[논문 리뷰] Functional Principal Components Analysis of Spatially Correlated Data

Chong Liu, Surajit Ray외 1명|arXiv (Cornell University)|2014. 11. 17.

Geochemistry and Geologic Mapping인용 수 5

한 줄 요약

이 논문은 기능적 데이터의 공간 상관관계를 추정하는 공간적 주성분 분석 조건부 기대값(SPACE) 프레임워크를 제안한다. 이는 공간적으로 상관된 오차 구조를 통해 기능적 주성분(fPC) 점수를 추정함으로써 기능적 데이터의 공간 상관관계를 모델링한다. 이 방법은 흩어진, 불규칙하게 관측된 데이터에서 곡선 복원을 향상시키며, 비대칭 매테른 상관관계를 사용하여 공간적 의존성을 명시적으로 모델링함으로써 독립 곡선 방법보다 우수한 성능을 보이며, 약간의 상관관계 조건 하에서도 점근적 효율성을 유지한다.

ABSTRACT

This paper focuses on the analysis of spatially correlated functional data. The between-curve correlation is modeled by correlating functional principal component scores of the functional data. We propose a Spatial Principal Analysis by Conditional Expectation framework to explicitly estimate spatial correlations and reconstruct individual curves. This approach works even when the observed data per curve are sparse. Assuming spatial stationarity, empirical spatial correlations are calculated as the ratio of eigenvalues of the smoothed covariance surface $Cov(X_i(s),X_i(t))$ and cross-covariance surface $Cov(X_i(s), X_j(t))$ at locations indexed by $i$ and $j$. Then a anisotropy Matérn spatial correlation model is fit to empirical correlations. Finally, principal component scores are estimated to reconstruct the sparsely observed curves. This framework can naturally accommodate arbitrary covariance structures, but there is an enormous reduction in computation if one can assume the separability of temporal and spatial components. We propose hypothesis tests to examine the separability as well as the isotropy effect of spatial correlation. Simulation studies and applications of empirical data show improvements in the curve reconstruction using our framework over the method where curves are assumed to be independent. In addition, we show that the asymptotic properties of estimates in uncorrelated case still hold in our case if 'mild' spatial correlation is assumed.

연구 동기 및 목표

• 기존 기능적 주성분 분석(fPCA) 방법이 독립 곡선을 가정하는 한계를 해결하기 위해, 공간 상관관계가 있는 데이터에서는 종종 현실적이지 않은 가정을 제거한다.
• 특히 곡선 당 관측 수가 적고 불규칙하게 분포된 경우, 기능적 곡선 간의 공간적 의존성을 명시적으로 모델링하는 프레임워크를 개발한다.
• PACE(조건부 기대값을 통한 주성분 분석) 방법을 기능적 데이터 분석에서 공간 상관관계를 통합할 수 있도록 확장한다.
• 기능적 데이터의 공간 상관 구조에서 분리 가능성과 등방성에 대한 귀무가설 검정을 제공한다.
• 약간의 공간 상관관계 가정 하에서도 fPCA의 점근적 효율성과 수렴 성질을 유지한다.

제안 방법

• 기능적 데이터의 스무딩된 공분산 및 교차공분산 표면의 고유값 비율을 통해 경험적 공간 상관관계를 추정한다.
• 경험적 공간 상관관계에 비대칭 매테른 공간 상관 모델을 적합시켜 공간 상관 구조의 방향성 의존성과 기울임을 포착한다.
• 지역 선형 스무딩을 사용하여 서로 다른 공간 위치에 있는 곡선 간의 교차공분산 표면를 추정함으로써 흩어진 관측 곡선의 복원을 가능하게 한다.
• 조건부 기대값을 적용하여 기능적 주성분(fPC) 점수를 추정하고, PACE를 상관된 곡선으로 확장한다.
• 공간 상관관계 하에서 fPC와 고유함수를 추정하기 위해 스티펠 맨포일드 위에서 제한 최대우도 추정을 시행한다.
• 정규분포 및 카이제곱 근사에 기반하여 재구성된 곡선과 fPC 점수의 점근적 신뢰구간과 동시 신뢰역을 유도한다.

실험 결과

연구 질문

• RQ1 기능적 주성분 분석은 공간 상관관계가 있는 기능적 데이터를 다룰 수 있도록 확장될 수 있는가? 이때 추정 효율성은 유지되는가?
• RQ2 희소하고 불규칙하게 관측된 상황에서 곡선 간의 공간 상관관계를 어떻게 명시적으로 모델링할 수 있는가?
• RQ3 공간 상관관계가 기능적 주성분 추정기의 점근적 성질에 미치는 영향은 무엇인가?
• RQ4 공간 상관 구조가 분리 가능하다는 조건(시간적 요소와 공간적 요소의 곱 형태)은 언제 성립하는가?
• RQ5 기능적 데이터 프레임워크 내에서 분리 가능성과 등방성에 대한 귀무가설 검정을 구성할 수 있는가?

주요 결과

• SPACE 프레임워크는 독립 곡선 fPCA보다 곡선 복원 정확도를 크게 향상시키며, 특히 희소 데이터 설정에서 뚜렷한 성능 향상을 보인다.
• 약간의 공간 상관관계 조건 하에서도 fPC 추정기의 점근적 성질, 예를 들어 수렴 속도가 유지되며, 고전적 fPCA 결과를 확장한다.
• 한 곡선당 관측 수가 유계이고 약간의 공간 의존성이 있는 조건 하에서도 fPC 추정의 최적 비모수 수렴 속도를 유지한다.
• 분리 가능성과 등방성에 대한 귀무가설 검정은 시뮬레이션을 통해 성공적으로 개발되고 검증되었다.
• 비대칭 매테른 상관관계 모델은 지구정보 및 생물학적 데이터에서 흔히 나타나는 방향성과 기울어진 공간 상관 패턴을 효과적으로 포착한다.
• 재구성된 곡선에 대한 점근적 동시 신뢰역은 카이제곱 분위수를 사용하여 유도되었으며, 이는 공동 불확실성을 반영하여 점근적 구간보다 넓다.