本計畫將探討多變量長期追蹤資料的分類問題。在過去的文獻中，不論是 多變量資料分析或是函數型資料分析(functional data analysis, FDA)，大部分的 分類方法均以資料的平均結構作為分類的依據，而且較少討論到資料為不規則 且稀疏分佈的情況。因此，本計畫想提出能同時將資料在不同時間點的平均趨 勢與主要共變異結構作為分群依據的FDA 分類方法，其中並將討論監督式分 類(supervised classification)與非監督式分類(unsupervised classification)兩種問 題。除此之外，本計畫亦會在不同型態的觀測時間下討論所提出之分類方法的 表現，例如，密集觀測時間或是不規則稀疏觀測時點等情形。本計畫期望最後 所提出的分類模式能因考慮了不同變量間的相關性而進一步改善只考慮單變 量長期追蹤資料之分類方法的表現，並且提供多變量長期追蹤資料另一種可行 的分析方式。 In this project, we propose to study the supervised and unsupervised classification problems of multivariate longitudinal data. We will try to propose a new multivariate functional classification model via the functional principal components analysis (FPCA) subspace projection so that the data can be classified based on the mean and covariance structures among groups simultaneously. We will work on the estimation methods of model components under two designs of time points, including the densely collected and sparsely sampled cases. We expect that the classification error rate can be reduced by considering the correlation between the multivariate longitudinal data compared with using the separate univariate models. The proposed method will be evaluated through simulation study and data examples.
