<div dir="ltr">Thank you so much Richard! This was super helpful!<br>One last question, do you know if the averaging can be done using the command line without sparse ROI's? Maybe by using --scatter-rois 0? or is it the default regardless to the input of scatter-rois?<br><br>And just to make sure I understand the scatter option: by using the same value here and in the neighborhood size  the value of a centroid in the original map is simply the accuracy of it's neighborhood since a centroid of a calculated neighborhood can never(?) be a part of a different neighborhood? <div><br>On Wed, Aug 12, 2015 at 5:36 PM, Roni Maimon <<a href="mailto:ronimaimon@gmail.com">ronimaimon@gmail.com</a>> wrote:<br>><br>> Yaroslav, Thank you very much for the input.<br>><br>> Richard, in the code you referred to it is stated: <br>> "The values mapped onto each voxel represent the mean accuracy across all classification (spheres)<br>><br>> a voxel was included in."<br>><br>><br>> How is this achieved? I scanned the code and nothing popped out but I must be missing something.<br>> Thanks!<br>><br>><br>><br>> On Wed, Aug 12, 2015 at 3:05 AM, Roni Maimon <<a href="mailto:ronimaimon@gmail.com">ronimaimon@gmail.com</a>> wrote:<br>>><br>>> So the full design is I have 4 conditions in 8 runs. 5 blocks of each condition in each run.<br>>> All runs have all the conditions but I'm interested only in two classifications and the differences between these classifications.<br>>> The order of trials is different across runs.<br>>> Some recommend I only permute the labels within runs, is this what you're referring to? Is there a quick way to do that in pyMVPA?<br>>><br>>> On Wed, Aug 12, 2015 at 2:14 AM, Roni Maimon <<a href="mailto:ronimaimon@gmail.com">ronimaimon@gmail.com</a>> wrote:<br>>>><br>>>> Hi, <br>>>><br>>>> Yaroslav  and Richard, thank you so much for the quick and very helpful reply!<br>>>><br>>>> Though I only received it through the daily summary, so I am sure this is the wrong way to reply.<br>>>><br>>>> Yaroslav, regarding the permutator "dance", is it necessary in cases where I have several betas in each run?  <br>>>><br>>>> Thanks again for all the help.<br>>>><br>>>><br>>>> On Tue, Aug 11, 2015 at 8:18 PM, Roni Maimon <<a href="mailto:ronimaimon@gmail.com">ronimaimon@gmail.com</a>> wrote:<br>>>>><br>>>>> Hi all,<br>>>>> I'm rather new to pyMVPA and I would love to get your help and feedback.<br>>>>> I'm trying do understand the different procedures of statistical inference, I can achieve for whole brain searchlight analysis, using pyMVPA.<br>>>>><br>>>>> I started by implementing the inference at the subject level (attaching the code). Is this how I'm supposed to evaluate the p values of the classifications for a single subject? What is the differences between adding the null_dist to the sl level and the cross validation level?<br>>>>> My code:<br>>>>> clf  = LinearCSVMC()<br>>>>> splt = NFoldPartitioner(attr='chunks')<br>>>>><br>>>>> repeater = Repeater(count=100)<br>>>>> permutator = AttributePermutator('targets', limit={'partitions': 1}, count=1) <br>>>>> null_cv = CrossValidation(clf, ChainNode([splt, permutator],space=splt.get_space()),<br>>>>>                           postproc=mean_sample())<br>>>>> null_sl = sphere_searchlight(null_cv, radius=3, space='voxel_indices',<br>>>>>                              enable_ca=['roi_sizes'])<br>>>>> distr_est = MCNullDist(repeater,tail='left', measure=null_sl,<br>>>>>                        enable_ca=['dist_samples'])<br>>>>><br>>>>> cv = CrossValidation(clf,splt, <br>>>>>                      enable_ca=['stats'], postproc=mean_sample() )<br>>>>> sl = sphere_searchlight(cv, radius=3, space='voxel_indices',<br>>>>>                         null_dist=distr_est,<br>>>>>                         enable_ca=['roi_sizes'])<br>>>>> ds = glm_dataset.copy(deep=False,<br>>>>>                        sa=['targets','chunks'],<br>>>>>                        fa=['voxel_indices'],<br>>>>>                        a=['mapper'])<br>>>>> sl_map = sl(ds)<br>>>>> p_values = distr_est.cdf(sl_map.samples) # IS THIS THE RIGHT WAY??<br>>>>><br>>>>> Is there a way to make sure the permutations are exhaustive?<br>>>>> In order to make an inference on the group level I understand I can use GroupClusterThreshold.<br>>>>> Does anyone have a code sample for that? Do I use the MCNullDist's created at the subject level?<br>>>>><br>>>>> Thanks,<br>>>>> Roni.<br>>>><br>>>><br>>><br>><br></div></div>