[论文解读] Skeptical combination of experimental results using JAGS/rjags with application to the K$^{\pm}$ mass determination

G. D’Agostini|arXiv (Cornell University)|Jan 9, 2020

Statistical Mechanics and Entropy参考文献 11被引用 4

一句话总结

本文通过使用 JAGS/rjags 的贝叶斯分层建模方法，对带电 kaon 质量测量值之间看似矛盾的结果进行了怀疑性组合。通过采用马尔可夫链蒙特卡洛（MCMC）采样而非解析解，提供了质量的稳健概率估计：493.677 ± 0.013 MeV，揭示了 PDG 平均程序中因顺序应用 χ²/ν 标准化规则而产生的先前未被识别的偏差。

ABSTRACT

The question of how to combine experimental results that `appear' to be in mutual disagreement, treated in detail years ago in a previous paper, is revisited. The first novelty of the present note is the explicit use of graphical models, in order to make the deterministic and probabilistic links between the variables of interest more evident. Then, instead of aiming for results in closed formulae, the integrals of interest are evaluated by {\em Markov Chain Monte Carlo} (MCMC) sampling, with the algorithms (typically Gibbs Sampler) implemented in the package JAGS ("Just Another Gibbs Sampler"). For convenience, the JAGS functions are called from R scripts, thus gaining the advantage given by the rich collection of mathematical, statistical and graphical functions included in the R installation. The results of the previous paper are thus easily re-obtained and the method is applied to the determination of the charged kaon mass. This note, based on lectures to PhD students and young researchers has been written with a didactic touch, and the relevant JAGS/rjags code is provided. (A curious bias arising from the sequential application of the $\sqrt{χ^2/ν}$ scaling prescription to 'apparently' discrepant results, found here, will be discussed in more detail in a separate paper.)

研究动机与目标

• 开发一种透明、可复现的方法，用于组合看似相互矛盾的实验结果，特别是在标准平均可能具有误导性时。
• 展示使用图形模型和通过 JAGS/rjags 实现的 MCMC 采样进行结果的怀疑性组合，强调可解释性和计算可及性。
• 使用贝叶斯分层模型重新评估带电 kaon 质量，避免对正态性假设和解析解的依赖。
• 识别并量化 PDG 平均程序中因顺序应用 χ²/ν 标准化规则而产生的先前未被识别的偏差。
• 为研究人员提供教学性、可重用的 JAGS/rjags 代码，以便将该方法应用于其他实验结果的不一致问题。

提出的方法

• 将每个实验结果建模为均值为 $ d_i $、标准差为 $ s_i $ 的正态似然函数，并对真实质量 $ \mu $ 使用分层先验。
• 对精度 $ \tau_i = 1/\sigma_i^2 $ 使用 Jeffrey’s 先验，并为所有结果分配一个共同的精度 $ \tau $，以允许结果之间存在不一致性。
• 通过 JAGS 使用 MCMC 从 $ \mu $、$ \tau $ 和个体精度参数 $ \tau_i $ 的联合后验分布中进行采样。
• 使用 rjags 包在 R 中实现该模型，从而能够与 R 的统计和图形函数集成，用于分析和可视化。
• 通过蒙特卡洛采样评估质量的后验分布，避免参数近似，保留非高斯特征。
• 使用轨迹图、自相关图和 MCMC 链的相关矩阵评估模型收敛性及参数之间的相关性。

实验结果

研究问题

• RQ1 如何以统计上严谨且可解释的方式组合看似冲突的实验结果？
• RQ2 在组合过程中，对多个结果顺序应用 χ²/ν 标准化规则会产生何种后果？
• RQ3 基于 MCMC 的贝叶斯建模结合图形模型，是否能相比解析加权平均，提升结果组合的透明度和鲁棒性？
• RQ4 PDG 报告的带电 kaon 质量值在多大程度上反映了由于其平均方法导致的系统性偏差？
• RQ5 质量与精度参数的后验分布如何揭示非高斯特征和模型不确定性？

主要发现

• 怀疑性组合得到的带电 kaon 质量最终估计值为 $ 493.677 \pm 0.013 $ MeV，与 PDG 报告值在实际意义上一致。
• 质量的后验分布显著非高斯，下侧具有厚尾，表明存在高不确定性和偏态。
• 95% 可信区间为 $[493.650, 493.697]$ MeV，50% 区间为 $[493.668, 493.687]$ MeV，显示出强烈的偏斜。
• 识别出一个先前未被察觉的 +13 keV 偏差，其成因是将 $ \sqrt{\chi^2/\nu} $ 标准化规则顺序应用于已缩放的不确定度。
• 基于 MCMC 的分析结果具有鲁棒性和可复现性，诊断结果清晰显示链收敛良好且自相关性低。
• 质量 $ \mu $ 与最不一致结果（$ r_9 $）的精度之间的后验相关性为 -0.61，表明该异常值对最终估计值有显著影响。