Non-Gaussian error bars in galaxy surveys - I
Notice bibliographique
Résumé
We propose a method to estimate non-Gaussian error bars on the matter power spectrum from galaxy surveys in the presence of non-trivial survey selection functions. The estimators are often obtained from formalisms like Feldmann, Kaiser and Peacock (FKP) and pseudo-Karhunen–Loève (PKL), which rely on the assumption that the underlying field is Gaussian. The Monte Carlo method is more accurate but involves the tedious process of running and cross-correlating a large number of N -body simulations, in which the survey volume is embedded. From 200 N -body simulations, we extract a non-linear covariance matrix as a function of two scales and of the angle between two Fourier modes. All the non-Gaussian features of that matrix are then simply parametrized in terms of a few fitting functions and eigenvectors. We furthermore develop a fast and accurate strategy that combines our parametrization with a general galaxy survey selection function, and incorporate non-Gaussian Poisson uncertainty. We describe how to incorporate these two distinct non-Gaussian contributions into a typical analysis pipeline, and apply our method with the selection function from the 2dFGRS. We find that the observed Fourier modes correlate at much larger scales than that predicted by both FKP formalism or pure N -body simulations in a ‘top hat’ selection function. In particular, the observed Fourier modes are already 50 per cent correlated at k ∼ 0.1 h Mpc −1 , and the non-Gaussian fractional variance on the power spectrum [ ] is about a factor of 3.0 larger than the FKP prescription. At k ∼ 0.4 h Mpc −1 , the deviations are an order of magnitude.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».