[论文解读] Averaging Measurements with Hidden Correlations and Asymmetric Errors

M. Schmelling|ArXiv.org|Jun 2, 2000

Scientific Measurement and Uncertainty Evaluation被引用 7

一句话总结

本文提出了一种系统性方法，通过推导具有明确定义误差估计的无偏加权平均，来整合存在隐藏相关性和非对称误差的测量值。该方法引入了基于最大似然参数估计的非对称误差校正，以及基于调整卡方统计量的相关性缩放方案，使得即使在相关性量化不足、误差非高斯或非对称的情况下，也能实现稳健的平均处理。

ABSTRACT

Properties of weighted averages are studied for the general case that the individual measurements are subject to hidden correlations and have asymmetric statistical as well as systematic errors. Explicit expressions are derived for an unbiased average with a well defined error estimate.

研究动机与目标

• 解决实验粒子物理学中常见的存在隐藏相关性和非对称误差的物理测量值组合问题。
• 当单个测量值具有非对称68%置信区间而非对称标准差时，提供一种稳健且无偏的加权平均估计器。
• 推导在非对称误差下偏差校正参数估计和方差的显式表达式，特别是基于最大似然推断的情形。
• 开发一种实用的缩放方案，用于估计未知相关性对误差传播的影响，以卡方值作为指示指标。
• 澄清统计误差与系统误差的组合方式，特别是在系统不确定性被建模为具有已知概率密度函数（PDF）的高斯分布参数时。

提出的方法

• 使用反方差权重推导加权平均，即使在测量值相关时也能保持无偏性，并通过完整协方差矩阵来处理相关性。
• 引入基于卡方统计的缩放方法，通过比较观测卡方值与期望值（n−1）来估计隐藏相关性的有效影响。
• 应用最大似然估计，将非对称68%置信区间转换为具有适当方差的无偏参数估计，使用不对称参数α和β。
• 推导在非对称误差下偏差校正均值和方差的显式公式：⟨μ_ml⟩ = μ₀ + ½(τ₊ − τ₋) 和 C(μ_ml) = ¼(τ₊ + τ₋)² + ½(τ₊ − τ₋)²。
• 提出将统计误差与系统误差按平方和方式组合（C_k = C_k^stat + C_k^syst），在贝叶斯框架下将系统误差视为具有已知PDF的模型参数。
• 使用仅依赖于统计误差不对称性的不对称参数γ，对最终平均值进行偏差校正。

实验结果

研究问题

• RQ1 当测量值存在相关性但相关性强弱未知或未量化时，如何形成无偏加权平均？
• RQ2 将非对称68%置信水平区间转换为具有明确定义方差的偏差校正参数估计的正确方法是什么？
• RQ3 在缺乏完整协方差矩阵知识的情况下，如何估计并纳入隐藏相关性对最终平均值误差估计的影响？
• RQ4 当统计误差与系统误差同时存在且可能非对称或非高斯时，应如何组合它们？
• RQ5 卡方统计量在估计测量集合中隐藏相关性的有效显著性方面起什么作用？

主要发现

• 即使存在隐藏相关性，使用反方差权重的加权平均仍保持无偏，但不再最小化χ²，其方差必须使用完整协方差矩阵计算。
• 平均值的卡方值可用作指标，以缩放有效相关性强度，从而提供一种实用方法来估计因未知相关性导致的误差膨胀。
• 对于源自最大似然估计的非对称误差，参数估计值会偏移½(τ₊ − τ₋)，其方差同时包含对称与非对称贡献。
• 非对称误差的偏差校正完全由不对称参数α和β决定，且所得方差严格为正。
• 作为高斯分布参数建模的系统误差可与统计误差按平方和方式组合，其非对称性不参与偏差校正。
• 在对称误差极限下，该方法可恢复标准对称加权平均，确认其与现有实践的一致性。