[论文解读] Combined Analysis of Amplitude and Phase Variations in Functional Data

Sungwon Lee, Sungkyu Jung|arXiv (Cornell University)|Mar 6, 2016

Time Series Analysis and Forecasting参考文献 15被引用 10

一句话总结

本文提出功能组合主成分分析（FCPCA），一种新颖的方法，通过将非线性时间扭曲函数与对齐函数结合，并采用数据自适应加权方案，同时建模功能数据中的振幅和相位变异。该方法捕捉了可解释的非线性变异模式，包括振幅与相位之间的关联，在真实生长曲线数据上优于标准FPCA和对齐FPCA，成功揭示了青春期发育突增延迟与生长速率幅度减小之间的关键关系。

ABSTRACT

When functional data manifest amplitude and phase variations, a commonly-employed framework for analyzing them is to take away the phase variation through a function alignment and then to apply standard tools to the aligned functions. A downside of this approach is that the important variations contained in the phases are completely ignored. To combine both of amplitude and phase variations, we propose a variant of principal component analysis (PCA) that captures non-linear components representing the amplitude, phase and their associations simultaneously. The proposed method, which we call functional combined PCA, is aimed to provide more efficient dimension reduction with interpretable components, in particular when the amplitudes and phases are clearly associated. We model principal components by non-linearly combining time-warping functions and aligned functions. A data-adaptive weighting procedure helps our dimension reduction to attain a maximal explaining power of observed functions. We also discuss an application of functional canonical correlation analysis in investigation of the correlation structure between the two variations. We show that for two sets of real data the proposed method provides interpretable major non-linear components, which are not typically found in the usual functional PCA.

研究动机与目标

• 解决标准功能主成分分析（FPCA）和曲线注册方法忽略相位变异信息的局限性。
• 开发一个统一框架，同时建模振幅和相位变异及其关联。
• 在振幅与相位相关时，提高功能数据分析中降维的效率和可解释性。
• 实现在原始函数空间中非线性分量的可视化与解释。
• 将功能典型相关分析扩展至联合建模振幅与相位函数之间的相关性。

提出的方法

• 将功能数据建模为振幅函数 $ y_i $ 与时间扭曲函数 $ \gamma_i $ 的复合形式，其中 $ f_i = y_i \circ \gamma_i $。
• 使用双射 $ \phi $ 将保向微分同胚群 $ \Gamma $ 映射到函数空间的一个凸子集，从而在变换后的时间扭曲函数 $ x_i = \phi(\gamma_i) $ 上实现线性操作。
• 在变换空间中对联合随机向量 $ (y_i, x_i) $ 执行功能主成分分析，利用Karhunen-Loève分解提取正交分量。
• 对对齐函数 $ \hat{y}_i $ 和扭曲分量 $ \phi(\hat{\gamma}_i) $ 应用数据自适应加权，以最大化在原始函数空间中解释的变异。
• 将所得主成分映射回原始函数空间，以实现可解释的可视化与解释。
• 将该框架扩展至功能组合典型相关分析（CCA），以检测振幅与相位函数之间最大相关的分量。

实验结果

研究问题

• RQ1 统一的PCA框架能否有效捕捉功能数据中振幅与相位变异及其关联？
• RQ2 与标准FPCA和对齐数据上的FPCA相比，所提出的FCPCA方法在解释变异性和可解释性方面表现如何？
• RQ3 能否在真实功能数据（如生长曲线）中恢复涉及振幅与相位的非线性、可解释的变异模式？
• RQ4 数据自适应加权方案是否相比未加权组合提升了组合分量的解释力？
• RQ5 在存在复杂依赖关系的情况下，功能组合CCA能否检测到振幅与相位函数之间有意义的相关结构？

主要发现

• 在伯克利生长数据中，FCPCA成功捕捉了青春期发育突增延迟（相位）与峰值生长速率降低（振幅）之间的非线性关联，而标准FPCA和对齐FPCA未能识别该关系。
• 在 $ n = 30 $ 的模拟数据中，估计的第一和第二组合分量近似于真实总体特征函数，$ \hat{C} = 1.44 $（标准误 0.31），$ \hat{\lambda}_1^{\hat{C}} = 4.12 $（标准误 0.26），随着样本量增加，趋近于总体值。
• 估计与真实均值函数之间的 $ L_2 $-距离从 $ n = 30 $ 时的 2.89（标准误 1.27）降至 $ n = 100 $ 时的 2.15（标准误 0.85），表明样本量增大时估计精度提高。
• 对于功能组合CCA，估计的典型相关系数 $ \hat{\rho}_1 = 0.68 $（标准误 0.21）（$ n = 30 $）和 $ 0.72 $（标准误 0.19）（$ n = 100 $），趋近于真实值 0.8，表明估计性能一致。
• 估计与真实权重函数 $ \psi_{y,1} $ 和 $ \psi_{x,1} $ 之间的 $ L_2 $-距离分别从 $ n = 30 $ 时的 0.89（标准误 0.31）和 0.72（标准误 0.28）降至 $ n = 100 $ 时的 0.43（标准误 0.18）和 0.55（标准误 0.15），表明估计精度提高。
• 所提出的方法成功在原始函数空间中可视化了主导的非线性变异模式，实现了对组合振幅-相位结构的直接解释。