[论文解读] Practical Statistics for Particle Physicists

H. Prosper|arXiv (Cornell University)|Jan 1, 2014

Particle physics theoretical and experimental studies参考文献 13被引用 2

一句话总结

本文为高能物理学家提供了统计推断的实用导论，通过真实世界案例比较了经典学派与贝叶斯方法。文章强调统计结论依赖于假设和主观判断，而非数学上的确定性，并展示了如何利用似然函数和先验分布计算后验分布、可信区间以及贝叶斯因子，以应对如希格斯玻色子和顶夸克发现等信号探测问题。

ABSTRACT

These lectures cover the basic ideas of frequentist and Bayesian analysis and introduce the mathematical underpinnings of supervised machine learning. In order to focus on the essentials, we illustrate the ideas using two simple examples from particle physics.

研究动机与目标

• .
• 说明统计推断在真实高能物理分析（如信号发现与本底估计）中的应用。
• 阐明频率学派与贝叶斯方法之间的概念差异，强调统计结论依赖于假设和主观判断。
• 提供一种逐步方法，利用似然函数和先验分布，在存在 nuisance 参数的情况下计算后验分布与可信区间。
• 演示贝叶斯因子在假设检验中的应用，包括将其转换为等价 Z 分数以与频率学派显著性进行比较。

提出的方法

• .
• 使用描述统计量（均值、方差）总结数据样本。
• 引入集合平均以及偏差、方差和均方误差（MSE）等抽象量，以评估估计量性能。
• 应用柯尔莫哥洛夫公理体系形式化概率论，强调条件概率为基本概念。
• 采用贝叶斯推断，结合 proper 与 improper 先验，对信号与本底参数的不确定性进行建模。
• 通过对 nuisance 参数（如本底 b）进行积分，推导出边际似然函数，以支持假设检验。
• 使用抽样技术（如 TRandom3）近似集合量与后验分布。

实验结果

研究问题

• RQ1 .
• RQ2 在高能物理中，频率学派与贝叶斯方法在解释不确定性和进行推断方面有何不同？
• RQ3 均方误差（MSE）在评估估计量中的作用是什么？它如何分解为偏差与方差之和？
• RQ4 在贝叶斯框架下，可信区间如何计算与解释，特别是在信号发现的情境中？
• RQ5 贝叶斯因子如何用于比较不同假设？它如何转换为 Z 分数以与频率学派显著性进行比较？
• RQ6 在后验分布与边际似然计算中，使用 improper 先验与 proper 先验的实际影响是什么？

主要发现

• .
• 均方误差（MSE）可分解为方差与平方偏差之和，这是评估估计量性能的关键结果。
• 对于 DØ 顶夸克发现数据，信号强度 s 的 68% 中心可信区间为 [9.9, 18.4]，表明 s 落在此区间的后验概率为 68%。
• 采用 s 的平坦先验时，后验密度被计算为泊松与贝塔分布的归一化混合形式，从而实现稳健推断。
• 支持 s = 14（存在信号）而非 s = 0（仅本底）的贝叶斯因子约为 24,000，对应 Z 分数为 4.5。
• 该方法通过积分 nuisance 参数成功计算出边际似然与后验分布，展示了在复杂模型中实用的贝叶斯计算方法。