🔭 astrophysics

Selection effects in correlated observations with application to distance-ladder observations

이 논문은 상관관계가 있는 관측량에서의 선택 편향에 대한 베이지안 우도(Bayesian likelihood)를 도출하고 이를 세페이드 변광성 데이터에 적용하여, 이러한 모델링되지 않은 효과가 허블 텐션에 유의미하게 기여한다는 증거는 미약하지만 거리 사전 확률(distance priors)에 따라 추론된 허블 상수를 부분적으로 낮출 수 있음을 찾아냈다.

원저자: Will J. Percival (Waterloo Centre for Astrophysics, University of Waterloo)

게시일 2026-07-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Will J. Percival (Waterloo Centre for Astrophysics, University of Waterloo)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

우주의 크기를 측정하려고 한다고 상상해 보십시오. 이를 위해 천문학자들은 우주의 '사다리'를 사용합니다. 이 사다리의 첫 번째 칸은 근처 별들의 시차(지구가 태양을 공전함에 따라 별의 위치가 변하는 것을 관찰하는 것)를 이용해 거리를 측정하는 것입니다. 그다음 칸은 세페이드 변광기라고 불리는 특별한 맥동 항성입니다. 이 별들은 마치 우주의 등대와 같습니다. 맥동 속도가 느릴수록 실제로 더 밝습니다. 이 별들이 얼마나 빨리 맥동하는지와 지구에서 보기에 얼마나 밝은지를 측정함으로써, 천문학자들은 그 거리를 계산할 수 있습니다. 일단 이 별들이 존재하는 은하 내의 Ia형 초신성까지의 거리를 알게 되면, 그 초신성들을 훨씬 더 밝은 등대로 사용하여 광활한 우주 너머의 거리를 측정할 수 있습니다. 이러한 거리 측정값들을 은하들이 우리로부터 얼마나 빨리 멀어지는지와 결합하면, 과학자들은 현재 우주의 팽창률을 알려주는 허블 상수( $H_0$ )를 계산할 수 있습니다.

여기 문제가 있습니다. 모두가 이 팽창률의 정확한 수치를 알고 싶어 합니다. 하지만 끈질긴 의견 차이가 존재합니다. 초기 우주(우주 배경 복사)를 관찰하여 얻은 측정값은 한 가지 답을 제시하는 반면, 이 우주 사다리를 사용한 측정값은 약간 더 빠른 다른 답을 제시합니다. 이 불일치를 '허블 텐션(Hubble tension)'이라고 부릅니다. 이는 마치 두 명의 매우 똑똑한 친구가 같은 방을 측정하면서 서로 다른 자를 사용하여 서로 다른 결과를 얻는 것과 같습니다. 수년 동안 과학자들은 한쪽의 자가 고장 난 것인지, 아니면 숫자를 읽는 방식에 숨겨진 트릭이 있는 것인지 궁금해해 왔습니다 가령, 선택 편향(selection bias)이 주요 우려 사항 중 하나입니다. 이는 당신이 어떤 별들을 연구할지 결정하는 방식이 의도치 않게 결과에 왜곡을 줄 때 발생합니다. 예를 들어, 군중 속에서 가장 밝은 별들만 골라 본다면, 당신은 실제 평균적인 사람보다 평균 키가 더 크다고 생각할 수도 있습니다.

이 논문은 매우 구체적인 질문을 던집니다. "미묘하고 숨겨진 선택 편향이 세페이드 별의 측정값을 망치고 있을 수 있는가?" 특히 저자는 별들이 가시광선에서 보기 쉬운지 여부에 따라 '선택'되지만, 그 밝기는 적외선에서 측정되는 시나리오를 조사합니다. 가시광선과 적외선 모두에서 배경 '노이즈'가 서로 연관되어 있기 때문에, 가시광선에서 보기 쉬운 별을 고르는 행위가 의도치 않게 적외선에서도 약간 다르게 보이도록 만들어 아주 미세하고 체계적인 오류를 생성할 수 있다는 것입니다. 이 논문은 이러한 특정 유형의 편향이 데이터에 실제로 존재하는지, 그리고 존재한다면 계산된 우주 팽창률을 얼마나 변화시키는지 확인하기 위해 통계 모델을 구축합니다.

