Precision spectral estimation at sub-Hz frequencies: closed-form posteriors and Bayesian noise projection

Titel: Precieze spectrale schatting in het sub-Hz-bereik: gesloten-posteriors en Bayesiaanse ruisprojectie

Auteurs: Lorenzo Sala en Stefano Vitale
Context: Analyse van data van de LISA Pathfinder-missie en voorbereiding voor LISA.

---

1. Het Probleem

In de spectroscopische analyse van multivariate tijdsreeksen (bijvoorbeeld voor ruischaracterisatie in gravitatiegolfdetectoren zoals LISA Pathfinder) wordt standaard de methode van Welch gebruikt. Deze methode deelt de data op in $M$ segmenten om periodogrammen te berekenen en deze te middelen.

• De beperking: Bij zeer lage frequenties (sub-Hz tot $\mu$Hz) zijn de observatietijden lang, maar het aantal beschikbare onafhankelijke segmenten ($M$) vaak zeer klein, soms zelfs $M=1$.
• Het gevolg: De frequentistische benadering, die vertrouwt op het centrale limiettheorema om Gaussische statistieken aan te nemen, faalt bij kleine $M$. Dit leidt tot onnauwkeurige onzekerheidsintervallen en paradoxe resultaten (zoals een niet-verwaarloosbare kans op negatieve spectrale dichtheden).
• De noodzaak: Er is een methode nodig die ook geldig is wanneer $M$ klein is en de verdeling sterk afwijkt van een Gaussische verdeling, zonder de aannames van de frequentistische statistiek.

2. Methodologie

De auteurs presenteren een volledig Bayesiaans raamwerk voor het schatten van spectrale grootheden, gebaseerd op de complexe Wishart-verdeling.

A. Fundamentele Aannames en Likelihood

• De data worden gemodelleerd als stationaire, Gaussische, nul-middelpunt-stochastische processen.
• De schatter voor de kruisspectrale dichtheidsmatrix (CPSD) is het gemiddelde periodogram $\Pi$, berekend over $M$ segmenten.
• De gezamenlijke verdeling van de elementen van de matrix $W = M\Pi$, gegeven de theoretische CPSD-matrix $\Sigma$, volgt een complexe Wishart-verdeling ($CW(\Sigma, M)$).
• Voor $M < p$ (waarbij $p$ het aantal kanalen is) is de matrix niet positief definiet, wat de frequentistische methode onbruikbaar maakt, maar de Bayesiaanse benadering blijft wel gedefinieerd.

B. Priori-verdelingen en Posteriors

De kern van de methode ligt in het kiezen van de juiste niet-informatieve prior voor de onbekende parameters:

1. Enkele PSD ($p=1$): De auteurs vergelijken verschillende priors (uniform, $1/S$, $1/S^2$). Ze concluderen dat de Jeffreys-prior ($p(S) \propto 1/S$) de voorkeur verdient omdat deze onbevooroordeeld is, invariant is onder herschaling, en een gesloten posterior oplevert die zelfs voor $M=1$ gedefinieerd is. De posterior voor de PSD $S$ is een Inverse Gamma-verdeling: $S|\Pi \sim \text{inv}\Gamma(M, M\Pi)$.
2. Volledige CPSD-matrix ($p>1$): Voor de inferentie van de volledige matrix $\Sigma$ wordt een prior voorgesteld die consistent is met de univariate gevallen: $p(\Sigma) \propto |\Sigma|^{-2p+1}$. Dit leidt tot een posterior die een complexe inverse Wishart-verdeling is: $\Sigma|W \sim CW^{-1}(W, M+p-1)$.
3. Coherentie: Er worden gesloten vormen afgeleid voor de posterior van de magnitude-squared coherentie (MSC) en de meervoudige coherentie ($R^2$), waarbij rekening wordt gehouden met de sterke vertekening (bias) van de steekproefverdeling bij kleine $M$.

C. Ruisprojectie en Decorrelatie

Een belangrijk deel van het artikel behandelt het probleem van "noise projection": het modelleren van een hoofdtijdsreeks $x(t)$ als een lineaire combinatie van gefilterde versies van storingsreeksen $y_i(t)$ plus een residu $x_0(t)$ (achtergrondruis).

