贝叶斯统计中的群体相关性:引力波天文学的一个示例模型
《Physical Review D》:Population-level correlations in Bayesian statistics: An illustrative model for gravitational-wave astronomy
【字体:
大
中
小
】
时间:2026年10月23日
来源:Physical Review D 5.3
编辑推荐:
随着引力波事件数量日益增多,群体推断已不再局限于边缘分布的预测,而是开始探测致密双星参数(如质量、自旋和红移)之间的相关性。这些相关性对于天体物理学和广义相对论检验都具有强大的约束能力。本文提出了一种理想化的解析模型,用于研究单事件相关性、系统偏差和群体层面相关性之间的相互作
随着引力波事件数量日益增多,群体推断已不再局限于边缘分布的预测,而是开始探测致密双星参数(如质量、自旋和红移)之间的相关性。这些相关性对于天体物理学和广义相对论检验都具有强大的约束能力。本文提出了一种理想化的解析模型,用于研究单事件相关性、系统偏差和群体层面相关性之间的相互作用。基于此,我们探讨了群体层面相关性假阳性测量的潜在产生。我们量化了参数对中在单事件层面存在相关性时,如何增加这些参数在群体层面相关性的不确定性,从而可能掩盖真实存在的底层群体相关性。我们还发现,如果波形系统误差导致的偏差在编目中存在相关性(这在参数空间的某些区域较难建模的情况下是可能的),这种效应可以被以相关性为目标的群体分析有效吸收,并被误解为群体层面相关性。这个简单的高斯模型可以作为未来更详细探索的广泛指南。
I. 引言
引力波(GW)源的群体分析结合了多个事件并采用分层贝叶斯框架[1,2],正逐渐成为揭示致密双星形成机制、提高检验广义相对论能力和测量宇宙学参数(如[3–5])的重要工具。随着引力波编目规模的增长,我们不仅能够推断双星参数的群体层面边缘分布,还能刻画它们之间的相关性[6–17]。这反过来增强了我们区分不同形成场景[18,19]和识别广义相对论可能偏差来源[20,21]的能力。鉴于群体层面相关性的测量很可能在塑造我们对宇宙的理解方面发挥核心作用,理解可能影响这些测量的因素至关重要。
在GWTC-2.1编目[22]中最初发现了有效自旋分布均值与质量比之间的负相关性,并通过后续数据得到了进一步确认[23]。有趣的是,随着更多事件被加入编目,该相关性的证据减弱了,而有效自旋分布宽度与质量比之间相关性的证据则增加了[3,24]。
最初推断的趋势与在单事件参数估计层面有效自旋和质量比之间众所周知的简并性方向相同[25]。参考文献[22]进行了额外分析以加强这一解释,即这种单事件简并性并非推断出的群体层面相关性的原因。事实上,分层分析在理想极限下是无偏的:如果用于分析数据的模型是正确的,它们平均而言应该能恢复正确的群体特性。然而,个体事件层面的相关性是否可能在有限事件数量情况下由于统计涨落而导致群体层面相关性的虚假测量,仍然是一个重要的问题。
除了这类统计效应之外,系统效应也可能导致群体层面相关性的虚假测量。在单事件层面,用于单个事件参数估计的波形模型的有限精度会导致所推断源特性的系统偏差[26–31]。由于这些偏差依赖于源的特性,它们反过来可能在群体层面模拟出虚假的相关性。此外,群体分析需要选择事件的分布模型。如果该模型指定不当,群体特性的重建可能会受到损害[32–35],包括推断出的双星参数之间的相关性。
