Evaluating extensions to LCDM: an application of Bayesian model averaging and selection
Notice bibliographique
Résumé
Abstract We present a powerful and innovative statistical framework to address key cosmological questions about the universe's fundamental properties, performing Bayesian model averaging (BMA) and model selection. Utilizing this framework, we systematically explore extensions beyond the standard ΛCDM model, considering a varying curvature density parameter Ω K , a spectral index n s = 1 and a varying n run , a constant dark energy equation of state (EOS) w 0 CDM and a time-dependent one w 0 w a CDM. We also assess cosmological data against a varying effective number of neutrino species N eff . Our analysis incorporates data from various combinations of cosmic microwave background (CMB) data from the latest Planck PR4 analysis, CMB lensing from Planck 2018, baryonic acoustic oscillations (BAO), and the Bicep-KECK 2018 results. We reinforce the standard ΛCDM model statistical preference when combining CMB data with CMB lensing, BAO, and Bicep-KECK 2018 data against the K-ΛCDM model and d n s /d ln k -ΛCDM with a probability > 80%. When evaluating the dark energy EOS, we find that this dataset does not exhibit a strong preference between the standard ΛCDM model and the constant dark energy EOS model w 0 CDM, with a model posterior probability distribution of approximately ≈ 40%:60% in favour of w 0 CDM, while the time-varying dark energy EOS model only holds below 1% probability. We find a similar result also when considering the N eff -ΛCDM model, with a split probability almost 50%-50% from both our datasets. Overall, our application of BMA reveals that including model uncertainty in these cases does not significantly impact the Hubble tension, showcasing BMA's robustness and utility in cosmological model evaluation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».