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

Resumo Técnico: Inferência Baseada em Compensador para Detecção de Sinal sob Fundo Desconhecido (Caso de Dados em Bin/Agrupados)

Enunciado do Problema
O artigo aborda o desafio estatístico de detectar um sinal na presença de um fundo desconhecido, um cenário onipresente em experimentos modernos de física e astronomia (por exemplo, física de partículas, astronomia de raios gama). Os dados são modelados como contagens de Poisson observadas sobre uma grade $d$-dimensional de $k$ hiperretângulos disjuntos (bins). A contagem esperada em cada bin $i$ é dada por $E[n_i] = T f_i$, onde a densidade $f$ é uma mistura de um componente de sinal conhecido $f_s$ e um componente de fundo desconhecido $f_b$:
$$f(x, \eta) = (1 - \eta)f_b(x) + \eta f_s(x)$$
Aqui, $\eta \in [0, 1)$ representa a intensidade relativa do sinal desconhecida a ser inferida. O objetivo principal é testar a hipótese nula $H_0: \eta = 0$ contra $H_1: \eta > 0$.

Uma restrição crítica é o regime assintótico onde tanto a contagem total $T$ quanto o número de bins $k$ tendem ao infinito tal que $T/k \to c \in (0, \infty)$. Neste regime, as contagens permanecem Poisson e não convergem para um limite Gaussiano, tornando as aproximações Gaussianas padrão inválidas. Além disso, a densidade de fundo $f_b$ é desconhecida. Abordagens tradicionais frequentemente dependem de uma amostra rotulada de "apenas fundo" para estimar $f_b$, mas esses métodos frequentemente falham ao não considerar a incerteza na estimativa do fundo, o que pode comprometer a validade da inferência.

Metodologia
Os autores estendem o framework de "inferência baseada em compensador", anteriormente desenvolvido para dados independentes e identicamente distribuídos (i.i.d.), para o caso de dados de Poisson agrupados (binned). O núcleo da metodologia envolve:

1. Expansão Ortonormal e o Compensador:
   O método postula uma densidade de fundo $g$ (que pode diferir da verdadeira $f_b$) e constrói uma base ortonormal em $L^2(G)$. O modelo de sinal é vinculado ao fundo via uma função de score $S^\dagger$. A densidade de fundo desconhecida $f_b$ é expandida nesta base, introduzindo um parâmetro $\delta = E_{F_b}[S^\dagger(X)]$. Este parâmetro $\delta$ é denominado compensador. Ele quantifica o desvio entre o fundo postulado $g$ e o verdadeiro fundo $f_b$.
   O parâmetro alvo $\eta$ está relacionado a um parâmetro identificável $\theta$ (a projeção da mistura na direção do sinal) via a equação:
   $$\eta = \frac{\theta - \delta}{\|S\|_G - \delta}$$
   Crucialmente, se uma amostra rotulada de apenas fundo estiver disponível, $\delta$ pode ser estimado consistentemente, permitindo uma inferência válida sobre $\eta$ sem a necessidade de especificar ou estimar totalmente a complexa densidade $f_b$.

2. Inferência com Dados de Fundo Rotulados:
   Quando uma amostra rotulada de apenas fundo $\{m_i\}$ está disponível, os autores derivam estimadores assintoticamente normais para $\theta$ e $\delta$.

   • Fundo Postulado Fixo: Se $g$ é totalmente especificado, o estatístico de teste $\mathcal{Z}_1$ segue uma distribuição normal padrão assintoticamente.
   • Fundo Postulado Paramétrico: Se $g$ depende de parâmetros desconhecidos $\beta$ (estimados via Máxima Verossimilhança na amostra de fundo), um estatístico de teste modificado $\mathcal{Z}_2$ é proposto. Este estatístico contabiliza a incerteza adicional introduzida pela estimativa de $\beta$.
     O framework demonstra que a escolha do fundo postulado $g$ tem um impacto negligenciável na inferência, desde que o compensador $\delta$ seja estimado de forma eficiente.

