[论文解读] Statistical Methods for the Search of Sterile Neutrinos

M. Agostini, Birgit Neumair|arXiv (Cornell University)|Jun 27, 2019

Neutrino Physics Research被引用 6

一句话总结

本文综述并比较了通过短基线振荡探测eV量级惰性中微子的统计方法，强调检验统计量的选择对灵敏度和置信区域具有关键影响。本文提出一种标准化的通用原假设检验方法，避免对参数空间的限制，从而降低误发现或漏检信号的风险。

ABSTRACT

The statistical methods applied to search for short-baseline neutrino oscillations induced by a sterile neutrino with mass at the eV scale are reviewed and compared. The comparison is performed under limit setting and signal discovery scenarios, considering both when an oscillation would enhance the neutrino interaction rate in the detector and when it would reduce it. The sensitivity of the experiments and the confidence regions extracted for specific data sets are found to change significantly according to the test statistic used for the hypothesis testing. The most general test statistic does not make assumptions on the value of the parameters of interest for the analysis, while the others restrict the allowed parameter space. The restriction of the parameter space could lead to miss a signal or, vice versa, to claim a discovery when this is not statistically significant. Similar issues are found also when the validity of Wilks' theorem is assumed. A standardized analysis approach based on the most general kind of hypothesis test is proposed.

研究动机与目标

• 评估不同检验统计量对惰性中微子搜索中灵敏度和置信区域的影响。
• 识别在假设检验中限制参数空间所引入的风险，例如误发现或漏检真实信号。
• 评估威尔克斯定理在此情境下的有效性及其对统计推断的影响。
• 提出一种基于最通用原假设检验的标准化分析框架，以确保实验间的一致性和稳健性。

提出的方法

• 使用一种不假设感兴趣参数特性的通用检验统计量，从而实现无偏假设检验。
• 将此通用方法与假设特定参数范围的受限检验统计量进行比较。
• 将该方法应用于短基线中微子振荡实验中的信号增强和信号抑制情景。
• 在不同统计模型和检验统计量下评估灵敏度和置信区域。
• 评估威尔克斯定理在惰性中微子搜索背景下的适用性。
• 提出一种基于最通用检验统计量的标准化分析协议，以确保一致性和可靠性。

实验结果

研究问题

• RQ1 不同检验统计量如何影响惰性中微子搜索中的灵敏度和置信区域？
• RQ2 在惰性中微子信号的假设检验中，限制参数空间会带来哪些风险？
• RQ3 在何种条件下威尔克斯定理在此情境下会失效，其对推断有何影响？
• RQ4 检验统计量的选择如何影响误发现或漏检信号的概率？
• RQ5 是否可以通过标准化的通用原假设检验提高惰性中微子探测的可靠性？

主要发现

• 惰性中微子搜索的灵敏度和置信区域显著依赖于检验统计量的选择。
• 限制参数空间可能导致误发现或无法检测到真实信号。
• 威尔克斯定理所依赖的假设可能不成立，导致p值和置信区间不可靠。
• 最通用的检验统计量（对参数无任何假设）能提供最稳健的推断。
• 建议采用基于通用检验统计量的标准化分析方法，以确保实验间的一致性并减少偏差。
• 采用此通用框架可最大限度降低在发现和极限设定情景下得出错误结论的风险。