← Anatomie eines Transits · Vertiefung zu Kapitel 6
Die Theorie hinter der Fehlerrechnung unserer Auswertung: wie Markov-Ketten Stichproben ziehen, woran man Konvergenz erkennt und warum ein falsches Tal trotzdem überzeugend aussehen kann. Erst an Spielzeug-Verteilungen, dann an einer simulierten Lichtkurve.
Beim Scrollen stellt jeder Schritt die Animation passend ein. Danach kannst Du frei weiterdrehen, und ein Klick auf einen Schritt stellt ihn wieder her.
MCMC: die Theorie
Markov Chain Monte Carlo zieht Stichproben aus einer Verteilung, die man nur bis auf einen konstanten Faktor kennt. Dieses Kapitel baut das Verfahren an Spielzeug-Verteilungen in zwei Dimensionen auf. Teil 2 wendet es auf eine Lichtkurve an, so wie unsere Auswertung es tut.
Nach dem Satz von Bayes ist die Posterior das Produkt aus Likelihood und Prior, geteilt durch die Evidenz:
Der Zähler ist für jedes θ schnell berechnet, die Evidenz nicht: Sie ist ein Integral über den ganzen Parameterraum. Auf einem Gitter mit 100 Punkten pro Achse kostet sie bei d Parametern 100d Modellrechnungen, bei vier Parametern also 108. Auch Mittelwerte und Fehlerbalken sind solche Integrale. MCMC umgeht beides: Es braucht nur Verhältnisse p(θ′|D)/p(θ|D), in denen p(D) herausfällt, und ersetzt jedes Integral durch einen Mittelwert über Stichproben.
Die Fläche rechts ist eine solche Zielverteilung π(θ), hier bananenförmig. Vier Ketten wandern darauf.
Eine Markov-Kette ist eine Folge θ0, θ1, θ2, …, bei der jeder Schritt nur vom aktuellen Punkt abhängt, nicht von der Vorgeschichte:
Erfüllt die Übergangsregel mit der Zielverteilung π das detaillierte Gleichgewicht,
dann ist π stationär: Ist die Kette einmal nach π verteilt, bleibt sie es. Kann sie zudem jeden Bereich erreichen und läuft nicht im Kreis (Ergodizität), dann strebt sie von jedem Start aus gegen π. Mittelwerte über die Kette nähern dann Erwartungswerte an:
Rechts starten die Ketten weit draußen und finden trotzdem zum Ziel. Das Histogramm unten nähert sich der wahren Verteilung (Linie).
Die einfachste Regel mit detailliertem Gleichgewicht: Vom Punkt θ aus wird ein Kandidat θ′ aus einer Vorschlagsverteilung q gezogen, hier ein runder Gauß mit Breite s. Angenommen wird er mit der Wahrscheinlichkeit
Bei symmetrischem q kürzt sich der Bruch zu π(θ′)/π(θ). Abgelehnt heißt: Die Kette bleibt stehen und zählt den alten Punkt noch einmal. Bei einem Transit-Fit ist ln π = −χ²/2 + const, also
Ein Schritt zu kleinerem χ² wird immer angenommen, Δχ² = 2 nur noch mit 37 %, Δχ² = 10 mit 0,7 %. Rechts läuft eine Kette langsam: Der gestrichelte Kreis ist die Vorschlagsbreite, grün ein angenommener, rot ein abgelehnter Vorschlag.
Aufeinanderfolgende Punkte einer Kette sind korreliert. Wie stark, misst die integrierte Autokorrelationszeit. Aus ihr folgt, wie viele unabhängige Stichproben eine Kette wirklich enthält:
Zu kleine Schritte werden fast immer angenommen, kommen aber kaum voran: τ wird groß. Zu große Schritte landen meist im Abseits und werden abgelehnt: Die Kette steht still, τ wird ebenfalls groß. Dazwischen liegt das Optimum. Für gaußsche Ziele liegt es bei vielen Parametern um 23 % Annahmerate, bei einem Parameter um 44 % (Roberts, Gelman & Gilks 1997).
