超参数重估计

正态分布参数估计命令：[muhat, sigmahat, muci, sigmaci] = normfit(X, alpha) (默认alpha为0.05)其中：- muhat：均值点估计- sigmahat：标准差点估计- muci：均值区间估计- sigmaci：标准差区间估计

正态总体参数估计 命令：normfit(X, alpha) 显著性水平alpha缺省为0.05 返回值： muhat：均值点估计值 sigmahat：标准差点估计值 muci：均值的区间估计 sigmaci：标准差的区间估计

对于其他分布参数估计，可以采用两种方法：1. 当样本容量充分大时（n>50），根据中心极限定理，近似服从正态分布。2. 使用 MATLAB 工具箱中提供的特定分布函数进行估计：- [muhat, muci] = expfit(X,alpha)：在显著性水平 alpha 下，计算指数分布数据 X 的均值的点估计和区间估计。- [lambdahat, lambdaci] = poissfit(X,alpha)：在显著性水平 alpha 下，计算泊松分布数据 X 的参数的点估计和区间估计。- [phat, pci] = weibfit(X,alpha)：在显著性水平 alpha 下，计算 Weibull 分布数据 X 的参数的点估计和区间估计。

专为医学生、临床医生和公共卫生医师打造的卫生统计学第八版学习资料，深入讲解参数估计的各种方法，助力提升统计学分析能力。

第六章参数估计习题6.1中，对三种统计量进行了无偏性验证和有效性比较，结论是它们均为总体均值µ的无偏估计。然而，仅有第一种估计在方差存在时表现出较差的有效性。此外，讨论了参数θ的无偏估计性质及其在方差条件下的影响。

参数估计可以通过矩法和最大似然法来进行点估计。使用MLE函数进行常见分布的参数估计，实现了参数的区间估计。MATLAB统计工具箱提供了多种参数估计函数，详细内容请参考相关文档。

本研究探讨了泊松分布参数的点估计和区间估计方法，并证明样本均值是参数λ的有效估计量。此外，本研究利用贝叶斯统计分析方法，在先验分布为共轭分布的情况下，推导出最大后验密度可信区间，即最短可信区间。通过实例分析，将该区间估计方法与经典区间估计方法进行了比较。

北京科技大学《系统辨识与参数估计》课程简介，详细介绍了系统辨识与参数估计的基本概念和应用。

使用范数正则化和期望最大化技术，介绍了在MATLAB环境下开发的SON-EM算法，用于混合时变参数系统的参数估计。

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。