在本文中,我们系统地研究了在真实群体中不存在群体层面相关性时,群体层面相关性的假阳性测量。我们考虑了三种可能的原因:(i) 统计涨落,包括单次观测中参数之间相关性的作用;(ii) 单事件测量中的系统偏差;以及(iii) 群体先验选择不当导致的系统偏差。我们构建了一个简单的玩具模型,用于探索这些因素如何影响成对双星参数之间群体层面相关性的测量。虽然这比通常用于推断致密双星群体天体物理特性的方法简单得多,但我们的框架与参考文献[20]中开发的约束广义相对论多维偏差的方法非常相似。因此,我们的研究结果特别适用于该科学案例并可直接转化,同时也为其他推断设置中的定性行为提供了见解。
本文其余部分组织如下。在第II节中,我们建立玩具模型并展示它如何建模单事件和群体层面的统计和系统误差。在第III节中,我们探讨了有限编目中的统计涨落如何影响获得可信假阳性相关性测量的概率。最后,在第IV节中我们总结结果并讨论其含义。
II. 模型设置
我们构建了一个简单的玩具模型来检查两个双星参数之间的相关性。我们假设已经观测到了一个包含N个信号的编目D={d?,d?,...,dN}。每个信号d?是探测器噪声n?和由真实源参数θ?产生的真实波形的和。每个信号的源参数从某个底层群体模型中抽样,群体参数为Θ。
我们假设单事件和群体似然都可用多元高斯分布来描述。此外,我们采用多元高斯模型来恢复群体特性。为了完整性,我们回顾多元高斯分布的表达式。设随机向量x为维度d,按照具有均值向量μ和协方差矩阵Σ的多元高斯分布分布。x的概率密度函数(PDF)为
$$p(x | μ, Σ) = \frac{1}{(2π)^{d/2} |Σ|^{1/2}} \exp\left(-\frac{1}{2}(x-μ)^T Σ^{-1}(x-μ)\right) \tag{1}$$
协方差矩阵是一个对称矩阵,其中对角分量Σ??是边缘分布的方差,非对角分量Σ??与皮尔逊相关系数ρ??成正比。这些系数量化线性相关性,当ρ??为正(负)时,x?和x?(反)相关,当ρ??=0时,它们不相关。逆协方差矩阵的分量可以通过求费舍尔信息矩阵的逆矩阵得到
$$Σ_{ij} = (F^{-1})_{ij} \tag{2}$$
通常,在引力波天文学中,我们给出给定后验的边缘分布的90%可信区间。对于多元高斯分布,边缘分布上90%的概率密度包含在以μ?为中心、宽度为1.96Σ??的区间内。
A. 单事件参数估计
假设探测器噪声为零均值且高斯分布,单事件似然为
$$p(d_i | θ?) = \exp\left(-\frac{1}{2}?d? - h?(θ?) | d? - h?(θ?)?\right) \tag{3}$$
其中?·|·?表示由单侧噪声功率谱密度加权的内积,h?是选定的波形近似。
在大信噪比(SNR)极限下,该似然可以用单事件参数上以最大似然值θ??为中心、协方差矩阵为Γ?的多元高斯分布来很好地描述
$$p(θ? | d?) ∝ \exp\left(-\frac{1}{2}(θ?-θ??)^T Γ?^{-1}(θ?-θ??)\right) \tag{4}$$
在这个玩具模型中,我们通过标准差σ?和σ?以及相关系数ρ??来规定Γ?。σ?和σ?是SNR的代理,在给定参数空间位置和模型下,它们在大SNR极限下与SNR成反比缩放。系数ρ??捕获了由于模型h的功能形式而在单事件似然中参数x?和x?之间的相关性。在这种简化方法中,最大似然点是描述数据的充分统计量,因此在以下讨论中我们将通过θ?来指代数据。
对于给定事件,最大似然点可能因两个原因而偏离真实值:(i)探测器中存在噪声,导致统计偏移;以及(ii)波形建模不当,导致系统偏差。定义
$$b? = θ?? - θ? \tag{5}$$
我们可以写为
$$b? = b?^{stat} + b?^{sys} \tag{6}$$
当偏移较小时,在高斯似然近似下,这些贡献可以近似为[29,37]
$$b?^{stat} = n? Γ? F? \tag{7}$$