• Model: $x(t) = x_0(t) + \sum \alpha_i * y_i(t)$, waarbij $\alpha_i$ de susceptibiliteiten (overdrachtsfuncties) zijn.
• Bayesiaanse Inferentie: De auteurs leiden gesloten vormen af voor de posteriors van:
  • De PSD van het residu ($S_{x_0x_0}$).
  • De susceptibiliteiten ($\alpha$).
• Resultaat: De posterior voor het residu volgt een Inverse Gamma-verdeling, en de posterior voor de susceptibiliteiten volgt een multivariate complexe Student-t-verdeling. Dit is cruciaal omdat de Student-t-verdeling zwaardere staarten heeft dan de Gaussische verdeling, wat de onzekerheid bij kleine steekproeven correct weergeeft.
• Readout Noise: Het artikel analyseert ook het effect van meetruis in de storingskanalen en toont aan dat de methode dan een bovengrens geeft voor het residu en de susceptibiliteit onderschat.

3. Belangrijkste Bijdragen

1. Gesloten-formule posteriors: Voor het eerst worden exacte, gesloten formules afgeleid voor de posteriors van PSD's, CPSD-matrices, coherentie en susceptibiliteiten in het regime van kleine $M$ (niet-Gaussisch).
2. Correctie van Bias: De methode corrigeert systematisch de vertekening die optreedt bij het gebruik van frequentistische middeling bij kleine steekproefgroottes.
3. Robuuste Decorrelatie: Een Bayesiaanse methode voor het verwijderen van gekoppelde ruis (bijv. temperatuurinvloeden) uit meetdata, inclusief de onzekerheidskwantificatie van de gekoppelde parameters.
4. Toepasbaarheid bij $M=1$: De methode is geldig zelfs wanneer er maar één periodogram beschikbaar is, wat essentieel is voor ultra-lage frequentie-analyses.

4. Resultaten en Validatie

De auteurs valideren de methode op twee manieren:

• Numerieke Simulaties:
  • Ze genereren synthetische data met bekende correlaties en ruisniveaus.
  • De resultaten tonen aan dat de Bayesiaanse schatters onbevooroordeeld zijn en dat de berekende geloofwaardigheidsintervallen (credible intervals) de waarheid correct bevatten, in tegenstelling tot frequentistische methoden die de waarheid vaak missen bij kleine $M$.
  • De methode slaagt erin om een residu te extraheren dat meerdere ordes van grootte kleiner is dan de gestoorde componenten.
• Toepassing op LISA Pathfinder Data:
  • De methode wordt toegepast op 18,5 dagen aan data van de LISA Pathfinder-missie.
  • Doel: Het decorrelateren van versnellingsruis veroorzaakt door temperatuurschommelingen.
  • Uitkomst: Bij frequenties in de $\mu$Hz-bereik (waar $M$ zeer klein is, soms 2) blijkt de decorrelatie zeer effectief. De methode levert een betrouwbare schatting van de koppelingscoëfficiënt (susceptibiliteit) tussen temperatuur en versnelling, en toont aan dat het imaginaire deel consistent is met nul.

5. Betekenis en Conclusie

Deze paper biedt een fundamentele verbetering in de spectrale analyse voor toepassingen waar lange meettijden nodig zijn maar het aantal onafhankelijke steekproeven beperkt blijft.

• Voor LISA en LISA Pathfinder: Het stelt onderzoekers in staat om ruisbronnen op sub-Hz frequenties met hoge precisie te karakteriseren en te verwijderen, wat cruciaal is voor de gevoeligheid van toekomstige ruimtewetenschappelijke missies.
• Algemene Statistiek: Het demonstreert dat Bayesiaanse methoden, gebaseerd op Wishart-statistiek, superieur zijn aan traditionele frequentistische benaderingen in regimes met weinig data, omdat ze geen aannames doen over Gaussische convergentie en exacte onzekerheidsintervallen bieden.

De auteurs benadrukken dat de resultaten gebaseerd zijn op de aanname van Gaussische data, wat voor LISA Pathfinder als geldig is aangetoond, maar dat de methodologie robuust is voor situaties met zeer beperkte steekproefgroottes.