[論文レビュー] Bayesian Analysis of QENS data: From parameter determination to model selection

Luis Carlos Pardo, M. Rovira-Esteva+4 more|ArXiv.org|Jul 21, 2009

Nuclear Physics and Applications参考文献 2被引用数 5

ひとこと要約

本稿では、準弾性中性子散乱（QENS）データの分析のためのベイズ推論フレームワークを提案する。従来の $χ^2$ 最小化に代えてギブスサンプリングを用いることで、パラメータ空間全体を探索し、パラメータおよびモデル適合の確率分布関数（PDF）を生成する。この手法により、自然な誤差評価、相関の自動処理、統計的に妥当なモデル選択が可能となり、DMPC脂質の動的挙動において、デルタ関数よりも広がった中央線を支持する結果が得られた。

ABSTRACT

The extraction of any physical information from quasielastic neutron scattering spectra is generally done by fitting a model to the data by means of chi-square minimization procedure. However, as pointed out by the pioneering work of D.S. Sivia et al., also another probabilistic approach based on Bayes theorem can be employed. In a nutshell, the main difference between the classical chi-square minimization and the Bayesian approach is the way of expressing the final results: In the first case, the result is a set of values of parameters with a symmetric error and a figure of merit such as chi-square, whereas in the second case the results are presented as probability distribution functions (PDF) of both, parameters and merit figure. In this contribution, we demonstrate how final PDFs are obtained by exploring all possible combinations of parameters that are compatible with the experimental error. Three advantages of this method will be emphasized: First, correlations between parameters are automatically taken into account, which implies, for example, that parameter errors are correctly calculated, correlations show up in a natural way and ill defined parameters are immediately recognized from their PDF. Second, it is possible to calculate the likelihood of a determined physical model, and therefore to select the one among many that fits the data best with a minimal number of parameters, in a correctly defined probabilistic way.

研究の動機と目的

• 古典的 $χ^2$ 最小化の限界、例えば局所的最小値に陥る問題や、対称的誤差仮定の問題を克服すること。
• 実験データにおけるパラメータ相関や非ガウス分布の誤差を自然に扱える確率的枠組みを提供すること。
• 全事後分布を用いた $χ^2$ の統計的妥当なモデル選択を可能にし、競合する物理的仮説の間で比較すること。
• ガウス近似がポアソン統計に失敗する低カウントレート実験へのQENS解析の適用を拡張すること。

提案手法

• 確率分布 $P = \exp(-\chi^2/2)$ を用いて、$χ^2$ の超曲面をギブスサンプリングで探索し、パラメータ空間全体を完全にサンプリングする。
• パラメータと $χ^2$ の点推定を、不確実性と相関を表現する事後確率分布関数（PDF）に置き換える。
• $χ^2$ のPDFを用いて、$χ^2$ の二次的または対称的でない形状を仮定せずにモデルを比較し、原理的モデル選択を可能にする。
• 低カウント実験におけるポアソン分布に従うカウントを扱えるように $χ^2$ を再定義し、ガウス近似を用いずに有効性を維持する。
• 水酸化DMPC脂質のQENSスペクトルにこの手法を適用し、デルタ関数的 vs. 広がった中央線のモデルを比較する。
• データリダクションにはFRIDAソフトウェア、TOFTOF分光計データを用い、実験データを用いた手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ギブスサンプリングを用いたベイズ推論は、古典的 $χ^2$ 最小化よりもQENSデータフィッティングにおいてより信頼性の高いパラメータ推定を可能にするか？
• RQ2 追加の仮定を必要とせず、QENSデータ解析においてパラメータ相関や非対称誤差を自然に捉える方法は何か？
• RQ3 例えば、広がった中央線とデルタ関数の中央線の間で、$χ^2$ の事後PDFを用いて統計的に妥当なモデル選択が可能か？
• RQ4 ガウス近似がポアソン統計に崩壊する低カウントレートQENS実験においても、ベイズ手法は有効で妥当なままであるか？

主な発見

• 確率駆動の探索により、ギブスサンプリングが全パラメータ空間を探索することで、$χ^2$ ランドスケープにおける局所的最小値に陥るのを回避できた。
• パラメータの誤差と相関は、事後PDFの形状によって自然に捉えられ、対角的誤差推定の必要がなくなる。
• DMPC QENSスペクトルにおいて、中央線が広がったモデルの方が、すべてのパラメータ組合せにおいて $χ^2$ のPDFが一貫して低く、統計的に優位であった。
• $χ^2$ やその自由度を減らした $χ^2$ に代わる、原理的で確率的なモデル比較の代替手段を提供し、$χ^2$ の二次的または対称的依存を仮定しない。
• ポアソン統計を反映するように $χ^2$ を再定義することで、低カウント実験に対しても有効であり、ガウス近似を用いずに正確性を保った。
• $χ^2$ のPDFはフィットランドスケープの複雑さを完全に明らかにし、パラメータが不確実または境界に近い場合でも、頑健な推論が可能となった。