统计模型的可识别性

若两个参数产生完全相同的可观测分布，重复同一种实验只会得到同一个乘积分布，样本量再大也没有区分它们的依据。问题出在实验没有编码所需差异，并非优化器或估计方法不够强；因此可识别性位于一致估计、标准误和区间估计之前。

不可识别常来自冗余坐标、群对称、潜变量缺失或观测通道把不同状态合并。应对方式也要匹配原因：删去冗余坐标、把目标改成等价类、施加有科学含义的约束，或收集能打破对称的新类型观测。任意规定一个标签顺序只能选定表示，不能凭空增加数据证据。

正态模型 $N(\mu ,{\sigma }^2)$ 在参数空间 $\mu \in \mathbb{R},\sigma >0$ 上可识别，因为相同分布必有相同均值与方差。若允许 $\sigma \in \mathbb{R}\setminus \{0\}$，则 $\sigma$ 与 $-\sigma$ 产生同一分布；改用 $v={\sigma }^2>0$ 删除的是坐标冗余，不是增加模型假设。

两成分混合

在不加约束时具有标签交换：

完整有序三元组不可识别，但混合分布本身以及按标签置换取商后的成分集合仍可能可识别。约束 ${\mu }_1<{\mu }_2$ 能在非退化区域选出代表；到 ${\mu }_1={\mu }_2$ 时，两个成分合并，混合权重也失去识别，说明标签约束没有修复模型边界。

医学筛查给出更实际的观测机制例子。设患病率为 $p$，检测灵敏度为 $s=P(Y=1\mid D=1)$，特异度为 $c=P(Y=0\mid D=0)$。若只看到检测阳性 $Y$、没有金标准诊断 $D$，则

无论积累多少同类筛查结果，都只识别这个阳性率，不能同时恢复 $(p,s,c)$。独立校准研究若已知 $s,c$ 且 $s+c>1$，才可由 $p=\{P(Y=1)-(1-c)\}/(s+c-1)$ 识别患病率；当 $s+c=1$ 时，检测结果与疾病状态无关，公式分母归零。可识别性因此属于“潜在模型、观测映射和已知设计信息”的整体。

边界与失败情形 ​

可识别并不表示容易估计。两个分布虽然不同，却可能在总变差、Hellinger 或 Kullback–Leibler 距离上极近；有限样本下它们仍难区分。弱识别描述映射在局部几乎退化的情形，常表现为Fisher 信息公理库Score 与 Fisher 信息Score function · Fisher information对数似然的局部参数导数、其模型内二次平均，以及零均值和曲率等式成立的正则条件。接近奇异、似然长而平，或估计分布对小扰动异常敏感。

反过来，不可识别不表示数据毫无信息。若只观测 $Y={\theta }^2+\epsilon$，符号通常不可识别，$|\theta |$ 或 ${\theta }^2$ 却仍是合法目标。推断报告应落在数据真正识别的商空间上，而不是把“不能恢复原坐标”夸大成“什么都不能推断”。

只检查有限个矩相同通常不足以证明分布相同，也不足以证明不可识别；除非该分布族已知由这些矩唯一决定。某一份数据给两个参数相同的似然公理库似然函数Likelihood function固定可观测数据后，由共同支配密度定义、仅在参数间作相对比较的似然函数。值同样不构成不可识别，因为定义比较的是全部可能观测的分布，而非一个样本点上的平局。

结构可识别性是总体分布层面的性质；有限样本的不确定性、后验多峰与优化局部极值是相关但不同的问题。数值算法找不到唯一解可能源自样本噪声或非凸计算，不能单独证明模型不可识别；模型可识别也不能保证优化目标只有一个有限样本极值。

可识别性是一致估计公理库估计量的一致性Consistency of estimators · Consistent estimator估计误差随实验规模增长而消失的点态、统一、弱与强收敛性质及其证明边界。的必要条件。若 $P_{\theta }^{(n)}=P_{{\theta }^{\prime }}^{(n)}$ 对所有 $n$ 成立，而同一估计量序列分别依概率收敛到 $g(\theta )$ 与 $g({\theta }^{\prime })$，依概率极限的唯一性迫使两目标相等。这个短证明确认了障碍来自概率律，而不依赖所选算法。

潜变量模型、因果模型、矩阵分解和神经网络常带置换、缩放或旋转对称性。实践中应先写出观测等价类，再决定是添加实验信息、施加可辩护的规范化，还是只报告预测分布等可识别目标。随后才有理由研究渐近方差、置信区间和计算误差。