[논문 리뷰] Detecting spatial clusters in functional data: new scan statistic approaches

Camille Frévent, Mohamed‐Salem Ahmed외 2명|arXiv (Cornell University)|2020. 11. 06.

Data-Driven Disease Surveillance참고 문헌 67인용 수 14

한 줄 요약

이 논문은 기능 데이터를 위한 두 가지 새로운 공간 스캔 통계량을 제안한다: 하나는 기능 분산분석 기반이고, 다른 하나는 분포 자유 접근 방식이다. 두 방법 모두 기존의 비모수 기능 스캔 통계량보다 더 작은, 더 정밀한 군집을 탐지하는 데에서 뛰어난 성능을 보이며, 특히 정규 또는 준정규 분포 하에서 뛰어난 성능을 보인다. 특히 분포 자유 방법은 모든 시험된 분포와 군집 유형에서 뛰어난 검정력과 F-측정치를 보였다.

ABSTRACT

We have developed two scan statistics for detecting clusters of functional data indexed in space. The first method is based on an adaptation of a functional analysis of variance and the second one is based on a distribution-free spatial scan statistic for univariate data. In a simulation study, the distribution-free method always performed better than a nonparametric functional scan statistic, and the adaptation of the anova also performed better for data with a normal or a quasi-normal distribution. Our methods can detect smaller spatial clusters than the nonparametric method. Lastly, we used our scan statistics for functional data to search for spatial clusters of abnormal unemployment rates in France over the period 1998-2013 (divided into quarters).

연구 동기 및 목표

• 고차원성과 시간 상관관계를 가지는 연속적인 시간 색인 기능 데이터를 다룰 수 있는 단변량 및 다변량 공간 스캔 통계량의 한계를 해결하기 위해.
• 시간 정보를 유지하면서 기능 데이터에 특화된 모수적 및 비모수적 스캔 통계량을 개발하여 더 높은 민감도로 공간 군집을 탐지하기 위해.
• Smida 등(2020)의 비모수 기능 스캔 통계량(NPFSS)을 개선하기 위해 더 작은, 더 관련성이 높은 군집을 더 높은 통계적 검정력과 정밀도로 탐지할 수 있는 방법을 도입하기 위해.
• 단일 변수 평균화나 다변량 접근 방식에서 발생하는 정보 손실 또는 높은 상관관계로 인해 놓치는 기능 데이터의 공간 군집을 탐지할 수 있도록 하기 위해.
• 다양한 군집 형태(예: 원형, 타원형, 그래프 기반)와 기능 데이터 스무딩 기법을 통한 비동일 관측 시간에 적응 가능한 민감한 프레임워크를 제공하기 위해.

제안 방법

• Cuevas 등(2004)이 도입한 기능 분산분석 F-통계량을 기반으로 한 모수적 기능 공간 스캔 통계량(PFSS)을 제안하며, 잠재적 군집을 평가하기 위해 F-통계량을 집중도 지표로 사용한다.
• Cucala(2014)의 분포 자유 스캔 통계량을 기능 데이터에 적응시켜 분포 자유 기능 공간 스캔 통계량(DFFSS)을 개발하며, 기반 테스트 통계량을 집중도 지표로 사용한다.
• 유의성 수준을 평가하기 위해 몬테카를로 순열 검정을 적용하여 제1종 오류율을 제어한다.
• 비동일한 관측 시간을 처리하기 위해 기능 데이터 스무딩 기법(예: B스플라인 투영)을 사용하여 실세계 데이터셋의 비정규 시간 샘플링에 적용 가능하게 한다.
• 공간 영역 전체에 걸쳐 모든 가능한 원형(또는 다른 형태의) 군집을 평가하는 공간 스캔 절차를 구현하며, 가장 높은 집중도 지표 값을 기반으로 가장 가능성 높은 군집(MLC)을 선택한다.
• 기존의 다변량 기능 분산분석 및 윌콕슨-맨-위트니 검정을 참조하여 다변량 기능 데이터로의 확장을 수행하며, 향후 개발을 위한 길을 제시한다.

실험 결과

연구 질문

• RQ1 기능 분산분석 기반의 모수적 스캔 통계량은 기존 비모수적 방법보다 기능 데이터의 공간 군집을 더 효과적으로 탐지할 수 있는가?
• RQ2 분포 자유 기능 스캔 통계량은 다양한 분포 가정과 군집 형태 하에서 비모수적 및 모수적 대안보다 더 뛰어난 성능을 보일 수 있는가?
• RQ3 제안된 방법들은 작은 군집과 큰 군집을 탐지하는 데 있어 통계적 검정력과 정밀도 측면에서 어떻게 비교되는가?
• RQ4 신규 방법들은 단일 변수 평균화나 다변량 접근 방식에서 발생하는 데이터 손실을 방지하면서 시간 정보를 얼마나 잘 유지하는가?
• RQ5 이 방법들은 실제 데이터셋에서 비정규 관측 시간을 처리하고, 원형 이외의 군집 형태(예: 기하학적으로 긴, 타원형)를 탐지할 수 있도록 적응 가능한가?

주요 결과

• 분포 자유 기능 공간 스캔 통계량(DFFSS)는 정규 분포가 아닌 모든 시뮬레이션 시나리오에서 비모수 기능 스캔 통계량(NPFSS)과 모수적 기능 공간 스캔 통계량(PFSS)를 일관되게 뛰어넘었다.
• PFSS는 NPFSS보다 더 작은 군집을 탐지했으며, 더 높은 F-측정치(정밀도와 재현율 향상)를 기록하여 고공간 해상도가 필요한 응용 분야에 더 적합하다.
• 정규 또는 준정규 분포 하에서는 PFSS가 NPFSS와 유사한 검정력을 확보했지만, 더 작은 국소 군집을 훨씬 더 잘 탐지했다.
• 실제 데이터 적용에서 프랑스 실업률(1998–2013)을 분석한 결과, NPFSS는 중심 프랑스의 40개 지방 자치체를 포함하는 넓은 분포 군집을 탐지했으며, 이는 높은 이질성과 낮은 실업률 지역을 포함해 상대적으로 덜 관련성이 있었다.
• PFSS와 DFFSS는 모두 실업률이 일관되게 높은 동남 프랑스의 7개 지방 자치체로 구성된 더 일관되고 지리적으로 조밀한 군집을 탐지하여 공간 정밀도 향상을 입증했다.
• 모든 방법은 명목상의 제1종 오류율을 유지했으며, 이는 통계적 추론 절차의 타당성을 확인하는 데 기여했고, DFFSS는 짧은 지속 기간 군집(예: 시뮬레이션에서 Δ₃ 케이스) 탐지에서 뛰어난 검정력을 보였다.