[论文解读] Jackknife resampling technique on mocks: an alternative method for covariance matrix estimation
本文提出一种应用于模拟星系星系图（smc方法）的自助重采样技术，以显著减少宇宙学中协方差矩阵估计所需的模拟数量。通过在仅48个模拟样本内进行内部重采样，该方法实现的收敛性等同于600个完整模拟样本，将所需模拟数量减少了约7倍，同时保持了方差和精度矩阵估计的准确性。
We present a fast and robust alternative method to compute covariance matrix in case of cosmology studies. Our method is based on the jackknife resampling applied on simulation mock catalogues. Using a set of 600 BOSS DR11 mock catalogues as a reference, we find that the jackknife technique gives a similar galaxy clustering covariance matrix estimate by requiring a smaller number of mocks. A comparison of convergence rates show that $\sim$7 times fewer simulations are needed to get a similar accuracy on variance. We expect this technique to be applied in any analysis where the number of available N-body simulations is low.
研究动机与目标
- 为解决在宇宙参数推断中生成大量N体模拟星系图以准确估计协方差矩阵所带来的计算负担。
- 在不牺牲协方差和精度矩阵估计准确性的情况下，减少所需模拟样本的数量。
- 在模拟星系图有限的情况下，开发一种稳健且快速的替代标准Wishart基协方差估计的方法。
- 将应用于模拟星系图的自助重采样技术（smc方法）与包含600个模拟的大参考集进行验证。
- 量化smc方法与传统基于模拟的估计方法相比的收敛速度和效率。
提出的方法
- 在N_M个独立模拟星系图的集合上应用删除-d自助重采样方案，将每个模拟视为一个重采样单元。
- 使用自助公式估计样本协方差矩阵：C̄_ij = (N_M - 1)/N_M * Σ_d (θ̄_i^{(d)} - θ̄_i)^2，其中θ̄_i^{(d)}为除去第d个模拟后所有模拟中第i个统计量的均值。
- 使用Wishart校正来调整自助估计协方差矩阵中的偏差。
- 将自助估计的协方差矩阵和精度矩阵与600个独立模拟的参考集结果进行比较。
- 通过计算协方差矩阵对角元素的相对不确定性并跨方法进行比较，评估收敛性。
- 使用协方差矩阵的迹来定义一种归一化不确定性度量，用于比较基于标准模拟和基于自助的估计之间的收敛速度。
实验结果
研究问题
- RQ1在少量模拟星系图上应用自助重采样是否能产生与大规模模拟集合相当的协方差矩阵估计？
- RQ2基于自助的协方差估计的收敛速度与标准基于模拟的方法相比，其对模拟数量的需求如何？
- RQ3自助方法在多大程度上保持了精度矩阵的结构，特别是非对角相关性？
- RQ4当初始模拟数量低于标准要求的N_M ≫ N_bins时，smc方法是否仍能保持方差估计的准确性？
- RQ5应用于模拟星系图的自助技术是否能将计算成本降低7倍或以上，同时保持统计可靠性？
主要发现
- 应用于模拟星系图的自助重采样方法（smc）产生的协方差矩阵估计与600个独立模拟的参考估计非常接近。
- 通过smc方法估计的精度矩阵与600个模拟的参考结果高度一致，特别是在进行Wishart校正后，对角项表现尤为出色。
- smc方法能够良好地重现精度矩阵中的非对角相关系数，证明其能够准确捕捉协方差结构。
- smc方法的收敛速度约为标准基于模拟估计方法的7倍，仅需约85个初始模拟即可达到600个模拟的估计精度。
- 协方差矩阵对角元素的相对不确定性随模拟数量的平方根倒数而减小，证实了自助估计器的理论收敛行为。
- 当可用的N体模拟数量有限时，smc方法提供了一种稳健且计算高效的协方差估计替代方案。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。