[论文解读] How to optimally combine pre-reconstruction full shape and post-reconstruction BAO signals

Héctor Gil-Marín|arXiv (Cornell University)|Mar 10, 2022

Galaxies: Formation, Evolution, Phenomena参考文献 27被引用 10

一句话总结

本文评估了三种在大尺度结构巡天中最优组合预重建全形状信号与后重建BAO信号的方法：在功率谱多极矩水平（P(ℓ)(k)）组合、在压缩的BAO变量水平（α∥,⊥）组合，以及混合方法。研究发现，在P(ℓ)(k)水平组合可比其他方法获得5–10%更紧的约束，表明标准的仅BAO方法几乎是最优的，同时由于避免了对模拟样本重复运行分析流程，也更加快速高效。

ABSTRACT

We review the different approaches for combining the cosmological information from the full shape of the pre-reconstructed power spectrum - usually referred as redshift-space distortion (RSD) analysis - and from the baryon acoustic oscillation (BAO) peak position in the post-reconstructed power spectrum with the aim of finding the optimal procedure. We focus on combining the pre- and post-reconstructed derived quantities at different compression levels: 1) the two-point summary statistics, the power spectrum multipoles, $P^{(\ell)}(k)$; 2) the compressed BAO variables, $\alpha_{\parallel,\perp}$; and 3) an hybrid approach between 1) and 2). We apply these methods to the publicly available eBOSS Luminous Red Galaxy catalogues, for both data and synthetic EZ-mocks. We find that the three approaches result in very consistent posteriors when the appropriate covariance matrix estimator is used. On average, the combination at $P^{(\ell)}(k)$ level retrieves $5-10\%$ tighter constraints than the other two approaches, demonstrating that the standard approach of combining at the level of the BAO variables is nearly optimal. We conclude that combining both BAO post-reconstructed and full shape pre-reconstructed signals for the one single data realization at the level of the summary statistics is faster, as it does not require running the whole pipeline on the individual mocks, and brings a moderate $10\%$ improvement, with respect to the other two studied methods. Moreover, we check for potential systematics, such as, the way the matrix is built and the effect of the finite number of mocks on the likelihood estimator and find none of these have a significant impact in the final results. Combining the pre- and post-reconstruction signals at the level of the summary statistics is an attractive, faster and accurate method to be used in future and on-going spectroscopic surveys.

研究动机与目标

• 确定在大尺度结构巡天中，最优组合预重建全形状信号与后重建BAO信号的宇宙学信息的方法。
• 评估在汇总统计量（功率谱多极矩）水平组合是否优于基于压缩BAO变量或混合方法的传统方法。
• 评估协方差矩阵估计、宽带建模及模拟星表对最终宇宙学约束的影响。
• 验证组合方法对系统效应（如协方差矩阵结构和有限模拟样本）的鲁棒性。

提出的方法

• 本研究比较了三种组合策略：(1) 在功率谱多极矩水平P(ℓ)(k)组合，(2) 在压缩BAO变量水平（α∥,⊥）组合，(3) 混合方法，即结合后重建BAO变量与预重建功率谱。
• 分析使用eBOSS明亮红巨星（LRG）星表及1000份合成EZ-模拟样本，以估计参数约束与协方差矩阵。
• 通过结合从模拟样本中估计的完整协方差矩阵的似然框架推导宇宙学约束，特别关注协方差矩阵结构与宽带建模的处理。
• 该方法评估BAO变量与功率谱多极矩之间的互相关，以理解信息在不同尺度上的分布。
• 系统性检查包括测试不同协方差矩阵构建方式、宽带模型选择以及有限模拟样本对似然估计器的影响。
• 所有方法均采用一致的似然框架，以确保公平比较，数据与模拟样本使用相同的基准宇宙学与分析流程。

实验结果

研究问题

• RQ1 在功率谱多极矩（P(ℓ)(k)）水平组合预重建与后重建信号，是否能比在压缩BAO变量（α∥,⊥）水平或混合方法下获得更紧的宇宙学约束？
• RQ2 系统效应（如协方差矩阵的构建方式或宽带模型的选择）如何影响最终的宇宙学约束？
• RQ3 使用有限数量的模拟样本对似然估计器与参数约束的准确性有何影响？
• RQ4 BAO峰的信息含量在功率谱的不同k区间与多极矩之间如何关联？
• RQ5 与在数据向量水平进行联合分析相比，当前在参数水平事后组合BAO与全形状信号的做法是否次优？

主要发现

• 在功率谱多极矩P(ℓ)(k)水平组合预重建与后重建信号，相比在压缩BAO变量（α∥,⊥）水平或混合方法下，可获得5–10%更紧的宇宙学约束。
• 当使用适当的协方差矩阵估计器时，三种组合方法——P(ℓ)(k)、α∥,⊥与混合方法——产生的后验分布非常一致。
• P(ℓ)(k)方法更快更高效，因为它仅需对数据运行一次分析流程，而事后组合压缩变量的方法则需对所有模拟样本重复运行分析流程。
• 系统性检查显示，协方差矩阵结构、宽带模型选择或有限模拟样本对最终参数约束无显著影响。
• BAO变量与功率谱多极矩之间的互相关在k ≈ 0.15 h/Mpc⁻¹处达到峰值，表明该尺度对BAO信息最敏感。
• 观测到的α∥与α⊥系统性偏移小于1%（α⊥）和1.5–2%（α∥），与仅预重建分析结果一致，归因于微扰理论建模。