Testing for Lack of Fit in Inverse Regression—with Applications to Biophotonic Imaging
逆回归中的失拟检验及其生物光子成像应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用逆回归检验并应用于显微成像，未涉及所列时间序列、结构估计或因果推断等方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
逆回归中的失拟检验及其生物光子成像应用
- 研究问题
- 当函数只能通过不可连续求逆的线性算子和噪声被间接观测时，如何检验模型失拟，并判断模糊图像是否发生变化？
- 方法与思路
- 作者构造逆问题中的阶数选择检验与数据驱动 Neyman 光滑检验，并提出扩展 AIC、BIC 的模型选择准则。
- 材料陈述的贡献
- 摘要称提出两类检验和两类选择准则；模拟中逆问题检验在许多情形优于直接对应方法，研究由荧光显微成像推动。
- 阅读关注点
- 应核对线性算子与噪声条件、检验的截断或选择规则、直接方法的比较基准，以及图像变化检验的具体假设。
- 阅读边界
- 仅据所给 Crossref 摘要；模拟优势仅是作者对所考察情形的陈述，摘要未说明理论条件、比较数值及适用边界。
原文摘要
Summary We propose two test statistics for use in inverse regression problems Y = Kθ+ε, where K is a given linear operator which cannot be continuously inverted. Thus, only noisy, indirect observations Y for the function θ are available. Both test statistics have a counterpart in classical hypothesis testing, where they are called the order selection test and the data-driven Neyman smooth test. We also introduce two model selection criteria which extend the classical Akaike information criterion and Bayes information criterion to inverse regression problems. In a simulation study we show that the inverse order selection and Neyman smooth tests outperform their direct counterparts in many cases. The theory is motivated by data arising in confocal fluorescence microscopy. Here, images are observed with blurring, modelled as convolution, and stochastic error at subsequent times. The aim is then to reduce the signal-to-noise ratio by averaging over the distinct images. In this context it is relevant to decide whether the images are still equal, or have changed by outside influences such as moving of the object table.