贝叶斯模型选择在宇宙参数中的应用.PDFVIP

贝叶斯模型选择在宇宙参数中的应用 李艳艳 北京师范大学 天文系 200921160010 1、决定数据是否支持模型中一个新的量的引入问题。 2、额外的参数的状态是不确定的，因为通常情况 抽样（频率）统计显著性检验不允许他们被高置信 水平排除。 作者采取的观点是，用贝叶斯模型选择来确定 已有的数据是否需要一个参数。 3、贝叶斯模型比较的关键量是边缘似然函数。 作者使用萨维奇-迪基（Savage–Dickey）密度 比用于边缘似然比（贝叶斯因子）的有效计算，来 说明目前宇宙模型建立的一些重要参数。 主要内容 一、贝叶斯模型比较的基础知识及萨维 奇-迪基（Savage –Dickey ）密度比 （SDDR ） 二、模型选择在宇宙一致性模型的三个 主要参数中的应用 三、总结 一 、贝叶斯模型比较的基础知识 １贝叶斯因子 贝叶斯估计是基于贝叶斯定理，表达式如下： p(d|θ,M)πθ( |M) p(θ|d,M) = （1） p(d|M) p(θ|d,M) θ p(d|θ,M) 为在模型M下给定数据ｄ的参数 的验后概率， 为 似然函数， 为验前概率分布函数（pdf），公式（１）分母中的 πθ( |M) 归一化常数由模型M的边缘似然函数给定： （2 ） p(d|M) = ∫Ω p(d|θ,M)πθ( |M)dθ Ω θ 表明模型M中的参数空间。 代表参数的多维空间矢量，ｄ是测量 数据的集合（数据协方差，等等）。 M M 考虑两个比较的模型 和 ，求给定数据ｄ的每个模 0 1 型的验后概率。由贝叶斯定理，我们有 p(M |d) ∝ p(d|M )π(M ) (i = 0, 1), （3 ） i i i p(d|M ) M i 是 的边缘似然函数， 是我们得到数据之前第i i π(M ) i 个模型的验前概率。对两个比较模型的似然函数的比值称 为贝叶斯因子： p(d|M ) B01 ≡ 0 （4 ） p(d|M ) 1