[논문 리뷰] Functional robust regression for longitudinal data

Daniel Gervini|arXiv (Cornell University)|2012. 11. 30.

Advanced Statistical Methods and Models참고 문헌 19인용 수 4

한 줄 요약

이 논문은 희박하거나 비등간격으로 관측된 종단적 데이터에 대해 강건한 기능적 회귀 방법을 제안한다. 무작위 효과 모형과 M-추정을 사용하여 이상치에 강건성을 확보한다. 시뮬레이션과 실제 데이터에서 기존의 최소제곱 기능적 회귀보다 성능이 뛰어나며, 비정상적인 곡선이 표준 추정량을 왜곡할 경우에도 신뢰성 있는 결과를 제공한다.

ABSTRACT

We present a robust regression estimator for longitudinal data, which is especially suited for functional data that has been observed on sparse or irregular time grids. We show by simulation that the proposed estimators possess good outlier-resistance properties compared with the traditional functional least-squares estimator. As an example of application, we study the relationship between levels of oxides of nitrogen and ozone in the city of San Francisco.

연구 동기 및 목표

• 원시적이고 비등간격으로 샘플링된 종단적 데이터에 대해 강건한 기능적 회귀 방법의 부족을 해결한다.
• 기능적 회귀에서 효율성과 이상치에 대한 저항력을 유지하면서도 계산이 단순한 방법을 개발한다.
• 자료가 희박하거나 비정상적인 경로를 포함할 경우 기능적 관계의 신뢰성 있는 추정을 가능하게 한다.
• 기능적 데이터 분석과 강건 통계를 혼합 효과 모델링과 융합하는 프레임워크를 제공한다.
• 시뮬레이션과 실제 대기질 데이터 분석을 통해 방법의 타당성을 입증한다.

제안 방법

• 개개인의 주제별 성분 점수를 표현하기 위해 무작위 효과 모형을 사용하여 기능적 선형 회귀를 수립한다.
• 성분 점수에서 이상치를 감소시키기 위해 redescending ρ-함수와 가중치 함수 w(𝒰i)를 사용한 M-추정을 적용한다.
• 기존의 최소제곱 추정량을 대체하여 무작위 효과의 강건한 공분산 추정량을 사용한다.
• 원시적이고 비등간격으로 측정된 관측치로부터 잠재 곡선을 추정하기 위해 스퍼린 스무딩을 활용한다.
• 강건한 우도 기반 추정 함수를 사용하여 회귀 계수(Θ)와 공분산 행렬(Σ)의 추정 방정식을 유도한다.
• 정규성 조건 하에 점근적 분포를 도출하며, 이론적 근거를 위해 공분산 구조가 알려져 있고 고정되어 있다고 가정한다.

실험 결과

연구 질문

• RQ1 희박하거나 비등간격 시간 그리드를 가진 종단적 데이터에서 이상치에 강건한 기능적 회귀 방법을 개발할 수 있는가?
• RQ2 오염된 조건 하에서 제안된 강건한 추정량은 전통적인 기능적 최소제곱 추정량과 비교해 편향과 효율성 측면에서 어떻게 성능을 발휘하는가?
• RQ3 비정상적인 곡선이 포함된 소규모 표본에서 강건한 방법이 유효한 추론(예: 신뢰구간)을 유지하는가?
• RQ4 비등간격 샘플링과 이상치가 존재하는 상황에서도 이 방법이 오염물질(NOx 및 오존) 간의 관계를 신뢰성 있게 모델링할 수 있는가?
• RQ5 실제 응용 상황에서 유한 표본에 대해 강건한 추정량의 점근적 분포가 약간의 타당성을 갖는가?

주요 결과

• 제안된 강건한 회귀 추정량은 특히 비정상적인 곡선이 존재할 경우 기존의 기능적 최소제곱 추정량보다 이상치에 훨씬 더 강건한 것으로 나타났다.
• 시뮬레이션 결과, 강건한 방법은 중간 정도의 오염 수준에서도 낮은 편향과 높은 효율성을 유지함을 입증했다.
• 추정량의 점근적 분포는 소규모 표본에서도 약간의 타당성을 갖추고 있어 신뢰성 있는 추론을 지원한다.
• 오존과 NOx 데이터 분석에서 기존의 추정량은 이상치로 인해 심하게 왜곡되었지만, 강건한 방법은 오염물질 간의 관계를 더 정확하고 안정적으로 제공했다.
• 강건한 주성분 분석에서 유도된 성분 점수와 M-추정을 활용하여 이 방법은 희박하고 비등간격으로 측정된 자료를 효과적으로 처리할 수 있었다.
• Redescending ρ-함수와 가중치 함수 w(𝒰i)의 사용이 극단적인 성분 점수를 효과적으로 감소시켜 모형의 안정성을 향상시켰다.