[논문 리뷰] Kronecker product linear exponent AR(1) correlation structures and separability tests for multivariate repeated measures

Sean L. Simpson, Lloyd J. Edwards외 2명|arXiv (Cornell University)|2010. 10. 21.

Statistical Methods and Inference참고 문헌 37인용 수 4

한 줄 요약

이 논문은 다변량 반복 측정 데이터에 대해 크로네커 곱 선형 지수 AR(1) (LEAR) 상관 구조를 제안하여 종단적 영상 연구에서 시공간적 상관 구조를 탄력적이고 효율적으로 모델링할 수 있도록 한다. 고차원, 저표본 크기 데이터에 대해 계산적으로 실현 가능한 분리 가능성 검정을 도입하여 정신분열증 환자의 캐우다트 형태학적 연구에서 기존 모델보다 향상된 적합도를 보였다.

ABSTRACT

Longitudinal imaging studies have moved to the forefront of medical research due to their ability to characterize spatio-temporal features of biological structures across the lifespan. Credible models of the correlations in longitudinal imaging require two or more pattern components. Valid inference requires enough flexibility of the correlation model to allow reasonable fidelity to the true pattern. On the other hand, the existence of computable estimates demands a parsimonious parameterization of the correlation structure. For many one-dimensional spatial or temporal arrays, the linear exponent autoregressive (LEAR) correlation structure meets these two opposing goals in one model. The LEAR structure is a flexible two-parameter correlation model that applies in situations in which the within-subject correlation decreases exponentially in time or space. It allows for an attenuation or acceleration of the exponential decay rate imposed by the commonly used continuous-time AR(1) structure. Here we propose the Kronecker product LEAR correlation structure for multivariate repeated measures data in which the correlation between measurements for a given subject is induced by two factors. We also provide a scientifically informed approach to assessing the adequacy of a Kronecker product LEAR model and a general unstructured Kronecker product model. The approach provides useful guidance for high dimension, low sample size data that preclude using standard likelihood based tests. Longitudinal medical imaging data of caudate morphology in schizophrenia illustrates the appeal of the Kronecker product LEAR correlation structure.

연구 동기 및 목표

• 고차원이고 저표본 크기인 다변량 종단적 영상 데이터에서 탄력적이면서도 효율적인 상관 구조가 필요한 문제를 해결한다.
• 복잡한 시공간적 의존 패턴을 포착하는 데에 한계가 있는 표준 AR(1) 및 비구조적 상관 모델의 한계를 극복한다.
• 고차원 반복 측정에서 모델 적합도와 분리 가능성 평가를 위한 계산적으로 실현 가능한 방법을 개발한다.
• 저표본 크기, 고차원 설정에서 실현 불가능한 최대우도 기반 검정에 대한 과학적으로 타당한 대안을 제공한다.
• 실제 신경영상 데이터에서 제안된 모델의 유용성을 입증한다. 특히 정신분열증에서의 형태학적 변화를 연구하는 데에 중점을 둔다.

제안 방법

• 시간과 공간 또는 다변량 특성에 대해 각각 LEAR 상관 행렬을 조합하는 크로네커 곱 구조를 제안하여 복잡한 상관 패턴을 분리 가능한 방식으로 모델링한다.
• 표준 AR(1)을 일반화한 선형 지수 AR(1) (LEAR) 구조를 활용하여 기저 상관과 감쇠 가속도 파라미터 두 개를 통해 비일정한 감쇠 속도를 허용한다.
• 제안된 크로네커 곱 LEAR 모델과 일반적인 비구조적 크로네커 곱 모델 간의 차이를 바탕으로 한 검정 통계량을 구성하여 모델 적합도를 평가한다.
• 기하학적 분포에 의존하지 않는 순열 기반 접근법을 적용하여 고차원, 저표본 크기 설정에서 신뢰할 수 없는 점근적 분포에 의존하지 않도록 한다.
• 데이터가 분리 가능한 상관 구조를 지닐 수 있는지 여부를 검정하여 모델 복잡도를 낮추되 적합도를 유지할 수 있도록 한다.
• 시뮬레이션 연구를 수행하고, 정신분열증 환자에서의 캐우다트 형태학적 종단적 MRI 데이터에 방법을 적용하여 성능을 검증한다.

실험 결과

연구 질문

• RQ1 크로네커 곱 LEAR 상관 구조는 복잡한 시공간적 상관 패턴을 가진 다변량 반복 측정 데이터를 효과적으로 모델링할 수 있는가?
• RQ2 제안된 분리 가능성 검정은 고차원, 저표본 크기 설정에서 최대우도 검정에 대한 신뢰할 수 있는 대안을 제공하는가?
• RQ3 실제 신경영상 데이터에서 LEAR 구조는 표준 AR(1) 및 비구조적 상관 모델보다 얼마나 잘 적합되는가?
• RQ4 크로네커 곱 구조는 진정한 상관 구조를 유지하면서 모델의 효율성(파라미터 수 감소)을 얼마나 향상시키는가?
• RQ5 소규모 표본에서 흔히 발생하는 분포 가정 위반에 대해 제안된 검정은 얼마나 강인한가?

주요 결과

• 정신분열증 환자에서의 캐우다트 형태학적 데이터에서 크로네커 곱 LEAR 모델이 표준 AR(1) 및 비구조적 모델보다 유의미하게 더 높은 적합도를 보였다.
• 제안된 분리 가능성 검정은 데이터에서 유효한 크로네커 곱 구조를 성공적으로 식별하여 모델의 효율성은 유지하면서도 적합도 손실 없이 모델 복잡도를 낮추는 데 기여했다.
• 순열 기반 검정은 고차원, 저표본 크기 시뮬레이션에서 적절한 제1종 오류 비율을 유지하고 양호한 검정력을 보였다.
• LEAR 구조는 지수 감쇠가 아닌 비선형 감쇠 속도를 허용하여 시간에 따라 상관 감쇠가 가속되거나 감속되는 패턴을 더 탄력적으로 포착할 수 있었다.
• 표준 최대우도 기반 추론이 고차원성으로 인해 실현 불가능한 실제 신경영상 데이터에서 본 방법은 실용적인 유용성을 입증하였다.
• 결과적으로 크로네커 곱 LEAR 모델은 종단적 영상 연구에서 복잡한 상관 구조를 모델링하기 위한 실현 가능하고 탄력적인 대안임을 시사한다.