[논문 리뷰] Review of Functional Data Analysis

Jane-Ling Wang, Jeng‐Min Chiou외 1명|arXiv (Cornell University)|2015. 07. 18.

Time Series Analysis and Forecasting참고 문헌 148인용 수 96

한 줄 요약

이 논문은 곡선 또는 함수 형태로 나타나는 데이터를 분석하기 위한 핵심 기법인 기능적 주성분 분석(FPCA)과 기능적 선형 회귀를 중심으로 기능적 데이터 분석(FDA)에 대한 종합적인 리뷰를 제공한다. 차원 감소, 비모수적 스무딩, 시간 왜곡과 경험적 미분방정식과 같은 새로운 비선형 모델을 강조하며, 밀도 있는 및 희소한 기능적 데이터를 분석하기 위한 통합된 프레임워크를 제공한다. 임상 연구 및 영상 연구에 적용 가능하다.

ABSTRACT

With the advance of modern technology, more and more data are being recorded continuously during a time interval or intermittently at several discrete time points. They are both examples of "functional data", which have become a prevailing type of data. Functional Data Analysis (FDA) encompasses the statistical methodology for such data. Broadly interpreted, FDA deals with the analysis and theory of data that are in the form of functions. This paper provides an overview of FDA, starting with simple statistical notions such as mean and covariance functions, then covering some core techniques, the most popular of which is Functional Principal Component Analysis (FPCA). FPCA is an important dimension reduction tool and in sparse data situations can be used to impute functional data that are sparsely observed. Other dimension reduction approaches are also discussed. In addition, we review another core technique, functional linear regression, as well as clustering and classification of functional data. Beyond linear and single or multiple index methods we touch upon a few nonlinear approaches that are promising for certain applications. They include additive and other nonlinear functional regression models, such as time warping, manifold learning, and dynamic modeling with empirical differential equations. The paper concludes with a brief discussion of future directions.

연구 동기 및 목표

• 기능적 데이터를 다루는 연구자들을 대상으로 기능적 데이터 분석(FDA)에 대한 종합적인 개요를 제공하기 위해.
• 비모수적 및 반모수적 방법을 활용하여 고차원, 연속적 또는 희소하게 관측된 기능적 데이터에서 발생하는 과제를 해결하기 위해.
• 유연하고 매끄러운 모델링 접근 방식을 통합함으로써 전통적인 종단적 데이터 분석과 FDA 사이의 격차를 메우기 위해.
• 신경영상 및 게놈학 응용 분야에서의 기능적 데이터 분석의 새로운 방향성인 고차원 기능적 데이터, 다변량 및 공간적으로 인덱싱된 기능적 데이터를 포함하여 향후 연구 방향을 제시하기 위해.
• 기능적 데이터 분석에서의 최적의 성분 선택, 튜닝 파rameter 선택, 이상치에 대한 강건성과 같은 열린 문제를 규명하기 위해.

제안 방법

• 희소 데이터 설정에서 특히 효과적인 기능적 주성분 분석(FPCA)을 기능적 데이터의 주요 차원 감소 도구로 사용한다.
• 평균 및 공분산 함수를 추정하기 위해 비모수적 스무딩 기법을 적용하여 정규화를 가능하게 하고 차원의 극복 문제를 해결한다.
• 스칼라 또는 기능적 반응 변수를 기능적 예측 변수와 연결하기 위해 기능적 선형 회귀 모델을 활용하며, 고전적 선형 모델을 무한차원 설정으로 확장한다.
• 기능적 가산 모델, 시간 왜곡, 경험적 미분방정식을 통한 동적 모델링과 같은 비선형 확장 기법을 도입하여 복잡한 시스템 역학을 포착한다.
• 예측 변수 간 상관관계 구조를 기반으로 저차원 영역에 예측 변수를 통합함으로써 고차원 예측 변수 데이터를 기능적 형태로 변환하는 스트링 방법(Stringing method)을 활용한다.
• 기능적 데이터를 매끄러운 확률과정의 실현으로 모델링하기 위해 스무딩 및 힐버트 공간 기법($L^2$ 과정 등)을 적용한다.

실험 결과

연구 질문

• RQ1 희소하거나 비정규적인 샘플링을 가진 기능적 데이터는 차원 감소 기법을 통해 어떻게 효과적으로 모델링하고 보간할 수 있는가?
• RQ2 기능적 데이터 분석에서 평균 및 공분산 함수를 추정하기 위한 가장 효과적인 비모수적 및 반모수적 방법은 무엇인가?
• RQ3 시간 왜곡이나 경험적 미분방정식과 같은 비선형 역학을 다룰 수 있도록 기능적 선형 모델은 어떻게 확장될 수 있는가?
• RQ4 고차원 예측 변수 데이터는 어떻게 기능적 형태로 변환되어 효율적인 차원 감소 및 회귀 분석을 가능하게 할 수 있는가?
• RQ5 특히 성분 선택, 튜닝 파rameter 선택, 이상치에 대한 강건성과 관련된 기능적 데이터 분석의 주요 과제와 열린 문제들은 무엇인가?

주요 결과

• 기능적 주성분 분석(FPCA)은 희소하게 관측된 기능적 데이터의 효과적인 보간을 가능하게 하는 강력한 차원 감소 기법이다.
• 비모수적 스무딩과 $L^2$ 과정에서의 매끄러움 가정은 정규화를 가능하게 하며, 밀도 있는 샘플링 조건 하에서 파rametric $√{n}$ 수렴 속도를 달성한다.
• 기능적 선형 회귀는 기능적 예측 변수를 사용하여 스칼라 또는 기능적 반응 변수를 모델링하는 데에 매우 융통성 있는 프레임워크를 제공하며, 스무딩을 통한 일致한 추정이 가능하다.
• 시간 왜곡과 경험적 미분방정식과 같은 비선형 모델은 복잡한 동적 시스템을 포착할 수 있으며, 개인의 경로가 '예상 경로'에 맞춰져 있는지 평가하는 데 유용하다.
• 스트링 방법은 상관관계 거리 기반의 저차원 영역에 예측 변수를 통합함으로써 고차원이고 상관관계가 있는 예측 변수를 효과적으로 기능적 형태로 변환하며, 기능적 회귀를 가능하게 한다.
• 신세대 기능적 데이터, 예를 들어 뇌 영상 및 다변량 기능적 데이터는 점점 더 중요해지고 있으며, 특히 의존성 및 공간적 인덱싱을 모델링하는 데 새로운 과제를 제기한다.