[논문 리뷰] Derivative Principal Component Analysis for Representing the Time Dynamics of Longitudinal and Functional Data

Xiongtao Dai, Hans‐Georg Müller외 1명|arXiv (Cornell University)|2017. 07. 14.

Statistical Methods and Inference참고 문헌 18인용 수 6

한 줄 요약

이 논문은 유한한 관측 설계에서 균일하게 작동하는 비모수적 방법인 도함수 주성분 분석(Derivative Principal Component Analysis, DPCA)을 소개한다. DPCA는 부드러운 종속적 및 기능적 데이터의 도함수를 카르누넨-뢰브 전개를 통해 직접 모델링하고 표현한다. 이 방법은 표준 기능적 주성분 분석(FPCA)보다 역동성을 더 정확하게 표현하는 도함수 주성분 점수(DPCs)를 제공하며, 특히 관측이 희박하거나 성분 수가 적을 경우 유리하다. 또한, 이론적으로는 미세한 정규성 조건 하에 통일된 희박 및 조밀 관측 설계에서 일致성과 최적 수렴 속도를 달성한다.

ABSTRACT

We propose a nonparametric method to explicitly model and represent the derivatives of smooth underlying trajectories for longitudinal data. This representation is based on a direct Karhunen--Loève expansion of the unobserved derivatives and leads to the notion of derivative principal component analysis, which complements functional principal component analysis, one of the most popular tools of functional data analysis. The proposed derivative principal component scores can be obtained for irregularly spaced and sparsely observed longitudinal data, as typically encountered in biomedical studies, as well as for functional data which are densely measured. Novel consistency results and asymptotic convergence rates for the proposed estimates of the derivative principal component scores and other components of the model are derived under a unified scheme for sparse or dense observations and mild conditions. We compare the proposed representations for derivatives with alternative approaches in simulation settings and also in a wallaby growth curve application. It emerges that representations using the proposed derivative principal component analysis recover the underlying derivatives more accurately compared to principal component analysis-based approaches especially in settings where the functional data are represented with only a very small number of components or are densely sampled. In a second wheat spectra classification example, derivative principal component scores were found to be more predictive for the protein content of wheat than the conventional functional principal component scores.

연구 동기 및 목표

• 종속적 및 기능적 데이터에서 부드러운 기저 궤적의 도함수를 모델링하고 표현하기 위한 비모수적 방법을 개발하는 것.
• 기능적 주성분 분석(FPCA)이 함수 표현을 목표로 하므로 도함수 추정에서의 한계를 해결하는 것.
• 희박 및 조밀 관측 설계를 통합적으로 다룰 수 있도록 도함수 과정의 카르누넨-뢰브 전개를 직접 모델링함으로써 통합적 프레임워크를 제공하는 것.
• 희박 및 조밀 관측 설계에서 DPC 추정치의 일관성과 점근적 수렴 속도를 미세한 정규성 조건 하에 유도하는 것.
• 모의 실험 및 실제 데이터에서 FPCA 기반 방법에 비해 도함수 복원 정확도와 예측 성능 향상을 입증하는 것.

제안 방법

• 시간 역동성을 모델링하기 위해 관측되지 않은 도함수 과정의 직접적인 카르누넨-뢰브 전개를 제안한다.
• 모든 주체에서 데이터를 통합하여 희박한 상황에서 추정 성능을 향상시키는 최적의 선형 무편향 예측(BLUP)을 통해 도함수 주성분 점수(DPCs)를 추정한다.
• 도함수 과정의 공분산 함수의 스펙트럼 분해를 통해 도함수 궤적의 고유함수와 고유값을 추정한다.
• 데이터 재형식화가 필요 없이 희박 및 조밀 관측 설계를 모두 처리할 수 있는 통합 추정 체계를 적용한다.
• 노이즈가 있는 비등간격 측정치로부터 도함수 과정의 공분산 함수를 비모수적 스무딩 방법으로 추정한다.
• 희박 및 조밀 관측 설계에 대해 단일 프레임워크 내에서 DPC 및 관련 구성요소의 이론적 일관성과 수렴 속도를 도출한다.

실험 결과

연구 질문

• RQ1 종속적 자료에서 FPCA 기반 방법에 비해 도함수 과정의 직접적인 카르누넨-뢰브 표현이 도함수 추정 정확도를 향상시키는가?
• RQ2 자료가 희박하거나 비등간격으로 측정될 경우 도함수 주성분 점수(DPCs)는 진짜 기저 도함수를 얼마나 잘 복원하는가?
• RQ3 통일된 희박 및 조밀 관측 설계 하에서 DPC 추정치의 이론적 일관성과 수렴 속도는 무엇인가?
• RQ4 DPCA는 스펙트럼 데이터에서 밀가루 단백질 함량을 분류하는 예측 모델링 과제에서 FPCA를 능가하는가?
• RQ5 BLUP 기반 DPC 추정 방법은 측정 오차와 희박성에 대해 다른 도함수 추정 기법에 비해 얼마나 강인한가?

주요 결과

• DPCA는 기능적 자료가 소수의 성분으로만 표현되거나 조밀하게 측정될 경우 FPCA 기반 접근보다 기저 도함수를 더 정확히 복원한다.
• 실제 분류 예제에서 도함수 주성분 점수(DPCs)는 전통적인 기능적 주성분 점수보다 밀가루 단백질 함량을 더 잘 예측하는 것으로 나타났다.
• 제안된 방법은 희박 및 조밀 관측에 대해 통일된 프레임워크 내에서 DPC 추정치의 일관성과 최적 수렴 속도를 달성한다.
• 이론적 결과에 따르면 DPC의 추정 오차는 $ O( ext{max}(a_n, b_n)) $ 의 속도로 수렴하며, $ a_n $ 과 $ b_n $ 은 각각 관측 밀도와 측정 노이즈를 조절한다.
• 와라비 성장 곡선 응용에서 DPCA는 특히 저랭크 설정에서 FPCA보다 도함수 역동성을 더 잘 재구성했다.
• BLUP 기반 DPC 추정 방법은 주체 간 강도를 빌려다 쓰며, 개별 궤적의 측정 오차와 희박성에 민감도를 낮춘다.