[论文解读] Simultaneous Confidence Bands for Functional Data Using the Gaussian Kinematic Formula

Fabian J. E. Telschow, Armin Schwartzman|arXiv (Cornell University)|Jan 18, 2019

Advanced Neuroimaging Techniques and Applications参考文献 58被引用 23

一句话总结

本文提出了一种基于t-过程高斯运动公式（tGKF）的新方法，用于构建功能性参数的同时置信带（SCBs），该方法通过中心极限定理（CLT）在非高斯过程中实现渐近准确的覆盖概率。该方法在小样本中优于基于自助法的替代方案，计算效率高，并在功能性信号加噪声模型和DTI纤维分析的尺度空间表面中得到了理论保证与实证验证。

ABSTRACT

This article constructs simultaneous confidence bands (SCBs) for functional parameters using the Gaussian Kinematic formula of $t$-processes (tGKF). Although the tGKF relies on Gaussianity, we show that a central limit theorem (CLT) for the parameter of interest is enough to obtain asymptotically precise covering rates even for non-Gaussian processes. As a proof of concept we study the functional signal-plus-noise model and derive a CLT for an estimator of the Lipschitz-Killing curvatures, the only data dependent quantities in the tGKF SCBs. Extensions to discrete sampling with additive observation noise are discussed using scale space ideas from regression analysis. Here we provide sufficient conditions on the processes and kernels to obtain convergence of the functional scale space surface. The theoretical work is accompanied by a simulation study comparing different methods to construct SCBs for the population mean. We show that the tGKF works well even for small sample sizes and only a Rademacher multiplier-$t$ bootstrap performs similarily well. For larger sample sizes the tGKF often outperforms the bootstrap methods and is computational faster. We apply the method to diffusion tensor imaging (DTI) fibers using a scale space approach for the difference of population means. R code is available in our Rpackage SCBfda.

研究动机与目标

• 解决功能性数据分析中构建功能性参数同时置信带（SCBs）缺乏可靠、理论基础坚实方法的问题。
• 开发一种方法，在数据偏离高斯性时仍能实现SCBs的准确渐近覆盖率，依赖于中心极限定理（CLT），而非严格的高斯假设。
• 通过引入尺度空间表面，将方法扩展至处理离散、噪声观测数据，确保对平滑参数选择的鲁棒性。
• 为基于tGKF的SCBs中的关键数据依赖量——利普希茨-凯林加曲率（LKCs）的估计提供理论依据。
• 通过模拟和扩散张量成像（DTI）纤维数据的应用，展示该方法的实际效用。

提出的方法

• 利用t-过程高斯运动公式（tGKF）构建功能性参数的SCBs，利用随机过程的最大值及其分位数。
• 在连续函数空间中应用中心极限定理（CLT），以证明在非高斯过程中tGKF的渐近有效性。
• 通过残差中利普希茨-凯林加曲率（LKCs）的插补估计方法，利用tGKF估计SCBs的临界分位数。
• 通过将总体均值建模为平滑尺度的函数，引入尺度空间方法以处理离散、噪声功能性数据，确保在带宽变化下的稳定性。
• 应用功能性delta方法推导估计LKCs的渐近分布，从而实现对曲率参数的推断。
• 通过模拟研究验证该方法，将tGKF与基于自助法的SCB方法（包括乘子-t和自助-t）进行比较。

实验结果

研究问题

• RQ1 tGKF能否用于在非高斯过程中构建功能性参数的SCBs，并实现渐近正确的覆盖概率？
• RQ2 在小样本设置下，tGKF-based SCB相较于基于自助法的方法表现如何？
• RQ3 在功能性信号加噪声模型中，估计的利普希茨-凯林加曲率（LKCs）的一致性和渐近正态性的条件是什么？
• RQ4 tGKF能否通过尺度空间表面扩展至处理离散观测、噪声功能性数据？
• RQ5 估计的LKCs一致收敛且由此产生的SCBs保持正确覆盖的理论条件是什么？

主要发现

• 基于tGKF的SCBs即使在非高斯过程中也能实现渐近准确的覆盖率，仅依赖于功能性中心极限定理（CLT）。
• 在小样本中，tGKF的表现与Rademacher乘子-t自助法相当，两者在覆盖精度上均优于标准自助-t方法。
• 在较大样本量下，tGKF始终优于自助方法，且计算速度显著更快。
• 理论分析证实，在过程和核的正则性条件下，估计的LKCs一致几乎必然收敛到其真实值。
• 针对离散、噪声数据的尺度空间方法确保了在不同平滑尺度下对总体均值的稳定估计，并具有理论收敛保证。
• 在DTI纤维数据上的实证结果表明该方法具有实际效用，R包SCBfda提供了便捷的实现途径。