[论文解读] Probability and Measurement Uncertainty in Physics - a Bayesian Primer

G. D’Agostini|arXiv (Cornell University)|Jan 1, 1995

Statistical Mechanics and Entropy参考文献 14被引用 34

一句话总结

本文提出了一种贝叶斯框架，用于处理物理学中的测量不确定性，将统计误差与系统误差统一于基于主观概率的单一概率模型之下。它表明，贝叶斯推断——通过先验信念和贝叶斯定理的数据更新——为不确定性量化提供了一种连贯、透明且哲学上站得住脚的方法，现已被国际计量学标准（如ISO指南）所采纳。

ABSTRACT

Bayesian statistics is based on the subjective definition of probability as {\it ``degree of belief''} and on Bayes' theorem, the basic tool for assigning probabilities to hypotheses combining {\it a priori} judgements and experimental information. This was the original point of view of Bayes, Bernoulli, Gauss, Laplace, etc. and contrasts with later ``conventional'' (pseudo-)definitions of probabilities, which implicitly presuppose the concept of probability. These notes show that the Bayesian approach is the natural one for data analysis in the most general sense, and for assigning uncertainties to the results of physical measurements - while at the same time resolving philosophical aspects of the problems. The approach, although little known and usually misunderstood among the High Energy Physics community, has become the standard way of reasoning in several fields of research and has recently been adopted by the international metrology organizations in their recommendations for assessing measurement uncertainty. These notes describe a general model for treating uncertainties originating from random and systematic errors in a consistent way and include examples of applications of the model in High Energy Physics, e.g. ``confidence intervals'' in different contexts, upper/lower limits, treatment of ``systematic errors'', hypothesis tests and unfolding.

研究动机与目标

• 解决高能物理学中传统处理统计与系统不确定性时存在的不一致性和临时性问题。
• 倡导采用贝叶斯方法作为物理测量中不确定性量化的自然且连贯的框架。
• 通过采用概率的主观定义（即‘信念程度’）来解决概率解释中的哲学与实际问题。
• 提供一个统一模型，将所有不确定性来源——随机误差、系统效应和相关误差——纳入单一概率框架。
• 通过高能物理学中的具体实例（包括置信区间、极限值和去卷积）证明该方法的适用性。

提出的方法

• 采用主观贝叶斯概率定义，即‘信念程度’，而非基于频率的频率解释。
• 应用贝叶斯定理，利用实验数据更新对物理量的先验信念，从而得到后验概率分布。
• 将测量不确定性建模为未知参数的概率分布，包括随机效应与系统效应。
• 利用边缘化和条件概率处理 nuisance 参数与相关不确定性。
• 在精确推断计算成本过高时，采用线性化近似（如误差传播），同时保持可解释性。
• 将《测量不确定度表达指南》（GUM）的建议整合进贝叶斯框架，展示其兼容性与优势。

实验结果

研究问题

• RQ1 如何在物理测量中一致地合并统计与系统不确定性？
• RQ2 将概率解释为‘信念程度’而非长期频率，其哲学与实际依据是什么？
• RQ3 能否通过单一概率框架统一处理随机误差、系统效应与间接测量？
• RQ4 与传统方法相比，贝叶斯推断在不确定性评估中如何提升透明度与可追溯性？
• RQ5 线性近似在不确定性传播中的局限性是什么？何时必须采用完整的贝叶斯推断？

主要发现

• 贝叶斯方法通过将系统效应视为未知参数的概率分布，为所有不确定性来源（包括系统效应）提供了连贯且统一的处理方式。
• 《测量不确定度表达指南》（GUM）被证明与贝叶斯框架兼容，并可自然地在该框架内解释。
• 传统方法中线性或平方和方式合并不确定性的做法，在频率学派统计学中缺乏理论依据，但具有实际实用性；贝叶斯方法为这些做法提供了理论依据并加以推广。
• 该方法支持信念的自动更新、假设的透明建模，并可进行先验选择的敏感性分析。
• 在复杂情形（如去卷积）中，贝叶斯方法可与近似方法（如协方差矩阵）及迭代过程结合使用，尽管完整解法仍具挑战性。
• 本文表明，贝叶斯方法通过将概率建立在认识论不确定性而非相对频率之上，解决了概率论中长期存在的哲学难题。