$$b?^{sys} = Γ? F? (h?^{true} - h?^{model}) \tag{8}$$
根据式(3)的似然模型,b?^{stat}按照零均值、协方差矩阵Γ?的正态分布分布。波形近似和真实波形之差Δh? = h?^{true} - h?^{model},以及由此产生的b?^{sys},将对θ?产生特定的依赖性,并可能还依赖于额外的双星参数。在接下来的部分中,我们考虑几个说明性的例子。
因此,我们的模拟编目D构造如下:
(1) 从选定的群体分布p(θ | Θ)中抽取N个样本θ?。
(2) 对于每个θ?,我们从高斯分布N(0, Γ?)中抽取b?^{stat}。如果包含系统效应,我们根据选定的规则额外计算b?^{sys}。最后,d? = h?(θ?) + n?。
B. 分层推断
一旦生成模拟观测编目,下一步是分层推断以恢复群体参数Θ。无论事件从何分布中抽取,我们使用多元高斯分布来建模群体
$$p(θ | Θ) = p(θ | θ?, Γ) \tag{9}$$
群体参数为
$$Θ = {θ?, Γ} \tag{10}$$
系数ρ?是量化参数x?和x?之间群体层面相关性的群体参数。我们对测量该参数感兴趣。
在给定Θ的条件下观测到编目D的群体似然为对群体模型边缘化后的单事件似然之积
$$p(D | Θ) = \prod_{i=1}^{N} \int p(θ? | Θ) p(d? | θ?) dθ? \tag{11}$$
这是一种简化了的似然,已经对双星合并率进行了边缘化,并且忽略了选择效应。请注意,选择效应通常也不包含在广义相对论的分层检验中[5,38,39],尽管已有框架可用于此[40]。
在我们的设置中,群体模型p(θ | Θ)和参数估计似然p(θ? | d?)都按照多元高斯分布分布,因此上述积分可以解析完成
$$p(D | Θ) ∝ \frac{1}{|Γ|^{N/2}} \exp\left(-\frac{1}{2} \sum_{i=1}^{N} (θ??-θ?)^T Γ^{-1}(θ??-θ?)\right) \tag{12}$$
群体似然在以下Θ处取得最大值:
$$\hat{Θ} = {\hat{θ?}, \hat{Γ}}$$
其中
$$\hat{θ?} = \frac{1}{N}\sum_{i=1}^{N} θ??$$
$$\hat{Γ} = \frac{1}{N}\sum_{i=1}^{N} (θ??-\hat{θ?})(θ??-\hat{θ?})^T \tag{13}$$
戴帽量的集合是N个观测θ??的经验均值和协方差矩阵。在这个模型中,θ?和Γ都可以代数计算得出
$$θ? = \hat{θ?}$$
$$Γ = \hat{Γ}$$
使我们能够直接确定ρ?。注意群体似然由协方差矩阵的有偏估计量而非无偏估计量(后者使用因子N-1代替N)最大化。尽管如此,这个估计量在N→∞的极限下是无偏的。
在波形近似和群体模型中不存在建模不当的情况下,最大似然值θ??的生成方式是从高斯分布N(θ?, Γ?)中抽取源参数θ?然后加上从N(0, Γ?)中抽取的b?^{stat}。在这种情况下,Γ?按照具有N个自由度和尺度矩阵Γ的威沙特分布分布。一般来说,随机变量函数的期望值不等于该函数在这些随机变量期望值处的值。虽然可以很容易地证明E[θ?] = θ?,但ρ?是Γ和Γ?分量的非平凡函数,并且不一定有E[ρ?] = ρ?。虽然我们不知道这个期望值的解析表达式,但它通常会依赖于N以及Γ的分量,包括ρ。然而,当N→∞时,威沙特分布在其期望值处变得更尖锐地集中,从而Γ?的分布峰值被推向Γ。
