[论文解读] Optimal inferential models for a Poisson mean

Ryan Martin, Duncan Ermini Leaf+1 more|arXiv (Cornell University)|Jun 30, 2012

Bayesian Methods and Mixture Models参考文献 17被引用 4

一句话总结

本文提出了一种用于泊松均值统计推断的最优推断模型（IM）框架，解决了离散性与小样本带来的挑战。通过一种新颖的递归排序算法构建预测随机集，该方法实现了有效且无需先验的概率推断，其频义性质优于现有方法，在点假设与双侧假设下的覆盖概率与区间宽度表现更优。

ABSTRACT

Statistical inference on the mean of a Poisson distribution is a fundamentally important problem with modern applications in, e.g., particle physics. The discreteness of the Poisson distribution makes this problem surprisingly challenging, even in the large-sample case. Here we propose a new approach, based on the recently developed framework of inferential models (IMs). Specifically, we construct optimal, or at least approximately optimal, IMs for two important classes of assertions/hypotheses about the Poisson mean. For point assertions, we develop a novel recursive sorting algorithm to construct this optimal IM. Numerical comparisons of the proposed method to existing methods are given, for both the mean and the more challenging mean-plus-background problem.

研究动机与目标

• 解决由于数据离散性与小样本量导致的泊松均值推断的根本挑战，这些因素削弱了经典频义方法与贝叶斯方法的性能。
• 开发一种无需先验、具有实际意义的概率推断框架，同时满足实验内与跨实验的可解释性。
• 为泊松均值的一侧与双侧假设构建最优推断模型，包括非随机约束情形。
• 提供一种计算上可行的区间估计与假设检验方法，保持频义有效性的同时提供可解释的似然度量。
• 将IM框架扩展至离散数据问题，特别是泊松分布，应用于高能物理等领域的实际问题。

提出的方法

• 通过三步法构建推断模型（IM）：预测、随机集选择与似然度函数推导，确保有效性与可解释性。
• 提出一种新颖的递归排序算法，用于构建双侧假设下最优的预测随机集，实现高效的区间估计。
• 采用可接受且校准的预测随机集，纠正似然推断中的固有偏差，在较弱条件下确保有效性。
• 将似然度函数定义为关于泊松均值假设的证据度量，其最优构造下等于费希尔的p值，适用于点零假设。
• 通过EB–SB方法将框架扩展至处理非随机约束信息（如高能物理中的信号加背景问题）。
• 使用频义准则（如覆盖概率与区间宽度）评估性能，并与Feldman–Cousins、Giunti、Roe–Woodroofe等标准方法进行比较。

实验结果

研究问题

• RQ1 能否为泊松均值的一侧假设构建一个保持有效性与可解释性的最优推断模型？
• RQ2 在离散性与小样本挑战下，如何为泊松模型中的双侧假设构建最优预测随机集？
• RQ3 IM框架能否扩展以处理非随机约束信息，如高能物理中的信号加背景问题？
• RQ4 所提出的EB–SB似然区间在覆盖概率与区间宽度方面与现有频义方法相比表现如何？
• RQ5 IM框架在多大程度上能产生无需先验、可解释的概率证据总结，并在跨实验中保持有效性？

主要发现

• 所提出的递归算法为双侧假设生成了（近似）最优预测随机集，实现了对泊松均值的精确区间估计。
• EB–SB似然区间在各类泊松均值下，其覆盖概率与Feldman–Cousins、Roe–Woodroofe等现有方法相比具有竞争力或更优表现。
• 在观测值x ≤ 5时，EB–SB区间为所有竞争方法中最窄的，表明其在不牺牲覆盖概率的前提下提升了精度。
• 由最优IM导出的似然函数在点零假设下等于费希尔的p值，提供了一致且可解释的证据度量，无需依赖零假设的条件。
• 该方法在弱条件下保持有效性，并满足实验内与跨实验的可解释性，克服了似然与贝叶斯方法的局限性。
• 数值比较结果表明，IM方法在关键指标上优于或匹配现有频义方法，尽管其并非单纯的频义程序。