The HERBAL model: A hierarchical errors-in-variables Bayesian lognormal hurdle model for galactic globular cluster populations
Notice bibliographique
Résumé
Galaxy stellar mass is known to be monotonically related to the size of the galaxy's globular cluster (GC) population for Milky Way sized and larger galaxies. However, the relation becomes ambiguous for dwarf galaxies, where there is some evidence for a downturn in GC population size at low galaxy masses. Smaller dwarfs are increasingly likely to have no GCs, and these zeros cannot be easily incorporated into linear models. We introduce the Hierarchical ERrors-in-variables Bayesian lognormAL hurdle (HERBAL) model to represent the relationship between dwarf galaxies and their GC populations, and apply it to the sample of Local Group galaxies where the luminosity range coverage is maximal. This bimodal model accurately represents the two populations of dwarf galaxies: those that have GCs and those that do not. Our model thoroughly accounts for all uncertainties, including measurement uncertainty, uncertainty in luminosity to stellar mass conversions, and intrinsic scatter. The hierarchical nature of our Bayesian model also allows us to estimate galaxy masses and individual mass-to-light ratios from luminosity data within the model. We find that 50% of galaxies are expected to host globular cluster populations at a stellar mass of $\log_{10}(M_*)=6.996$, and that the expected mass of GC populations remains linear down to the smallest galaxies. Our hierarchical model recovers an accurate estimate of the Milky Way stellar mass. Under our assumed error model, we find a non-zero intrinsic scatter of $0.59_{-0.21}^{+0.30}$ (95% credible interval) that should be accounted for in future models.
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 | 0,006 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,009 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».