[論文レビュー] sFit: a method for background subtraction in maximum likelihood fit

Yuehong Xie|ArXiv.org|May 6, 2009

Structural Health Monitoring Techniques被引用数 52

ひとこと要約

この論文は、サイドバンド領域やモンテカルロシミュレーションに依存せずに、パラメータ推定におけるバックグラウンド除去を可能にする、新しい最尤法であるsFitを紹介する。信号確率密度関数のみを用いて、信号とは相関のない判別変数から導かれるsウェイトを活用することで、バックグラウンドキャンセリングの尤度関数を構築し、わずかな統計的不確実性の増加で不偏なパラメータ推定を実現する。

ABSTRACT

This paper presents a statistical method to subtract background in maximum likelihood fit, without relying on any separate sideband or simulation for background modeling. The method, called sFit, is an extension to the sPlot technique originally developed to reconstruct true distribution for each date component. The sWeights defined for the sPlot technique allow to construct a modified likelihood function using only the signal probability density function and events in the signal region. Contribution of background events in the signal region to the likelihood function cancels out on a statistical basis. Maximizing this likelihood function leads to unbiased estimates of the fit parameters in the signal probability density function.

研究の動機と目的

• 最尤フィッティングにおける信頼性の低いバックグラウンドモデル化に起因する系統的不確実性に対処すること。
• バックグラウンドのパrameter化に別個のサイドバンド領域やモンテカルロシミュレーションに依存しないようにすること。
• 尤度推定においてバックグラウンド寄与を統計的にキャンセルする手法を開発すること。
• バックグラウンドモデル化が困難な分野、特に高エネルギー物理学において、頑健なパラメータ推定の代替手法を提供すること。
• 外部のバックグラウンド仮定に依存を最小限に抑えつつ、不偏なパラメータ推定を維持すること。

提案手法

• sFitはsPlot手法を拡張し、sウェイトをイベント重みとして用いた重み付き尤度関数を定義する。
• sウェイトは、信号とバックグラウンドの判別変数（y）の累積分布を用い、イベントレベルの分布に基づく行列逆算手順によって計算される。
• 尤度関数は $ L_W( heta) = igprod_{e=1}^{N} P_s(x_e; heta)^{W_s(y_e)} $ で定義され、ここで $ W_s(y_e) $ はイベントeのsウェイトである。
• バックグラウンドイベントにおけるsウェイトの期待値がゼロになるように構築されているため、$ L_W( heta) $ においてバックグラウンド寄与が統計的にキャンセルされる。
• この手法は、変数 $ x $ と判別変数 $ y $ において信号成分とバックグラウンド成分が非相関であると仮定しており、これは $ y $ における小さな信号領域に対して妥当である。
• パラメータ推定は $ L_W( heta) $ の最大化によって行われ、明示的なバックグラウンドモデル化なしに信号パラメータの不偏推定が得られる。

実験結果

リサーチクエスチョン

• RQ1 サイドバンドやシミュレーションに依存せずに、最尤フィッティングにおけるバックグラウンド寄与をキャンセルできるか？
• RQ2 イベント重み化のみでバックグラウンド効果を除外する尤度関数を構築することは可能か？
• RQ3 sFitの性能は、従来の最尤フィッティングと比較してバイアスおよび統計的精度の観点でどう異なるか？
• RQ4 信号純度とバックグラウンドレベルが、sFit推定の統計的誤差に与える影響は何か？
• RQ5 sウェイトを用いて、パラメータバイアスを維持しながら系統的不確実性を低減する信頼性のある尤度関数を構築できるか？

主な発見

• sFitは信号パラメータ $ A $ と $ γ $ に対して不偏推定を実現し、平均値はそれぞれ 0.501 と 0.650 ps⁻¹ であり、入力値の 0.5 と 0.65 ps⁻¹ と一致する。
• $ S_m/σ_m = 6 $、$ N_s = 5000 $、$ N_b/N_s = 1.5 $ のシナリオにおいて、sFitは統計誤差 $ σ(A) = 0.0254 $ を達成し、基準手法の $ σ(A) = 0.0223 $ と同等の性能を示した。
• 従来手法と比較してsFitの統計誤差はわずかに増加するが、信号ウィンドウが広がるかバックグラウンドレベルが低下するにつれて差は小さくなる。
• 信頼性の低いバックグラウンドモデル化に起因する系統的不確実性がsFitによって低減される。これは、実データにおいてサイドバンドやシミュレーションが不正確である場合に顕著な利点である。
• 尤度関数 $ L_W $ のみから得られる誤差推定は、考慮されていないバックグラウンドフラクチュエーションのため過小評価される。信頼性のある誤差推定にはモンテカルロシミュレーションが必要である。
• $ (A^{fit} - A^{input})/σ(A) $ および $ (γ^{fit} - γ^{input})/σ(γ) $ の分布は、推定量の漸近的性質が正当であることを確認するようにほぼ正規分布に従う。