저자 윌 J. 퍼시벌(Will J. Percival)은 먼저 이 '상관된 선택(correlated selection)'이 정확히 어떻게 작동하는지 설명하는 수학적 모델을 만드는 것으로 시작합니다. 당신이 바구니에 담긴 사과를 무게를 재려고 하는데, 희미한 조명 아래서도 충분히 잘 보이는 반짝이는 사과들만 골라야 한다고 상상해 보십시오. 만약 사과 껍질의 반짝임이 실제 무게와 관련이 있다면, 당신의 선택 과정은 의도치 않게 더 무겁거나 가벼운 사과를 선호하게 되어, 나중에 완벽하게 무게를 재더라도 평균 무게 계산을 왜곡할 수 있습니다. 논문은 이를 교정하기 위한 공식을 유도하며, 선택이 무작위로 보이는 것처럼 보일지라도 변수들이 서로 연결되어 있다면 평균 결과값을 이동시킬 수 있음을 보여줍니다.

저자가 최근의 허블 상수 측정에 사용된 실제 데이터에 이 모델을 적용했을 때, 결과는 "아마도"와 "상황에 따라 다르다"가 섞여 있었습니다. 연구 결과, 이러한 특정 유형의 선택 편향이 실제로 일어나고 있다는 증거는 매우 약한 것으로 나타났습니다. 통계적 유의성은 1.2σ에서 1.9σ 사이를 맴돌며 낮았습니다. 과학의 언어로 표현하자면, 이는 소음이 심한 방 안에서 들리는 희미한 속삭임과 같습니다. 무언가 존재할 수도 있다는 암시는 주지만, 그것이 존재를 확증하는 외침은 아닙니다. 즉, 데이터는 이 편향이 허블 텐션의 원인임을 입증하지 못했습니다.

하지만 이 논문은 매우 흥-미로운 질문을 던집니다. "만약 우리가 이 편향이 존재한다고 '가정'하고 그래도 교정을 수행한다면 어떻게 될까?" 저자가 이 잠재적 편향을 고려하여 모델에 교정 계수를 추가했을 때, 계산된 허블 상수의 값은 떨어졌습니다. 별들이 공간에 분포하는 방식(사전 확률, prior)에 대한 가정에 따라, 팽창률은 0.7 km s⁻¹ Mpc⁻¹에서 1.1 km s⁻¹ Mpc⁻¹만큼 감소합니다. 만약 저자가 모든 은하마다 서로 다른 교정 값을 허용한다면 그 하락 폭은 더 커질 수 있지만, 이는 초기 가정에 매우 민감하게 반응하게 됩니다.

이 논문은 이러한 선택 효과가 허블 텐션의 '유일한' 해결책이라는 생각을 명시적으로 배제합니다. 이 효과가 일으키는 변화는 실재하지만, 우주 팽창에 대한 서로 다른 측정값 사이의 간극을 완전히 메우기에는 너무 작습니다. 저자는 이 특정 편향이 주요 악당은 아닐지라도, 더 큰 퍼즐의 한 조각이 될 수 있다고 결론짓습니다. 또한 별들이 위치한 곳에 대한 수학적 가정(사전 확률)의 선택이 선택 편향 자체보다 최종 답변에 더 큰 영향을 미칠 수 있다는 점을 강조합니다.

결국, 이 논문은 허블 텐션의 미스터리를 해결하지는 못했지만, 탐정 작업에 사용할 수 있는 새로운 도구를 제공했습니다. 이는 설령 편향의 존재를 증명할 수 없더라도, 만약 존재한다면 우리의 답을 얼마나 변화시킬 것인지를 여전히 점검해야 함을 보여줍니다. 저자는 제임스 웹 우주 망원경(JWJWST)을 통한 향후 관측이 이러한 아이디어들을 테스트하는 데 도움이 될 것이라고 제안합니다. JWST는 이 별들을 훨씬 더 정밀하게 볼 수 있기 때문입니다. 만약 편향이 실재한다면, 더 나은 측정값들이 그 효과를 줄여줄 것입니다. 현재로서는 허블 텐션은 여전히 까다로운 수수께끼로 남아 있지만, 이 논문은 진행 중인 우주적 논쟁에 새롭고 조금 더 신중한 관점을 더해주었습니다.

