The subtle statistics of the distance ladder: On the distance prior and selection effects

Resumen Técnico: La estadística sutil de la escalera de distancias: Sobre el prior de distancia y los efectos de selección

Planteamiento del problema
La cosmología moderna se enfrenta a la "tensión de Hubble", una discrepancia significativa ($\gtrsim 5\sigma$) entre la constante de Hubble ($H_0$) inferida de la escalera de distancias local y la derivada de la radiación de fondo de microondas (CMB) bajo el modelo $\Lambda$CDM. Aunque a menudo se escrutan los errores sistemáticos en los indicadores de distancia, la metodología estadística subyacente en los análisis de la escalera de distancias —específicamente la elección de los priors sobre los parámetros de distancia latentes y el modelado de los efectos de selección— rara vez se considera un contribuyente significativo a esta tensión. Este artículo sostiene que un modelado estadístico inapropiado en estas áreas introduce sesgos apreciables en la $H_0$ inferida.

Metodología
Los autores emplean una combinación de derivaciones analíticas, simulaciones de datos ficticios (mock data) y reanálisis de conjuntos de datos reales para investigar dos problemas estadísticos distintos:

1. El efecto del prior de distancia: Las distancias son parámetros latentes inferidos a partir de observables (por ejemplo, magnitud aparente y corrimiento al rojo). Los autores demuestran que, debido a que los objetos están intrínsecamente distribuidos uniformemente en un volumen tridimensional, el prior correcto para la distancia $r$ debe escalar como $\pi(r) \propto r^2$ (el "prior de volumen"). Muchos análisis actuales asumen implícitamente un prior plano sobre el módulo de distancia $\mu$ (donde $\mu \propto \ln r$), lo cual corresponde a $\pi(r) \propto 1/r$.

   • Enfoque analítico: Los autores derivan el desplazamiento en la estimación de máxima a posteriori (MAP) de $H_0$ resultante de diferentes exponentes de prior $k$ (donde $\pi(r) \propto r^k$) en un modelo directo (forward model) bayesiano simplificado. Demuestran que, para una muestra limitada por volumen con incertidumbre de corrimiento al rojo insignificante, el sesgo en $\ln H_0$ es proporcional a la diferencia en el exponente del prior $\Delta k$.
   • Simulación: Las simulaciones de Monte Carlo por cadenas de Markov (MCMC) utilizando datos ficticios confirman que un prior uniforme en volumen ($k=2$) produce un $H_0$ insesgado, mientras que un prior uniforme en $\mu$ ($k=-1$) produce un sesgo significativo hacia distancias menores y una $H_0$ más alta.

2. Efectos de selección: Los autores analizan cómo los criterios de selección (limitados por volumen, por corrimiento al rojo y por magnitud) interactúan con el prior de distancia dentro de un marco bayesiano.

   • Derivan los factores de corrección necesarios para la distribución posterior basada en la probabilidad de que un objeto entre en la muestra.
   • Comparan estos resultados de modelado directo bayesiano con estimadores $\chi^2$ frecuentistas, que tratan las distancias como funciones deterministas del corrimiento al rojo y carecen de un mecanismo de prior explícito.

