Compensator-based inference for signal detection under unknown background: the binned data case

Sintesi Tecnica: Inferenza basata sul compensatore per la rilevazione di segnali sotto un fondo ignoto (Caso di dati discretizzati/binati)

Enunciato del Problema
Il documento affronta la sfida statistica della rilevazione di un segnale in presenza di un fondo ignoto, uno scenario onnipresente negli esperimenti di fisica moderna e astronomia (ad esempio, fisica delle particelle, astronomia gamma). I dati sono modellati come conteggi di Poisson osservati su una griglia $d$-dimensionale di $k$ iperrettangoli disgiunti (bin). Il conteggio atteso in ogni bin $i$ è dato da $E[n_i] = T f_i$, dove la densità $f$ è una miscela di una componente di segnale nota $f_s$ e di una componente di fondo ignota $f_b$:
$$f(x, \eta) = (1 - \eta)f_b(x) + \eta f_s(x)$$
Qui, $\eta \in [0, 1)$ rappresenta l'intensità relativa del segnale ignota da inferire. L'obiettivo primario è testare l'ipotesi nulla $H_0: \eta = 0$ contro $H_1: \eta > 0$.

Un vincolo critico è il regime asintotico in cui sia il conteggio totale $T$ che il numero di bin $k$ tendono all'infinito tali che $T/k \to c \in (0, \infty)$. In questo regime, i conteggi rimangono Poissoniani e non convergono a un limite Gaussiano, rendendo invalide le standard approssimazioni Gaussiane. Inoltre, la densità di fondo $f_b$ è ignota. Gli approcci tradizionali spesso si affidano a un campione etichettato "solo fondo" per stimare $f_b$, ma questi metodi spesso falliscono nel tenere conto dell'incertezza nella stima del fondo, potenzialmente compromettendo la validità dell'inferenza.

Metodologia
Gli autori estendono il framework dell' "inferenza basata sul compensatore", precedentemente sviluppato per dati indipendenti e identicamente distribuiti (i.i.d.), al caso di dati Poissoniani discretizzati (binned). Il nucleo della metodologia prevede:

1. Espansione Ortonormale e il Compensatore:
   Il metodo postula una densità di fondo $g$ (che può differire dal vero $f_b$) e costruisce una base ortonormale in $L^2(G)$. La modellizzazione del segnale è collegata al fondo tramite una funzione di punteggio (score function) $S^\dagger$. La densità di fondo ignota $f_b$ viene espansa in questa base, introducendo un parametro $\delta = E_{F_b}[S^\dagger(X)]$. Questo parametro $\delta$ è definito il compensatore. Esso quantifica la deviazione tra il fondo postulato $g$ e il vero fondo $f_b$.
   Il parametro target $\eta$ è correlato a un parametro identificabile $\theta$ (la proiezione della miscela sulla direzione del segnale) tramite l'equazione:
   $$\eta = \frac{\theta - \delta}{\|S\|_G - \delta}$$
   Fondamentalmente, se è disponibile un campione etichettato di solo fondo, $\delta$ può essere stimato in modo consistente, permettendo un'inferenza valida su $\eta$ senza dover specificare o stimare completamente la complessa densità $f_b$.

2. Inferenza con Dati di Fondo Etichettati:
   Quando è disponibile un campione etichettato di solo fondo $\{m_i\}$, gli autori derivano stimatori asintoticamente normali per $\theta$ e $\delta$.

   • Fondo Postulato Fisso: Se $g$ è completamente specificato, la statistica del test $\mathcal{Z}_1$ segue una distribuzione normale standard asintoticamente.
   • Fondo Postulato Parametrico: Se $g$ dipende da parametri ignoti $\beta$ (stimati tramite Massima Verosimiglianza sul campione di fondo), viene proposto un test statistico modificato $\mathcal{Z}_2$. Questa statistica tiene conto dell'ulteriore incertezza introdotta dalla stima di $\beta$.
     Il framework dimostra che la scelta del fondo postulato $g$ ha un impatto trascurabile sull'inferenza, a patto che il compensatore $\delta$ sia stimato efficientemente.

3. Inferenza Senza Dati di Fondo Etichettati (Bump Hunting):
   In scenari in cui non esiste un campione di solo fondo etichettato, $\delta$ non è stimabile. Tuttavia, sotto specifiche condizioni comuni nel "bump hunting" (ricerca di un segnale localizzato su un fondo che decade dolcemente), si può dimostrare che $\delta \leq 0$.

