[论文解读] Bias on Tensor-to-Scalar Ratio Inference With Estimated Covariance Matrices

D. Beck, A. Cukierman+1 more|arXiv (Cornell University)|Feb 11, 2022

Cosmology and Gravitation Theories参考文献 35被引用 9

一句话总结

该论文表明，在宇宙微波背景（CMB）分析中，使用有限数量的模拟来估计张量功率谱协方差矩阵，会显著引入张力量子比（𝑟）上限的偏差，尤其当模拟数量与可观测量数量相当时。该偏差源于协方差矩阵估计中的蒙特卡洛噪声，特别是虚假的非对角元素，这些元素增加了后验分布的离散度，导致𝑟的95%置信水平上限系统性地被低估，可能高达百分之几十。研究显示，通过矩阵条件化或使用约10,000次模拟可减轻此偏差。

ABSTRACT

We investigate simulation-based bandpower covariance matrices commonly used in cosmological parameter inferences such as the estimation of the tensor-to-scalar ratio $r$. We find that upper limits on $r$ can be biased low by tens of percent. The underestimation of the upper limit is most severe when the number of simulation realizations is similar to the number of observables. Convergence of the covariance-matrix estimation can require a number of simulations an order of magnitude larger than the number of observables, which could mean $\mathcal{O}(10\ 000)$ simulations. This is found to be caused by an additional scatter in the posterior probability of $r$ due to Monte Carlo noise in the estimated bandpower covariance matrix, in particular, by spurious non-zero off-diagonal elements. We show that matrix conditioning can be a viable mitigation strategy in the case that legitimate covariance assumptions can be made.

研究动机与目标

• 研究有限模拟数量对CMB宇宙学中张力量子比（𝑟）推断准确性的影响。
• 识别在使用有限模拟估计的协方差矩阵时，𝑟上限偏差的来源。
• 评估矩阵条件化和替代似然方法在减轻此偏差方面的有效性。
• 评估此偏差对已发表结果（如Planck PR4和BICEP/Keck合作组结果）的影响。
• 为未来高灵敏度CMB实验提供改进统计推断的实用建议。

提出的方法

• 使用Planck 2018基准参数，模拟理想化的CMB地图，设定𝑟 = 0.01，包含弱引力透镜标量模态、张量模态和仪器噪声。
• 从有限数量的模拟实现（𝑁𝑠𝑖𝑚𝑠）中估计带功率协方差矩阵，将其视为受蒙特卡洛噪声影响的样本协方差矩阵。
• 采用两种似然近似方法：HL（Hamimeche & Lewis 2008）和SH（Sellentin & Heavens 2015）似然，二者在处理非高斯性和协方差不确定性方面存在差异。
• 通过将非对角元素设为零或使用正则化方法对矩阵进行条件化，以减少噪声引起的协方差估计离散度。
• 使用cobaya框架进行贝叶斯参数推断，计算𝑟的后验分布，比较不同模拟数量和条件化方案下的结果。
• 对比Planck PR4和BK18+PR4数据的𝑟后验分布的边际化结果，评估最佳拟合值和上限值的偏移。

实验结果

研究问题

• RQ1 模拟实现数量如何影响张力量子比𝑟上限估计的准确性？
• RQ2 使用有限模拟估计的协方差矩阵时，𝑟上限偏差的根源是什么？
• RQ3 通过矩阵条件化或替代似然方法（如多元t分布）能在多大程度上减轻此偏差？
• RQ4 由于此模拟基础偏差，Planck PR4和BICEP/Keck数据的已发表𝑟上限值是否可能被误估？
• RQ5 为实现𝑟推断中协方差矩阵估计的收敛，所需模拟数量是多少？

主要发现

• 当模拟实现数量与可观测量数量相近时，𝑟的上限估计可能被系统性低估百分之几十。
• 该偏差主要源于协方差矩阵估计中的蒙特卡洛噪声，特别是虚假的非零非对角元素，这些元素增加了𝑟后验分布的离散度。
• 在不使用条件化的矩阵时，协方差矩阵估计的收敛需要约𝑂(10,000)次模拟——远超可观测量数量的量级。
• 矩阵条件化显著减少了𝑟上限估计的偏差，尤其当结合考虑协方差不确定性的似然方法（如多元t分布，Sellentin & Heavens 2015）时效果更明显。
• Tristram et al. (2020, 2022) 中使用的未经条件化的Planck PR4似然很可能受到此偏差影响，导致𝑟上限被系统性低估。
• 即使进行了适当的不确定性边缘化，由于协方差噪声引起的实现依赖性后验离散度，仍可能导致𝑟的置信区间和最佳拟合值被误估。