Identification of mixture models using support variations

ما مسئله شناسایی مدل های مخلوط غیرمستقیم مداوم را در نظر می گیریم. در این مدل، تمام متغیرهای مشاهده شده به یک جزء رایج و غیرقابل مشاهده بستگی دارند، اما به طور متقابل مستقل هستند. چنین ساختاری به عنوان مثال به خطای اندازه گیری، تطبیق و مدل های حراج اعمال می شود. رویکردهای سنتی به مفروضات پارامتری یا محدودیتهای عملکردی قوی متکی هستند. ما نشان می دهیم که این مدل ها به صورت غیر پارامتر مشخص می شوند، اگر پشتیبانی از متغیرهای مشاهده شده با مقدار اجزای غیرقابل مشاهده حرکت کند. علاوه بر این، این فرض غیر پارامتری قابل آزمون است، با استفاده از ابزارهای تئوری ارزش شدید. ما یک آزمایش مناسب را ایجاد می کنیم و خواص آستانه ای آن را می یابیم.