如果在单事件或群体层面存在系统误差,Γ?将不再受威沙特分布支配。Γ?(以及由此产生的ρ?)所取的分布取决于当前建模不当的具体形式。例如,如果b?^{sys}以某种依赖于源参数的方式诱导Γ?产生额外相关性,则Γ?可能从Γ产生偏差。
一般来说,群体推断层面的建模不当也可能导致恢复的群体参数产生偏差。然而,正是我们的玩具模型的简洁性在这里成为一个缺陷。如式(13)所给出的经验协方差矩阵Γ?将捕获θ??中的相关性,无论θ??来自何种分布。如果单事件参数的真实群体分布是不相关的,那么我们期望即使高斯群体模型整体上不能很好地表示真实分布,Γ?中的相关性在N→∞的极限下也趋于0。
C. 量化虚假测量
我们将考虑限制在群体层面参数x?和x?不相关的底层群体模型p(θ | Θ)中,即ρ=0,因为我们试图理解在真实分布中不存在群体层面相关性时可能测得该相关性的情况。
与单事件参数类似,Γ?可以由于统计和系统效应而从Γ发生偏移。然而,给定编目是否产生群体层面相关性的可信测量不仅取决于Γ?,还取决于测量的不确定性。为了估计可信区间,我们附加假设群体似然可以很好地用五维多元高斯分布来描述
$$p(Θ | D) ∝ \exp\left(-\frac{1}{2}(Θ-\hat{Θ})^T F_p^{-1}(Θ-\hat{Θ})\right) \tag{14}$$
围绕\hat{Θ}中心。
根据公式(2),似然函数协方差矩阵的逆为
(15)
其中由公式(12)给出[41,42]。我们对种群参数取均匀先验分布2,且足够宽,使得边缘化后验的$\sigma$的标准差可以从中提取。对于若干次数据的实现,我们采用了马尔可夫链蒙特卡洛算法对真实后验进行采样,并验证了如上计算的确实是我们所考虑情形下真实后验的良好近似,通常相对误差为。与类似,给定星表中值的会受到统计涨落和系统效应的影响。
我们将测量结果在边缘化后验的90%可信区间内时视为与无相关性一致。当出现这种情况时,比值
(16)
小于1。为了理解统计涨落对种群层面相关性测量的影响,我们着手在各种条件下估计概率分布、、和。
我们建立的玩具模型使我们能够考虑在测量单事件参数和种群参数时的统计不确定度以及统计和系统性偏移。
我们通过改变标准偏差和来研究单事件参数估计层面的统计不确定性效应。改变和也会影响统计偏移,其幅度在较大和较大时往往更大。相关系数使我们能够建模单个事件二体参数测量中相关性的效应。我们可以通过以不同方式建模来探索参数估计层面各种系统性误差的效应。
改变星表大小使我们能够探索种群层面的统计不确定度和偏移效应。随着星表大小增加,种群参数测量的统计不确定度减小。类似地,星表方差效应——即有限星表的性质与底层分布不同——也将减小,从而减少统计偏移。我们可以通过选择一个与恢复模型不匹配的底层种群模型来探索种群模型误设的效应。
我们的程序如下:我们指定底层种群分布、星表大小以及单事件似然、、、。单个星表由从$\mathcal{P}$中抽取的$n_{\text{events}}$组源参数组成。我们根据所选单事件似然确定单事件参数的最大似然值。最后我们计算星表的、、和。对于给定的配置,我们重复此计算$N_{\text{real}}$次,从而可以近似概率分布、、和。通过计算满足条件的星表比例,我们可以确定尽管真实底层种群中不存在相关性,层级推断仍会暗示与之间存在种群层面相关性的概率。
**III. 结果**
**A. 无模型误设**
我们首先考虑不存在模型误设的情况,无论是在单事件参数估计层面即$\mathcal{P}=\mathcal{R}$,还是在种群层级推断层面即$\mathcal{P}=\mathcal{R}$。具体而言,我们考虑一个无相关性的种群分布,其中、和。在无模型误设存在的情况下,我们研究统计效应本身如何影响测量。