   • Gli autori propongono una strategia di inferenza conservativa testando $\theta_0 = \theta / \|S\|_G$ invece di $\eta$. Poiché $\delta \leq 0$, segue che $\theta_0 \leq \eta$. Pertanto, il rifiuto di $H_0: \theta_0 = 0$ fornisce una rilevazione del segnale valida, sebbene conservativa.
   • Per garantire la condizione $\delta \leq 0$, gli autori suggeriscono un'analisi di sensibilità utilizzando un fondo postulato flessibile $g_\beta$ che include un "termine dominante" (una miscela di Gaussiane) sopra la regione del segnale. Verificando visivamente o analiticamente che questo termine dominante delimita il vero fondo nella regione del segnale, è possibile giustificare la natura conservativa del test.

Contributi Chiave

• Estensione ai Dati Discretizzati (Binned Data): Il documento generalizza l'approccio dell'inferenza basata sul compensatore dai dati i.i.d. continui al regime dei dati Poissoniani discretizzati, che è lo standard per le moderne osservazioni di fisica ed astronomia.
• Robustezza alla Misspecificazione del Modello: La metodologia gestisce esplicitamente il caso in cui il modello di fondo postulato sia errato (misspecified). Il compensatore $\delta$ assorbe la discrepanza tra il fondo assunto e quello reale, garantendo la validità dell'inferenza senza richiedere un modello perfetto di $f_b$.
• Inferenza Conservativa Senza Campioni di Controllo: Il documento fornisce un framework rigoroso per la rilevazione di segnali quando non sono disponibili dati di fondo etichettati, facendo affidamento su assunzioni strutturali sulla localizzazione del segnale e sulla regolarità (smoothness) del fondo per derivare limiti conservativi.

Risultati
La metodologia è validata attraverso un caso di studio utilizzando dati simulati dal Fermi Large Area Telescope (LAT), composti da spettri di energia gamma.

• Scenario con Dati Etichettati: Gli autori hanno analizzato i dati con $k=30, 50, 100$ bin utilizzando quattro diversi modelli di fondo postulato (uniforme, esponenziale a tasso fisso, esponenziale a tasso stimato, e Gaussiana a varianza stimata). I risultati hanno mostrato che, nonostante le significative differenze nella forma dei fondi postulati rispetto al vero fondo, l'intensità del segnale stimata $\hat{\eta}$ e i relativi $p$-value sono altamente coerenti (ottenendo tutti $p$-value nell'ordine di $10^{-6}$ a $10^{-7}$). Ciò conferma la robustezza dell'approccio del compensatore rispetto alla scelta del fondo di proposta.
• Scenario senza Dati Etichettati: In assenza di un campione di solo fondo, gli autori hanno applicato il test conservativo utilizzando un fondo parametrico con un termine dominante. Variando il peso $\lambda$ del termine dominante, hanno dimostrato che il test produce risultati significativi (ad esempio, $p \approx 7.11 \times 10^{-7}$ per $\lambda=0.03$) mantenendo al contempo la validità. L'aumento di $\lambda$ rendeva il test più conservativo (minore intensità stimata, $p$-value più alto), illustrando il compromesso tra sensibilità e la garanzia di conservatività.

Significato e Rivendicazioni
Il documento sostiene di ampliare l'ambito dell'inferenza basata sul compensatore al contesto pratico dei dati discretizzati, un requisito comune in fisica e astronomia. Il significato primario risiede nella sua capacità di aggirare la necessità di una stima precisa della densità di fondo ignota, un compito spesso difficile e incline a introdurre bias se le incertezze vengono ignorate.
Gli autori sottolineano che l'approccio offre un "cambio di prospettiva" in cui la conservatività inferenziale è determinata da un singolo parametro (il compensatore). Essi affermano che il loro framework rimane valido anche quando il fondo postulato è lontano dalla realtà, a patto che il compensatore sia stimato (nel caso etichettato) o limitato (nel caso non etichettato). I risultati suggeriscono che, per la rilevazione di segnali, la scelta specifica del modello di fondo è meno critica della corretta gestione del compensatore, rendendo il metodo uno strumento robusto per il "bump hunting" in ambienti sperimentali complessi.