3. Inferência sem Dados de Fundo Rotulados (Busca de Picos/Bump Hunting):
   Em cenários onde não existe uma amostra de apenas fundo rotulada, $\delta$ não é estimável. No entanto, sob condições específicas comuns em "busca de picos" (procura de um sinal localizado sobre um fundo de decaimento suave), pode-se mostrar que $\delta \leq 0$.

   • Os autores propõem uma estratégia de inferência conservadora ao testar $\theta_0 = \theta / \|S\|_G$ em vez de $\eta$. Como $\delta \leq 0$, segue-se que $\theta_0 \leq \eta$. Assim, rejeitar $H_0: \theta_0 = 0$ fornece uma detecção válida, embora conservadora, do sinal.
   • Para garantir a condição $\delta \leq 0$, os autores sugerem uma análise de sensibilidade usando um fundo postulado flexível $g_\beta$ que inclui um "termo dominante" (uma mistura de Gaussianas) sobre a região do sinal. Ao verificar visual ou analiticamente que este termo dominante limita o verdadeiro fundo na região do sinal, pode-se justificar o conservadorismo do teste.

Principais Contribuições

• Extensão para Dados Agrupados (Binned Data): O artigo generaliza a abordagem de inferência baseada em compensador de dados contínuos i.i.d. para o regime de dados de Poisson agrupados, que é o formato padrão para observações modernas de física de altas energias e astronomia.
• Robustez à Especificação Erônea do Modelo: A metodologia lida explicitamente com o caso em que o modelo de fundo postulado é mal especificado. O compensador $\delta$ absorve a discrepância entre o fundo assumido e o verdadeiro, garantindo a validade da inferência sem exigir um modelo perfeito de $f_b$.
• Inferência Conservadora sem Amostras de Controle: O artigo fornece um framework rigoroso para detecção de sinal quando não há dados de fundo rotulados, baseando-se em suposições estruturais sobre a localização do sinal e a suavidade do fundo para derivar limites conservadores.

Resultos
A metodologia é validada através de um estudo de caso usando dados simulados do Fermi Large Area Telescope (LAT), consistindo em espectros de energia gama.

• Cenário de Dados Rotulados: Os autores analisaram os dados com $k=30, 50, 100$ bins usando quatro modelos de fundo postulado diferentes (uniforme, exponencial de taxa fixa, exponencial de taxa estimada e Gaussiana de variância estimada). Os resultados mostraram que, apesar das diferenças significativas nas formas dos fundos postulados em relação ao verdadeiro fundo, a intensidade do sinal estimada $\hat{\eta}$ e os $p$-valores resultantes foram altamente consistentes (todos resultando em $p$-valores na faixa de $10^{-6}$ a $10^{-7}$). Isso confirma a robustez do método do compensador em relação à escolha do fundo de proposta.
• Cenário de Dados Não Rotulados: Na ausência de uma amostra de apenas fundo, os autores aplicaram o teste conservador usando um fundo paramétrico com um termo dominante. Ao variar o peso $\lambda$ do termo dominante, eles demonstraram que o teste produz resultados significativos (ex: $p \approx 7,11 \times 10^{-7}$ para $\lambda=0,03$) enquanto mantém a validade. Aumentar $\lambda$ tornou o teste mais conservador (menor intensidade estimada, maior $p$-valor), ilustrando o compromisso entre sensibilidade e a garantia de conservadorismo.

Significância e Alegações
O artigo alega ampliar o escopo da inferência baseada em compensador para o cenário prático de dados agrupados, um requisito comum em física e astronomia. A principal significância reside na sua capacidade de contornar a necessidade de uma estimativa precisa da densidade de fundo desconhecida, uma tarefa que é frequentemente difícil e propensa a introduzir viés se as incertezas forem ignoradas.
Os autores enfatizam que a abordagem oferece uma "mudança de perspectiva" onde o conservadorismo inferencial é determinado por um único parâmetro (o compensador). Eles afirmam que seu framework permanece válido mesmo quando o fundo postulado está longe da verdade, desde que o compensador seja estimado (no caso rotulado) ou limitado (no caso não rotulado). Os resultados sugerem que, para detecção de sinal, a escolha específica do modelo de fundo é menos crítica do que o tratamento adequado do compensador, tornando o método uma ferramenta robusta para "busca de picos" em ambientes experimentais complexos.