我们考虑了一个包含15个单事件似然的网格,其中和。对于每种配置,我们考虑包含$n_{\text{events}}$个事件的星表,与当前引力波星表相当,并按上述方式近似分布和。
图1上四个面板中显示了这些分布的中位数作为的函数。分布的5%和95%分位数包围了阴影区域。底部面板绘制了满足条件的星表百分比。
**图1.** 上四个面板展示了在无单事件或种群层面模型误设的情况下,分布和中位数作为的函数,对于不同的值(颜色)和(左vs右;线型)。概率分布的5%和95%分位数包围了阴影区域。底部面板展示了产生可信测量的星表百分比,对应于。真实种群相关系数为。我们注意到两个反直觉的结果:(1) 与之间存在轻微负相关,即当为正(负)时,值更负(更正)的概率更大,表明虚假的种群层面相关性不太可能与单事件后验中的相关性对齐。(2) 因为大的值往往增加测量的不确定度(以$\Delta$量化),较大的单事件相关性可以降低的假阳性测量概率。
我们首先考虑的情况。我们看到即使在不存在单事件相关性的情况下,测量的概率也不为零。然而,假阳性相关测量的机会往往随着单事件参数估计精度的提高和星表大小的增加而减小。
现在,转向所有配置的完整集合,我们发现所有配置下的中位数均约为零,正如我们在大星表情况下预测的那样。尽管中位数的绝对值确实随着和的增加而略有增加,并随着的增加而减小。另一方面,的分散度在不同配置之间变化明显得多,特别是随着增加而增大,随着增加而减小。有趣的是,虽然分布的形状受的影响要小得多,但与之间存在轻微负相关。当为正(负)时,值更负(更正)的概率更大。这种负相关源于我们选择使用无量纲系数而非来量化相关性。这是一个显著的结果,因为人们可能期望在种群分布中发现的虚假相关性与参数估计空间中的相关性对齐。我们看到这里并不一定是这种情况。
方差随着和的增加而增大。这导致了一个反直觉的结果:虽然更宽或更强烈相关的单事件后验可以导致更大的偏移,但这些效应也往往产生更宽的可信区间,使得$\mathcal{P}$为零的情况不太可能被判为假,特别是当较大或较小时。这在图1的底部面板中得到了证明。因此我们推断,单事件层面的强相关性实际上可能仅仅通过增加测量不确定度来掩盖已有的种群层面相关性。
另一方面,增加导致和的分散度以及中位数和分散度缩小。换句话说,更大的星表大小意味着更精确且更准确的测量,因此测量到的概率降低。唯一的例外是当和最大时,这导致了对$\mathcal{P}$非常大的测量不确定度,以至于增加星表大小到$n_{\text{events}}$并不能降低假阳性测量的概率。
**B. 单事件层面的模型误设**
接下来我们考虑用于单事件参数估计的波形与自然界真实波形不匹配的情况。然而,我们再次考虑按无相关高斯分布的种群,其中、和。为了突出模型误设的效应,我们考虑$\sigma_{\mathcal{P}}$和$\sigma_{\mathcal{R}}$的情况,因为我们在上一节中看到,在不存在波形模型误设的情况下,该情况与$\sigma_{\mathcal{P}}=\sigma_{\mathcal{R}}$的情况几乎没有差别。
我们考虑了若干关于的说明性示例。我们首先考虑偏差仅依赖于且不依赖于额外参数的情况。我们选取具体的实现
(17)
其中$b$取值为。常数参数化了偏离的大小,暂时我们取其在给定星表中的所有事件中相同。我们选择这个偏差形式是因为,虽然和从无相关分布中抽取,但在整个星表中将明显相关,从而在$\mathcal{P}$中诱导相关性。
单事件参数估计的统计不确定度与信噪比成反比,而系统偏差保持恒定。因此,随着探测器的改进和事件以更低的灵敏度被观测,系统偏差的相对重要性将增大。在参数空间的某些区域已经存在显著的系统误差[44–47]。
当参数的真实源值落在边缘化后验的90%可信区间之外时,我们认为系统偏差是显著的。也就是说
