Limitations des coefficients de corrélation dans la recherche sur les connectomes fonctionnels et les processus psychologiques

Dans la recherche en neurosciences et en psychologie, le coefficient de corrélation de Pearson est largement utilisé pour la sélection de caractéristiques et l'évaluation des performances des modèles, en particulier dans les études examinant les relations entre l'activité cérébrale et les indices de comportement psychologique. Cependant, lors de la prédiction des processus psychologiques à l'aide de modèles de connectome, le coefficient de corrélation de Pearson présente trois principales limitations : (1) il peine à capturer la complexité des connexions du réseau cérébral ; (2) il reflète de manière inadéquate les erreurs du modèle, notamment en présence de biais systématiques ou d'erreurs non linéaires ; et (3) il manque de comparabilité à travers les ensembles de données, avec une sensibilité élevée à la variabilité des données et aux valeurs aberrantes, ce qui peut déformer les résultats de l'évaluation du modèle. Pour mieux évaluer la performance du modèle, il est crucial de combiner plusieurs métriques d'évaluation, telles que l'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (MSE), qui capturent différents aspects de la qualité du modèle. De plus, des comparaisons de référence, comme l'utilisation de la valeur moyenne ou d'un modèle de régression linéaire simple (LR), fournissent une référence essentielle pour évaluer la valeur ajoutée des modèles plus complexes. Cette approche offre une analyse plus solide et complète des connectomes fonctionnels et des processus psychologiques.