Rechts ist s = 0,15 eingestellt, die Spur kriecht. Zieh den Regler auf etwa 1,7 und dann auf 6 und vergleiche τ.
Startet eine Kette weit draußen, sind ihre ersten Punkte noch vom Start geprägt und nicht nach π verteilt. Diese Einlaufphase (Burn-in) wird verworfen, hier die ersten 150 Schritte, grau hinterlegt in der Spur oben rechts. Vorbei ist sie, wenn alle Ketten im selben Bereich ohne Trend schwanken. Als Faustregel verwirft man einige zehn τ.
Ist die Verteilung schmal und schräg, weil zwei Parameter stark korreliert sind, passt ein runder Vorschlag schlecht. Quer zur Diagonale muss s klein sein, und entlang der Diagonale kommt die Kette dann kaum voran. Goodman & Weare (2010) lassen deshalb ein Ensemble von Walkern laufen. Walker k springt entlang der Linie zu einem zufällig gewählten anderen Walker j:
Der Faktor Zd−1 stellt das detaillierte Gleichgewicht her. Weil sich die Sprünge aus den Abständen der Walker selbst ergeben, passen sie sich jeder Streckung und Drehung der Verteilung an (affine Invarianz). Das ist der Algorithmus des verbreiteten Python-Pakets emcee. Schalte zum Vergleich auf Metropolis um.
Hat π zwei getrennte Gipfel, kann eine Kette sehr lange im ersten bleiben: Der Weg zum zweiten führt durch ein Tal, in dem fast jeder Vorschlag abgelehnt wird. Gelman & Rubin (1992) vergleichen deshalb m Ketten mit je n Punkten:
Je nach Strenge gelten Werte unter 1,01 oder unter 1,1 als konvergiert. Aber R̂ prüft nur, ob die Ketten sich einig sind, nicht ob sie alles gefunden haben. Starten alle im selben Gipfel, wie jetzt eingestellt, ist R̂ ≈ 1, und der zweite Gipfel fehlt trotzdem im Histogramm. Stell den Start auf „verteilt“: Dann landen Ketten in beiden Gipfeln, und R̂ schlägt an.
MCMC am Transit
Jetzt läuft dasselbe Verfahren auf einer simulierten Lichtkurve, mit den Einstellungen unserer Auswertung. Frei sind die Mittenzeit Tc und das Radienverhältnis Rp/R★, alles andere ist festgehalten. Unsere Auswertung startet am besten Fit, rechnet rotes Rauschen über β ein und meldet Median und 16./84. Perzentil.
Bei gaußschem, unabhängigem Rauschen ist die Log-Likelihood eine Summe über alle Messpunkte. Rotes Rauschen geht über den β-Faktor aus Kapitel 5 der Hauptseite in die Fehler ein:
Festgehalten sind die Bahn (a/R★, b, P) und die Randverdunklung u₁, u₂ aus Tabellen. Die Priors sind hier flach: ΔTc innerhalb ±45 min um die Vorhersage, k zwischen 0,03 und 0,2. Links oben ist die Landschaft aufgespannt. Die Flächen sind die 1σ-, 2σ- und 3σ-Bereiche einer zweidimensionalen Gaußverteilung (Δχ²/β² = 2,3 / 6,2 / 11,8).
Die Walker starten nicht irgendwo. Zuerst sucht ein Optimierer das Minimum von χ², und zwar von fünf Startwerten für Tc aus, verteilt über ±30 min um die Vorhersage. Der Start mit dem kleinsten χ² gewinnt. Um ihn herum werden die Walker in einer kleinen Wolke ausgesetzt. Das erspart den größten Teil der Einlaufphase und schützt vor Nebentälern, sofern einer der fünf Starts im richtigen Tal landet.
Links oben laufen die fünf Optimierer, rechts unten steht das Profil: für jede Mittenzeit das kleinste χ², das mit irgendeinem k erreichbar ist.
