[论文解读] Bayesian Model Selection and Extrasolar Planet Detection

Eric B. Ford, P. C. Gregory|arXiv (Cornell University)|Aug 16, 2006

Stellar, planetary, and galactic studies参考文献 22被引用 28

一句话总结

本文评估了用于系外行星探测的贝叶斯模型选择方法，重点在于高效估计边缘似然值，以比较不同行星数量的模型。结果表明，使用后验分布混合近似的重要性抽样在收敛性和准确性方面优于其他估计器，尤其当后验分布能较好地被多元正态分布近似时表现更佳。

ABSTRACT

Radial velocity (RV) planet searches are increasingly finding planets with small velocity amplitudes, with long orbital periods, or in multiple planet systems. Bayesian inference has the potential to improve the interpretation of existing observations, the planning of future observations and ultimately inferences concerning the overall population of planets. In recent years, the refinement of Markov chain Monte Carlo (MCMC) algorithms has made it practical to accurately characterize orbital parameters and their uncertainties from RV observations of single-planet and weakly interacting multiple-planet systems. Unfortunately, MCMC is not sufficient for Bayesian model selection, i.e., comparing the marginal posterior probability of models, as is necessary to determine how strongly the observational data favor a model with n+1 planets over a model with just n planets. Many of the obvious estimators for the marginal posterior probability suffer from poor convergence properties. We compare several estimators of the marginal likelihood and feature those that display desirable convergence properties based on the analysis of a sample data set for HD 88133b. We find that methods based on importance sampling are most efficient, provided that a good analytic approximation of the posterior probability distribution is available. We present a simple algorithm for using a sample from the posterior to construct a mixture distribution that approximates the posterior and can be used for importance sampling and Bayesian model selection. We conclude with some suggestions for the development and refinement of computationally efficient and robust estimators of marginal posterior probabilities.

研究动机与目标

• 解决系外行星探测中贝叶斯模型选择的挑战，其中边缘似然估计计算困难。
• 识别并比较用于模型比较的后验边缘概率估计器，特别是在高维参数空间中的表现。
• 使用HD 88133的真实径向速度数据，评估多种估计器（包括调和平均、重要性抽样和平行退火）的收敛性和效率。
• 开发并测试一种从后验样本构建重要性抽样密度的稳健方法，以提高模型选择的准确性。
• 为现实世界系外行星探测场景中选择高效可靠估计器提供实用建议。

提出的方法

• 使用马尔可夫链蒙特卡洛（MCMC）从单行星和多行星系统的轨道参数后验分布中抽样。
• 从后验样本构建混合分布，作为重要性抽样的提议密度，以改进边缘似然估计。
• 使用解析近似（如多元正态分布）进行重要性抽样，以估计边缘似然，降低方差并提高收敛性。
• 比较多种估计器：调和平均、加权调和平均、受限蒙特卡洛、平行退火以及新型比率估计器。
• 将边缘似然用作贝叶斯模型比较工具，评估数据是否更支持n+1颗行星而非n颗行星。
• 通过以后验样本为中心的混合分量并采用自适应加权，改进重要性抽样方法，以增强鲁棒性。

实验结果

研究问题

• RQ1 在系外行星探测背景下，哪些边缘似然估计器在收敛性和效率方面表现最可靠？
• RQ2 当应用于真实径向速度数据时，重要性抽样的性能与调和平均、平行退火等其他估计器相比如何？
• RQ3 能否从后验MCMC样本构建的混合分布有效近似真实后验，以用于重要性抽样？
• RQ4 在何种条件下，使用多元正态近似的简单重要性抽样在模型选择中表现良好？
• RQ5 如何改进重要性抽样算法，以在高维、多峰后验分布中提升鲁棒性和计算效率？

主要发现

• 基于后验良好解析近似的估计器（如多元正态分布）的重要性抽样方法，在收敛性和效率方面优于其他估计器。
• 调和平均和加权调和平均估计器表现出较差的收敛性，不推荐用于可靠的模型选择。
• 受限蒙特卡洛和平行退火方法有效但计算成本高，尤其在复杂或多重峰后验情况下更为明显。
• 新型比率估计器在测试案例中表现良好，但需注意在更复杂数据集中可能出现的不稳定性。
• 当后验分布具有单一主导峰值时，使用多元正态近似的简单重要性抽样极为高效。
• 基于混合分布的重要性抽样方法，利用MCMC样本构建提议密度，为具有多个模式或强参数相关性的复杂后验提供了稳健且可扩展的解决方案。