[論文レビュー] One, No One, and One Hundred Thousand -- Inferring the properties of a population in presence of selection effects

S. Vitale|arXiv (Cornell University)|Jul 10, 2020

High-Energy Particle Collisions Research被引用数 5

ひとこと要約

本稿では、選択効果の影響を受けるデータから集団の性質を推定するための階層ベイズ枠組みを提示する。基礎的な導出と重力波天文学分野における2つの実用的応用例を用いて、検出バイアスが存在する中でも、母集団分布の頑健な推定を可能にする。この手法は、科学分野の多様な分野に一般化可能な、源集団推定のための一般的な手法を提供する。

ABSTRACT

This document contains a pedagogical introduction to hierarchical Bayesian inference in presence of selection effects. The main equations are obtained from first principles, step by step. Two examples are provided which show how things work, in practice. While I had in mind gravitational-wave astrophysics as I drafted these notes, they should be generic enough to be useful to anyone who wants to learn about the inference on the properties of a population of sources.

研究の動機と目的

• 検出閾値や選択効果によるバイアスがかかるデータから、集団レベルの性質を原理的かつ整合的に推定するためのアプローチを開発すること。
• 現実の観測制約に適合した、教育的で段階的な階層ベイズ推論の導出を提供すること。
• 特に重力波天文学において、この手法の有効性を具体的な例を通じて示すこと。
• この枠組みを、天文学を超えた多様な科学分野に一般化可能であるようにすること。

提案手法

• 基本的な確率の法則と尤度関数から出発し、階層ベイズ推論を基礎から導出する。
• 個々の源のパラメータと集団のハイパーパrameterの同時分布をモデル化し、検出効率を考慮する。
• 個々の源のパラメータを周辺化して集団レベルの推論に焦点を当てる。
• 検出確率に応じた重み付けを尤度関数に組み込むことで、選択効果を明示的に扱う。
• 簡単なパラメトリックな集団モデルを用いた例と、より複雑な検出閾値を持つ例の2つの具体的な応用例を提示する。
• 数値的または解析的な統合を用いて、集団ハイパーパrameterの事後分布を計算する。

実験結果

リサーチクエスチョン

• RQ1 検出可能な源の部分集合しか観測されない場合、真の集団の性質の分布をどのように推定できるか？
• RQ2 選択効果が存在する状況で、正しいベイズ的定式化は何か？
• RQ3 検出閾値と感度関数は、推定された集団パラメータにどのように影響を与えるか？
• RQ4 この手法は一般に適用可能か、それとも特定の種類のデータや分野に限定されるか？

主な発見

• 検出確率が正確にモデル化されていれば、検出可能な源の一部しか観測されない状況でも、この枠組みは母集団パラメータを正しく回復できる。
• 選択効果は単純な推論を著しくバイアスさせるが、階層ベイズ的手法はこれを体系的に是正する。
• 母集団に対するハイパーパラメータの事前分布を通じて情報共有を行うことで、複数の観測に対して一貫した推論が可能になる。
• 例から、選択効果を無視すると、集団パラメータが系統的に過大評価されることを示している。