<div dir="ltr"><p class="MsoNormal">Hi all,</p><p class="MsoNormal"><span> </span></p><p class="MsoNormal">I have encountered a rather  peculiar scenario.  My experiment consists of two conditions and
I have ~40 subjects. A standard group-level random-effects analysis t-contrast resulted
in a very significant cluster (p<0.001, cluster size correction p<0.05).
Now, for this cluster and for the same data for each subject I run SVM
classification between two conditions (leave one session out cross-validation). Classification is
done with one dimension (average response of ROI). So, for each subject I get a
hit-rate which I submit to group t-test vs. 0.5. The surprising thing is that even
despite a clear double-dipping, I fail to get beyond chance significant
decoding in this cluster (hit-rate is only ~0.51-0.52). How this can be? Because
classification does not care about direction of a difference, I thought that it
should be always more sensitive than a directional comparison of activations. Thinking
and simulating lead me to think that it is probably not a bug. Consider an
extreme case, that in every one of my subjects condition_1  is slightly above condtion_2. Group t-test
will show highly significant difference. But in individual classification, my
prediction will fluctuate around 0.5 with a slight above 0.5 bias, that would not
be enough to reach significance above 0.5 at group level. Indeed, in case of my
ROI, for 90% of the subjects the difference was in one direction.  Does all this make sense to you? If so, what
does it tell us about reliability of a standard random-effects group level
analysis.</p><p class="MsoNormal"><span> </span></p><p class="MsoNormal">Many thanks,</p><p class="MsoNormal">









</p><p class="MsoNormal">Vadim</p></div>