宇宙剪切分析中光度红移不确定性的解析边缘化

随着成像巡天统计能力的增强，考虑所有系统不确定性至关重要。通常的做法是构建这些不确定性的模型，然后对这些附加模型参数进行边缘化。由此产生的高维总参数空间使得使用传统蒙特卡洛采样方法推断宇宙学参数的代价显著增加。一个特别相关的例子是源样本的 redshift 分布 $p(z)$，其完整描述可能需要数十个参数。然而，通过这些系统误差的标定，通常可以对这些参数施加相对紧的先验。在本文中，我们定量地表明，相对于这些可标定系统参数对理论预测进行线性化，可使我们解析地对这些额外参数进行边缘化，从而使参数推断所需时间减少约 $\sim30$ 倍，同时能准确恢复与通过对 160 个 $p(z)$ 参数进行完整数值边缘化所得到的相同的宇宙学参数后验分布。我们证明，这不仅在当前数据及当前可实现的标定先验下可行，对未来第四阶段（Stage-IV）数据集同样可行。