MEASUREMENT ERROR AND DECONVOLUTION IN SPACES OF GENERALIZED FUNCTIONS
广义函数空间中的测量误差与反卷积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：摘要研究一般测量误差和反卷积，未明确涉及所列分布效应、因果或结构估计目标。
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
广义函数空间中的测量误差与反卷积
- 研究问题
- 如何在允许奇异分布和多项式增长回归函数的环境中，分析测量误差及变量含误差回归的识别与反卷积？
- 方法与思路
- 作者在广义函数空间研究由独立性条件产生的卷积方程，使用 Fourier 变换分析识别、适定性及插件估计。
- 材料陈述的贡献
- 摘要称，该框架可处理不局限于绝对连续分布的对象，并给出广义函数拓扑下的识别、适定性及一致估计条件。
- 阅读关注点
- 应核对独立性条件、广义函数空间及其拓扑的定义，以及识别、适定性与插件估计一致性之间的逻辑关系。
- 阅读边界
- 仅据所给 Crossref 摘要，不能把广义函数拓扑中的结论直接转为通常函数范数结论；摘要未说明条件，也不推断刊本变化。
原文摘要
This paper considers convolution equations that arise from problems such as measurement error and nonparametric regression with errors in variables with independence conditions. The equations are examined in spaces of generalized functions to account for possible singularities; this makes it possible to consider densities for arbitrary and not only absolutely continuous distributions, and to operate with Fourier transforms for polynomially growing regression functions. Results are derived for identification and well-posedness in the topology of generalized functions for the deconvolution problem and for some regression models. Conditions for consistency of plug-in estimation for these models are provided.