Estimation bayésienne de la régression principale assistée par covariates pour la connectivité fonctionnelle cérébrale

Résumé Cet article présente une reformulation bayésienne de la régression principale assistée par covariates pour les résultats de matrices de covariance afin d'identifier des composants de faible dimension dans la covariance associée aux covariates. En introduisant une approche géométrique aux matrices de covariance et en tirant parti de la géométrie euclidienne, nous estimons les paramètres de réduction de dimension et modélisons l'hétérogénéité de la covariance en fonction des covariates. Cette méthode permet l'estimation conjointe et la quantification de l'incertitude des paramètres de modèle pertinents associés à l'hétéroscédasticité. Nous démontrons notre approche à travers des études de simulation et l'appliquons pour analyser les associations entre les covariates et la connectivité fonctionnelle cérébrale en utilisant des données du Human Connectome Project.