[論文レビュー] Review of Functional Data Analysis

Jane-Ling Wang, Jeng‐Min Chiou+1 more|arXiv (Cornell University)|Jul 18, 2015

Time Series Analysis and Forecasting参考文献 148被引用数 96

ひとこと要約

本稿は、関数データ解析（FDA）について包括的なレビューを提供し、曲線や関数の形をとるデータを分析するためのコアな技術、たとえば関数的主成分分析（FPCA）や関数的線形回帰に焦点を当てる。次元削減、ノンパラメトリックスムージング、および時間ずれや経験的微分方程式のような新たな非線形モデルを強調し、密なおよび疎な関数的データを統一的な枠組みで分析する手法を提示する。応用分野には縦断的研究や画像解析が含まれる。

ABSTRACT

With the advance of modern technology, more and more data are being recorded continuously during a time interval or intermittently at several discrete time points. They are both examples of "functional data", which have become a prevailing type of data. Functional Data Analysis (FDA) encompasses the statistical methodology for such data. Broadly interpreted, FDA deals with the analysis and theory of data that are in the form of functions. This paper provides an overview of FDA, starting with simple statistical notions such as mean and covariance functions, then covering some core techniques, the most popular of which is Functional Principal Component Analysis (FPCA). FPCA is an important dimension reduction tool and in sparse data situations can be used to impute functional data that are sparsely observed. Other dimension reduction approaches are also discussed. In addition, we review another core technique, functional linear regression, as well as clustering and classification of functional data. Beyond linear and single or multiple index methods we touch upon a few nonlinear approaches that are promising for certain applications. They include additive and other nonlinear functional regression models, such as time warping, manifold learning, and dynamic modeling with empirical differential equations. The paper concludes with a brief discussion of future directions.

研究の動機と目的

• 関数的データを扱う研究者を対象に、関数データ解析（FDA）の包括的概要を提供すること。
• 高次元的、連続的、または疎に観測された関数的データが引き起こす課題に、ノンパラメトリックおよびセミパラメトリック手法を用いて対処すること。
• 柔軟で滑らかなモデリング手法を統合することで、従来の縦断的データ解析とFDAの間のギャップを埋めること。
• 神経画像解析やゲノム研究における応用を含め、高次元関数的データ、多次元および空間的にインデックスされた関数的データ、およびFDAにおける新たな動向を強調すること。
• 最適な成分選択、チューニングパrameterの選定、および関数的データ解析における外れ値へのロバスト性といった、未解決の問題を特定すること。

提案手法

• 特に疎なデータ設定において特に有効な、関数的データの主な次元削減ツールとして関数的主成分分析（FPCA）を用いる。
• 平均関数および共分散関数の推定にノンパラメトリックスムージング技術を適用し、正則化を実現し、次元の呪いを克服する。
• 関数的予測子とスカラーまたは関数的応答の関係をモデル化するための関数的線形回帰モデルを採用し、古典的線形モデルを無限次元設定に拡張する。
• 時間ずれや経験的微分方程式による非線形拡張（関数的加法モデル、動的モデリングなど）を導入し、複雑なシステムダイナミクスを捉える。
• 予測子の相関構造に基づいて低次元ドメインに埋め込むことで、高次元予測子データを関数的形に変換するためのストリング法（Stringing method）を用いる。
• 滑らかさを仮定する確率過程（例：$L^2$プロセス）として関数的データを実現とみなすために、スムージングおよびヒルベルト空間技術を適用する。

実験結果

リサーチクエスチョン

• RQ1 疎または不規則にサンプリングされた関数的データは、次元削減技術を用いてどのように効果的にモデリングされ、補完されるか？
• RQ2 関数的データ解析における平均関数および共分散関数の推定に最も効果的なノンパラメトリックおよびセミパラメトリック手法は何か？
• RQ3 時間ずれや経験的微分方程式のような非線形ダイナミクスを扱うために、関数的線形モデルはどのように拡張可能か？
• RQ4 高次元の予測子データは、効率的な次元削減および回帰分析を可能にするために、どのように関数的形に変換できるか？
• RQ5 特に成分選択、チューニングパrameter、外れ値へのロバスト性に関する点で、FDAにおける主な課題と未解決問題は何か？

主な発見

• 関数的主成分分析（FPCA）は、疎に観測された関数的データの効果的な補完を可能にする強力な次元削減技術である。
• ノンパラメトリックスムージングおよび$L^2$プロセスにおける滑らかさの仮定により、正則化が可能となり、密なサンプリング下でパラメトリックな$√{n}$収束レートを達成する。
• 関数的線形回帰は、関数的予測子を用いてスカラーまたは関数的応答をモデル化するための柔軟な枠組みを提供し、スムージングによる一貫した推定が可能である。
• 時間ずれや経験的微分方程式のような非線形モデルは、複雑なダイナミカルシステムを捉えることができ、個々の軌道が「計画通りに進行しているか」を評価するのにも有用である。
• ストリング法は、相関距離に基づくドメインへの埋め込みにより、相関の高い高次元予測子を関数的形に効果的に変換し、関数的回帰を可能にする。
• 神経画像や多次元関数的データのような次世代の関数的データは、ますます重要性を増しており、特に依存構造や空間的インデックスのモデリングにおいて新たな課題を提起している。