估计学生t回归模型Matlab开发

此代码基于 RIS（递归重要性采样）和 MSL（最大模拟似然）程序，可用于时空自回归概率模型的估计。

matlab开发-自回归模型的最小距离估算。该软件包专门用于执行自回归模型中的最小距离估算。

包含3个.m文件：第一个文件使用CIR模型模拟期限结构，第二和第三个文件进行模拟并估计模型的参数。结果展示了200次运行的均值和标准差，验证滤波器的性能。详细信息请参考http://www.bankofcanada.ca/en/res/wp/2001/wp01-15a.pdf和/或Ren-Raw Chen和Louis Scott的文章“期限结构的多因素Cox-Ingersoll-Ross模型：来自卡尔曼滤波器模型的估计和测试”（房地产金融与经济杂志27，第2期，2003年，143-172页）。欢迎提出建议或评论。

matlab 的 AR 模型参数谱估计，算是信号里一个挺基础但蛮有用的工具了。主要是用yule-walker方程配上levinson-durbin算法搞定参数估计，整个过程也不复杂，尤其用 Matlab 现成的函数，基本上几行代码就能跑起来。 AR 建模的套路挺适合做功率谱估计的，像你要某段时间序列的频率成分，用这个方法还挺方便的。yule-walker那套思路本身就比较稳，加上levinson递推，效率也不错，是你不想自己推矩阵的时候，直接调用aryule这些函数，能省不少事。 想再深入了解的话，可以看看这几个链接： AR 模型功率谱估计的 Burg 算法优化，也是常用方法，比 yul

该文章专注于计算未配对或配对样本的学生t检验。此文档适用于样本大小相等或不相等的情况，以及配对或未配对的样本。在未配对样本检验时，使用Fisher-Snedecor F检验来评估方差的等性。如果方差不相等，则执行Satterthwaite的近似t检验。语法包括TESTT(X1, X2, TST, ALPHA, TAIL)，其中X1和X2是数据向量（必填），TST是未配对（0）或配对（1）测试类型（默认为0），ALPHA是显著性水平（默认为0.05），TAIL是单侧检验（1）或双侧检验（2）（默认为1）。

计算机视觉领域中，使用Matlab进行开发，专注于学生竞赛运动估计。本章节探讨了学生竞赛队如何通过计算机视觉训练来提升其技能。

这份文件专为估计用户传播提供MATLAB开发支持。

MATLAB 2015b 的高斯回归工具，确实挺方便。用fitrgp建个模型就能跑出结果，不用折腾一堆配置。你只要把数据整理好，输入特征放X里，响应变量放Y里，几行代码模型就出来了，响应也快，结果也靠谱。 高斯回归其实没那么玄乎，说白了就是线性回归+高斯误差。你看这公式：y = β₀ + β₁x₁ + ... + βₖxₖ + ε，是不是挺眼熟？误差项ε服从正态分布，噪声还挺自然。用 MATLAB 自带的工具箱，不用你去单独实现概率分布，省心不少。 创建模型就一句话：m = fitrgp(X, Y);默认用的是 RBF 核，适合大多数情况。如果你对模型参数有要求，可以加上'OptimizeHy

EstimHidden是一个专门用于非参数估计的包，适用于以下情况：1. 在观察到Z=X+noise1的卷积模型中估计X的密度；2. 在“变量误差”模型中估计函数b（漂移）和s^2（波动率），其中Z和Y遵循观察模型Z=X+noise1和Y=b(X)+s(X)noise2；3. 在随机波动率模型中估计函数b（漂移）和s^2（波动率），其中Z遵循观察模型Z=X+noise1，并且X_{i+1} = b(X_i) + s(X_i)noise2。对于噪声1的密度，我们考虑高斯（'正常'）、拉普拉斯（'symexp'）和log（Chi2）（'logchi2'）三种情况。