Nonparametric inference in multivariate mixtures
多元混合模型中的非参数推断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：摘要研究一般混合分布的识别与估计，未明确涉及经济结构或分位数与分布效应。
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…
多元混合模型中的非参数推断
- 研究问题
- 当各潜在子总体内的变量相互独立或按块独立时，何种观测维度足以识别混合分布，并以何种速度估计其成分？
- 方法与思路
- 作者在子总体内独立或块独立条件下研究非参数混合模型，讨论维度与子总体数的关系，并详细构造双成分估计量。
- 材料陈述的贡献
- 摘要称，存在与成分数对应的识别维度门槛，分布与混合比例常可根号样本量一致估计，并给出双成分的显式构造。
- 阅读关注点
- 应核对识别定理的全部条件、维度门槛、独立性要求，以及分布、密度和混合比例估计各自的收敛速度。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出维度门槛及完整识别条件，不能将所有对象都认定为根号样本量收敛。
原文摘要
We consider mixture models in which the components of data vectors from any given subpopulation are statistically independent, or independent in blocks. We argue that if, under this condition of independence, we take a nonparametric view of the problem and allow the number of subpopulations to be quite general, the distributions and mixing proportions can often be estimated root-n consistently. Indeed, we show that, if the data are k-variate and there are p subpopulations, then for each p ⩾ 2 there is a minimal value of k, kp say, such that the mixture problem is always nonparametrically identifiable, and all distributions and mixture proportions are nonparametrically identifiable when k ⩾ kp. We treat the case p = 2 in detail, and there we show how to construct explicit distribution, density and mixture-proportion estimators, converging at conventional rates. Other values of p can be addressed using a similar approach, although the methodology becomes rapidly more complex as p increases.