Variable Domain Multivariate Functional Principal Component Analysis

本文提出了一种新颖的多变量函数主成分分析（MFPCA）方法，该方法通过统一单变量变域得分并平滑其协方差，从而适应可变观测域，并通过模拟实验及对 COVID-19 患者监测数据的实际应用，证明了其优于现有方法的性能。

要点

以下是用简单语言和创意类比对该论文的解读。

问题：“不匹配的电影”困境

想象你是一位影评人，试图评论一部新电影。你手头有 1,000 份相同的电影拷贝，但有一个棘手之处：

• 有些人观看了完整的 2 小时电影。
• 有些人只看了前 30 分钟，因为他们睡着了。
• 还有些人只看了最后 15 分钟，因为他们到得太晚。

现在，假设你试图同时分析电影中发生的两件事：剧情转折（变量 1）和背景音乐（变量 2）。

旧方法（“分箱”法）：
以往分析此类数据的方法就像说：“好吧，我们只看所有人电影的前 30 分钟。”

• 问题所在： 你丢弃了所有看完整部电影的人的信息。你丢失了发生在结尾的剧情转折。
• 另一种选择： 你可以将观众分成组：“A 组看了 0–30 分钟”，"B 组看了 30–60 分钟”。但这很混乱。它将看了 29 分钟的人和看了 31 分钟的人视为完全不同，尽管他们的体验几乎一样。这就像把图书馆按“100 页的书”和"101 页的书”分类，而不是直接去读故事。

本文的解决方案（VD-MFPCA）：
本文提出了一种更聪明的方法来分析这些“不匹配的电影”。作者没有切断数据或将所有人强行塞入僵硬的框框，而是创造了一种能够理解电影时长如何改变故事的方法。

新方法如何运作：“智能剪辑师”

作者提出了一个四步流程，就像一个非常聪明的电影剪辑师：

1. 分别编辑每个场景： 首先，他们分别查看“剧情”和“音乐”。他们计算出观看短片、中片和长片的人的平均故事和音乐。他们意识到，短片的“平均剧情”与长片的“平均剧情”看起来不同。
2. 堆叠评分： 他们将剧情分析得出的“评分”和音乐分析得出的“评分”为每个人堆叠在一起。
3. 神奇冰沙（关键创新）： 这里是天才之处。他们意识到，剧情与音乐之间的关系会随着电影时长的变化而变化。
   • 类比： 想象在短电影中，剧情和音乐联系非常紧密。但在长电影中，它们逐渐疏远。旧方法假设它们对所有人的联系方式都是一样的。这种新方法使用“冰沙搅拌机”（数学上称为惩罚样条）来平滑地融合这些关系。它不强制生硬的切割，而是创建一条平滑曲线，展示随着电影变长，这种联系是如何变化的。
4. 最终评论： 现在，他们可以找出解释电影的“主要主题”（主成分），并确切知道这些主题如何根据观众的观看时长发生偏移。

测试：它奏效了吗？

作者进行了一次大规模模拟（一个“虚拟电影院”），将他们的方法与旧的“切断”法进行了对比测试。

• 设置： 他们创建了虚假数据，其中一些“患者”（或电影观众）的观测时间较短，而另一些则较长。
• 结果： 新方法好得多。它以少得多的误差重建了“电影”。旧方法就像试图只读第一章就猜出悬疑小说的结局；而新方法为拥有完整书的人读了整本书，为没有的人读了短章节，却依然完美地推断出了整个故事。

现实世界应用：医院里的“生命体征”电影

为了证明这在现实生活中有效，作者将他们的方法应用于医院里的COVID-19 患者。

• 数据： 他们追踪了两个生命体征：血氧饱和度（SpO2）和体温。
• 变量域： 有些患者在医院待了 3 天；另一些待了 3 个月。他们的“观测电影”长度不同。
• 他们的发现：
  • 平均故事： 他们可以看到，住院时间较长的患者起初血氧水平较低，随后缓慢改善，而短期住院患者的血氧水平则保持稳定。几乎所有人的体温都始于高温（发烧）并随后下降，无论他们住院多久。
  • “主要主题”（PC1）： 他们发现的最重要模式（称为第一主成分）是血氧和体温变化的特定组合。
  • 预测： 他们发现，在这个主要主题上得分“高”的患者死亡的可能性要大得多（死亡率为 25%），而得分低的患者死亡率仅为 7%。
  • 年龄因素： 年长患者在这个“危险模式”上的得分自然更高。

核心结论

这篇论文指出：不要因为人们观看的时间长短不同就切断你的数据。

通过使用他们新的“变量域”方法，研究人员可以同时分析多个变化的事物（如心率和体温），即使有些人被观察了一周，而另一些人被观察了一年。它在不丢弃结局的情况下捕捉完整的故事，从而带来对患者健康状况更准确的预测。

技术摘要

技术摘要：变域多元函数主成分分析

问题陈述
多元函数主成分分析（MFPCA）是一种标准技术，用于对包含多个函数变量（例如生命体征的时间序列）且在相同受试者上观测的数据集进行降维。然而，现有的 MFPCA 框架（如 Happ 和 Greven [2018] 提出的综合方法）依赖于一个关键假设：所有函数观测必须在共同的、固定的定义域上进行记录。在实际应用中，特别是在纵向生物医学研究中，这一假设经常被违背。由于入院时间差异、住院时长不同或早期脱落等因素，受试者往往具有不同的观测周期。这导致了“变域函数数据”，其中定义域长度 $T_i$ 随受试者而变化。

