[論文レビュー] Optimal inferential models for a Poisson mean

Ryan Martin, Duncan Ermini Leaf+1 more|arXiv (Cornell University)|Jun 30, 2012

Bayesian Methods and Mixture Models参考文献 17被引用数 4

ひとこと要約

本稿は、離散性と小標本の課題に対処するため、ポアソン平均に関する統計的推論の最適な推論モデル（IM）フレームワークを提案する。予測用の確率的集合を構築するための新規再帰的ソーティングアルゴリズムを用いることで、有効で事前分布に依存しない確率的推論が達成され、点仮説および両側仮説の両方において、被覆確率と信頼区間幅の両面で既存手法を上回る頻度的性質を示す。

ABSTRACT

Statistical inference on the mean of a Poisson distribution is a fundamentally important problem with modern applications in, e.g., particle physics. The discreteness of the Poisson distribution makes this problem surprisingly challenging, even in the large-sample case. Here we propose a new approach, based on the recently developed framework of inferential models (IMs). Specifically, we construct optimal, or at least approximately optimal, IMs for two important classes of assertions/hypotheses about the Poisson mean. For point assertions, we develop a novel recursive sorting algorithm to construct this optimal IM. Numerical comparisons of the proposed method to existing methods are given, for both the mean and the more challenging mean-plus-background problem.

研究の動機と目的

• データの離散性と小標本サイズによる影響により、古典的頻度的およびベイズ的手法が不安定になるという、ポアソン平均の推論における根本的課題に対処する。
• 実験内および実験間の解釈可能性を満たす、事前分布に依存しない意味のある確率的推論フレームワークを構築する。
• 非確率的制約が存在する場合を含め、ポアソン平均に関する片側および両側仮説に対する最適な推論モデルを構築する。
• 頻度的妥当性を維持しながら解釈可能な妥当性尺度を提供する、計算的に実行可能な区間推定および仮説検定の手法を提供する。
• 特に高エネルギー物理学などの分野に応用可能な、離散データ問題、特にポアソン分布に向けたIMフレームワークの拡張を行う。

提案手法

• 予測、確率的集合の選択、妥当性関数の導出という3段階のプロセスにより推論モデル（IM）を構築し、妥当性と解釈可能性を保証する。
• 両側仮説のための最適な予測用確率的集合を構築するための新規再帰的ソーティングアルゴリズムを導入し、効率的な区間推定を可能にする。
• 許容可能でキャリブレーションされた予測用確率的集合を用いることで、fiducial推論に内在するバイアスを是正し、弱い条件下でも妥当性を保証する。
• ポアソン平均に関する仮説に対する証拠の尺度として妥当性関数を定義し、最適に構築された場合には点仮説のときのフィッシャーのp値と一致する性質を持つ。
• 高エネルギー物理学における信号＋背景問題などに代表される非確率的制約情報を扱うために、EB–SB法を用いてフレームワークを拡張する。
• 被覆確率や区間幅といった頻度的基準を用いて性能を評価し、Feldman–Cousins、Giunti、Roe–Woodroofe、および他の標準的手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 片側仮説に関するポアソン平均の最適な推論モデルを、妥当性と解釈可能性を維持しながら構築することは可能か？
• RQ2 離散性と小標本の課題を考慮した場合、ポアソンモデルにおける両側仮説のための最適な予測用確率的集合をどのように構築できるか？
• RQ3 信号＋背景問題のような非確率的制約情報を扱うために、IMフレームワークを拡張することは可能か？
• RQ4 提案されたEB–SB妥当性区間は、既存の頻度的手法と比較して被覆確率と区間幅の両面でどのように性能を発揮するか？
• RQ5 IMフレームワークは、実験間をまたがって有効であり、事前分布に依存しない解釈可能な証拠の確率的要約をどの程度まで提供できるか？

主な発見

• 提案された再帰的アルゴリズムにより、両側仮説のための（近似的に）最適な予測用確率的集合が得られ、ポアソン平均の正確な区間推定が可能になる。
• EB–SB妥当性区間は、Feldman–Cousins や Roe–Woodroofe などの既存手法と比較して、さまざまなポアソン平均の範囲で競争的または優れた被覆確率を達成する。
• x = 5観測まで、EB–SB区間は競合手法の中で最も狭い幅を示し、被覆確率を損なうことなく精度が向上している。
• 最適に構築されたIMから導かれる妥当性関数は、点仮説のときのフィッシャーのp値と一致し、仮説の下での条件付けなしに一貫性があり解釈可能な証拠の尺度を提供する。
• 弱い条件下でも妥当性を維持し、実験内および実験間の両方の解釈可能性を満たすため、fiducialおよびベイズ的手法の限界を克服する。
• 数値的比較により、IMに基づく手法が、頻度的妥当性を保ちながらも、単なる頻度的手続きではないにもかかわらず、既存の頻度的手法と同等またはそれを上回る主要な基準で優れた性能を示すことが確認された。