[论文解读] A Study of Functional Depths

James P. Long, Jianhua Z. Huang|arXiv (Cornell University)|Jun 3, 2015

Advanced Statistical Methods and Models参考文献 17被引用 12

一句话总结

本文评估了用于将曲线按从最中心到最离群的顺序排序的功能深度方法，提出原本用于多变量数据的 $L^\infty$ 深度在性能上与或优于多种功能性特定深度方法。它展示了 $L^\infty D$ 在经验排序中具有更优的稳定性，并引入了秩-秩图以评估深度排序的收敛性，该方法在有限样本下优于渐近分析。

ABSTRACT

Functional depth is used for ranking functional observations from most outlying to most typical. The ranks produced by functional depth have been proposed as the basis for functional classifiers, rank tests, and data visualization procedures. Many of the proposed functional depths are invariant to domain permutation, an unusual property for a functional data analysis procedure. Essentially these depths treat functional data as if it were multivariate data. In this work, we compare the performance of several existing functional depths to a simple adaptation of an existing multivariate depth notion, $L^\infty$ depth ($L^{\infty}D$). On simulated and real data, we show $L^{\infty}D$ has performance comparable or superior to several existing notions of functional depth. In addition, we review how depth functions are evaluated and propose some improvements. In particular, we show that empirical depth function asymptotics can be mis--leading and instead propose a new method, the rank--rank plot, for evaluating empirical depth rank stability.

研究动机与目标

• 评估并比较多种功能性深度方法的性能，包括功能性特定深度方法和多变量深度方法的适应版本。
• 评估渐近收敛结果在有限样本中对经验深度函数可靠性的适用性。
• 提出一种新的评估方法——秩-秩图，用于评估不同样本间深度排序的稳定性。
• 挑战功能性特定深度方法在功能性数据分析中天然优于适应性多变量深度方法的假设。
• 提供一个公开的 R 包，包含实现代码和真实数据，以确保可复现性并支持基准测试。

提出的方法

• 通过计算某函数到所有其他函数的平均 $L^\infty$ 距离，将 $L^\infty$ 深度（$L^\infty D$）适应于功能性数据，其深度值与该距离成反比。
• 使用秩-秩图比较来自同一总体的两个独立样本之间的深度排序，通过与恒等线的相关性来衡量稳定性。
• 通过稳健均值估计模拟和真实天文物体光曲线数据，从多个标准评估深度性能。
• 应用斯皮尔曼等级相关系数量化不同样本间深度排序的一致性，识别出 HRD、RTD 和 MHRD 的不稳定性。
• 评估深度函数的性质、收敛性、计算效率及应用性能，以基准化各类方法。
• 提供所有深度函数和真实数据应用的 R 代码与数据，以确保可复现性并促进社区使用。

实验结果

研究问题

• RQ1 一种简单的多变量深度方法——$L^\infty$ 深度的适应版本，其在功能性数据排序中的表现是否可与或优于功能性特定深度函数？
• RQ2 当评估有限样本中的排序行为时，经验深度函数的渐近收敛结果在多大程度上是可靠的？
• RQ3 深度排序在独立样本之间在多大程度上保持稳定？这种稳定性能否在渐近理论之外进行量化？
• RQ4 为何某些深度函数（如 HRD 和 RTD）尽管具有渐近收敛性，却表现出较差的排序稳定性？
• RQ5 秩-秩图是否能作为比传统渐近分析更具信息量的诊断工具，用于评估深度函数的性能？

主要发现

• $L^\infty$ 深度（$L^\infty D$）在模拟数据和真实数据中，其性能与大多数功能性深度方法（包括 BD、HRD、MHRD 和 RTD）相当或更优。
• 秩-秩图显示，HRD 和 RTD 在经验排序中表现出显著不稳定性，分别源于零深度问题和高方差。
• 在 10,000 个投影下，$L^\infty D$ 的斯皮尔曼等级相关系数为 0.996，而 RTD 为 0.961，表明 $L^\infty D$ 具有远超 RTD 的排序稳定性。
• 对于最深的 1% 曲线，$L^\infty D$、SPATD 和 MBD 的归一化排名均位于前 2%，表明其经验排序稳定；而 HRD、MHRD 和 RTD 显示出显著不稳定性。
• 本研究发现，深度函数的渐近收敛性并不能保证在有限样本中排序的可靠性，凸显了标准渐近分析的局限性。
• 秩-秩图被证明是比渐近理论更具信息量且更实用的工具，可用于实际中评估基于深度的排序稳定性。