Comparative Analysis of EMCEE, Gaussian Process, and Masked Autoregressive Flow in Constraining the Hubble Constant Using Cosmic Chronometers Dataset

Título: Análise Comparativa de EMCEE, Processos Gaussianos e Fluxos Autoregressivos Mascarados na Restrição da Constante de Hubble Usando o Conjunto de Dados de Relógios Cósmicos

1. Problema e Contexto

A constante de Hubble ($H_0$) é fundamental para compreender a evolução do universo. Atualmente, existe uma discrepância significativa de $5\sigma$ (conhecida como "tensão de Hubble") entre as medições derivadas da Radiação Cósmica de Fundo (CMB) pelo Planck ($H_0 \approx 67.4$ km s$^{-1}$ Mpc$^{-1}$) e as medições baseadas em supernovas Tipo Ia e variáveis Cefeidas ($H_0 \approx 73.0$ km s$^{-1}$ Mpc$^{-1}$).

Uma abordagem alternativa para restringir $H_0$ utiliza o parâmetro de Hubble $H(z)$ medido por Relógios Cósmicos (CC - Cosmic Chronometers), que fornece medições independentes de modelos. No entanto, diferentes métodos estatísticos aplicados aos mesmos dados de CC produzem valores de $H_0$ distintos. O objetivo deste estudo é investigar essas diferenças, comparando três métodos principais:

1. EMCEE: Amostrador de Ensemble de Cadeia de Markov Monte Carlo (MCMC) invariante a afinidade, baseado em um modelo cosmológico paramétrico ($\Lambda$CDM).
2. GP (Gaussian Process): Um método não paramétrico para reconstrução independente de modelos de $H(z)$.
3. MAF (Masked Autoregressive Flow): Uma abordagem de aprendizado profundo baseada em redes neurais para estimativa de densidade.

2. Metodologia

Os autores utilizaram o conjunto de dados de Relógios Cósmicos (33 medições de $H(z)$ no intervalo de redshift $z \in [0.07, 1.965]$) e aplicaram as três metodologias para restringir $H_0$. A análise foi dividida em duas dimensões principais:

• Análise de Sensibilidade (MCDJ):

  • Foi aplicado o método Monte Carlo delete-$d$ jackknife (MCDJ).
  • O procedimento envolveu a remoção aleatória de 7 pontos de dados (de um total de 33) em 1000 iterações, reestimando $H_0$ a cada vez.
  • Isso permitiu quantificar a sensibilidade de cada método à exclusão de pontos de dados individuais e analisar como a sensibilidade varia entre regiões de baixo e alto redshift.
  • Também foi realizada uma análise separada por regiões de redshift (baixo $z < 0.48$ e alto $z \ge 0.48$).

• Testes de Desempenho Baseados em Simulação:

  • Foram gerados 100 conjuntos de dados fictícios (mocks) com um valor de verdade ($H_{0,true}$) conhecido.
  • Duas prescrições de simulação foram usadas para evitar viés de modelo único:
    1. Baseada no modelo $\Lambda$CDM.
    2. Baseada em reconstrução por Processo Gaussiano (GP).
  • O desempenho foi avaliado comparando os posteriors recuperados com o valor verdadeiro, utilizando três métricas:
    1. Precisão do valor central: Viés (Bias) e Erro Quadrático Médio (RMSE).
    2. Calibração do intervalo de credibilidade: Cobertura empírica (68% e 95%).
    3. Qualidade geral do posterior: Pontuação de log (Log Score) no valor verdadeiro.

3. Principais Contribuições e Resultados

A. Sensibilidade aos Dados (MCDJ):

• Sensibilidade Geral: O GP demonstrou ser o método mais sensível à remoção de pontos de dados individuais, seguido pelo MAF, enquanto o EMCEE foi o menos sensível (mais robusto).
• Dependência do Redshift:
  • EMCEE e GP: Mais sensíveis a pontos de dados em altos redshifts.
  • MAF: Mais sensível a pontos de dados em baixos redshifts (alinhado com a intuição de que baixos redshifts ancoram a normalização local).
• Largura do Intervalo de Credibilidade: O EMCEE produziu os intervalos mais estreitos (maior poder de restrição), seguido pelo GP e, finalmente, pelo MAF (intervalos mais largos).

B. Desempenho em Simulações:

• EMCEE: Desempenhou-se melhor em todas as métricas. Apresentou o menor RMSE, a maior pontuação de log (indicando a melhor qualidade geral do posterior) e uma cobertura ligeiramente conservadora.
• GP: Desempenho intermediário. Embora tenha boa calibração de cobertura, apresentou um viés negativo substancial (subestimando consistentemente $H_0$) e um RMSE maior que o EMCEE.
• MAF: Desempenhou-se pior globalmente. Embora tenha tido um viés médio quase nulo, apresentou o maior RMSE (alta variabilidade entre realizações) e a menor pontuação de log, indicando uma qualidade de posterior inferior sob as condições testadas.

C. Análise do Viés do GP:

• O estudo confirmou que o viés negativo do GP não é causado por um deslocamento sistemático nos dados simulados, mas parece ser uma característica intrínseca da reconstrução não paramétrica sob as condições atuais de amostragem de dados.

4. Significado e Conclusões

O estudo conclui que a escolha do método de inferência impacta materialmente os resultados de $H_0$ derivados de Relógios Cósmicos, mesmo com o mesmo conjunto de dados.

• Recomendação Principal: Se a adoção de um modelo cosmológico paramétrico (como $\Lambda$CDM) for aceitável, o EMCEE é recomendado como o método padrão, oferecendo a maior precisão, estabilidade e robustez.
• Uso do GP: O GP é valioso para reconstruções independentes de modelos e como verificação de robustez, mas deve ser usado com cautela como estimador de precisão devido à sua alta sensibilidade a pontos de dados e viés sistemático observado.
• Uso do MAF: No cenário atual de dados de CC, o MAF não é recomendado como método padrão, pois não superou os métodos tradicionais em métricas de validação.

Implicações Práticas: Os autores sugerem que estudos futuros sobre $H_0$ baseados em CC devem relatar não apenas o valor central e o intervalo de credibilidade, mas também diagnósticos de robustez (como MCDJ) e métricas de validação baseadas em simulação para permitir comparações justas entre diferentes abordagens.

Limitações: O estudo reconhece que a comparação depende das simulações utilizadas e que a pequena quantidade de dados atuais de CC pode influenciar os resultados, sugerindo que testes com conjuntos de dados maiores e consideração de sistemáticas correlacionadas sejam necessários no futuro.