[论文解读] A Bayesian approach to truncated data sets: An application to Malmquist bias in Supernova Cosmology

M. March, Wolf, R C+3 more|arXiv (Cornell University)|Apr 6, 2018

Statistical Methods and Inference被引用 5

一句话总结

本文提出一种贝叶斯分层模型，通过考虑未观测到的暗弱源（即截断数据）来校正星 magnitude 限制的超新星巡天中的 Malmquist 偏倚。通过边缘化未观测到的数据点，并在未知缺失观测数上使用 Jeffreys 先验，该方法实现了稳健的宇宙学参数推断与模型选择，无需依赖基于模拟的校正。

ABSTRACT

Large scale astronomical surveys are going wider and deeper than ever before. However, astronomers, cosmologists and theorists continue to face the perennial issue that their data sets are often incomplete in magnitude space and must be carefully treated in order to avoid Malmquist bias, especially in the field of supernova cosmology. Historically, cosmological parameter inference in supernova cosmology was done using $\\chi^2$ methodology; however, recent years have seen a rise in the use of Bayesian Hierarchical Models. In this paper we develop a Bayesian Hierarchical methodology to account for magnitude limited surveys and present a specific application to cosmological parameter inference and model selection in supernova cosmology.

研究动机与目标

• 解决星 magnitude 限制的天文巡天中，特别是在超新星宇宙学中，Malmquist 偏倚的长期挑战。
• 克服频繁学方法的局限性，这些方法依赖于基于假设模型的模拟校正因子。
• 开发一个完全的贝叶斯框架，用于参数推断与模型选择，能够正确处理未知样本大小的截断数据。
• 在 LSST 等大规模超新星巡天中实现准确的宇宙学参数估计与模型比较，这些巡天中数据截断现象普遍存在。
• 通过确保后验分布中正确的归一化与不确定性传播，为传统卡方方法提供一个原则性的统计替代方案。

提出的方法

• 构建一个贝叶斯分层模型（SN-BHM），将观测数据视为更大但未观测到的总体（未知大小）的一个子集。
• 引入一个似然函数，对未观测到（截断的）数据点进行积分，假设其与观测点遵循相同的潜在分布。
• 使用 Jeffreys 先验，$ p(N|\mathbf{a},b,I,M) = \frac{1}{N} $，以处理未知总数 $ N $ 时的不确定性。
• 对所有可能的 $ N \geq N_{\text{obs}} $ 进行边缘化，通过使用适当的协方差结构的多元正态密度，积分掉缺失的数据点。
• 通过将边缘化似然与模型参数 $ \mathbf{a}, b $ 及潜变量 $ \mathbf{x}_\star, \mathbf{R}_x $ 的先验相结合，推导出联合后验分布，确保贝叶斯归一化正确。
• 将该模型应用于 Ia 型超新星数据，通过考虑测量不确定性与在星等阈值 $ y^{\text{thresh}} $ 处的截断，对观测星等-红移关系进行建模。

实验结果

研究问题

• RQ1 如何将贝叶斯分层建模扩展至处理总观测数未知的截断数据集？
• RQ2 在使用 magnitude 限制的超新星巡天时，Malmquist 偏倚对宇宙学参数推断有何影响？
• RQ3 完全的贝叶斯方法能否消除频繁学方法中依赖模拟校正因子的需求？
• RQ4 通过边缘化处理未观测到的数据点，如何提升宇宙学模型选择的准确性？
• RQ5 非信息性先验（如 Jeffreys 先验）在处理截断巡天中总样本大小的不确定性中起什么作用？

主要发现

• 所提出的贝叶斯方法通过积分未观测到的数据点并边缘化未知的 $ N $，正确地对后验分布进行了归一化，避免了传统 $ \chi^2 $ 方法的归一化问题。
• 该模型通过分层结构考虑了超新星的固有弥散性以及光变曲线参数与宇宙学参数之间的退化关系。
• 通过在 $ N $ 上使用 Jeffreys 先验，该方法避免了因假设固定或已知总样本大小而产生的偏差，从而在大规模巡天中提高了稳健性。
• 该方法实现了准确的贝叶斯证据计算，这对区分暗能量模型或修正引力理论至关重要。
• 该框架可推广至其他具有星等限制的天文巡天，并为基于模拟的校正提供了一个原则性替代方案。
• 该方法的实现方式与标准 MCMC 工具（如 JAGS）兼容，使其在超新星宇宙学中具有实际应用的可及性。