[论文解读] Statistical properties of the estimator using covariance matrix

Alekhin Sergey|ArXiv.org|May 28, 2000

Target Tracking and Data Fusion in Sensor Networks参考文献 1被引用 12

一句话总结

本文分析了在高能物理数据中系统误差相关性背景下，协方差矩阵估计器（CME）的统计特性。结果表明，当系统误差与统计误差相当的情况下，CME具有一致性且方差低于简化的 $χ^2$ 估计器，且在拟合过程中迭代更新协方差矩阵时，偏差可忽略不计。该方法通过解析矩阵求逆，实现了对大规模数据集的高效、精确全局拟合。

ABSTRACT

The statistical properties of estimator using covariance matrix for the account of point-to-point correlations due to systematic errors are analyzed. It is shown that the covariance matrix estimator (CME) is consistent for the realistic cases (when systematic errors on the fitted parameters are not extremely large comparing with the statistical ones) and its dispersion is always smaller, than the dispersion of the simplified $χ^2$ estimator applied to the correlated data. The CME bias is negligible for the realistic cases if the covariance matrix is calculated during the fit iteratively using the parameter estimator itself. Analytical formula for the covariance matrix inversion allows to perform fast and precise calculations even for very large data sets. All this allows for efficient use of the CME in the global fits.

研究动机与目标

• 分析考虑实验数据中由于系统误差导致的点对点相关性时，估计器的统计行为。
• 评估协方差矩阵估计器（CME）相对于更简单的 $χ^2$ 估计器的偏差、一致性和方差。
• 确定CME在全局拟合中能提供可靠参数估计且偏差最小的条件。
• 通过协方差矩阵的解析求逆，实现大规模数据集的高效计算。

提出的方法

• 采用贝叶斯方法处理系统误差，通过协方差矩阵对数据点之间的相关性进行建模。
• 围绕真实参数值对估计器进行级数展开，以解析推导偏差和方差表达式。
• 从偏差、方差和一致性角度，将CME与简化的 $χ^2$ 估计器（SCE）进行比较。
• 在拟合迭代过程中采用迭代程序计算协方差矩阵，以降低估计器的偏差。
• 利用协方差矩阵求逆的解析公式，确保即使在大规模数据集上也能实现数值稳定性和计算速度。
• 引入净残差 $R$ 作为诊断工具，通过与预期方差比较来评估估计器的偏差。

实验结果

研究问题

• RQ1 当系统误差与统计误差相当的情况下，协方差矩阵估计器（CME）是否具有一致性？
• RQ2 在考虑相关性时，CME的方差是否小于简化的 $χ^2$ 估计器？
• RQ3 CME中的偏差量级是多少？在何种条件下可认为其可忽略？
• RQ4 在拟合过程中迭代估计协方差矩阵如何影响估计器的偏差？
• RQ5 解析矩阵求逆能否确保大规模全局拟合中的快速且精确计算？

主要发现

• 在系统误差对拟合参数的影响与统计误差相比并不极端大的实际情况下，CME具有一致性。
• 当存在相关性时，CME的方差始终小于简化的 $χ^2$ 估计器。
• 当在拟合过程中使用参数估计器迭代更新协方差矩阵时，CME的偏差可忽略不计。
• 通过协方差矩阵的解析求逆，即使在非常大的数据集上也能实现快速且精确的计算。
• 对于系统误差占主导地位的数据（如BCDMS数据），净残差 $R$ 的方差约为0.7，可作为偏差检测的基准。
• 当存在大量规模相近的系统误差时，估计器的分布趋向正态分布，这支持标准置信区间的解释。