[论文解读] Lectures on Statistics in Theory: Prelude to Statistics in Practice

R. Cousins|arXiv (Cornell University)|Jul 16, 2018

Gaussian Processes and Bayesian Inference参考文献 65被引用 9

一句话总结

本文为高能物理（HEP）中的统计方法提供了基础性综述，比较了经典统计、贝叶斯和似然法在区间估计与假设检验中的应用。通过简单示例强调概念清晰性，批判了如Wald区间等常见误区，并倡导采用Feldman-Cousins区间和CLs方法等原则性方法，尤其在处理干扰参数及大型强子对撞机（LHC）中的新粒子发现搜索时。

ABSTRACT

This is a writeup of lectures on "statistics" that have evolved from the initial version for the 2009 Hadron Collider Physics Summer School at CERN to versions for other venues and, most recently, for the African School of Fundamental Physics and Applications in 2024. The emphasis is on foundations, using simple examples to illustrate the points that are still debated in the professional statistics literature. The three main approaches to interval estimation (Neyman confidence, Bayesian, likelihood ratio) are discussed and compared in detail, with and without nuisance parameters. Hypothesis testing is discussed mainly from the frequentist point of view, with pointers to the Bayesian literature. Various foundational issues are emphasized, including the conditionality principle and the likelihood principle.

研究动机与目标

• 澄清高能物理（HEP）中常被误解或不一致应用的统计基础原则。
• 通过易懂的示例解决统计推断中长期存在的争议——特别是条件性原则与似然原则。
• 为HEP中的区间估计与假设检验提供严谨但实用的指导，重点介绍Feldman-Cousins与CLs等稳健方法。
• 指出常见做法（如Wald区间与事后p值选择）的局限性，并倡导原则性替代方案。
• 弥合理论统计与HEP实际数据分析之间的差距，尤其关注干扰参数与覆盖性质问题。

提出的方法

• 使用简单明了的示例（如正态分布与二项分布）比较三种主要区间估计方法：Neyman置信区间、贝叶斯可信区间与似然比区间。
• 应用Neyman构造法推导置信区间，强调排序原则与覆盖保证的重要性。
• 利用玩具蒙特卡洛模拟评估置信区间的覆盖性质，特别是在离散或低统计量情形下。
• 介绍并分析CLs方法在新物理搜索中设定上限的应用，以控制第一类错误率。
• 讨论通过贝叶斯边缘化、经典统计轮廓似然法以及混合技术处理干扰参数的方法。
• 应用似然原则与条件性原则，通过如停止规则问题等示例，阐明不同统计范式之间的概念差异。

实验结果

研究问题

• RQ1 在覆盖性质与解释性方面，Neyman置信区间、贝叶斯可信区间与似然比区间这三种主要区间估计方法有何异同？
• RQ2 Wald区间在二项比例估计中存在哪些概念与实际问题？为何应避免使用？
• RQ3 条件性原则与似然原则如何限制统计推断的有效性？它们对HEP数据分析有何影响？
• RQ4 在存在背景不确定性的情况下，CLs方法在LHC新物理搜索中的优势与局限性是什么？
• RQ5 在统计推断中应如何处理干扰参数？贝叶斯、经典统计与混合方法之间存在哪些权衡？

主要发现

• Wald区间在二项比例估计中系统性地过于乐观，尤其在低统计量或极端比例情况下应避免使用。
• Feldman-Cousins方法即使在离散观测变量或存在干扰参数的情况下，也能提供一致有效的置信区间并保证正确覆盖。
• CLs方法通过基于仅含背景假设的条件化处理，有效控制了发现搜索中的第一类错误率，因此成为LHC中希格斯玻色子与新物理搜索的标准方法。
• 干扰参数显著影响区间覆盖性质；轮廓似然法作为经典统计方法，可在不依赖主观先验的前提下保持良好覆盖性能。
• 在高维参数空间中，使用非信息先验（如Jeffreys先验）的贝叶斯方法并非真正非信息性，可能引入偏差。
• 事后选择置信水平（如p值）在概念上存在缺陷，应予以避免；相反，应预先设定错误率以确保有效推断。