New approaches for analysing functional data - a focus on shape

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
School of Science | Doctoral thesis (article-based) | Defence date: 2022-08-25
Date
2022
Major/Subject
Mcode
Degree programme
Language
en
Pages
68 + app. 74
Series
Aalto University publication series DOCTORAL THESES, 102/2022
Abstract
Functional data - sets of measurement sequences arising from a generating source of continuous nature - has become pervasive in many applications, across many fields of research. The commonly adopted methodology for exploring such data treats the observed units as functions, with continuous functional structure. This introduces a nigh boundless range of new modes of variability in shape and structure, unique to only this type of data. Thus, methodology encompassing the structural variability of functional data has risen to the attention in functional data literature.  In this thesis, we approach the shape features of functional data from three different angles, utilizing functional notions of statistical depth as well as metrics, sensitive to variations in structure. Our first approach demonstrates the advantages of data-driven methodology, that allows for the expert to utilize their contextual knowledge of the data. Thus, we provide a consistent framework, through statistical depth, for applying this ad hoc understanding to the analysis. In our second approach, we take a more universal outlook towards shape-encompassing methodology and introduce a new functional depth definition that utilizes some very recently discovered general notions of shape outlyingness. The third approach takes a step back from the context of depth and focuses on the more general concept of shape-sensitive metrics in functional spaces. We, in particular, introduce and study the properties of a new family of integrated metrics, that provide a notion of the overall local likeness (based on any pilot metric) of two curves.

Funktionaalinen data - joukko jatkuvasta lähteestä kerättyjä mittaussarjoja - on yleistynyt useissa sovelluksissa, monilla eri tutkimuksen aloilla. Tällaista dataa tutkittaessa havaittuja yksikköjä käsitellään usein funktioina, joilla on jatkuva funktionaalinen rakenne. Tämä ilmenee lähes loputtomana skaalana uusia rakenteen ja muodon vaihteluja, joita esiintyy ainoastaan tällaisilla aineistoilla. Siispä, funktionaalisten aineistojen rakenteellisia vaihteluja huomioivat menetelmät ovat saaneet osakseen paljon huomiota funktionaalisen datan tutkimuksessa. Tämä väitöskirja tarkastelee funktionaalisten aineistojen muoto-ominaisuuksia kolmella eri lähestymistavalla, hyödyntäen funktionaalista tilastollista syvyyttä sekä rakenteellisille vaihteluille herkkiä metriikoita. Ensimmäinen lähestymistapa havainnollistaa data-lähtöisen metodiikan hyötyjä, joissa asiantuntija voi hyödyntää aineistoon liittyvää kontekstuaalista tietämystään. Tarjoamme tilastolliseen syvyyteen pohjautuvan johdonmukaisen viitekehyksen tilastolliselle analyysille, joka mahdollistaa ad hoc tietämyksen hyödyntämisen. Toisessa lähestymistavassamme tarkastelemme muoto-yksityiskohtia hyödyntävää metodiikkaa yleisemmästä näkökulmasta. Esittelemme uuden funktionaalisen tilastollisen syvyyden menetelmän, joka hyödyntää aivan hiljattain löydettyä muoto-poikkeavuuden käsitettä. Kolmas lähestymistapa ottaa askeleen kohti vieläkin yleisempää viitekehystä, ja tarkastelee muotoon sekä rakenteeseen liittyviä käsitteitä funktionaalisten metriikoiden kautta. Täsmällisemmin, esittelemme uuden integroitujen metriikoiden perheen, joka tarjoaa mittarin funktioiden kokonaisvaltaiselle paikalliselle samankaltaisuudelle.
Description
Supervising professor
Ilmonen, Pauliina, Prof., Aalto University, Department of Mathematics and Systems Analysis, Finland
Thesis advisor
Viitasaari, Lauri, Prof., Uppsala University, Sweden
Keywords
functional data, shape-sensitivity, statistical depth, functional depth, integrated metric, funktionaalinen data, muoto-herkkyys, tilastollinen syvyys, funktionaalinen syvyys, integroitu metriikka
Other note
Parts
  • [Publication 1]: S. Helander, G. Van Bever, S. Rantala, and P. Ilmonen. Pareto depth for functional data. Statistics: A Journal of Theoretical and Applied Statistics, vol. 54, no. 1, pp. 182–204, February 2020.
    DOI: 10.1080/02331888.2019.1700418 View at publisher
  • [Publication 2]: S. Nagy, S. Helander, G. Van Bever, L. Viitasaari, and P. Ilmonen. Flexible integrated functional depths. Bernoulli, vol. 27, no. 1, pp. 673–701, February 2021.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202105126664
    DOI: 10.3150/20-BEJ1254 View at publisher
  • [Publication 3]: S. Helander, P. Laketa, P. Ilmonen, S. Nagy, G. Van Bever, and L. Viitasaari. Integrated shape-sensitive functional metrics. Journal of MultivariateAnalysis, vol. 189, article 104880, May 2022.
    DOI: 10.1016/j.jmva.2021.104880 View at publisher
Citation