기술 요약: 상관된 관측에서의 선택 효과와 거리 사다리 관측에 대한 적용

문제 정의
천문학적 추론은 흔히 선택 편향(selection biases)에 의해 복잡해지는데, 이는 검출된 대상의 표본이 기저 인구(underlying population)를 대표하는 부분 집합이 아닐 때 발생한다. 표준적인 선택 효과(예: 말름퀴스트 편향)가 측정된 양 자체에 직접 작용할 때 발생하는 것과 달리, 본 논문은 더 미묘한 부류의 편향을 다룬다. 즉, 하나의 관측량( $x$ )을 사용하여 대상을 선택했지만, 서로 상관된 다른 관측량( $y$ )을 사용하여 분석할 때 발생하는 선택 효과이다. 이러한 시나리오는 허블 상수( $H_0$ )의 거리 사다리 측정, 구체적으로 SH0ES 프로젝트에서 빈번하게 나타난다. 이 측정에서 세페이드 변광성은 주기적 변광성을 식별하기 위해 가시광 파장 관측을 기반으로 선택되지만, 소광(extinction) 및 금속성 효과를 최소화하기 위해 근적외선(NIR)에서 그 밝기(magnitude)가 측정된다. 배경 혼잡도(background crowding)와 노이즈는 두 밴드 모두에 영향을 미치므로, 선택 관측량과 측정 관측량은 서로 상관되어 있다. 만약 이 상관관계를 모델링하지 않는다면, 이는 측정된 밝기의 평균에 체계적인 편차를 유도하여 추론된 거리 척도와 $H_0$ 에 편향을 일으킬 수 있다.

방법론
저자는 이러한 효과를 모델링하고 교정하기 위해 베이지안 맥락 내에서 통계적 프레임워크를 개발한다.

이론적 유도: 본 논문은 상관된 변수 $x$ 가 절단(truncated, 예: $x < x_{\text{lim}}$ )되었을 때 $y$ 에 대한 우도 함수(likelihood function)를 유도한다. 참값과 측정 오차가 이변량 정규 분포(bivariate Normal distribution)를 따른다고 가정할 때, 조건부 분포 $f(y | x < x_{\text{lim}})$ 를 도출한다. 분석 결과, 약한 상관관계 영역에서는 왜도(skewness)가 억제되어 형태가 근사적으로 정규 분포를 유지하지만, 평균은 상관 계수 $\rho$ 에 선형적으로 비례하며 선택 임계값에 의존하여 이동함을 보여준다.
세페이드에 대한 적용: 이 모델은 Riess 등(2022, R22)의 거리 사다리에 사용된 세페이드 데이터를 적용한다. 선택 교정은 각 세페이드의 독립적으로 측정된 광도 불확실성( $\sigma_j$ )에 따라 스케일링되도록 매개변수화되었는데, 이는 선택 편향이 더 어둡거나 노이즈가 많은 검출에서 더 두드러질 것이라는 기대를 반영한다.
베이지안 구현: 연구는 $H_0$ $H_{0}$ 와 선택 효과를 기술하는 섭동 매개변수(nuisance parameters)를 동시에 추론하는 결합 베이지안 분석을 수행한다. 선택 교정을 위한 세 가지 매개변수화 방식을 테스트하였다:
- 개별(Individual): 각 호스트 은하마다 고유한 교정 매개변수 부여.
- 계층적(Hierarchical): 공유된 정규 분포에서 추출된 교정 매개변수 사용.
- 공유(Shared): 모든 호스트에 대해 단일한 전역 교정 매개변수 사용.
사전 확률 민감도(Prior Sensitivity): 연구는 거리 변수(distance modulus)에 대한 사전 확률 선택의 영향을 엄격히 테스트한다. 거리 변수에 대해 균등한 사전 확률( $\text{uniform-}\mu$ )과, 부피 제한 표본 내 은하의 공간 밀도를 고려한 부피에 대해 균등한 사전 확률( $\text{uniform-}r^3$ )을 대조한다.
검증: 모델이 데이터를 과적합(overfit)하지 않는지, 그리고 선택 효과가 없는 상황에서 선택 매개변수의 포함이 인위적인 편향을 도입하지 않는지 확인하기 위해 사후 예측 검정(Posterior Predictive Tests, PPTs)을 사용하여 결과를 검증한다.

