[論文レビュー] Probability and Measurement Uncertainty in Physics - a Bayesian Primer

G. D’Agostini|arXiv (Cornell University)|Jan 1, 1995

Statistical Mechanics and Entropy参考文献 14被引用数 34

ひとこと要約

本論文は、物理学における測定不確実性を扱うベイズ的フレームワークを提示し、主観的確率に基づく単一の確率的モデルに統合的に統合された統計的誤差と系統的誤差を扱う。ベイズ推論—事前信念とベイズの定理によるデータ更新—が、不確実性の定量化に対して一貫性があり、透明で、哲学的にも妥当なアプローチを提供することが示され、国際的計量基準（ISOガイド）でも承認されている。

ABSTRACT

Bayesian statistics is based on the subjective definition of probability as {\it ``degree of belief''} and on Bayes' theorem, the basic tool for assigning probabilities to hypotheses combining {\it a priori} judgements and experimental information. This was the original point of view of Bayes, Bernoulli, Gauss, Laplace, etc. and contrasts with later ``conventional'' (pseudo-)definitions of probabilities, which implicitly presuppose the concept of probability. These notes show that the Bayesian approach is the natural one for data analysis in the most general sense, and for assigning uncertainties to the results of physical measurements - while at the same time resolving philosophical aspects of the problems. The approach, although little known and usually misunderstood among the High Energy Physics community, has become the standard way of reasoning in several fields of research and has recently been adopted by the international metrology organizations in their recommendations for assessing measurement uncertainty. These notes describe a general model for treating uncertainties originating from random and systematic errors in a consistent way and include examples of applications of the model in High Energy Physics, e.g. ``confidence intervals'' in different contexts, upper/lower limits, treatment of ``systematic errors'', hypothesis tests and unfolding.

研究の動機と目的

• 高エネルギー物理学における従来の統計的不確実性と系統的不確実性の取り扱いの不整合性と恣意的性質を是正すること。
• 物理的測定における不確実性の定量化のための自然で一貫性のあるフレームワークとしてベイズ的アプローチを提唱すること。
• 確率の定義を「信念の度合い」としての主観的定義に採用することで、確率の解釈に関する哲学的および実務的問題を解決すること。
• ランダム誤差、系統的効果、相関のある誤差を含むすべての不確実性の源を、単一の確率的枠組み内で統一的に扱うモデルを提供すること。
• 高エネルギー物理学における具体的な例（信頼区間、限界、アンフォールディングなど）を通じて、手法の適用可能性を示すこと。

提案手法

• 頻度に基づく頻度的解釈ではなく、主観的ベイズ的確率の定義（「信念の度合い」としての確率）を採用すること。
• 実験データを用いて物理的量に関する事前信念を更新し、事後確率分布を導出するため、ベイズの定理を適用すること。
• 測定不確実性を、ランダム効果と系統的効果を含む未知パラメータ上の確率分布としてモデル化すること。
• 余分なパラメータと相関のある不確実性を処理するために、周辺化と条件付き確率を用いること。
• 正確な推論が計算的に重くなる場合には、線形化近似（例：誤差伝搬）を用いるが、解釈可能性を保つこと。
• ISO不確実性の表現に関するガイドライン（GUM）の提言をベイズ的枠組みに統合し、その整合性と利点を示すこと。

実験結果

リサーチクエスチョン

• RQ1 物理的測定において、統計的不確実性と系統的不確実性を一貫して組み合わせる方法は何か？
• RQ2 確率を長期的頻度ではなく「信念の度合い」として扱うという定義が、哲学的および実務的根拠としてどのように正当化されるか？
• RQ3 単一の確率的枠組みが、ランダム誤差、系統的効果、間接測定を統一的に扱えるか？
• RQ4 従来の手法と比較して、ベイズ推論は不確実性評価における透明性と追跡可能性をどのように向上させるか？
• RQ5 不確実性伝搬における線形近似の限界は何か？また、完全なベイズ的推論が必要となる状況はどのような場合か？

主な発見

• ベイズ的アプローチは、未知パラメータ上の確率分布として扱うことで、すべての不確実性の源（系統的効果を含む）を一貫的かつ統一的に取り扱う。
• ISO不確実性の表現に関するガイドライン（GUM）は、ベイズ的枠組みと整合的であり、自然に解釈可能であることが示された。
• 従来の手法で不確実性を線形または平方和的に加算することは、頻度的統計において理論的根拠に欠けるが、実用的には有用である。ベイズ的アプローチはこれを正当化し、一般化する。
• 新データの受容に伴い信念を自動的に更新でき、仮定の透明なモデル化が可能であり、事前分布への感度分析も可能である。
• アンフォールディングのような複雑なケースでは、ベイズ的アプローチを近似（例：共分散行列）や反復的手順と組み合わせられるが、完全な解法は依然として困難である。
• 本論文は、確率を相対頻度ではなく、認識的不確実性（epistemic uncertainty）に基づくものとして定義することで、長年の確率論的哲学的問題を解決した。