[논문 리뷰] Multilevel and hierarchical Bayesian modeling of cosmic populations

Thomas J. Loredo, M. Hendry|arXiv (Cornell University)|2019. 11. 27.

Insurance, Mortality, Demography, Risk Management참고 문헌 36인용 수 9

한 줄 요약

이 논문은 천체 관측 조사에서 연관 선택 및 측정 오차를 고려하여 천체 집단을 모델링하기 위해 계층 베이지안 프레임워크—특히 희석 잠재 표식 점 프로세스(TLaMPP)—를 제안한다. 탐지 및 매개변수 추정을 통합적으로 다룸으로써, 수축과 잠재 변수에 대한 근사화를 통해 마르크비스트 및 에딩턴 편향을 보정하면서 천체의 본질적 성질(예: 은하 밝기)에 대한 최적의 추론을 가능하게 한다.

ABSTRACT

Demographic studies of cosmic populations must contend with measurement errors and selection effects. We survey some of the key ideas astronomers have developed to deal with these complications, in the context of galaxy surveys and the literature on corrections for Malmquist and Eddington bias. From the perspective of modern statistics, such corrections arise naturally in the context of multilevel models, particularly in Bayesian treatments of such models: hierarchical Bayesian models. We survey some key lessons from hierarchical Bayesian modeling, including shrinkage estimation, which is closely related to traditional corrections devised by astronomers. We describe a framework for hierarchical Bayesian modeling of cosmic populations, tailored to features of astronomical surveys that are not typical of surveys in other disciplines. This thinned latent marked point process framework accounts for the tie between selection (detection) and measurement in astronomical surveys, treating selection and measurement error effects in a self-consistent manner.

연구 동기 및 목표

• 노이즈가 많고 완전하지도 않으며 편향된 조사 카탈로그에서 천체 집단의 본질적 성질(예: 은하 밝기)을 추론하는 데 도전하는 것.
• 마르크비스트 및 에딩턴 편향에 대한 전통적 보정을 일관된 베이지안 계층 모델링 프레임워크 내에서 통합하고 일반화하는 것.
• 천체 관측 조사에서 탐지(선택) 과정과 측정 과정의 상호의존성을 모델링하는 것. 이 두 과정은 일반적으로 독립적이지 않다.
• 사전 정보를 자연스럽게 통합하고, 탐지된 및 탐지되지 않은 소스의 불확실성을 모두 고려하는 유연하고 원칙적인 통계적 접근을 제공하는 것.

제안 방법

• 잠재적 성질(예: 진짜 밝기, 거리)을 가진 표식 점 프로세스로 소스(예: 은하)의 잠재적 인구를 모델링하기 위해 희석 잠재 표식 점 프로세스(TLaMPP) 프레임워크를 사용한다.
• 탐지를 잠재 인구에 적용된 희석 과정으로 모델링하며, 탐지 확률은 관측된 복사량과 적색이동에 따라 달라지며 측정 오차를 포함한다.
• 모수 밀도 ρ(F,r;ζ), 탐지 효율 η(F), 선택 함수 h(r)를 통합한 효과적 가짜 밀도 μ(F,r;ζ)를 도입함으로써, 관측되지 않은 소스에 대한 근사화를 가능하게 한다.
• 해석적 근사화를 가능하게 하기 위해 공액 사전(예: λ에 대한 감마 분포)을 사용하여 강도 매개변수 λ를 분리함으로써, 인구 매개변수 ζ에 대한 주변 가능도의 계산을 단순화한다.
• 탐지된 및 탐지되지 않은 물체에 대한 플레이트를 포함한 방향성 비순환 그래프(DAG)를 구성하여 조건부 독립성을 표현하고, 계층 모델에서의 확장 가능한 추론을 가능하게 한다.
• 잠재 변수와 탐지 불확실성에 대한 통합을 통해 유도된 주변 가능도 함수 Lm(ζ)는 효과적 가짜 밀도에 가중된 개별 가능도의 곱에 비례한다.

실험 결과

연구 질문

• RQ1 관측된 복사량과 적색이동에 따라 탐지가 달라지는 天체 관측 조사에서 선택과 측정 오차의 동시 영향을 일관적으로 모델링할 수 있는 방법은 무엇인가?
• RQ2 통합된 통계적 프레임워크를 사용하여 은하 밝기 함수 추정에서 마르크비스트 및 에딩턴 편향을 최적으로 보정하는 방법은 무엇인가?
• RQ3 계층 베이지안 모델링은 수축을 통해 소스 간의 강도를 빌려옴으로써 본질적 인구 성질 추론을 어떻게 향상시킬 수 있는가?
• RQ4 TLaMPP 프레임워크는 조사 데이터에 대한 전통적 점 프로세스 및 이항 가능도 모델을 어떻게 일반화하는가?
• RQ5 알 수 없는 소스 수와 탐지 임계값을 고려하면서도, 인구에 대한 사전 지식을 공식적으로 통합할 수 있는 방법은 무엇인가?

주요 결과

• TLaMPP 프레임워크는 잠재 표식 점 프로세스에 적용된 희석 과정으로서 탐지를 모델링함으로써 선택 및 측정 오차를 자동으로 일관성 있게 확률적으로 처리한다.
• 인구 매개변수 ζ에 대한 주변 가능도 함수는 Lm(ζ) = ∏ᵢ ∫ dF μ(F, rᵢ; ζ) ℓᵢ(F)로 유도되며, 이는 측정 오차와 잠재 변수를 포함한 이항 점 프로세스 가능도를 일반화한다.
• 계층적 구조에서 자연스럽게 수축 추정이 도출되며, 개별 소스 추정의 분산을 줄이고 노이즈가 많은 데이터에 대한 강건성을 향상시킨다.
• 효과적 가짜 밀도 μ(F,r;ζ)는 적절한 확률 밀도는 아니지만, 잠재 관측 가능 변수 위에 가중 가능도를 부여한 분포로서, 관측되지 않은 소스에 대한 전체 통합 없이도 추론이 가능하게 한다.
• 관측 가능 밀도를 수정하는 필터 함수 F(O)를 통해 독립적인 선택 과정(예: 반일치 트리거 또는 전이 조사에서의 기하학적 선택)의 포함이 가능하다.
• 탐지된 및 탐지되지 않은 소스에 대한 플레이트를 포함한 DAG 표현은 조건부 독립성을 명확히 표현하며, 소스 수가 사전에 알려지지 않은 경우에도 확장 가능한 추론을 지원한다.