[論文レビュー] Comments on Likelihood fits with variable resolution

G. Punzi|arXiv (Cornell University)|Jan 10, 2004

Radioactive Decay and Measurement Techniques被引用数 8

ひとこと要約

この論文は、イベントタイプごとに分解能が異なる場合、分解能の変動を尤度関数に適切に組み込まない場合、可変分解能テンプレートを用いた非ボトムアップ尤度推定が著しくバイアスを生じることを示している。主な貢献は、分解能分布を無視する条件付き尤度を用いる標準的手法が、成分間で分解能分布が同一でない限り失敗することを示し、正確なフィッティングのために分解能分布を含む完全な結合尤度を用いるべきであることを提唱している。

ABSTRACT

Unbinned likelihood fits are frequent in Physics, and often involve complex functions with several components. We discuss the potential pitfalls of situations where the templates used in the fit are not fixed but depend on the event observables, as it happens when the resolution of the measurement is event--dependent, and the procedure to avoid them.

研究の動機と目的

• 分解能がイベントごとに変動する状況において、非ボトムアップ尤度フィッティングで条件付き尤度関数を用いる際の落とし穴を特定・分析すること。
• 分解能分布を無視する標準的な尤度式が、パrameter推定に顕著なバイアスをもたらすことを実証すること。
• 多成分モデルにおける有効なフィッティングを実現するため、観測変数と分解能変数の完全な結合確率分布を含める必要性を確立すること。
• 高エネルギー物理学および関連分野で一般的に用いられているが誤りを含む尤度式の代替として、明確で数学的に厳密な手法を提供すること。

提案手法

• 観測変数xにおいて固定分解能σを有する2種類のイベントタイプ（AおよびB）を有するトロイ問題を定式化する。
• イベントごとの分解能変動σiを導入し、AとBで異なるσiを想定し、それに基づいてデータをシミュレートする。
• 標準的な条件付き尤度（L = ∏[f·N(xi,0,σi) + (1−f)·N(xi,1,σi)]）と正しい完全尤度（L = ∏[f·N(xi,0,σi)·p(σi|A) + (1−f)·N(xi,1,σi)·p(σi|B)]）の性能を比較する。
• モンテカルロシミュレーションを用いて繰り返しデータサンプルを生成し、fの尤度推定値のバイアスと分散を評価する。
• 分解能分布が成分間で異なる場合（例：Aでは一様分布[1.0,2.0]、Bでは[1.5,3.0]）および一方の成分でのみ分解能が変動する場合を分析する。
• 正しい尤度関数はほとんどバイアスがなく、標準的手法は分解能分布が同一でない限り顕著な系境的誤差を生じることを示す。

実験結果

リサーチクエスチョン

• RQ1 イベント固有の分解能σiに依存する条件付き尤度を用いることで、非ボトムアップ尤度フィッティングにおいてパrameter推定がバイアスを受けるか？
• RQ2 可変σiを伴う標準尤度式はどのような条件下で有効であり、どのような場合に失敗するか？
• RQ3 異なるイベントタイプ間で分解能σiの分布が、推定された割合fの精度にどのように影響を与えるか？
• RQ4 一方の成分でのみ可変分解能を含む簡略化された尤度式でも、信頼できる結果が得られるか？
• RQ5 イベントタイプ間での分解能分布を考慮しないままσiを尤度関数に含めることで、なぜ系統的バイアスが生じるのか？

主な発見

• 分解能分布をモデル化しないでσiを条件変数として扱う標準尤度式（2）は、イベントタイプ間で分解能分布が異なる場合、推定された割合fに顕著で系統的なバイアスを生じる。
• σA ∈ [1.0,2.0] および σB ∈ [1.5,3.0] のテストケースにおいて、バイアスを含む尤度式（2）は平均f = 0.474 ± 0.007の推定値を示し、真値f = 0.333から著しく逸脱している。
• 各イベントタイプの(x,σ)の完全な結合分布を含む正しい尤度式（4）は、ほぼバイアスのない推定値f = 0.333 ± 0.000を示し、その有効性を確認している。
• たとえ一方の成分（例：バックグラウンド）でのみ分解能が可変であっても、その成分の分解能分布が適切にモデル化されていない限り、標準尤度式（5）は依然としてバイアスを示す。
• バイアスの原因は、固定分解能σ=1.0のA型イベントから得られる意味のない分解能値（例：[0.5,3.5]）を、B型イベントの実際の分解能変動と混同していることに起因する。
• 標準的手法が有効となる唯一の状況は、すべての成分で分解能分布が同一である場合であり、その場合、最適化の過程で余分な要因が相殺されるためである。