Bayesian Model Selection with an Application to Cosmology
本文通过贝叶斯方法比较了三种宇宙学模型，发现wCDM在预测性能上优于ΛCDM和CPL模型。
2025-12-11 astro-ph.CO stat.AP stat.ME
Steve: A hierarchical Bayesian model for Supernova Cosmology
我们提出了一个新的贝叶斯层次模型（BHM）命名为史蒂夫进行Ia型超新星（SNIa）宇宙学拟合。这包括一个改进的Malmquist偏差的治疗，占系统的不确定性的额外来源，并提高数值效率，包括以前的工作。鉴于光曲线拟合参数，红移，和主机星系的质量，我们适合史蒂夫同时描述宇宙学，SNIa人口，系统的不确定性的参数。选择效应的特点是使用蒙特卡罗模拟。我们通过拟合SNIa数据集的实现来演示其实现，其中SNIa模型紧密遵循Steve中使用的模型。接下来，我们验证更现实的SNANA模拟SNIa样本的暗能量调查和低红移调查。这些模拟数据集包含超过$60\,000$ SNeIa，我们使用它来评估宇宙学参数的恢复偏差，特别是暗能量状态方程，$w$。这是应用于SNIa宇宙学拟合的BHM方法的最严格的测试，并且揭示了依赖于模拟SNIa性质的小$w$偏差，特别是内在SNIa散射模型。该$w$ -偏差平均小于$0.03$，小于$w$统计不确定性的一半。这些模拟测试结果是BHM宇宙学拟合在即将到来的大型调查中的应用的关注点，因此未来的开发将集中在最大限度地减少Steve对SNIa固有散射模型的敏感性上。
2019-05-01 astro-ph.CO
pocoMC: A Python package for accelerated Bayesian inference in astronomy and cosmology
pocoMC是一个Python包，用于加速天文学和宇宙学中的贝叶斯推断。该代码被设计为从具有非平凡几何形状的后验分布中有效地采样，包括强多模态和非线性。为此，pocoMC依赖于预处理蒙特卡罗算法，该算法利用归一化流来解相关后验参数。它有利于参数估计和模型比较的任务，特别是在计算昂贵的应用程序的重点。它允许在Python中拟合定义为对数似然函数和对数先验概率密度函数的任意模型。与流行的替代方案（如嵌套采样）相比，pocoMC可以加快采样过程的数量级，大大降低计算成本。最后，计算集群的并行化体现了线性缩放。
2022-07-12 astro-ph.CO astro-ph.IM physics.comp-ph
Is the Jeffreys' scale a reliable tool for Bayesian model comparison in cosmology?
我们正在进入一个宇宙学的进步是由数据驱动的时代，替代模型将不得不根据一些一致的标准进行比较和排除。最保守和最广泛使用的方法是贝叶斯模型比较。在本文中，我们显式地计算所有模型的贝叶斯因子，这些模型相对于它们的参数是线性的。我们这样做是为了测试所谓的杰弗里斯尺度，并分析确定它的预测在一个简单的情况下有多准确，我们完全理解并可以分析计算一切。我们还讨论了嵌套模型的情况下，例如，一个与$M_1$和另一个与$M_2\supset M_1$参数，我们推导出解析表达式的贝叶斯因子和品质因数，定义为模型参数的置信度轮廓的倒数区域。所有这些机械和使用一个明确的例子，我们证明了Jeffreys的规模的阈值性质是不是一个“一刀切”的可靠工具模型比较，它可能会导致有偏见的结论。此外，我们讨论了选择正确的基础上的背景下，模型是线性的，其参数和基础如何影响参数估计和派生的约束条件的重要性。
2013-08-21 astro-ph.CO hep-ex physics.data-an
Cosmology-marginalized approaches in Bayesian model comparison: the neutrino mass as a case study
我们在这里提出了一个\emph{novel}方法，挑出\emph{a priori}不可避免的依赖于基本的宇宙模型提取参数约束时，提供强大的限制，只依赖于所考虑的数据集。有趣的是，当处理几种可能的宇宙学并根据高斯统计证据解释贝叶斯偏好时，首选模型比仅比较两种情况时更不受欢迎。作为一个工作的例子，我们将我们的方法应用到宇宙学中微子质量边界，这不仅在建立遗迹中微子对宇宙暗物质的贡献，而且在规划未来的实验搜索中微子的性质和中微子质量排序中发挥了根本性的作用。
2019-01-10 astro-ph.CO astro-ph.IM hep-ph
Accounting for Selection Effects in Supernova Cosmology with Simulation-Based Inference and Hierarchical Bayesian Modelling
