Cognition and behavior emerge from brain network interactions, suggesting that causal interactions should be central to the study of brain function. Yet, approaches that characterize relationships among neural time series—functional connectivity (FC) methods—are dominated by methods that assess bivariate statistical associations rather than causal interactions. Such bivariate approaches result in substantial false positives because they do not account for confounders (common causes) among neural populations. A major reason for the dominance of methods such as bivariate Pearson correlation (with functional MRI) and coherence (with electrophysiological methods) may be their simplicity. Thus, we sought to identify an FC method that was both simple and improved causal inferences relative to the most popular methods. We started with partial correlation, showing with neural network simulations that this substantially improves causal inferences relative to bivariate correlation. However, the presence of colliders (common effects) in a network resulted in false positives with partial correlation, although this was not a problem for bivariate correlations. This led us to propose a new combined FC method (combinedFC) that incorporates simple bivariate and partial correlation FC measures to make more valid causal inferences than either alone. We release a toolbox for implementing this new combinedFC method to facilitate improvement of FC-based causal inferences. CombinedFC is a general method for FC and can be applied equally to resting-state and task-based paradigms.

认知和行为来自大脑网络交互，这表明因果交互应该是大脑功能研究的核心。然而，表征神经时间序列之间关系的方法——功能连接 (FC) 方法——主要由评估双变量统计关联而不是因果相互作用的方法主导。这种双变量方法会导致大量的误报，因为它们没有考虑神经群体中的混杂因素（常见原因）。双变量 Pearson 相关（使用功能性 MRI）和相干性（使用电生理方法）等方法占主导地位的一个主要原因可能是它们的简单性。因此，我们试图确定一种相对于最流行的方法而言既简单又改进的因果推理的 FC 方法。我们从偏相关开始，神经网络模拟表明，这大大改善了相对于二元相关性的因果推断。然而，网络中碰撞器（常见效应）的存在导致了具有部分相关性的误报，尽管这对于二元相关性来说不是问题。这促使我们提出了一种新的组合 FC 方法 (combinedFC)，该方法结合了简单的双变量和偏相关 FC 测量，以做出比单独使用更有效的因果推断。我们发布了一个工具箱来实现这种新的组合 FC 方法，以促进基于 FC 的因果推理的改进。CombinedFC 是 FC 的通用方法，可以同样应用于静止状态和基于任务的范式。网络中碰撞器（常见效应）的存在导致了具有部分相关性的误报，尽管这对于二元相关性来说不是问题。这导致我们提出了一种新的组合 FC 方法 (combinedFC)，该方法结合了简单的双变量和偏相关 FC 测量，以做出比单独使用更有效的因果推断。我们发布了一个工具箱来实现这种新的组合 FC 方法，以促进基于 FC 的因果推理的改进。CombinedFC 是 FC 的通用方法，可以同样应用于静止状态和基于任务的范式。网络中碰撞器（常见效应）的存在导致了具有部分相关性的误报，尽管这对于二元相关性来说不是问题。这促使我们提出了一种新的组合 FC 方法 (combinedFC)，该方法结合了简单的双变量和偏相关 FC 测量，以做出比单独使用更有效的因果推断。我们发布了一个工具箱来实现这种新的组合 FC 方法，以促进基于 FC 的因果推理的改进。CombinedFC 是 FC 的通用方法，可以同样应用于静止状态和基于任务的范式。这促使我们提出了一种新的组合 FC 方法 (combinedFC)，该方法结合了简单的双变量和偏相关 FC 测量，以做出比单独使用更有效的因果推断。我们发布了一个工具箱来实现这种新的组合 FC 方法，以促进基于 FC 的因果推理的改进。CombinedFC 是 FC 的通用方法，可以同样应用于静止状态和基于任务的范式。这促使我们提出了一种新的组合 FC 方法 (combinedFC)，该方法结合了简单的双变量和偏相关 FC 测量，以做出比单独使用更有效的因果推断。我们发布了一个工具箱来实现这种新的组合 FC 方法，以促进基于 FC 的因果推理的改进。CombinedFC 是 FC 的通用方法，可以同样应用于静止状态和基于任务的范式。