[论文解读] A Poisson likelihood approach to fake lepton estimation with the matrix method

E. W. Varnes|arXiv (Cornell University)|Jun 22, 2016

Particle physics theoretical and experimental studies被引用 4

一句话总结

本文提出一种泊松似然方法，通过矩阵法改进高能物理中假轻子本底的估计。通过将事件计数建模为泊松分布的可观测变量并最大化似然函数，该方法提供了更精确、更稳定且非负的假轻子产额估计——尤其在真实与假轻子效率显著变化或较高时，优于标准解析矩阵法。

ABSTRACT

Many high-energy physics analyses require the presence of leptons from $W$, $Z$, or $H$ boson decay. For these analyses, signatures that mimic such leptons present a `fake lepton' background that must be estimated. Since the magnitude of this background depends strongly upon details of the detector response, it can be difficult to estimate with simulation. One data-driven approach is the `matrix method', in which two categories of leptons are defined (`loose' and `tight'), with the tight category being a subset of the loose category. Using the populations of leptons in each category in the analysis sample, and the efficiencies for both real and fake leptons in the loose category to satisfy the criteria for the tight category, the fake background yield can be estimated. This paper describes a Poisson likelihood implementation of the matrix method, which provides a more precise, reliable, and robust estimate of the fake background yield compared to an analytic solution. This implementation also provides a reliable estimate of the background for cases in which the analysis selection permits more loose leptons than tight leptons, potentially allowing for greater selection efficiency.

研究动机与目标

• 解决标准解析矩阵法在高能物理分析中估计假轻子本底时的局限性。
• 开发一种在真实与假轻子效率在事件间显著变化时，更稳健且精确的假轻子产额估计方法。
• 确保假背景产额的非负估计，避免标准实现中常见的非物理负值。
• 改善不确定度估计与数值稳定性，特别是在低统计量或高假背景区域。
• 扩展矩阵法的应用范围，使其适用于分析选择中允许松散轻子多于紧致轻子的情况。

提出的方法

• 该方法将观测到的松散与紧致轻子事件数建模为泊松分布的随机变量，其似然函数依赖于真实的事件计数与效率参数。
• 使用包含真实与假轻子事件级效率的似然函数，以估计紧致样本中假轻子事件的数量。
• 该方法的核心是通过数值优化方法最大化泊松对数似然函数，以估计未知的假事件数。
• 该方法考虑了真实与假轻子效率在事件间的差异（r_i, f_i），避免使用平均效率可能引入的偏差。
• 当松散轻子数量超过紧致轻子数量时，通过将矩阵形式扩展至包含多于一个松散轻子的事件贡献，处理此类情况。
• 似然框架自然提供可靠的误差估计，并确保非负的背景产额预测。

实验结果

研究问题

• RQ1 与标准解析矩阵法相比，基于似然的方法是否能提高假轻子本底估计的精度与稳定性？
• RQ2 当真实与假轻子效率在事件间显著变化时，该方法表现如何？
• RQ3 该方法是否能防止假轻子产额的非物理负估计，尤其是在低统计量样本中？
• RQ4 当分析选择中允许的松散轻子多于紧致轻子时，该方法能否可靠估计假背景？
• RQ5 该方法的不确定度与拉普拉斯分布与标准矩阵法及其平均效率变体相比如何？

主要发现

• 泊松似然方法在事件间效率显著变化时，相比标准解析矩阵法，能提供更精确且更稳定的假轻子产额估计。
• 该方法确保了假背景产额的非负估计，消除了标准方法中常见的非物理负中心值问题。
• 在含1000个事件的蒙特卡洛玩具样本中，平均效率为 r=0.90 与 f=0.50 时，似然方法的拉普拉斯分布更集中于零点，且分布范围更窄，优于标准方法。
• 当效率更高（f=0.70）时，似然方法保持了更好的覆盖率并减少了偏差，尤其在松散轻子多于紧致轻子的情况下表现更优。
• 该方法在多种配置下均表现出稳健性能，包括允许1至3个松散轻子及1至2个紧致轻子的情况，拉普拉斯分布中心接近零且分布一致。
• 在允许松散轻子多于紧致轻子的情况下，似然方法减少了对真实假产额的低估，仅约0.1%的拟合落入标准方法中观察到的低估分支。