本文提出利用归一化流从模拟中学习超新星观测似然，结合分层贝叶斯模型与哈密顿蒙特卡洛采样，以校正马尔姆奎斯特偏差并约束宇宙学参数，验证结果与解析后验一致。
2024-07-22 astro-ph.CO astro-ph.IM
Likelihood-Free Cosmological Inference with Type Ia Supernovae: Approximate Bayesian Computation for a Complete Treatment of Uncertainty
当复杂的数据生成过程不能用简单的概率分布来建模时，宇宙学的推断变得越来越困难。随着宇宙学中数据集规模的不断增加，适当建模的负担越来越重;模型中的系统误差将在以前被统计误差淹没的地方占主导地位。例如，高斯分布不足以表示光度红移等量的误差。同样，可能难以分析地量化在复杂拟合代码中引入的误差的分布。如果没有这些分布的简单形式，就很难准确地构建数据的似然函数作为感兴趣的参数的函数。近似贝叶斯计算（ABC）提供了一种手段，探测后验分布时，直接计算一个足够准确的可能性是棘手的。ABC允许人们绕过直接计算可能性，而是依赖于模拟生成数据的前向过程的能力。这些模拟可以自然地包含放置在滋扰参数上的先验，因此这些可以以自然的方式被边缘化。我们提出并讨论ABC方法的背景下，超新星宇宙学使用的数据从SDSS-II超新星调查。假设一个平坦的宇宙学和恒定的暗能量状态方程，我们证明了ABC可以恢复一个准确的后验分布。最后，我们表明，ABC仍然可以产生一个准确的后验分布时，我们污染的样本与IIP型超新星。
2013-01-29 astro-ph.CO
Determination of Hubble constant from Megamaser Cosmology Project using Profile Likelihood
本研究利用轮廓似然法对巨脉泽宇宙学项目数据进行频率学推断，独立测定哈勃常数，结果与贝叶斯估计一致，展示了处理干扰参数的新方法。
2025-06-17 astro-ph.CO astro-ph.IM
Approximate Bayesian Computation for Forward Modeling in Cosmology
贝叶斯推断常用于宇宙学和天体物理学中，以从观测中推导出对模型参数的约束。这种方法依赖于在给定模型参数选择的情况下计算数据的可能性的能力。然而，在许多实际情况下，由于非高斯误差、非线性测量过程或复杂的数据格式（如星表和地图），似然函数可能不可用或难以处理。在这些情况下，模拟数据集的模拟通常可以通过正向建模来进行。我们讨论了如何近似贝叶斯计算（ABC）可以在这些情况下，使用模拟数据集来获得近似的后验约束。该技术依赖于参数集的采样、量化观察和模拟之间的差异的距离度量以及压缩数据中的信息的汇总统计。我们首先回顾ABC的原则，并讨论其实施使用人口蒙特卡罗（PMC）算法和马氏距离度量。我们使用高斯玩具模型来测试实现的性能。然后，我们应用ABC技术的实际情况下，宽场宇宙学调查的图像模拟的校准。我们发现，ABC分析是能够提供可靠的参数约束这个问题，因此是一个很有前途的技术，在宇宙学和天体物理学的其他应用。我们的ABC PMC方法的实现通过公共代码发布提供。
2015-09-04 astro-ph.CO astro-ph.IM stat.CO
A Bayesian interpretation of inconsistency measures in cosmology
测量数据集之间的不一致性已经成为宇宙学分析的重要组成部分。重要的是要准确地评估这种不一致的意义时，存在。我们在这里提出了一个贝叶斯解释的不一致性措施，可以提取信息的存在下，数据分散的物理不一致性。新的框架是基于条件概率分布的物理不一致的水平给出了所获得的测量值。我们使用的不一致性指数作为案例研究来说明新的解释框架，但这可以推广到其他指标。重要的是，在不一致性的量化中有两个方面，随着模型参数数量的增加，它们的表现不同。第一个是物理不一致性水平达到阈值的概率，该阈值随着所考虑的参数数量的增加而下降。其次是物理不一致性的实际水平，它对参数的增加相当不敏感。这种经常被忽视的模糊性导致低估的物理不一致性的普遍采用的显着性水平时，使用，但解决了贝叶斯解释，因为条件概率分布包括所有的统计信息的物理不一致性的水平。最后，我们应用贝叶斯解释检查普朗克与造父变星为基础的本地测量，暗能量调查（DES），阿塔卡马宇宙学望远镜（ACT）和WMAP之间的一致性。我们确认和重温以前的物理不一致的程度，并显示稳定的新的解释的宇宙学参数的数量相比，常用的n- $σ$解释时，适用于宇宙学的紧张局势在多参数空间。
2021-05-11 astro-ph.CO gr-qc
