[论文解读] One, No One, and One Hundred Thousand -- Inferring the properties of a population in presence of selection effects

S. Vitale|arXiv (Cornell University)|Jul 10, 2020

High-Energy Particle Collisions Research被引用 5

一句话总结

本文提出了一种分层贝叶斯框架，用于从受选择效应影响的数据中推断群体特性，基于基本原理推导，并通过引力波天体物理学中的两个实际案例进行说明。该方法能够在检测偏差存在的情况下，稳健地估计底层群体分布，为跨科学领域的源群体推断提供可推广的方法。

ABSTRACT

This document contains a pedagogical introduction to hierarchical Bayesian inference in presence of selection effects. The main equations are obtained from first principles, step by step. Two examples are provided which show how things work, in practice. While I had in mind gravitational-wave astrophysics as I drafted these notes, they should be generic enough to be useful to anyone who wants to learn about the inference on the properties of a population of sources.

研究动机与目标

• 开发一种系统性方法，用于在数据受检测阈值或选择效应影响时推断群体水平特性。
• 提供针对现实观测约束的、循序渐进的分层贝叶斯推断教学推导。
• 通过具体案例展示该方法的实用性，尤其在引力波天文学中的应用。
• 将该框架推广，使其适用于天体物理学以外的多样化科学领域。

提出的方法

• 从基本概率规则和似然函数出发，基于基本原理推导分层贝叶斯推断。
• 对单个源参数和群体超参数的联合分布进行建模，同时考虑检测效率。
• 通过边缘化积分消除单个源参数，集中关注群体水平推断。
• 通过根据检测概率加权似然函数，显式地纳入选择效应。
• 将该方法应用于两个说明性案例：一个采用简单参数化群体模型，另一个涉及更复杂的检测阈值。
• 采用数值或解析积分计算群体超参数的后验分布。

实验结果

研究问题

• RQ1 当仅能检测到源的有偏子集时，如何推断群体特性的真实分布？
• RQ2 在存在选择效应的情况下，分层推断的正确贝叶斯公式是什么？
• RQ3 检测阈值和灵敏度函数如何影响推断的群体参数？
• RQ4 该方法是否具有普适性，还是仅限于特定类型的数据或领域？

主要发现

• 只要准确建模检测概率，该框架即使在仅能检测到部分源的情况下，也能正确恢复群体参数。
• 选择效应会显著导致朴素推断产生偏差；分层贝叶斯方法能系统性地校正此类偏差。
• 该方法通过在群体上施加超先验，实现跨多个观测的一致推断。
• 案例表明，若未考虑选择效应，将导致对群体参数的系统性高估。