Zum Vergleich starten die sechzehn Walker hier absichtlich daneben, bei ΔTc = +9 min und k = 0,118. Jeder Walker macht pro Schritt einen Stretch-Move aus Teil 1. Mit ln π = −χ²/(2β²) wird daraus:
Die ersten 80 Schritte gelten als Einlaufphase und fließen nicht ins Ergebnis.
Nach der Einlaufphase sind die Positionen aller Walker Stichproben aus der Posterior. Unsere Auswertung fasst sie über Perzentile zusammen:
Bei schiefen Verteilungen sind beide Seiten verschieden lang, deshalb stehen + und − getrennt im Ergebnis. Unten liegen fünfzehn zufällig gezogene Modelle über den Daten.
Korreliertes Rauschen enthält weniger unabhängige Information, als die Zahl der Punkte vortäuscht. Deshalb werden alle σi mit β multipliziert. Weil ln 𝓛 dadurch durch β² geteilt wird, wird die Posterior in jeder Richtung genau um den Faktor β breiter:
Eingestellt sind β = 1,22 und 9,4 ppt pro Punkt wie bei HAT-P-33b. Die Simulation hat nur 180 Punkte statt 1077, ihr Fehler ist deshalb größer als bei der echten Messung.
Unsere Messung. Bei HAT-P-33b ergaben 1077 Bilder à 20 s mit 9,4 ppt pro Bild und β = 1,22 für Tc eine Unsicherheit von ± 2,2 min.
Jetzt fehlt der Ingress, weil die Beobachtung erst in der Transitmitte beginnt. Kurz nach dem Egress drückt außerdem eine dünne Wolke den Fluss 10 Minuten lang um 10 ppt. Das Profil bekommt dadurch ein zweites Tal bei ΔTc ≈ +25 min: Ein Modell mit späterem Egress erklärt die Wolke als Rest des Transits. Die Walker wurden in diesem Nebental ausgesetzt, so wie es passiert, wenn der Optimierer dort hängen bleibt.
Das Ergebnis sieht tadellos aus: schmales Histogramm, normale Annahmerate, R̂ ≈ 1. Trotzdem liegt es rund 25 min daneben. Kein Walker überquert den Rücken zwischen den Tälern, weil dort jeder Vorschlag abgelehnt wird. Und R̂ vergleicht nur Walker, die alle im selben Tal stehen. Genau auf diese Möglichkeit hat der ExoClock-Reviewer hingewiesen: Ein lokales Minimum am Egress verschiebt Tc und damit das O−C.
Mit den fünf Startwerten unserer Auswertung finden hier die Optimierer von −30, −15 und 0 min aus das richtige Tal, die von +15 und +30 min aus bleiben im Nebental hängen. Den Ausschlag gibt das kleinere χ². Das schützt, solange das richtige Tal auch das tiefste ist. Mit „Neue Daten“ kannst Du ausprobieren, wie oft das Rauschen das Nebental tiefer macht. Drei zusätzliche Prüfungen kosten wenig:
Profil-Scan: Δχ²prof(Tc) über das ganze Fenster rechnen (rechts unten). Ein zweites Tal mit Δχ²/β² unter etwa 10 ist ein Warnsignal.
Breit verteilte Walker: Startet man sie über ±30 min verteilt, landen einige im Nebental. Das Histogramm bekommt zwei Buckel, und R̂ steigt weit über 1,1.
Egress abdecken: Den Fit einmal ohne die gestörten Minuten wiederholen. Ändert sich Tc um mehr als den Fehler, ist das Ergebnis nicht robust.
Unsere Messungen. HAT-P-33b lief mit 15 Ketten und erreichte R̂ = 1,003. Bei KPS-1b streuten die Punkte am Egress, und der ExoClock-Reviewer vermutet genau so ein lokales Minimum im Fit. Dort ist der Profil-Scan der erste Test.