Marginal Bayesian Statistics Using Masked Autoregressive Flows and Kernel Density Estimators with Examples in Cosmology
宇宙学实验经常使用贝叶斯工作流从他们的数据中推导出宇宙学和天体物理学参数的约束。已经表明，这些约束可以在不同的探测器，如普朗克和暗能量调查，这可以是一个有价值的练习，以提高我们对宇宙的理解和量化多个实验之间的紧张关系。然而，这些实验通常受到不同的系统学、仪器效应和污染信号的困扰，我们将其统称为“滋扰”成分，这些成分必须与感兴趣的目标信号一起建模。这导致了高维参数空间，特别是当组合数据集时，具有> 20个维度，其中只有大约5个维度对应于关键物理量。我们提出了一种方法，通过生成快速，可重复使用和可靠的边际概率密度估计，使我们获得无公害似然从不同的数据集的约束相结合，在计算上有效的方式。这是可能的，通过嵌套抽样的独特组合，这使我们能够获得贝叶斯证据，和边际贝叶斯统计代码MARGARINE。我们的方法在信号参数中是无损的，导致与从所有滋扰参数上的完整嵌套采样运行中发现的相同的后验分布，并且通常比评估完整似然性更快。我们证明了我们的方法，将其应用到后验的组合从暗能量调查和普朗克。
2022-11-24 astro-ph.CO astro-ph.IM
EPIC - Easy Parameter Inference in Cosmology: The user's guide to the MCMC sampler
宇宙学中的简单参数推断（EPIC）是另一种用于宇宙学的马尔可夫链蒙特卡罗（MCMC）采样器。它在Python中实现，并提供基于贝叶斯证据的贝叶斯参数推断和模型比较。包括并行回火算法，它可以帮助探索具有两个或多个分离峰的后验分布。正在开发通过微调算法获得更高效率的自适应例程，并将在未来版本中提供。在本用户指南中，我给出了安装和使用的一般说明，包括示例，并展示了如何修改代码以添加新的数据集和模型。
2018-09-18 astro-ph.CO astro-ph.IM
Massive optimal data compression and density estimation for scalable, likelihood-free inference in cosmology
宇宙学中的许多统计模型可以向前模拟，但具有难以处理的似然函数。无似然推理方法允许我们仅使用正向模拟从这些模型执行贝叶斯推断，而不需要任何似然假设或近似。无可能性推理一般涉及模拟模拟数据并与观察数据进行比较;数据空间中的这种比较受到维数灾难的影响，需要将数据压缩为少量的汇总统计量才能处理。在本文中，我们使用大规模的渐近最优数据压缩，以减少数据空间的维数，每个参数只有一个数字，提供了一个自然和最佳的框架，总结统计选择的似然性自由推断。其次，我们提出了第一个宇宙学应用的密度估计似然自由推理（\textsc{delfi}），它学习一个参数化模型的数据和参数的联合分布，产生参数后验和模型证据。这种方法在概念上是简单的，需要更少的调整比传统的近似贝叶斯计算方法的似然自由推理，可以给高保真后验从数量级更少的前向模拟。作为额外的奖励，它可以同时进行参数推断和贝叶斯模型比较。我们展示了密度估计似然自由推断与大量的数据压缩的联合光变曲线分析超新星数据的分析，作为一个简单的验证案例研究。我们表明，高保真后验推理是可能的全尺寸的宇宙学数据分析与少的$\sim 10^4$模拟，与进一步改进的实质性范围，展示了大而复杂的宇宙学数据集的似然性无推理的可扩展性。
2018-03-26 astro-ph.CO
Agnostic cosmology in the CAMEL framework
宇宙学参数估计传统上是在贝叶斯上下文中进行的。通过采用“不可知论”的统计观点，我们表现出的兴趣，面对贝叶斯结果的频率论的方法的基础上配置文件的可能性。为此目的，我们开发了宇宙学分析与一个Minuit探索的Likeplane（“CAMEL”）软件。用纯C++从头开始编写，重点是构建一个干净且精心设计的项目，其中可以轻松包含新数据和/或宇宙学计算。CAMEL结合了最新的宇宙学似然，并从同一输入文件中提供了几种估计方法：（i）使用MANUIT的高质量极大似然估计（又名“最佳拟合”）;（ii）轮廓似然，（iii）自适应Metropolis MCMC算法的新实现，减轻了重建建议分布的负担。我们在这里介绍这些不同的统计技术，并推出一个完整的用例，然后可以用作教程。我们重新审视了$Λ$ CDM参数的确定与最新的普朗克数据，并给出了结果与两种方法。此外，通过比较贝叶斯和频率论的方法，我们讨论了“似然体积效应”，影响光学再电离深度时，分析高多极普朗克数据的一部分。该软件用于几个普朗克数据分析，可从http://camel.in2p3.fr获得。使用它不需要高级C++技能。