目前针对该问题的临时解决方案包括将分析限制在定义域的公共子集上（从而丢弃具有较长观测周期的受试者的有价值数据），或将受试者按相似的定义域长度分箱（这引入了任意离散化，且无法模拟协方差结构对定义域长度的连续依赖关系）。虽然 Johns 等人 [2019] 在单变量设定下解决了变域问题，但尚无现有框架能有效处理多变量情形，即多个变量在变化且可能不同的定义域上被观测的情况。

方法论
作者提出了一种新框架，即变域 MFPCA（VD-MFPCA），将 Johns 等人 [2019] 的单变量变域 FPCA 扩展至多变量设定。该方法论分为四个明确的步骤：

1. 单变量变域 FPCA：对于每个函数变量 $j$，作者分别应用 Johns 等人 [2019] 的方法。这涉及在广义加性模型框架内，使用惩罚薄板样条（PTPS）将均值函数 $\mu_j(t, T_i)$ 和协方差函数 $\gamma_j(t, s, T_i)$ 建模为时间 $t$ 和定义域长度 $T_i$ 的平滑函数。由此得到显式依赖于受试者定义域长度的单变量特征函数 $\hat{\psi}^j_k(t, T_i)$ 和得分 $\hat{\xi}^j_{ik}(T_i)$。
2. 堆叠单变量得分：将每个受试者的单变量得分堆叠成单个向量 $\xi_i(T_i)$。
3. 将得分协方差建模为定义域长度的函数：这是核心创新。作者认识到堆叠得分的协方差矩阵 $C(T_i) = \text{Cov}(\xi_i | T = T_i)$ 依赖于定义域长度。他们不假设固定的协方差结构，而是利用惩罚样条将经验协方差矩阵的每个唯一元素建模为 $T$ 的平滑函数。这使得能够估计任意定义域长度下的平滑协方差矩阵 $\hat{C}(T)$。
4. 多变量特征分解：对于任意特定的定义域长度 $T$，对估计的协方差矩阵 $\hat{C}(T)$ 进行分解，以获得多变量特征值 $\nu_m(T)$ 和特征向量 $c_m(T)$。这些用于计算多变量得分 $\rho_{im}(T_i)$ 和多变量特征函数 $\Psi^j_m(t, T_i)$，它们现在同时依赖于时间和受试者的特定定义域长度。

主要贡献

• 新框架：本文提出了第一种 MFPCA 方法，明确适应变观测定义域，无需截断数据或将受试者离散化分箱。
• 理论扩展：它将单变量变域 FPCA 框架扩展至多变量设定，解决了当多个变量在不同时间跨度上被观测时，建模跨变量依赖结构的复杂挑战。
• 平滑协方差建模：通过将堆叠得分的协方差建模为定义域长度的平滑函数，该方法捕捉了分箱策略所遗漏的依赖结构中的连续变化。

结果
作者通过广泛的模拟研究和实际应用验证了该方法。

• 模拟研究：将提出的 VD-MFPCA 与“分箱”方法（按定义域长度对受试者分组，并将数据截断至每个分箱中的最小长度）进行了比较。

  • 重构精度：与分箱方法相比，VD-MFPCA 在重构函数观测方面始终实现了显著更低的平均均方根误差（ARMSE），在各种情景下改进幅度从 50% 到超过 80% 不等。
  • 特征函数估计：VD-MFPCA 在估计特征函数方面表现出更高的精度，特别是在定义域长度分布偏斜（例如负二项分布）的情况下，分箱方法因截断定义域中的信息丢失而遭受高误差。
  • 鲁棒性：所提出的方法在不同样本量（$N=100, 500$）、噪声水平和定义域分布下保持稳定，而分箱方法则对分布形状和所用分箱数量表现出敏感性。

• COVID-19 数据应用：该方法应用于 782 名住院 COVID-19 患者的体温和毛细血管血氧饱和度（SpO2）轨迹，这些患者的住院时长各不相同（从约 3 天到约 125 天）。

  • 依赖定义域的模式：分析揭示，平均轨迹和方差结构依赖于住院时长。例如，住院时间较长的患者最初表现出较低的 SpO2 水平，随后逐渐改善，这种模式被固定域方法所掩盖。
  • 临床相关性：发现第一主成分（PC1）得分与患者死亡率和年龄强相关，但与观测期长度本身无关。这证实了该方法成功地将与定义域相关的伪影与内在生理变异分离开来。
  • 预后价值：处于最高 PC1 三分位数的患者死亡率为 25.3%，而较低三分位数的患者死亡率约为 7.5%，证明了该方法能够从联合生命体征轨迹中捕捉预后信息的能力。

意义与主张
本文声称，VD-MFPCA 通过提供一种在变域多变量设定下进行降维的原则性方法，填补了函数数据分析中的关键空白。作者断言，与现有的临时策略相比，他们的方法在重构精度和特征函数估计方面均提供了“实质性提升”。

该工作的意义在于其能够利用纵向数据的完整信息内容，而无需任意截断或离散化。在 COVID-19 应用的背景下，作者强调该方法捕捉了复杂的、随时间变化的生理模式，这些模式可预测临床结果（死亡率和与年龄相关的严重程度），而这些模式若采用传统的固定域 MFPCA 很可能会被遗漏或产生偏差。作者得出结论，该方法对于涉及住院数据和纵向监测且观测期本质上具有可变性的临床研究尤为有价值。

本文在局限性方面保持谦逊，承认当前的实现在处理非常大的数据集或大量变量时可能计算需求较高，并指出未来的工作可以在变域框架内探索贝叶斯不确定性量化以及处理不规则、稀疏观测的问题。