[論文レビュー] Using Likelihood for Combined Data Set Analysis

B. Anderson, J. Chiang+5 more|arXiv (Cornell University)|Feb 10, 2015

Bayesian Methods and Mixture Models被引用数 7

ひとこと要約

本稿では、統計的解析、特に天体物理学および素粒子物理学において、非交差データセットを組み合わせるための堅牢で効率的な手法として、結合尤度（joint likelihood）を提示する。データを積み重ねるのではなく個々の尤度を乗算することで、かゆみパラメータの独立した取り扱いを保ち、残差積み重ねと同等の性能を達成するが、低背景領域では感度が向上し、データが重複する場合には明確な制限が生じる。

ABSTRACT

The joint likelihood is a simple extension of the standard likelihood formalism that enables the estimation of common parameters across disjoint datasets. Joining the likelihood, rather than the data itself, means nuisance parameters can be dealt with independently. Application of this technique, particularly to Fermi-LAT dwarf spheroidal analyses, has already been met with great success. We present a description of the method's general implementation along with a toy Monte-Carlo study of its properties and limitations.

研究の動機と目的

• 共有信号パラメータを対象として、非交差データセットを結合する一般化されたフレームワークを提供すること。
• 従来のデータ積み重ね法および残差ベース手法と比較して、統計的性能および実装の容易さの観点から、結合尤度の性能を評価すること。
• 低背景条件下および重複するデータセット下におけるこの手法の挙動を調査し、主な制限要因を同定すること。
• モンテカルロシミュレーションを用いて、結合尤度の統計的性質（カバレッジ、パワー、有意水準）を検証すること。
• フェルミ-LATのダークマター探索など、複数の機器または複数の標的を対象とする解析への結合尤度の導入を支援すること。

提案手法

• 結合尤度は、N個の独立したデータセットの個々の尤度関数を乗算することで、$\mathcal{L}_{\text{joint}} = \prod_{d=1}^{N} \mathcal{L}(\boldsymbol{\mu}_d, \boldsymbol{\theta}_d | \mathcal{D}_d)$ として組み合わせ、非交差データ構造を保持する。
• イベント数の度数分布に、ボックス化されたポisson尤度を用い、各ビンにおけるモデル予測 $\lambda_k$ と観測度数 $n_k$ を定義する。
• 最大尤度推定（MLE）を結合尤度に適用し、共有信号パラメータ $\boldsymbol{\mu}$ およびかゆみパラメータ $\boldsymbol{\theta}_d$ を推定する。
• 有意水準の評価には、$\text{TS} = -2 \ln \left( \mathcal{L}(\boldsymbol{\hat{\mu}}_0, \boldsymbol{\hat{\theta}}_0) / \mathcal{L}(\boldsymbol{\hat{\mu}}, \boldsymbol{\hat{\theta}}) \right)$ として定義される検定統計量を用い、帰無仮説下では漸近的に $\chi^2/2$ 分布に従う。
• 信頼区間は、デルタ対数尤度プロファイルから導出され、漸近的状態では90%信頼区間はMLEからの差分が2.71に相当する。
• トゥイ・モンテカルロスタディーでは、信号対背景比が変化するデータと重複するデータセットをシミュレートし、カバレッジ、パワー、感度を評価する。

実験結果

リサーチクエスチョン

• RQ1 結合尤度は、データ積み重ね法および残差ベース手法と比較して、統計的カバレッジおよび信頼区間の精度においてどのように異なるか？
• RQ2 ポisson統計が支配的となる低背景領域において、結合尤度の性能はいかがなものか？
• RQ3 データの重複が、結合尤度解析における検定統計量（TS）の分布および第2種の誤り率（Type II error rate）に与える影響は？
• RQ4 結合尤度が、データセット数の増加に伴い $\sqrt{N}$ よりも良好なスケーリング（$\sqrt{N}$ 比例）を達成する条件は何か？
• RQ5 かゆみパラメータを各データセットごとに独立に取り扱う場合、結合尤度は正しいカバレッジとパワーを維持できるか？

主な発見

• 結合尤度は、テストされたあらゆる信号対背景比およびデータセット数において、名目上のカバレッジ（例：68%の包含率）を達成する。
• 低背景領域（例：s:b = 1:0.1）では、結合尤度の制約はデータセット数 $N$ に対して概ね線形にスケーリングされ、対数尤度の線形性のおかげで $\sqrt{N}$ スケーリングを上回る性能を示す。
• データセットが重複する場合、検定統計量（TS）の分布は歪み、第2種の誤り率が上昇し感度が低下する。TSは重複率に比例して上昇する傾向にある。
• 低背景の同一データセットに対しては、上側限界が $\mu_{\text{UL}} \propto \left( \sum_d \partial \mathcal{L}_d / \partial \mu \big|_{\mu=0} \right)^{-1}$ に比例し、$\sqrt{N}$ よりも速やかに収束する。
• 結合尤度は、信頼区間のタイトさおよび有意水準の観点で、残差ベースの積み重ね法と同等の性能を示すが、データ操作が少なく、かゆみパラメータの独立した取り扱いを保持する点で優位性を示す。
• モデルの不確実性が一貫しており、データが非交差である限り、データセット数の増加に対してもこの手法は頑健である。