2016-07-11 astro-ph.CO
Constraining string cosmology with the gravitational-wave background using the NANOGrav 15-year data set
本研究利用NANOGrav 15年数据，通过贝叶斯参数估计约束弦宇宙学模型参数，发现引力波背景信号与模型预测一致，并优于幂律模型，展示了脉冲星计时阵列研究早期宇宙的潜力。
2024-09-30 astro-ph.CO gr-qc
A Bayesian Method to Mitigate the Effects of Unmodelled Time-Varying Systematics for 21-cm Cosmology Experiments
本文提出一种基于平方指数高斯过程核的贝叶斯方法，用于解决21厘米宇宙学实验中未建模的时变系统误差问题，能显著降低拟合偏差并可作为系统误差诊断与建模工具。
2023-10-27 astro-ph.CO astro-ph.IM
Holographic and Gravity-Thermodynamic Approaches in Entropic Cosmology: Bayesian Assessment using late-time Data
该研究在全息暗能量（HDE）和引力热力学（GT）形式体系中探究基于熵的方法的宇宙学意义，使用扩展Barrow熵形式及不同Δ参数范围，结合多数据集贝叶斯分析，发现HDE模型表现远优于GT方法且与ΛCDM统计等价。
2025-04-15 astro-ph.CO gr-qc hep-ph
Accounting for Noise and Singularities in Bayesian Calibration Methods for Global 21-cm Cosmology Experiments
针对全球21厘米宇宙学实验的仪器校准需求，提出三种考虑噪声与奇点的贝叶斯校准方法，在模拟和实验室数据集上表现优于现有共轭先验方法，可将验证源光谱校准到噪声本底5%以内。
2025-01-22 astro-ph.CO astro-ph.IM
Pre-Big-Bang Cosmology Cannot Explain NANOGrav 15-year Signal
本文通过贝叶斯分析约束弦宇宙学前大爆炸模型参数，发现膨胀子参数超出理论允许范围且贝叶斯因子强烈支持幂律谱，证明该模型无法解释 NANOGrav 15 年引力波信号。
2025-06-03 astro-ph.CO gr-qc
Bayesian Inference of Primordial Magnetic Field Parameters from CMB with Spherical Graph Neural Networks
Laboratorio de Inteligencia Artificial (SavIA Lab), Grupo Signos, Departamento de Matemáticas, Universidad El Bosque（人工智能实验室（SavIA实验室）、Signos小组、数学系、埃尔博斯克大学）
本文提出基于球面图神经网络的贝叶斯框架，用于从CMB地图中准确估计原始磁场参数并量化不确定性。
2025-10-23 astro-ph.CO cs.AI cs.LG
Bayesian evidence and predictivity of the inflationary paradigm
在本文中，我们考虑范式评估的问题，通过应用贝叶斯定理沿着以下嵌套的层次结构逐渐变得更加复杂：i）参数估计（在一个模型内），ii）模型选择和比较（在一个范式内），iii）范式评估。在这样的层次结构中，贝叶斯证据既作为给定级别的后验标准化，又作为下一级别的似然函数。虽然没有提出异议的标准应用程序在两个最低的水平，我们认为，它应该得到相当大的修改时，评估范式，当可测试性和拟合数据是同样重要的。通过考虑玩具模型，我们说明了如何模型和范式，难以证伪总是有利于贝叶斯因素。我们认为，一个范例的证据不仅应该是高的一个给定的数据集，但例外的关于它本来是什么，数据是不同的。有了这个动机，我们提出了一个措施，我们长期的预测性，以及之前被纳入贝叶斯框架，惩罚unpredictivity不拟合数据。我们将这一测量应用于整体上的暴胀，以及一个特定的暴胀模型被假设为唯一可行的宇宙学信息（例如太阳系引力实验或粒子物理输入）的结果。我们的结论是，宇宙暴胀目前很难证伪，但这可能会改变外部/额外的信息，宇宙学选择它的许多模型之一。我们还将这种情况与双度规变化光速宇宙学进行了比较。
2016-06-01 astro-ph.CO gr-qc hep-ph