주요 결과

선택 효과의 증거: 데이터는 잔여 선택 교정이 0이 아님을 보여주는 약한 증거를 나타낸다. 채택된 거리 사전 확률에 따라, 0이 아닌 교정의 유의성은 $1.2\sigma$ 에서 $1.9\sigma$ 사이로 나타난다.
$H_0$ 에 미치는 영향:
- 사전 확률 민감도: 거리 변수에 대한 사전 확률을 $\text{uniform-in-distance-modulus}$ 에서 $\text{uniform-in-volume}$ ( $\text{uniform-}r^3$ )로 변경하면, 선택 교정 없이도 추론된 $H_0$ 가 약 $1.7 \text{ km s}^{-1} \text{ Mpc}^{-1}$ 감소한다.
- 선택 교정의 영향: 단일 공유 선택 교정 매개변수를 포함하면, $\text{uniform-}\mu$ 의 경우 $\Delta H_0 = -0.7 \text{ km s}^{-1} \text{ Mpc}^{-1}$ , $\text{uniform-}r^3$ 의 경우 $\Delta H_0 = -1.1 \text{ km s}^{-1} \text{ Mpc}^{-1}$ 만큼 $H_0$ 가 추가로 낮아진다.
- 결합 효과: $\text{uniform-}r^3$ 사전 확률과 공유 선택 교정을 결합하면, 추론된 $H_0$ 는 $69.8 \pm 1.2 \text{ km s}^{-1} \text{ Mpc}^{-1}$ 로 떨어진다.
- 과적합 위험: 각 호스트 은하에 대해 독립적인 선택 교정을 허용하면 $H_0$ 의 변화가 더욱 커지지만(예: $\text{uniform-}r^3$ 와 함께 사용 시 $66.04 \text{ km s}^{-1} \text{ Mpc}^{-1}$ ), 본 논문은 이 모델이 데이터를 과적합하며 사전 확률에 매우 민감하다고 지적하며, 단일 매개변수 모델을 보수적인 기준으로 삼는다.
사후 예측 검사: PPT는 관측된 밝기 분포와 적합도 통계량이 모델 가설과 일치함을 확인한다. 데이터는 선택 효과가 없다는 귀무 가설 하에 생성된 합성 실현(synthetic realizations)의 범위 내에 있으며, 이는 검출된 교정의 낮은 통계적 유의성과 일치한다.

의의 및 주장
본 논문은 새로운 선택 교정을 도입하는 것만으로는 "허블 텐션"(허블 상수와 CMB 측정치 사이의 불일치)을 자체적으로 설명할 수 없지만, 다각적인 해결책의 중요한 구성 요소가 될 수 있다고 주장한다. 연구는 다음을 입증한다:

상관된 관측량에서의 선택 효과는 표준적인 적합도 검사로는 쉽게 탐지되지 않는 평균 편차를 유도할 수 있지만, 우주론적 추론을 변화시킬 수 있다.
추론된 $H_0$ 값은 거리 매개변수에 대한 사전 확률의 선택과 선택 효과의 처리에 매우 민감하다.
거리 사전 확률과 선택 모델 사이의 결합은 비자명하다; 선택 불확실성을 주변화(marginalizing)함으로써 거리 사전 확률이 전역 적합(global fit)에 더 큰 영향력을 행사할 수 있게 한다.
향후 광도 정밀도의 향상(예: JWST의 외계 은하 세페이드 관측)은 이러한 선택 효과의 크기를 변화시켜, 추론된 교정에 대한 결정적인 시험을 제공할 것이다.

이 연구는 상관된 변수에 기반한 샘플 선택과 측정이 모두 이루어지는 모든 시나리오(세페이드를 넘어)에 적용 가능한, 상관된 관측량의 선택 효과를 베이지안 추론에 통합하기 위한 공식적인 통계적 프레임워크를 제공한다.

유사한 논문