Contribuciones clave y resultados

• Cuantificación del sesgo del prior: El estudio cuantifica que utilizar un prior plano en el módulo de distancia (común en análisis bayesianos) en lugar de un prior de volumen sesga la $H_0$ hacia valores altos. Para una muestra con una incertidumbre de magnitud $\sigma_m = 0.1$ mag y $N=2000$ galaxias, el desplazamiento entre un prior de $\mu$ plano y un prior de volumen corresponde a un sesgo de $6.2\sigma$.
• Interacción con la selección:
  • Selección por corrimiento al rojo: En el límite de incertidumbre de corrimiento al rojo insignificante ($\sigma_z \to 0$), un factor de selección de corrimiento al rojo ($H_0^{3N}$) cancela exactamente el efecto del prior de volumen si se utiliza un prior plano de $\mu$. Esto crea una "cancelación fortuita" donde un prior no físico produce un resultado insesgado, pero solo bajo condiciones específicas.
  • Selección por magnitud: Para muestras limitadas por magnitud, el factor de selección no cancela el prior incorrecto, lo que conduce a un sesgo significativo a menos que se aplique correctamente el prior de volumen.
  • $\chi^2$ frecuentista: Los autores muestran que los métodos frecuentistas son insesgados para muestras limitadas por volumen solo si $\sigma_z \to 0$. Cuando $\sigma_z > 0$, la propagación de errores lineales introduce sesgos que dependen del signo del término de corrección.
• Estudio de caso I: CosmicFlows-4 (CF4):
  • Reanalizando el subconjunto de Tully-Fisher de CF4, los autores encuentran que el análisis estándar (equivalente a un prior de $\mu$ plano) produce una $H_0 \approx 75.1$ km s$^{-1}$ Mpc$^{-1}$.
  • Imponer el correcto prior de volumen ($k=2$) desplaza el resultado a $H_0 \approx 66.9$ km s$^{-1}$ Mpc$^{-1}$, un desplazamiento dramático de $\approx 55\sigma$.
  • Los autores señalan que este desplazamiento es ilustrativo; el valor real probablemente se encuentra entre los límites de volumen y de selección por corrimiento al rojo, dependiendo de la función de selección real y compleja de la compilación de CF4, la cual no es totalmente homogénea.
• Estudio de caso II: SH0ES:
  • Aplicar la corrección del prior de volumen al flujo de trabajo de SH0ES (que utiliza un enfoque frecuentista con correcciones de sesgo basadas en simulaciones) sugiere un desplazamiento de $\approx 1.7\sigma$ hacia una $H_0$ más baja (de $73.04$a$\approx 71.3$ km s$^{-1}$ Mpc$^{-1}$).
  • Los autores argumentan que las correcciones de sesgo existentes en el flujo de trabajo de SH0ES, basadas en simulaciones, probablemente ya contemplan estos efectos, lo que implica que el resultado nominal de SH0ES podría ser ya insesgado, siempre que las simulaciones modelen con precisión tanto la distribución intrínseca de la fuente como los cortes de selección.

Significancia y afirmaciones
El artículo afirma que la metodología estadística de los estudios de la escalera de distancias es un componente crítico y a menudo pasado por alto de la tensión de Hubble. La principal significancia radica en demostrar que:

1. La inferencia insesgada requiere priors físicos: En análisis bayesianos, asumir un prior plano en el módulo de distancia es físicamente incorrecto para un universo distribuido en volumen y conduce a estimaciones sesgadas de $H_0$, a menos que se cumplan condiciones de selección específicas y a menudo irreales.
2. El modelado de la selección no es trivial: Los efectos de selección no simplemente "corrigen" el prior de volumen; introducen factores distintos en la distribución posterior. Un enfoque principista requiere un modelo generativo que dé cuenta tanto de la distribución de volumen intrínseca como de la función de selección específica.
3. Limitaciones actuales: Muchos análisis de vanguardia (tanto frecuentistas como bayesianos) omiten el prior de volumen o tratan los efectos de selección de manera inadecuada. Aunque las correcciones basadas en simulaciones (como las usadas en SH0ES) pueden mitigar estos sesgos, estas dependen de la precisión de los modelos de simulación subyacentes.
4. Requisitos futuros: Para lograr restricciones precisas, los futuros sondeos deben priorizar muestras con criterios de selección conocidos y homogéneos. Esto permite la implementación de modelos directos bayesianos con principios o correcciones post-hoc precisas basadas en simulaciones.

Los autores concligen que sin un modelado preciso tanto de las distancias (vía el correcto prior de volumen) como de los efectos de selección, los parámetros cosmológicos inferidos como $H_0$ y las velocidades peculiares pueden sufrir sesgos sistemáticos que escalan con el tamaño de la muestra, potencialmente exacerbando u ocultando la tensión de Hubble.