(18)
单事件参数和是无界的,且偏差的绝对值随着距该点距离的增加而增长。因此,对于$b$的任何选择,参数空间的边缘区域存在不满足上述不等式的区域。因此,我们在公式(17)中选择的偏差代表了当前引力波星表的状况。
我们考虑,其中$b \in \{$, , , , , $\}$。作为偏差对星表影响的度量,对于每个值,我们计算底层种群分布中偏差根据公式(18)不等式显著的百分比。我们发现上述值分别对应于对大约的星表显著的系统误差。虽然其中最大的百分比大于我们猜测的当前引力波星表的值,但通过考虑大偏差,我们能够定性探索系统误差与星表大小之间在产生假阳性相关性测量方面的关系。
我们执行上一节概述的程序来近似分布、、并确定满足条件的星表百分比。我们考虑$n_{\text{events}}$个事件的星表。图2展示了分布和中位数作为的函数。概率分布的5%和95%分位数包围了阴影区域。底部面板展示了满足条件的星表百分比。
**图2.** 上两个面板展示了对于大小为$n_{\text{events}}$的星表,由、和公式(17)形式的系统误差指定的单事件似然下,分布和中位数作为的函数。概率分布的5%和95%分位数包围了阴影区域。底部面板展示了产生可信测量的星表百分比,对应于。真实种群相关系数为。此处考虑的具体分析对应于,其中$b \in \{$, , , , , $\}$,构成了对的显著系统误差。我们注意到,当系统误差很小时,增加星表大小会降低假阳性测量到的概率。然而,随着系统误差大小的增加,由此带来的精度提高意味着获得可信测量的概率更大。
我们看到,随着单事件偏差显著性的增长,中位数离零更远,表明测量的偏差概率更高。虽然星表大小对中位数几乎没有影响,但增加事件数量确实会使分布的分散度收紧。另一方面,与无模型误设的情况类似,星表大小是影响分布的主要因素,更大的星表对应于更精确的测量。
当波形模型误设很小或不存在时,的偏差可以忽略不计,更大的星表大小意味着更低的测量到的概率。然而,随着波形模型误设和偏差的增长,更大的星表增加了获得可信测量的概率。种群参数测量中统计不确定度的效应在星表大小增加时减小,使得系统效应占主导地位。
到目前为止,我们考虑的是在所有事件中共同的情况。然而,偏差在和中的依赖关系也可能取决于星表中变化的额外参数。这些参数可能是波形近似中已考虑的,也可能是额外的未建模参数,如黑洞毛发或环境效应。
我们可以通过允许某些参数在不同事件中变化来表征这类情形。我们考虑三种具体情景:(1) 服从以零为中心的 Gaussian 分布;(2) 是以零为中心的 Gaussian 分布中抽样得到的数值取绝对值;(3) 服从具有非零均值的 Gaussian 分布。我们将这些情景与无系统偏倚的情形以及固定的情形(即 ,对于 50% 的样本代表显著偏倚)进行比较。这些情景所产生的分布见 Fig. 3 所示。可以看到,允许 在不同事件中变化,相对于 恒定的情形,既可以减小也可以增强系统误差的影响,具体取决于 的取值分布。
**Fig. 3.** 在系统偏倚以方程 (17) 所示形式出现在单事件参数中的若干情景下, , 和 的概率分布。在情景 (1) 中, 从以零为中心的 Gaussian 分布 中抽样;在情景 (2) 中, 是以零为中心的 Gaussian 分布 中抽样得到的数值取绝对值;在情景 (3) 中, 从具有非零均值的 Gaussian 分布 中抽样。这些情景与无系统误差的情形( )以及 在不同事件中恒定的情形进行对比。每个分布对应一份包含 个事件的目录,且分别对应 , 和 。最右侧面板中的黑色竖直线表示 ,我们假定高于该值即为可信的相关性假阳性测量。图中图例报告了每种配置下超过该线的目录所占百分比。