[论文解读] Functional Principal Components Analysis of Spatially Correlated Data

Chong Liu, Surajit Ray+1 more|arXiv (Cornell University)|Nov 17, 2014

Geochemistry and Geologic Mapping被引用 5

一句话总结

本文提出了一种基于条件期望的时空主成分分析（SPACE）框架，通过估计具有空间相关误差结构的功能主成分（fPC）得分，对功能数据中的空间相关性进行建模。该方法通过显式建模各向异性Matérn相关结构，显著提升了稀疏、不规则观测数据下的曲线重构性能，优于独立曲线方法，同时在弱相关假设下保持渐近效率。

ABSTRACT

This paper focuses on the analysis of spatially correlated functional data. The between-curve correlation is modeled by correlating functional principal component scores of the functional data. We propose a Spatial Principal Analysis by Conditional Expectation framework to explicitly estimate spatial correlations and reconstruct individual curves. This approach works even when the observed data per curve are sparse. Assuming spatial stationarity, empirical spatial correlations are calculated as the ratio of eigenvalues of the smoothed covariance surface $Cov(X_i(s),X_i(t))$ and cross-covariance surface $Cov(X_i(s), X_j(t))$ at locations indexed by $i$ and $j$. Then a anisotropy Matérn spatial correlation model is fit to empirical correlations. Finally, principal component scores are estimated to reconstruct the sparsely observed curves. This framework can naturally accommodate arbitrary covariance structures, but there is an enormous reduction in computation if one can assume the separability of temporal and spatial components. We propose hypothesis tests to examine the separability as well as the isotropy effect of spatial correlation. Simulation studies and applications of empirical data show improvements in the curve reconstruction using our framework over the method where curves are assumed to be independent. In addition, we show that the asymptotic properties of estimates in uncorrelated case still hold in our case if 'mild' spatial correlation is assumed.

研究动机与目标

• 解决现有功能主成分分析（fPCA）方法假设曲线独立的局限性，该假设在空间相关数据中往往不现实。
• 开发一种显式建模功能曲线之间空间依赖关系的框架，尤其适用于每条曲线数据稀疏且不规则分布的情况。
• 将PACE（基于条件期望的主成分分析）方法扩展至功能数据分析中，以纳入空间相关性。
• 为功能数据中空间相关结构的可分性与各向同性提供假设检验。
• 在弱空间相关性假设下，保持fPCA的渐近效率与收敛性。

提出的方法

• 通过功能数据光滑协方差与交叉协方差表面的特征值之比，估计经验空间相关性。
• 将各向异性Matérn空间相关模型拟合至经验空间相关性，以捕捉空间相关结构中的方向依赖性与拉伸特征。
• 使用局部线性平滑估计不同空间位置间曲线之间的交叉协方差表面，从而实现对稀疏观测曲线的重构。
• 应用条件期望估计功能主成分（fPC）得分，将PACE方法扩展至相关曲线。
• 在Stiefel流形上采用限制最大似然估计法，估计在空间相关性下的fPC与特征函数。
• 利用正态分布与卡方分布近似，推导重构曲线与fPC得分的渐近置信区间与同时置信带。

实验结果

研究问题

• RQ1 功能主成分分析能否在保持估计效率的同时，扩展至处理具有空间相关性的功能数据？
• RQ2 在稀疏且不规则观测条件下，如何显式建模曲线之间的空间相关性？
• RQ3 空间相关性对功能数据分析中fPC估计量的渐近性质有何影响？
• RQ4 空间相关结构在何种条件下可分（即时间与空间分量的乘积形式）？
• RQ5 能否在功能数据分析框架内构建关于可分性与各向同性的假设检验？

主要发现

• 与独立曲线fPCA相比，SPACE框架在稀疏数据设置下显著提升了曲线重构精度。
• 在弱空间相关性假设下，fPC估计量的渐近性质（如收敛速度）依然成立，扩展了经典fPCA的结果。
• 在每条曲线观测数有界且存在弱空间依赖的条件下，fPC估计保持最优非参数收敛速率。
• 通过模拟验证，成功构建并验证了关于空间相关结构可分性与各向同性的假设检验。
• 各向异性Matérn相关模型能有效捕捉地理空间与生物数据中常见的方向性与拉伸型空间相关模式。
• 利用卡方分位数构建了重构曲线的渐近同时置信带，其宽度大于点态置信带，更准确反映联合不确定性。