格兰杰因果分析（Granger Causality Analysis,GCA） 是一种测量脑区之间有效性连接（effective connectivity）的成熟方法。利用多元线性回归分析一个时间序列的过去值是否能正确预测另一个时间序列的当前值，可以用来描述脑区之间的动态影响。GCA被广泛应用于EEG和fMRI研究，以揭示脑区之间的因果效应。

一、GCA优点

它提供了关于影响方向性的信息，因此可以确定哪个区域施加影响或从另一个区域接受影响。

二、计算原理

正负GCA系数分别表示一个脑区的先前活动可以预测另一个脑区当前活动的增加和减少。

(Zang et al., 2012)

使用带符号路径系数揭示了被认为是正态分布的大脑区域之间的格兰杰因果效应。系数的模型为：

三、临床应用

（1）在强迫症中的应用

《Psychological medicine》（2019，2区，IF=5.9）

（2）在重度抑郁症中的应用

《Journal of affective disorders》（2014，2区，IF=4.9）

（3）在无先兆偏头痛中的应用

《The journal of headache and pain》（2021，1区，IF=7.3）