A critical component of any statistical modeling procedure is the ability to assess the goodness-of-fit between a model and observed data. For spike train models of individual neurons, many goodness-of-fit measures rely on the time-rescaling theorem and assess model quality using rescaled spike times. Recently, there has been increasing interest in statistical models that describe the simultaneous spiking activity of neuron populations, either in a single brain region or across brain regions. Classically, such models have used spike sorted data to describe relationships between the identified neurons, but more recently clusterless modeling methods have been used to describe population activity using a single model. Here we develop a generalization of the time-rescaling theorem that enables comprehensive goodness-of-fit analysis for either of these classes of population models. We use the theory of marked point processes to model population spiking activity, and show that under the correct model, each spike can be rescaled individually to generate a uniformly distributed set of events in time and the space of spike marks. After rescaling, multiple well-established goodness-of-fit procedures and statistical tests are available. We demonstrate the application of these methods both to simulated data and real population spiking in rat hippocampus. We have made the MATLAB and Python code used for the analyses in this paper publicly available through our Github repository at https://github.com/Eden-Kramer-Lab/popTRT.

中文翻译：

---

使用标记点过程时间缩放的神经人口模型的通用拟合优度框架。

任何统计建模程序的关键组成部分是评估模型与观察数据之间拟合优度的能力。对于单个神经元的尖峰训练模型，许多拟合优度度量都依赖于时间重定性定理，并使用重定标度的尖峰时间评估模型质量。近来，对描述单个脑区域或跨脑区域的神经元群体的同时尖峰活动的统计模型的兴趣日益增加。传统上，此类模型使用尖峰排序数据来描述所识别的神经元之间的关系，但是最近使用无簇建模方法使用单个模型来描述种群活动。在这里，我们开发了时间重定性定理的一般化，可以对这两种人口模型中的任一个进行全面的拟合优度分析。我们使用标记点过程的理论来模拟种群尖峰活动，并表明在正确的模型下，每个尖峰都可以单独重新缩放，以在时间和尖峰标记的空间中生成事件的均匀分布集合。重新缩放后，可以使用多种完善的拟合优度程序和统计测试。我们展示了这些方法在大鼠海马中的模拟数据和实际种群峰值的应用。我们已经通过Github存储库（https://github.com/Eden-Kramer-Lab/popTRT）公开提供了用于本文分析的MATLAB和Python代码。我们使用标记点过程的理论来模拟种群尖峰活动，并表明在正确的模型下，每个尖峰都可以单独重新缩放，以在时间和尖峰标记的空间中生成事件的均匀分布集合。重新缩放后，可以使用多种完善的拟合优度程序和统计测试。我们展示了这些方法在大鼠海马中的模拟数据和实际种群峰值的应用。我们已通过Github存储库（位于https://github.com/Eden-Kramer-Lab/popTRT）公开提供了用于本文分析的MATLAB和Python代码。我们使用标记点过程的理论对种群峰值活动进行建模，并表明在正确的模型下，每个峰值都可以单独重新缩放以生成时间和峰值标记空间的均匀分布的事件集。重新缩放后，可以使用多种完善的拟合优度程序和统计测试。我们展示了这些方法在大鼠海马中的模拟数据和实际种群峰值的应用。我们已通过Github存储库（位于https://github.com/Eden-Kramer-Lab/popTRT）公开提供了用于本文分析的MATLAB和Python代码。每个尖峰可以单独重新缩放，以生成时间和尖峰标记空间均匀分布的事件集。重新缩放后，可以使用多种完善的拟合优度程序和统计测试。我们展示了这些方法在大鼠海马中的模拟数据和实际种群峰值的应用。我们已通过Github存储库（位于https://github.com/Eden-Kramer-Lab/popTRT）公开提供了用于本文分析的MATLAB和Python代码。每个尖峰可以单独缩放，以生成时间和尖峰标记空间均匀分布的事件集。重新缩放后，可以使用多种完善的拟合优度程序和统计测试。我们展示了这些方法在大鼠海马中的模拟数据和实际种群峰值的应用。我们已通过Github存储库（位于https://github.com/Eden-Kramer-Lab/popTRT）公开提供了用于本文分析的MATLAB和Python代码。