[論文レビュー] Statistical techniques in cosmology

Alan Heavens|arXiv (Cornell University)|Jun 3, 2009

Advanced Mathematical Theories参考文献 5被引用数 37

ひとこと要約

この論文は、フィッシャー行列解析、マルコフ連鎖モンテカルロ法（MCMC）、ネストドサンプルなどの技術を用いて、パラメータ推定、モデル選択、およびサーベイ設計に焦点を当てた包括的なベイズ枠組みを提示する。データ収集の前に行うパrameter不確実性の予測とモデル証拠の計算により、宇宙論および関連分野における最適な実験計画が可能になる。

ABSTRACT

In these lectures I cover a number of topics in cosmological data analysis. I concentrate on general techniques which are common in cosmology, or techniques which have been developed in a cosmological context. In fact they have very general applicability, for problems in which the data are interpreted in the context of a theoretical model, and thus lend themselves to a Bayesian treatment. We consider the general problem of estimating parameters from data, and consider how one can use Fisher matrices to analyse survey designs before any data are taken, to see whether the survey will actually do what is required. We outline numerical methods for estimating parameters from data, including Monte Carlo Markov Chains and the Hamiltonian Monte Carlo method. We also look at Model Selection, which covers various scenarios such as whether an extra parameter is preferred by the data, or answering wider questions such as which theoretical framework is favoured, using General Relativity and braneworld gravity as an example. These notes are not a literature review, so there are relatively few references.

研究の動機と目的

• 宇宙論的データを分析する統一的なベイズ枠組みを提供すること。特に、パラメータ推定とモデル選択に重点を置く。
• フィッシャー行列手法を用いたパrameter不確実性の予測により、事前実験的サーベイ設計を可能にすること。
• 複雑なモデルにおける事後分布サンプリングのための数値的手法（MCMCおよびハミルトニアン・モンテカルロ）を導入すること。
• 証拠計算と競合する宇宙論的フレームワーク間の仮説検定を含む、モデル比較のためのツールを開発すること。
• これらの手法を、平坦性の検証、重力理論、インフレーションモデルといった実際の宇宙論的問題への応用で示すこと。

提案手法

• ベイズの定理を用いて、尤度 $p({\vec{x}}|\theta)$、事前分布 $p(\theta)$、証拠 $p({\vec{x}})$ を組み合わせることで、事後分布 $p(\theta|{\vec{x}})$ を計算する。
• データ収集の前に行うパrameter不確実性の最小分散境界を推定するために、フィッシャー行列形式を適用する。
• 複雑で高次元の事後分布からの効率的サンプリングに、マルコフ連鎖モンテカルロ法（MCMC）およびハミルトニアン・モンテカルロを用いる。
• 特に多重モードの事後分布に対して効果的な、モデル証拠の計算とベイズ的モデル選択にネストドサンプルを活用する。
• 理論的モデル（たとえばCMBスケールスペクトルやポアソン分布に従う源数）からデータ分布を予測するフォワードモデリングを統合する。
• 行列の逆行列および対数関数に関する線形代数の恒等式を用いて、尤度およびフィッシャー情報の解析的表現を導出する。

実験結果

リサーチクエスチョン

• RQ1 フィッシャー行列解析を用いて、サーベイを実施する前になんらかのパラメータ推定の精度を予測するにはどうすればよいか？
• RQ2 尤度が高次元的かつ非ガウス的である場合、宇宙論的パラメータの事後分布を効率的にサンプリングする最適な方法は何か？
• RQ3 一般相対性理論とブレーンワールド重力理論のような、競合する宇宙論的モデルを、ベイズ的証拠を用いてどのように比較できるか？
• RQ4 事前分布がパラメータ推定に果たす役割とは何か？また、それらはモデル選択の結果にどのように影響を与えるか？
• RQ5 確率過程における顕著なパラドックス、たとえばランダムなタイミングで観測した際のイベント間の期待時間は、なぜ直感的でないのか？

主な発見

• フィッシャー行列は、データ収集の前に行うパrameter不確実性の予測およびサーベイ感度の評価に、計算的に効率的な手法を提供する。
• ネストドサンプルは、平坦宇宙と非平坦宇宙の理論間のモデル選択に不可欠なベイズ的証拠を正確に計算可能にする。
• ポアソン分布に従う天体サーベイにおいて、平均密度 $\bar{n}$ のフィッシャー情報は $F = \frac{N}{2\bar{n}^2} + \frac{N}{\bar{n}}$ であり、大部分の情報は共分散構造に由来する。
• 二項分布の飲酒パラドックスでは、最後の飲酒と次の飲酒の間の期待時間は $\bar{t} = \frac{2}{p} - 1$ であり、これは平均の間隔時間 $\bar{M} = \frac{1}{p}$ との間の明らかな矛盾を解消する。
• 尤度の評価が高価な場合でも、MCMCおよびハミルトニアン・モンテカルロを用いることで、パラメータの事後分布を効率的に探索できる。
• ベイズ的証拠によるモデル選択により、次元が異なる理論（例：ビッグバン対ステディステート、一般相対性理論対ブレーンワールド重力）の間でも、体系的な比較が可能になる。