[论文解读] Joint Bayesian Treatment of Poisson and Gaussian Experiments in a Chi-squared Statistic

Dennis Silverman|ArXiv.org|Aug 6, 1998

Astrophysics and Cosmic Phenomena参考文献 2被引用 3

一句话总结

本文提出了一种统一的贝叶斯框架，将泊松分布和高斯分布的似然函数合并为单一的卡方统计量，从而在混合实验类型中实现一致的统计推断。通过将泊松分布数据解析地转换为等价的卡方形式，该方法在严格处理泊松和高斯不确定性的同时，允许应用标准的卡方等高线分析，已在包含背景考虑的中微子振荡实验中得到验证。

ABSTRACT

Bayesian Poisson probability distributions for the average n can be analytically converted into equivalent chi-squared distributions. These can then be combined with other Gaussian or Bayesian Poisson distributions to make a total chi-squared distribution. This allows the usual treatment of chi-squared contours but now with both Poisson and Gaussian statistics experiments. This is illustrated with the case of neutrino oscillations.

研究动机与目标

• 开发一种在参数估计中一致结合泊松和高斯似然函数的统计方法。
• 解决高能物理中常见的混合实验类型挑战，其中泊松统计适用于计数实验，而高斯统计适用于精密测量。
• 通过将贝叶斯泊松分布转换为等价的卡方形式，将标准卡方分析扩展至处理贝叶斯泊松分布。
• 为现实世界实验（如包含背景贡献的中微子振荡研究）提供一个通用框架。
• 改进同时包含低计数（泊松）和高精度（高斯）测量的实验中的统计推断。

提出的方法

• 本文推导出一种解析变换，将泊松分布均值的贝叶斯后验分布映射为等价的卡方分布。
• 该变换使得泊松分布数据能够与高斯分布数据一起整合到全局卡方统计量中。
• 通过将均值的后验分布作为卡方变量，该方法保持了对泊松不确定性完整的贝叶斯处理。
• 通过将总观测计数建模为信号和背景泊松变量之和，将背景贡献纳入泊松实验中。
• 由此产生的总卡方统计量支持标准的置信度等高线分析，如68%和95%置信水平区域。
• 该方法通过在中微子振荡实验中的应用得到验证，包括归一化和背景效应。

实验结果

研究问题

• RQ1 如何在统一的统计框架中一致地结合具有贝叶斯先验的泊松分布数据与高斯分布数据？
• RQ2 将贝叶斯泊松后验分布映射为等价卡方分布的解析变换是什么？
• RQ3 在泊松实验中引入背景如何影响合并后的卡方统计量和参数置信区间？
• RQ4 在不损失统计严谨性的前提下，能否将标准卡方等高线方法应用于泊松和高斯似然的混合？
• RQ5 在现实的高能物理场景（如同时包含信号和背景分量的中微子振荡实验）中，该方法表现如何？

主要发现

• 泊松分布均值的贝叶斯后验分布可被精确地转换为等价的卡方分布，从而可直接整合到全局卡方统计量中。
• 该方法允许将标准卡方等高线分析应用于混合泊松和高斯统计的实验，同时保持统计严谨性。
• 通过将总观测计数建模为信号和背景泊松变量之和，泊松实验中的背景贡献得到了恰当处理。
• 该框架在中微子振荡实验背景下成功处理了归一化不确定性，提高了参数估计的准确性。
• 该方法为高能物理和数据分析中结合多种实验类型提供了一种通用且解析可处理的解决方案。