Deconvolution Density Estimation with Penalized MLE
采用惩罚最大似然的反卷积密度估计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：摘要研究通用测量误差下的密度恢复，未涉及分位数或分布效应估计，现有文本不足以归入所列细分。
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…
关注这篇论文的作者
采用惩罚最大似然的反卷积密度估计
- 研究问题
- 在观测包含加性测量误差时，如何恢复目标变量的密度，并在样本较小或信噪比较低的情况下获得稳定估计？
- 方法与思路
- 作者在无限维函数空间中优化惩罚似然，以保留正则化似然的稳定性，同时避免将未知密度限制在有限维基展开内。
- 材料陈述的贡献
- 摘要称提供了惩罚最大似然反卷积估计的一致性和收敛率结果，并在模拟及真实数据比较中取得较好的表现。
- 阅读关注点
- 应核对误差分布是否已知、反卷积的可识别性、密度和惩罚的约束，以及误差平滑程度如何影响收敛率与计算。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；误差分布假设和惩罚形式未说明，优越性与首次理论结果的定位尚未独立核验。
原文摘要
Deconvolution is the important problem of estimating the distribution of a quantity of interest from a sample with additive measurement error. Nearly all infinite-dimensional deconvolution methods in the literature use Fourier transformations. These methods are mathematically neat, but unstable, and produce bad estimates when signal-noise ratio or sample size are low. A popular alternative is to maximize penalized likelihood for a finite-dimensional basis expansion of the unknown density. We develop a new method to optimize penalized likelihood over the infinite-dimensional space of all functions. This gives the stability of regularized likelihood methods without restricting the space of solutions. Our method compares favorably with state-of-the-art methods on simulated and real data, particularly for small sample size or low signal-noise ratio. We also provide the first results on the consistency and rate of convergence of penalized maximum likelihood estimates for density deconvolution. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.