[论文解读] Randomization Inference of Periodicity in Unequally Spaced Time Series with Application to Exoplanet Detection

Panos Toulis, Jacob L. Bean|arXiv (Cornell University)|May 29, 2021

Stellar, planetary, and galactic studies参考文献 56被引用 5

一句话总结

本文提出了一种用于检测不等间距时间序列中周期性的随机化推断方法，特别适用于利用径向速度数据进行系外行星探测。通过在模周期时间不变性下对数据进行置换，构建精确的p值，该方法在不依赖渐近正态性或独立同分布间距假设的前提下，提供了周期性在有限样本下的有效置信集，成功识别出已确认的系外行星，并揭示了对未确认候选者的微弱证据。

ABSTRACT

The estimation of periodicity is a fundamental task in many scientific areas of study. Existing methods rely on theoretical assumptions that the observation times have equal or i.i.d. spacings, and that common estimators, such as the periodogram peak, are consistent and asymptotically normal. In practice, however, these assumptions are unrealistic as observation times usually exhibit deterministic patterns -- e.g., the nightly observation cycle in astronomy -- that imprint nuisance periodicities in the data. These nuisance signals also affect the finite-sample distribution of estimators, which can substantially deviate from normality. Here, we propose a set identification method, fusing ideas from randomization inference and partial identification. In particular, we develop a sharp test for any periodicity value, and then invert the test to build a confidence set. This approach is appropriate here because the construction of confidence sets does not rely on assumptions of regular or well-behaved asymptotics. Notably, our inference is valid in finite samples when our method is fully implemented, while it can be asymptotically valid under an approximate implementation designed to ease computation. Empirically, we validate our method in exoplanet detection using radial velocity data. In this context, our method correctly identifies the periodicity of the confirmed exoplanets in our sample. For some other, yet unconfirmed detections, we show that the statistical evidence is weak, which illustrates the failure of traditional statistical techniques. Last but not least, our method offers a constructive way to resolve these identification issues via improved observation designs. In exoplanet detection, these designs suggest meaningful improvements in identifying periodicity even when a moderate amount of randomization is introduced in scheduling radial velocity measurements.

研究动机与目标

• 为解决标准周期性估计在不等间距时间序列中的局限性，其中观测时间通常呈现确定性模式（例如夜间周期），从而引入干扰周期性。
• 开发一种在标准渐近近似因不规则观测设计而失效时仍保持有限样本有效性的统计推断框架。
• 通过识别调度中随机化如何解决识别问题，提出一种改进系外行星探测观测设计的建设性方法。
• 在不假设独立同分布或等间距观测时间的前提下，测试并估计径向速度数据中的隐藏周期性，这些假设在天文数据中通常被违反。

提出的方法

• 通过定义在模θ₀时间平移下数据可交换的非参数零假设H₀^np，为任意周期性值θ₀提出一个精确检验。
• 通过固定观测时间Tⁿ，对结果向量Yⁿ进行置换，利用群Π(Tⁿ; θ₀)中的置换生成零假设下的合成数据集，实现随机化推断。
• 通过将观测到的检验统计量（例如，周期图峰值）与在置换数据上计算的同一统计量的分布进行比较，构建精确p值，确保在H₀^np下条件有效。
• 通过反转检验构建真实周期性的置信集，收集所有在显著性水平α下不拒绝零假设的θ₀值。
• 在假设(A1)和(A2)下建立理论有效性，证明p值在给定观测时间Tⁿ的条件下以及无条件下的精确性。
• 提出一种近似实现方式，以减轻当Π(Tⁿ; θ₀)过小（例如单点集）时的计算负担，尽管这可能降低精确性。

实验结果

研究问题

• RQ1 当标准渐近理论因观测设计不规则而失效时，我们能否为不等间距时间序列中的周期性构建有效的有限样本置信集？
• RQ2 确定性观测模式（例如夜间周期）在多大程度上影响基于周期图的估计量的有限样本分布？
• RQ3 在系外行星探测中，观测调度的随机化在多大程度上能改善对真实周期信号的识别？
• RQ4 我们能否使用对干扰周期性具有鲁棒性的方法，检测并量化对未确认系外行星候选者的微弱统计证据？
• RQ5 是否可能开发一种非参数周期性推断程序，而无需对误差结构或间距分布作参数假设？

主要发现

• 所提出的方法在样本中成功识别出已确认系外行星的真实周期性，展示了在真实径向速度数据中极高的精度。
• 对于比邻星b的候选系外行星，统计证据微弱，因为在5%显著性水平下，包括日周期在内的多个干扰信号均无法被拒绝。
• 在比邻星b的情况下，尽管该行星信号的证据稳健，但由日观测周期引起的干扰信号在1%水平下仍无法被拒绝。
• 该方法揭示了当有限样本分布因不规则观测时间而显著偏离正态性时，基于周期图的推断可能具有误导性。
• 该方法可通过在测量时间中引入适度随机化，实现对改进观测计划的设计，从而解决识别问题并提高检测能力。
• 理论有效性已建立：置换程序的p值在零假设下是精确的，条件于观测时间，且无需对周期分量进行参数建模。