[論文レビュー] chi^2 and Linear Fits

Andrew Gould|arXiv (Cornell University)|Oct 20, 2003

Scientific Research and Discoveries被引用数 9

ひとこと要約

本稿では、相関する誤差、制約、複数のデータセットの同時フィットを伴う線形モデルに対する包括的で共変なカイ二乗フィッティング形式を提示する。共分散行列を用いてパラメータの不確実性と制約付きフィットの解析的表現を導出し、繰り返しデータの再処理を伴わずに、誤差と期待されるカイ二乗値を効率的に計算可能にする。

ABSTRACT

The mathematics of linear fits is presented in covariant form. Topics include: correlated data, covariance matrices, joint fits to multiple data sets, constraints, and extension of the formalism to non-linear fits. A brief summary at the end provides a convenient crib sheet. These are somewhat amplified notes from a 90 minute lecture in a first-year graduate course. None of the results are new. They are presented here because they do not appear to be elsewhere available in compact form.

研究の動機と目的

• 相関する誤差を伴う線形モデルにおけるカイ二乗フィッティングのコンactで自己完結的な参照を提供すること。これは標準的な教科書では容易に入手できない形式である。
• 線形フィットの取り扱いを統一し、複数のデータセットの同時フィット、パラメータの制約、非ガウス型誤差分布を含める。
• モデル関数と誤差構造にのみ依存する、パラメータの共分散行列と期待されるカイ二乗値の解析的表現を導出すること。
• 線形化を用いて制約付きフィットおよび非線形モデルへと形式を拡張し、不確実性の伝播に対する体系的なフレームワークを提供すること。

提案手法

• 複数のインデックス（データポイントおよびパラメータ）を含む式を簡略化するためにアインシュタインの総和記法を用いる。
• 相関する誤差を扱うために逆共分散行列（B）を用いたカイ二乗統計量を定義する：χ² = (y_k - y_k,mod) B_kl (y_l - y_l,mod)。
• パラメータの共分散行列 c_ij = b^{-1}_ij を導出し、ここで b_ij = f_i(x_k) B_kl f_j(x_l) である。これにより、モデル関数からの誤差伝播が可能になる。
• ラグランジュ乗数を用いて制約付きフィットを定義し、調整係数 D^p を D^p = B^{pq} A^q で定義する。ここで A^p = κ_i^p a_i^0 - z^p である。
• 制約付きパラメータの共分散行列を c̃_ij = c_ij - α_i^p B^{pq} α_j^q で計算する。ここで α_i^p = c_ij κ_j^p である。
• 期待されるカイ二乗値を ⟨χ²⟩ = N - n + m + ⟨y_k - y_k,mod⟩ B_kl ⟨y_l - y_l,mod⟩ + ⟨A^p⟩ B^{pq} ⟨A^q⟩ として導出し、モデルのバイアスと制約の有効性を考慮する。

実験結果

リサーチクエスチョン

• RQ1 共分散行列を用いて、相関する誤差を伴う線形モデルに対するカイ二乗フィッティングを体系的にどのように定式化できるか？
• RQ2 モデル関数と誤差構造にのみ依存する、フィットされたパラメータの共分散行列の解析的表現は何か？
• RQ3 パラメータの制約をフィッティング形式に組み込みつつ、誤差推定を保持するにはどうすればよいか？
• RQ4 モデルの不適合または制約の違反がある場合、カイ二乗の期待値は何か？これはデータとモデルの仮定にどのように依存するか？
• RQ5 データ値にアクセスできない状況でも、モデル関数と誤差共分散にのみ依存して、パラメータの共分散行列を計算できるか？

主な発見

• パラメータの共分散行列 c_ij は、b_ij = f_i(x_k) B_kl f_j(x_l) の逆行列として与えられ、モデル関数のみに依存して誤差推定が可能になる。
• 制約付きパラメータの共分散行列は c̃_ij = c_ij - α_i^p B^{pq} α_j^q で与えられ、ここで α_i^p = c_ij κ_j^p かつ B^{pq} は C^{pq} = κ_i^p c_ij κ_j^q の逆行列である。
• 期待されるカイ二乗値は ⟨χ²⟩ = N - n + m + ⟨y_k - y_k,mod⟩ B_kl ⟨y_l - y_l,mod⟩ + ⟨A^p⟩ B^{pq} ⟨A^q⟩ であり、モデルまたは制約にバイアスがある場合、最後の2項は正である。
• 制約によるシフトを表すベクトル D^p の共分散は B^{pq} = (C^{-1})^{pq} であり、制約が有効であれば期待値はゼロである。
• 誤差の2次モーメントが分かっていれば、非ガウス型誤差に対しても形式が適用可能である。なぜなら、χ²最小化には正規性の仮定が不要だからである。
• この手法により、各データセットごとにフィットを再実行せずに、パラメータの不確実性と期待されるχ²の計算が効率的に行える。特に、同時フィットや制約付きモデルにおいて有効である。