[论文解读] Using the Profile Likelihood in Searches for New Physics

G. Cowan, K. Cranmer+2 more|arXiv (Cornell University)|Jul 10, 2010

Statistical Mechanics and Entropy被引用 2

一句话总结

本文提出基于似然的统计方法，用于在高能物理中检测新物理并设定置信区间，重点在于处理系统性不确定性。它引入了Asimov数据集，以高效计算中位数灵敏度和预期波动，利用基于Wilks定理和Wald定理的渐近分布，实现稳健的实验规划与解释。

ABSTRACT

We describe likelihood-based statistical tests for use in high energy physics for the discovery of new phenomena and for construction of confidence intervals on model parameters. We focus on the properties of the test procedures that allow one to account for systematic uncertainties. Explicit formulae for the asymptotic distributions of test statistics are derived using results of Wilks and Wald. We motivate and justify the use of a representative data called the Asimov data set, which provides a simple method to obtain the median experimental sensitivity of a search or measurement as well as fluctuations about this expectation.

研究动机与目标

• 开发用于高能物理实验中发现新物理的稳健统计检验方法。
• 解决假设检验与区间估计中系统性不确定性的挑战。
• 提供一种实用方法，用于估计搜索中的中位数实验灵敏度和预期波动。
• 证明Asimov数据集作为灵敏度计算代表性数据集的合理性。
• 基于Wilks和Wald的结果推导检验统计量的渐近分布，为理论提供支撑。

提出的方法

• 本文基于Wilks定理采用似然比检验，评估在存在系统性不确定性情况下的显著性。
• 应用Wald定理，推导原假设下检验统计量的渐近分布。
• 使用Asimov数据集——一个在原模型下具有期望值的假设数据集——来计算中位数灵敏度和波动。
• 该方法可实现各种系统性不确定性情景下预期检验统计量和覆盖性质的解析计算。
• 推导了轮廓似然比的渐近分布，以支持假设检验与区间构造。
• 该方法可在无需完整蒙特卡洛模拟的情况下，实现高效的灵敏度估计。

实验结果

研究问题

• RQ1 如何将基于似然的检验方法调整以考虑高能物理搜索中的系统性不确定性？
• RQ2 Asimov数据集在估计中位数实验灵敏度中起到什么作用？
• RQ3 在系统性不确定性下，检验统计量的渐近分布行为如何？
• RQ4 在存在多余参数的情况下，轮廓似然比能否用于构建准确的置信区间？
• RQ5 如何量化检验统计量的预期波动以支持实验规划？

主要发现

• 在系统性不确定性下，推导出轮廓似然比的渐近分布，从而实现准确的显著性检验。
• Asimov数据集提供了一种可靠且计算高效的中位数灵敏度估计方法，适用于不同实验配置。
• 可利用Asimov数据集解析计算检验统计量的预期波动，减少对昂贵模拟的依赖。
• 该方法即使在存在系统性不确定性时，也能确保置信区间的正确覆盖。
• 使用Wilks和Wald定理为分析中使用的检验统计量提供了坚实的理论基础。
• 该方法可为高能物理中新物理搜索提供一致且可复现的灵敏度估计。