可以看到,依赖于第三个参数的系统误差既可以提高也可以降低获得虚假相关性测量的概率,具体取决于该额外参数如何在参数空间中变化。
**C. 群体层面的模型误设**
最后,我们考虑模型误设发生在群体层面的情形。也就是说,虽然在层级推断中我们仍然采用方程 (9) 给出的 Gaussian 模型,但目录却来自非 Gaussian 的基础分布 。我们假定 和 在群体层面互不相关,从而联合概率分布可以写成边缘分布的乘积 。与单事件层面的模型误设类似,真实的群体分布与所选模型之间可能存在无穷多种差异。我们聚焦于若干基础分布,以便探索特定类型模型误设的影响。
我们考虑两族推广 Gaussian 分布的基础分布。指数幂分布
(19)
可以让我们探索基础分布具有比模型更轻或更重尾部的影响。当 时,我们回到 Gaussian 分布;当 ( )时,该分布的尾部比 Gaussian 分布更轻(更重)。偏斜正态分布
(20)
可以让我们探索使用对称模型去恢复非对称分布的影响。当 时,我们回到 Gaussian 分布;随着 的绝对值增大,该分布变得越来越不对称。
我们考虑四种基础群体分布,每种均取 。两组按联合指数幂分布分布,其中 ;另外两组按联合偏斜正态分布分布,其中 。为便于说明,Fig. 4 描绘了各边缘分布,并与 Gaussian 分布(对应指数幂分布中 或偏斜正态分布中 的情形)进行对比。我们以 和 以及 指定单事件的似然函数。对于每种基础群体分布,我们考虑包含 个事件的目录。Fig. 5 展示了 , 和 的概率分布,并与第 III A 节中由基础 Gaussian 分布所产生的分布一起给出。
**Fig. 4.** 用于产生 Fig. 5 中分布的基础群体边缘分布。上面板描绘了方程 (19) 的指数幂分布,下面板描绘了方程 (20) 的偏斜分布。对于每个面板,均取 。绿色分布( 和 )在上下两面板中相同,且对应 Gaussian 基础分布。
**Fig. 5.** 对应若干不同非相关基础群体分布的 , 和 的概率分布。上面板中,真实群体分布为方程 (19) 的指数幂分布;下面板中,真实群体分布为方程 (20) 的偏斜正态分布。绿色分布( 和 )在上下两面板中相同,且对应 Gaussian 基础分布。每个分布对应一份包含 个事件的目录,由 和 以及 指定的单事件似然函数,以及方程 (9) 给出的 Gaussian 群体恢复模型。最右侧面板中的黑色竖直线表示 ,我们假定高于该值即为可信的相关性假阳性测量。图中图例报告了每种配置下超过该线的目录所占百分比。可以看到,对于该简化玩具模型,群体模型误设对获得可信的群体层面相关性测量的概率影响微乎其微。唯一例外是指数幂 Gaussian 群体分布中 的情形(对应尾部更重的分布),其非零相关性测量的概率有所降低。
如第 II B 节所述,我们不期望在 很大的极限下 相对真实值 存在偏倚,结果也确实如此,即使对于 也是如此。另一方面,分布 在不同基础分布之间有所变化,这表明使用不准确的群体模型可能会影响测量相关性的精度。然而,对于所考虑的多数群体分布,我们观察到,与不存在群体模型误设的情形相比,最终产生假阳性相关性测量的目录所占百分比并无差异。唯一例外是群体按具有重尾的指数幂分布分布的情形。在这种情形下,尽管我们通常将模型误设与更高的偏倚概率联系在一起,但 围绕真实值 的方差反而更小,从而导致群体层面相关性测量的假阳性概率降低。
我们已经讨论了,Gaussian 玩具模型的简单性使其并不适合充分探索群体层面模型误设所引起的系统偏倚效应。雪上加霜的是,实际 GW 瞬变目录分析中所使用的群体模型比此处考虑的简单相关 Gaussian 更为复杂,因此模型误设的影响很可能无法简单预测。然而,我们的结果表明,尽管群体模型误设可能会影响群体层面相关性测量的假阳性概率,但即便模型本身欠佳,仍有可能识别出群体中是否存在相关性。
