Bayesian and frequentist perspectives agree on dynamical dark energy

Dichiarazione del Problema
Recenti analisi dei dati delle Oscillazioni Acustiche dei Barioni (BAO) provenienti dal Dark Energy Spectroscopic Instrument (DESI), quando combinati con i dati del Fondo Cosmico a Microonde (CMB), hanno indicato una deviazione dal modello standard della costante cosmologica ($\Lambda$), suggerendo l'esistenza di un'energia oscura dinamica (DE) descritta dalla parametrizzazione di Chevallier-Polarski-Linder (CPL) ($w_0, w_a$), escludendo $w = -1$ a circa $3\sigma$. Tuttavia, gli intervalli di credibilità bayesiana si basano su specifiche scelte di prior e sulla marginalizzazione dei parametri di disturbo (nuisance parameters). In modelli in cui i vincoli dei dati sono deboli o le funzioni di verosimiglianza (likelihood) deviano dalla gaussianità, gli "effetti di volume del prior" (prior-volume effects) possono influenzare significativamente i risultati. Mentre la collaborazione DESI ha quantificato le deviazioni utilizzando il metodo frequentista $\Delta\chi^2$, un confronto rigoroso tra gli intervalli di confidenza frequentisti e quelli di credibilità bayesiani per i parametri CPL non è stato ancora pienamente stabilito. Questo lavoro affronta se i vincoli frequentisti su $w_0$ e $w_a$ concordino con i rispettivi controparti bayesiani e indaga quali dataset guidino tali vincoli.

Metodologia
Gli autori impiegano un approccio frequentista basato sulle verosimiglianze profilate (profile likelihoods) per analizzare i parametri del modello CPL ($w_0, w_a$) e la densità di materia ($\Omega_m$).

• Dataset: L'analisi combina i dati BAO di DESI Data Release 2 (DR2) con gli spettri primari del CMB di Planck PR3 e gli spettri di lensing da Planck e dall'Atacama Cosmology Telescope (ACT). I dati delle Supernovae da Pantheon+ e Dark Energy Survey (DES) Year 5 (Y5) sono inoltre inclusi in varie combinazioni.
• Framework Statistico:
  • Bayesiano: Le distribuzioni a posteriori sono ottenute usando MontePython con prior piatti ($w_0 \in [-3, 1]$, $w_0+w_a \in [-5, 0]$).
  • Frequentista: Le verosimiglianze profilate sono calcolate utilizzando il codice pinc (minimizzazione tramite simulated annealing) interfacciato con MontePython. La verosimiglianza profilata per un parametro $\theta$ è definita massimizzando la verosimiglianza su tutti gli altri parametri di disturbo $\nu$ per un valore fissato di $\theta$. Gli intervalli di confidenza sono derivati tramite il metodo grafico dove $\Delta\chi^2 = 1$ (68%) e $\Delta\chi^2 = 4$ (95%).
• Modellazione: Le previsioni cosmologiche lineari sono generate utilizzando CLASS, con correzioni non lineari tramite HMCode. Le masse dei neutrini sono fissate al minimo consentito ($0.06$ eV) assumendo un'approssimazione di massa degenere.
• Decomposizione: Per identificare i driver dei vincoli, la $\chi^2$ totale viene decomposta in contributi dai singoli dataset (CMB, BAO, SNe) fissando $\Omega_m$ e massimizzando la verosimiglianza sugli altri parametri.

Contributi Chiave e Risultati

1. Accordo tra i Paradigmi Statistici: Il risultato principale è che i vincoli frequentisti sui parametri CPL $w_0$ e $w_a$ sono in eccellente accordo con i vincoli bayesiani.

   • Le medie delle distribuzioni a posteriori bayesiane e le stime di massima verosimiglianza (MLE) frequentiste concordano entro $0.2\sigma$ in tutte le combinazioni di dataset.
   • Le dimensioni degli intervalli di credibilità e di confidenza al 68% concordano entro l'8–9%.
   • Questo accordo suggerisce che gli effetti del volume del prior non stiano influenzando significativamente i risultati bayesiani in questo contesto, poiché le verosimiglianze sono sufficientemente vincolanti.

2. Risoluzione delle Discrepanze di $\Omega_m$:

   • Sotto il modello $\Lambda$CDM, i singoli dataset mostrano lievi inconsistenze interne riguardo al valore preferito della densità di materia $\Omega_m$ (ad esempio, DESI preferisce un $\Omega_m$ più basso $\sim 0.295$, mentre CMB preferisce un $\Omega_m$ più alto $\sim 0.315$). Forzare un fit combinato sotto $\Lambda$CDM produce un compromesso che aumenta la $\chi^2$ per i singoli dataset.
   • Assumendo il modello dinamico $w_0w_a$CDM, queste discrepanze scompaiono. I singoli dataset concordano su un valore centrale di $\Omega_m \sim 0.32$, sebbene con incertezze maggiori dovute ai due parametri aggiuntivi liberi. Ciò conferma che la preferenza per l'energia oscura dinamica deriva dalla capacità del modello di adattarsi simultaneamente alle divergenti preferenze di $\Omega_m$ dei diversi dataset.

3. Driver dei Vincoli:

   • I vincoli su $w_0$ e $w_a$ sono guidati principalmente dai dati BAO e dalle Supernovae, con il CMB che gioca un ruolo subdominante.
   • Il miglioramento del fit ($\Delta\chi^2$) rispetto a $\Lambda$CDM è più significativo quando si combinano i dati CMB, DESI e DES Y5 ($\Delta\chi^2 \approx -11$ per 2 gradi di libertà extra).

4. Equazione di Stato al Redshift Pivot:

   • Gli autori proiettano i vincoli sul redshift pivot $z_p$ e sull'equazione di stato $w_p$. Sia i metodi bayesiano che quello frequentista trovano $w_p \approx -1$.
   • Ciò indica che gli attuali dati sono più sensibili alla derivata dell'equazione di stato ($w_a \neq 0$) piuttosto che a un offset medio da $-1$. I modelli con il miglior fit suggeriscono una transizione da un regime "phantom" ($w < -1$) a basso redshift a un regime non-phantom intorno al redshift pivot.

Significatività
Il lavoro valida la robustezza delle scoperte precedenti riguardanti l'energia oscura dinamica, dimostrando che la preferenza per $w_0 > -1$ e $w_a < 0$ non è un artefatto della selezione del prior bayesiano o delle tecniche di marginalizzazione. L'analisi della verosimiglianza profilata frequentista corrobora i risultati bayesiani, confermando che la tensione tra i dataset (specificamente riguardo a $\Omega_m$) è risolta permettendo un'energia oscura dinamica. Gli autori concludono che, sebbene l'evidenza metta in discussione il modello $\Lambda$CDM, i dati rimangono più sensibili all'evoluzione dell'equazione di stato dell'energia oscura che a una deviazione statica dalla costante cosmologica. Saranno necessari dati futuri per determinare se questa sfida al modello standard persisterà.