[論文レビュー] Measurement errors and scaling relations in astrophysics: a review

S. Andreon, M. A. Hurn|arXiv (Cornell University)|Oct 23, 2012

Advanced Statistical Methods and Models参考文献 38被引用数 7

ひとこと要約

この論文は、天文学的スケーリング関係のフィッティングに用いられる統計的手法をレビューし、誤差を伴う変数回帰（errors-in-variables regression）に重点を置き、測定誤差、不均一分散（heteroscedasticity）、固有分散（intrinsic scatter）、選択バイアスを扱うためにベイズ的手法を提唱している。実際のデータ構造の複雑さを反映したモデル化において、ベイズ的手法が頑健で柔軟なアプローチを提供することを示しており、JAGS などのツールを用いた実装が可能である。

ABSTRACT

This review article considers some of the most common methods used in astronomy for regressing one quantity against another in order to estimate the model parameters or to predict an observationally expensive quantity using trends between object values. These methods have to tackle some of the awkward features prevalent in astronomical data, namely heteroscedastic (point-dependent) errors, intrinsic scatter, non-ignorable data collection and selection effects, data structure and non-uniform population (often called Malmquist bias), non-Gaussian data, outliers and mixtures of regressions. We outline how least square fits, weighted least squares methods, Maximum Likelihood, survival analysis, and Bayesian methods have been applied in the astrophysics literature when one or more of these features is present. In particular we concentrate on errors-in-variables regression and we advocate Bayesian techniques.

研究の動機と目的

• 両方の変数に測定誤差と観測バイアスが存在する天文学的スケーリング関係のフィッティングという課題に対処すること。
• 実際のデータの複雑さを反映した状況下で、最小二乗法、加重最小二乗法、最尤推定、生存分析、ベイズ的手法といった標準的手法の性能を評価すること。
• 天文学的データにおける固有分散、非正規誤差、外れ値、選択効果を適切に扱うためのフレームワークとして、ベイズ的手法を推奨すること。
• JAGS などのツールを用いたベイズ回帰モデルの実装に関する実用的ガイドを提供し、誤差を伴う変数や打ち切り済みデータのコード例を示すこと。
• 宇宙論的パラメータ（例：超新星ハッブル図からのパラメータ）の複数パラメータの共同モデリングが、階層ベイズモデルを用いることで、複雑な天文学的問題においても効率的に可能になること。

提案手法

• 両方の変数に測定誤差が存在する状況を考慮し、真の変数値、回帰係数、誤差分散を同時に推定するための階層ベイズモデリングを用いる。
• 潜在的真値に非情報的事前分布（diffuse priors）を、回帰係数に情報的事前分布を適用する誤差を伴う変数回帰を実装し、頑健性を高めるためにスルーディアス分布（Student-t）と正規分布を用いる。
• JAGS を介してマルコフ連鎖モンテカルロ法（MCMC）を用いて後方分布からのサンプリングを実行し、欠損データを含む状況でも不確実性の完全な伝搬と予測が可能になる。
• 測定誤差を超える説明できないばらつき（unexplained variability）をモデル化するための精度パラメータ（precision parameter）を用いて固有分散を組み込み、精度にガンマ事前分布を適用する。
• フラックス制限付きサーベイ（flux-limited surveys）に特に適した、ベイズ枠組み内での生存分析的手法を用いて打ち切り済みまたは切り捨てられたデータを処理する。
• 標準分布（dnorm, dpois, dt, dunif）と精度パラメータ（1/分散）を用いて、数式表現された回帰モデルを JAGS コードに自動的に変換し、計算の自動化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 従属変数と独立変数の両方に測定誤差が存在する場合、天文学的スケーリング関係の推定精度にどのような影響を与えるか？
• RQ2 不均一分散、ノイズ、バイアスが存在する天文学的データに古典的手法（例：OLS、WLS）を適用した場合の限界は何か？
• RQ3 固有分散と選択効果（例：Malmquistバイアス）を、天文学的データの回帰分析において適切にモデル化する方法は何か？
• RQ4 非正規性、外れ値、打ち切り観測といった複雑なデータ特徴を扱う際、ベイズ的手法が頻度主義的手法をどの程度上回るか？
• RQ5 現代の計算ツールを用いて、大規模な天文学的回帰問題において、ベイズモデルを実用的に効率的に実装できるか？

主な発見

• ベイズ的手法は、誤差を伴う変数、固有分散、選択バイアスを同時にモデル化する一貫性があり、柔軟なフレームワークを提供し、複雑な状況下で古典的手法を上回る。
• 潜在的真値に階層的事前分布を適用することで、x と y が両方とも誤差を伴って測定されていても、回帰係数の推定が頑健に可能になる。
• 精度パラメータを用いた固有分散の組み込みにより、説明できないばらつきが存在する状況でもモデルの適合度が向上し、パラメータ推定のバイアスが低減される。
• JAGS や同様のツールを用いることで、複雑なモデルの実装が容易になり、標準分布を用いた数学的式から直接コードに変換可能となる。
• 観測されていない y 値の予測は、データ内で y を NA として設定することで、ベイズモデルで自然に処理可能であり、後方予測分布の推論が可能になる。
• 宇宙論的パラメータ（例：超新星ハッブル図からのパラメータ）の複数パラメータの共同モデリングは、適切な誤差と選択バイアスモデル化を組み込んだ階層ベイズモデルにより、効率的に実行可能である。