[論文レビュー] The Probabilities of Orbital-Companion Models for Stellar Radial Velocity Data

Fengji Hou, Jonathan Goodman+1 more|arXiv (Cornell University)|Jan 23, 2014

Stellar, planetary, and galactic studies参考文献 1被引用数 3

ひとこと要約

本稿では、径星速度データのベイズ的モデル選択において中心的な役割を果たす完全に周辺化された尤度（FML）を効率的に計算するための幾何的経路モンテカルロ法を提案する。この手法は、適応的ステップサイズと分散推定を用いた経路ベースのサンプリングを採用しており、高速かつ高精度なFML推定と信頼性のある不確実性評価を可能にする。HIP 88048およびグリエーゼ581に適用した結果、HIP 88048では2同伴天体モデルが支持され、グリエーゼ581では5惑星モデルと6惑星モデルがほとんど区別できないことが判明したが、両者とも事前分布の選択に極めて敏感である。

ABSTRACT

The fully marginalized likelihood, or Bayesian evidence, is of great importance in probabilistic data analysis, because it is involved in calculating the posterior probability of a model or re-weighting a mixture of models conditioned on data. It is, however, extremely challenging to compute. This paper presents a geometric-path Monte Carlo method, inspired by multi-canonical Monte Carlo to evaluate the fully marginalized likelihood. We show that the algorithm is very fast and easy to implement and produces a justified uncertainty estimate on the fully marginalized likelihood. The algorithm performs efficiently on a trial problem and multi-companion model fitting for radial velocity data. For the trial problem, the algorithm returns the correct fully marginalized likelihood, and the estimated uncertainty is also consistent with the standard deviation of results from multiple runs. We apply the algorithm to the problem of fitting radial velocity data from HIP 88048 ($ν$ Oph) and Gliese 581. We evaluate the fully marginalized likelihood of 1, 2, 3, and 4-companion models given data from HIP 88048 and various choices of prior distributions. We consider prior distributions with three different minimum radial velocity amplitude $K_{\mathrm{min}}$. Under all three priors, the 2-companion model has the largest marginalized likelihood, but the detailed values depend strongly on $K_{\mathrm{min}}$. We also evaluate the fully marginalized likelihood of 3, 4, 5, and 6-planet model given data from Gliese 581 and find that the fully marginalized likelihood of the 5-planet model is too close to that of the 6-planet model for us to confidently decide between them.

研究の動機と目的

• 径星速度データからの系外惑星検出におけるベイズ的モデル選択に不可欠な完全に周辺化された尤度（FML）を高速かつ信頼性高く計算する手法の開発。
• 複数同伴天体系における軌道パラメータの高次元周辺化の計算的課題に対処すること。
• FMLの明示的な不確実性推定を提供する手法の開発により、モデル比較の信頼性を高めること。
• HIP 88048における1〜4同伴天体モデルおよびグリエーゼ581における3〜6惑星モデルについて、さまざまな事前分布のもとでFMLを評価すること。
• モデル選択が事前分布の仮定、特に最小径星速度振幅 $K_{\mathrm{min}}$ にどれほど敏感であるかを調査すること。

提案手法

• 本手法は、事後分布のガウス近似 $ g(\bm{\theta}) $ と真の被積分関数を $ \beta = 1 $ で接続する幾何的経路 $ Z_\beta = \int g(\bm{\theta})^{1-\beta} (L(\bm{\theta})\pi(\bm{\theta}))^\beta \, d\bm{\theta} $ を用いる。
• ステップサイズを推定された自己相関時間に基づいて適応的に選択することで、$ \beta $ を段階的に増加させながらマルコフ連鎖モンテカルロ（MCMC）サンプリングを実行する。
• 経路に沿って積分することで $ \beta = 1 $ におけるFMLを推定し、$ \beta = 0 $ で始める。ここで $ Z_0 $ は解析的に扱える（BICと同様）。
• 分散推定と誤差棒はMCMCチェインから直接計算され、反復的独立な実行結果との整合性を確認することで、明示的な不確実性推定が得られる。
• マルチカノニカルモンテカルロおよび熱力学的統合にインspiredされているが、本手法はガウス近似を基準として用い、経路サンプリングを避ける点で異なる。
• 計算効率が高く、単一コアワークステーションでHIP 88048の4同伴天体モデル評価を1日未満で完了できる。

実験結果

リサーチクエスチョン

• RQ1 HIP 88048の径星速度データにおける1〜4同伴天体モデルの完全に周辺化された尤度は、さまざまな事前分布のもとでどのように変化するか？
• RQ2 最小径星速度振幅 $ K_{\mathrm{min}} $ の選択が、FMLを用いたモデル選択にどのように影響するか？
• RQ3 グリエーゼ581における3〜6惑星モデルのFMLは何か？ また、5惑星モデルと6惑星モデルはどれほど区別可能か？
• RQ4 幾何的経路モンテカルロ法は、信頼性のある不確実性評価を伴ってFMLの不偏推定を可能にするか？
• RQ5 なぜベイズ的FML結果では、頻度主義的有意性検定で有意とされる信号（例：HIP 88048の54日周期信号）が、しばしば少ない惑星数を支持するのか？

主な発見

• 幾何的経路モンテカルロ法はFMLのほぼ不偏推定を実現し、複数回の独立実行からの標準偏差と一致する不確実性推定を提供する。
• HIP 88048では、全テスト事前分布のもとで2同伴天体モデルが最大の周辺化尤度を示すが、その正確な値は $ K_{\mathrm{min}} $ に強く依存する。
• グリエーゼ581では、5惑星モデルと6惑星モデルのFMLが極めて近く、明確に区別できないため、モデルの退化（degeneracy）が顕著である。
• 本手法は、単一コアワークステーションでHIP 88048の4同伴天体モデルを1日未満で計算可能であり、高い計算効率を示している。
• HIP 88048の54日周期信号は頻度主義的検定では有意であるが、ベイズ的証拠では低くなる。これは、事前分布が強い事後分布ピークがあるにもかかわらず、このような信号を抑制する可能性を示唆している。
• アルゴリズムの性能はMCMCの混合に制限を受ける。サンプリング効率が低いと自己相関時間 $ \tau $ が増加し、ステップサイズと収束性に影響を与える。