GetDist: ein Python-Paket zur Analyse von Monte-Carlo-Stichproben

Abstract Monte-Carlo-Techniken, einschließlich MCMC und anderer Methoden, werden in der Bayesschen Inferenz weit verbreitet eingesetzt, um Stichproben aus einem interessierenden Parameterraum zu erzeugen. Das Python-Paket GetDist stellt Werkzeuge zur Analyse dieser Stichproben und zur Berechnung marginalisierter ein- und zweidimensionaler Dichten mittels Kernel-Dichteschätzung (KDE) bereit. Viele Monte-Carlo-Methoden erzeugen korrelierte und/oder gewichtete Stichproben, beispielsweise durch MCMC, Nested-Sampling oder Importance Sampling, und es können harte Randvorwissen bestehen. Die Basismethode von GetDist besteht darin, einen linearen Randkernel anzuwenden und anschließend eine multiplikative Bias-Korrektur vorzunehmen. Die Glättungsbandbreite wird automatisch nach Botev et al. 1 ausgewählt, basierend auf einer Mischung aus Heuristiken und Optimierungsergebnissen unter Verwendung der erwarteten Skalierung mit einer effektiven Stichprobengröße (hier definiert, um sowohl MCMC-Korrelationen als auch Gewichte zu berücksichtigen). Die zweidimensionale KDE verwendet einen automatisch bestimmten elliptischen Gaußkernel für korrelierte Verteilungen. Das Paket enthält Werkzeuge zur Erstellung einer Vielzahl von publikationsreifen Abbildungen über eine einfache Schnittstelle mit benannten Parametern sowie eine grafische Benutzeroberfläche für die interaktive Exploration. Es kann zudem Konvergenzdiagnosen berechnen, Grenzwerte tabellarisch ausgeben und Latexaussagen erzeugen und ist öffentlich verfügbar.