
- Estrellas
- 58
- Forks
- 16
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de neurostuff/PyMARE
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 86/100
neurostuff/PyMARE#143 ·
-
enhancement: adding to condaAbierto
Dificultad 4/5 3-5 días Aptitud para principiantes 45/100
neurostuff/PyMARE#122 ·
-
bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 52/100
neurostuff/PyMARE#115 ·
-
breaking-change enhancement
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
neurostuff/PyMARE#103 · 1 comentario ·
-
breaking-change enhancement
Dificultad 5/5 Más de una semana Aptitud para principiantes 30/100
neurostuff/PyMARE#101 ·
Todos los issues de neurostuff/PyMARE
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 86/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-2 días Aptitud para principiantes 70/100
-
FingerprintSplitter raises ZeroDivisionError when int(frac_train * len(dataset)) floors to zeroAbierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 88/100
Los mantenedores suelen responder en 7 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
lmstudio-ai/mlx-engine#376 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
pyiron/bagofholding#166 ·