[論文レビュー] Fits, and especially linear fits, with errors on both axes, extra variance of the data points and other complications

G. D’Agostini|ArXiv.org|Nov 21, 2005

Bayesian Modeling and Causal Inference参考文献 7被引用数 83

ひとこと要約

本稿では、両軸に誤差とデータ点の追加分散を伴う線形フィッティングのためのベイジアン確率的枠組みを提示する。特に、公式の導出よりもモデル構築に重点を置く。ベイジアンネットワークを用いて正確および近似解を導出し、標準的な公式が特定の仮定の下での近似であることを示し、過去の文献における傾き推定と誤差伝搬に関する矛盾を解消する。

ABSTRACT

The aim of this paper, triggered by some discussions in the astrophysics community raised by astro-ph/0508529, is to introduce the issue of `fits' from a probabilistic perspective (also known as Bayesian), with special attention to the construction of model that describes the `network of dependences' (a Bayesian network) that connects experimental observations to model parameters and upon which the probabilistic inference relies. The particular case of linear fit with errors on both axes and extra variance of the data points around the straight line (i.e. not accounted by the experimental errors) is shown in detail. Some questions related to the use of linear fit formulas to log-linearized exponential and power laws are also sketched, as well as the issue of systematic errors.

研究の動機と目的

• 両軸に誤差と追加のデータ分散を伴うフィッティング手順における、きめ細やかな確率的取り扱いの欠如に対処すること。
• 特に天文学的文脈における一般的な線形フィット公式の背後にある仮定を明確にすること。
• 完全な結合確率分布に基づく正しい推論モデルが、簡略化された解析的公式よりも優先されるべきであることを示すこと。
• 過去の文献における矛盾、たとえば傾きの不確実性計算に誤った √(1+m²) 要因が含まれていたことの解消。
• 系統的誤差（たとえばオフセットとスケール）を線形フィットに一貫して組み込むための体系的手段の提供。

提案手法

• ベイジアン確率論を基礎とする枠組みとし、すべての変数の結合確率密度を要因分解するために積の法則を適用する。
• 観測データ、真値、モデルパラメータ、不確実性の間の依存構造を視覚的に表現するためのベイジアンネットワークを構築する。
• 真値の間の線形関係と正規誤差の仮定の下で、傾きと切片の非正規化事後分布を導出する。
• 測定誤差を超えるデータ点の追加分散を説明するための階層モデルを導入する。
• 事後分布がおおよそ多変量正規分布であると仮定して、不確実性伝搬のためのヒューリスティック近似を適用する。
• それぞれに不確実性を伴う乗法的（スケール）および加法的（オフセット）要因を含めることで、モデルを系統的誤差に対応させるように拡張する。

実験結果

リサーチクエスチョン

• RQ1 xおよびy変数の両方に測定誤差がある場合、線形フィットはどのように定式化すべきか？
• RQ2 測定誤差によって説明されないデータ点の追加分散を正しく扱う方法は何か？
• RQ3 なぜ一部の出版された傾き不確実性の公式には誤った √(1+m²) 要因が含まれているのか？
• RQ4 系統的誤差（オフセットとスケール）を線形回帰に一貫して組み込むにはどうすればよいか？
• RQ5 標準的最小二乗法の公式と完全なベイジアン推論枠組みとの関係は何か？

主な発見

• 本稿では、両軸に誤差がある線形フィットパラメータの正しい事後分布を導出し、Ref. [17] の式 (43) のような先行公式における √(1+m²) 要因の含め方が次元の不一致により誤りであることを示した。
• 系統的誤差による傾きと切片の不確実性寄与の正しい式が導出された：σ(m)|ζx = 0, σ(c)|ζx = |m|σζx, σ(m)|ηx = |m|σηx, および σ(c)|ηy = |c|σηy。
• モデルは、パラメータの事後分布が常にガウス分布ではないが、異なる誤差源からの寄与を台形則で統合することで、不確実性伝搬のためにそのような近似が可能であることを示した。
• 本稿は、測定誤差が無視できる場合かつ追加分散がない場合に、標準的最小二乗回帰が極限ケースとして回復されることを示した。
• ベイジアンアプローチにより、一部の先行研究で傾きが過大評価されていたのは、誤った √(1+m²) 要因が系統的バイアスを引き起こしていたためであることが明らかになった。
• 本フレームワークは、統計的および系統的不確実性を一貫して線形フィットに組み込む体系的で明確な方法を提供し、各成分の物理的解釈が明確である。