Existem muitas referências na literatura estatística a " dados funcionais " (isto é, dados que são curvas) e, paralelamente, a " dados de alta dimensão " (isto é, quando os dados são vetores de alta dimensão). Minha pergunta é sobre a diferença entre os dois tipos de dados.
Ao falar sobre metodologias estatísticas aplicadas que se aplicam no caso 1, pode ser entendida como uma reformulação das metodologias do caso 2 através de uma projeção em um subespaço dimensional finito de um espaço de funções, podendo ser polinomes, splines, wavelet, Fourier, ... e traduzirá o problema funcional em um problema vetorial dimensional dimensional finito (já que na matemática aplicada tudo se torna finito em algum momento).
Minha pergunta é: podemos dizer que qualquer procedimento estatístico que se aplique a dados funcionais também pode ser aplicado (quase diretamente) a dados de alta dimensão e que qualquer procedimento dedicado a dados de alta dimensão pode ser (quase diretamente) aplicado a dados funcionais?
Se a resposta for não, você pode ilustrar?
EDITAR / ATUALIZAR com a ajuda da resposta de Simon Byrne:
- A esparsidade (suposição S-esparsa, bola e bola fraca para ) é usada como uma suposição estrutural na análise estatística de alta dimensão.
- "suavidade" é usada como uma suposição estrutural na análise de dados funcionais.
Por outro lado, a transformação inversa de Fourier e a transformação inversa de wavelet estão transformando a escassez em suavidade, e a suavidade é transformada em escassez pela transformação de wavelet e Fourier. Isso faz com que a diferença crítica mencionada por Simon não seja tão crítica?