**IV. 结论与讨论**
我们使用一个玩具模型探讨了在 LVK 观测到的致密双星中,单事件层面与群体层面的统计和系统效应如何影响双参数之间群体层面相关性的测量。玩具模型的简化性质使得难以对实际 GW 目录的群体分析进行定量比较。即便如此,本研究仍允许我们得出若干定性结论,从而有助于我们理解所识别群体层面相关性的稳健性。
我们研究了单事件相关性对群体层面相关性测量的影响,并发现了两个显著且具有反直觉性的结果:
(i) 尽管单事件相关性的存在倾向于增大最大似然群体相关性统计移动幅度的大小,但这种移动并不一定与参数估计中的相关性方向一致。更确切地说,当以无量纲系数 来量化相关性时,单事件相关性与推断出的群体相关性之间似乎存在微弱的负相关关系。
(ii) 由于单事件相关性的存在增加了群体相关性测量的不确定性,它反而可以降低在群体层面获得可信假阳性相关性测量的概率。
我们得出结论:对于那些在参数估计层面具有强相关性的参数对,例如有效自旋与质量比,这种相关性可能会掩盖真实存在的群体相关性。随着探测信噪比的提高以及目录中事件的增加,这种影响将会减弱。
接下来我们考察了波形与群体分布模型误设所引起的系统效应。对于后者,我们找到了这样的证据:即便是表现不佳的群体模型,仍可能对排除基础分布中的相关性发挥作用。至于波形系统效应,我们发现,当波形模型误设引入的偏倚在恢复的单事件参数中沿整个目录保持相关时,这些偏倚很可能被误解读为相应参数之间的群体层面相关性。与单事件相关性的影响不同,这种效应会随着探测信号的增强以及目录中事件的增加而趋向增大。我们的结果与关于系统效应的普遍直觉一致:提高探测器灵敏度并增加目录中的事件数可以让我们对单事件参数和群体参数的测量更加精确,但只有当我们所使用的波形和群体模型能够良好地刻画真实情况时,这些测量才会更加准确。
用于分析当前 GWTC-5 事件的现有先进近似波 IMRPhenomXPHM、SpinTaylor [48,49]、SEOBNRv5PHM [50,51] 和 NRSur7dq4 [52] 都已经过对数值相对论模拟的仔细验证。然而,前两类方法在对质量比不相等更显著、自旋进动更强的区域恢复数值相对论波形时忠实度较低,而后者仅能捕捉足够短的波形信号。这种在参数空间中变化的模型误设,有可能产生虚假的群体层面相关性。当前 GW 目录中有若干事件在使用不同波形得到的后验分布之间存在明显差异,这表明存在系统误差。毫不意外的是,这种误差往往在质量比和自旋参数上表现得最为明显 [44–47]。我们的结果强调了研究此类偏倚如何影响实际 GW 目录中相关性测量的重要性。
此外,本文聚焦于波形近似与群体分布模型误设所引起的系统误差。然而,从更一般的角度看,系统误差是指任何由于对实验假设不正确而产生的非随机误差。这除了包括我们所考虑的情况外,还可能包括其他诸多方面,例如偏离关于噪声平稳且服从 Gaussian 分布的假设(该假设支撑着单事件似然函数的选择),或对群体层面选择效应的错误刻画。尽管我们在研究中并未考虑这些效应,但它们有可能促成一些会被解读为群体相关性的偏倚。
随着探测到的 GW 事件数量增长至数百个,边缘群体分布正被越来越精确地理解,识别相关性与子群体逐渐成为刻画观测数据集并改善我们对致密双星 (天体) 物理理解的一个崭新前沿。尽管我们的模型较为简单,我们仍希望这次关于推断相关性稳健性的探索,能成为解读当前与未来 GW 数据发布的一份有用指南。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号