[論文レビュー] Multilevel and hierarchical Bayesian modeling of cosmic populations

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

Insurance, Mortality, Demography, Risk Management参考文献 36被引用数 9

ひとこと要約

本稿では、宇宙の集団を天文調査データに適合させるために、選択と測定誤差を考慮した階層ベイズ枠組み——特に、薄められた潜在的マーク付き点過程（TLaMPP）——を提示する。検出とパラメータ推定を統合的に扱うことで、真の明るさなどの固有特性の最適推論が可能となり、潜在変数の周辺化と縮小（shrinkage）によってマルドゥイストおよびエディントンバイアスを是正する。

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.

研究の動機と目的

• ノイズ多きく不完全でバイアスを含む調査カタログから、宇宙集団（例：銀河の明るさ）の固有特性を推定する課題に対処すること。
• マルドゥイストおよびエディントンバイアスに対する従来の補正を、一貫したベイズ階層モデル枠組み内で統合的かつ一般化すること。
• 天文調査における検出（選択）と測定プロセスの同時依存関係をモデル化すること。これらは通常独立でない。
• 事前情報の自然な組み込みと、検出済みおよび未検出の両方の源における不確実性の取り扱いを可能にする、柔軟で原理的統計的手法を提供すること。

提案手法

• 銀河などの源の潜在的集団を、真の明るさや距離などの潜在的特性を持つマーク付き点過程としてモデル化する、薄められた潜在的マーク付き点過程（TLaMPP）フレームワークを用いる。
• 検出を、潜在集団に適用される薄め処理としてモデル化し、検出確率が観測された合成光度と赤方偏移に依存し、測定誤差を組み込む。
• 母集団密度 ρ(F,r;ζ)、検出効率 η(F)、選択関数 h(r) を統合した有効な疑似密度 μ(F,r;ζ) を導入し、未観測源の周辺化を可能にする。
• 共役事前分布（例：λ に対してガンマ分布）を用いて、強度パラメータ λ の解析的周辺化を実現し、母集団パラメータ ζ の周辺尤度の計算を簡略化する。
• 検出済みおよび未検出の対象を表すプレートを備えた有向非巡回グラフ（DAG）を構築し、条件付き独立性を符号化し、階層モデルにおけるスケーラブルな推論を可能にする。
• 潜在変数および検出不確実性の統合により得られる周辺尤度関数 Lm(ζ) を導出する。この尤度は、有効な疑似密度に重み付けされた個々の尤度の積に比例する。

実験結果

リサーチクエスチョン

• RQ1 検出が観測された合成光度と赤方偏移に依存する天文調査において、選択と測定誤差の同時効果を一貫してモデル化する方法は何か？
• RQ2 統一された統計的枠組みを用いて、銀河の明るさ関数推定におけるマルドゥイストおよびエディントンバイアスを最適に是正する方法は何か？
• RQ3 階層ベイズモデルが、縮小（shrinkage）による源間の強みの借用を通じて、固有集団特性の推論をどのように改善するか？
• RQ4 TLaMPPフレームワークは、従来の点過程および二項尤度モデルをどのように一般化するか？
• RQ5 未知の源数および検出閾値を考慮しながら、母集団に関する事前知識を形式的に組み込む方法は何か？

主な発見

• TLaMPPフレームワークは、潜在的マーク付き点過程に薄め処理を適用することで、選択と測定誤差を自己整合的かつ確率論的に取り扱う。
• 母集団パラメータ ζ の周辺尤度関数は Lm(ζ) = ∏ᵢ ∫ dF μ(F, rᵢ; ζ) ℓᵢ(F) として導出され、測定誤差および潜在変数を含む二項点過程尤度を一般化する。
• 階層構造から自然に縮小推定が生じ、個々の源推定の分散が低減され、ノイズの多いデータに対するロバストネスが向上する。
• 有効な疑似密度 μ(F,r;ζ) は適切な確率密度ではないが、潜在的観測量上の尤度加重分布として機能し、未観測源の完全な統合なしに推論を可能にする。
• 観測可能密度を変更するフィルタ関数 F(O) を用いることで、独立した選択プロセス（例：反一致トリガー、トランジット調査における幾何的選択）の組み込みが可能になる。
• 検出済みおよび未検出の源を表すプレートを備えたDAG表現は、条件付き独立性を明確に符号化し、源数が事前に不明であってもスケーラブルな推論を可能にする。