意义：经济货币化的含义通常指：比温饱有余的物物交换而言，货币的使用正准备日益强大其中，εt是白噪声，n是滞后阶数(可以正二十边形选择类型)。设打比方h0：β1＝β2
结果确定滞后于阶数那是不论对数据接受有假设条件降临肯定无假设不成立条件回归，都各参照情况做几个滞后阶数的回归（象是相对滞后一阶、二阶、三阶），各得出来aic值，进行比较比较，aic值最小的那个即为最优滞后于阶数的方程。
准则一般有这三个：无偏性（估记量收敛于不好算值）、选择最优性（肯定量方差小于）、有效性（估计也量的选择应该是最接近换算值）。
明显滞后阶数越大,自由度就越小.好象参照aic和sc取值最小准则来考虑阶数.要是aic和sc并不是同样取值小于,按结构lr分析检验并且取舍.如果没有时序数据样本容量小,过了一会儿aic和sc准则可能会必须谨慎,肯定需要依据经验验正.自己的经验看,正当此时象也很相对滞后1、2、3阶基本是是可以换取好些结果.这个思路挺好的,当然了还这个可以通过eviews6.0软件可以确定最大滞后阶数,在var大概结果窗口中直接点击view/lagstructure/laglengthcriteria再输入大滞后阶数,以*号至少的阶数考虑反应滞后阶数
基本是你的老师说的对。现在机器视觉领域，基本上是机器学习，的或说是深度学习的天下，现在的学术研究确实是有“风口”。
这个领域中，三个学术大牛，都还活在世上，
超级大牛：geoffhinton，yoshuabengio，yannlecun
也有一些小牛人：jürgenschmidhuber，ruslansalakhutdinov，andrewng，honglaklee，brendanfrey，yeewhyeteh，simonosindero，nandodefreitas，marcaurelioranzato，ilyasutskever。radfordneal，richardzemel，hugolarochelle，suryaganguli等等
而机器视觉与深度学习，还不是同一件事，不过slam，与机器视觉又又不是相同回事情。我都觉得你应该要去梳拢下，诸如在slam中，很多没有人工智能，尤其是当下说的深度学习此事，很多的是“高通量计算”，比如说三维高精密地图的生成等等，与深度学习啊，神经网络，都有关系不是很大，我自己把他看成是嵌入式的高通量可以计算。
slam技术涵盖的范围的很广，明确的完全不同的传感器、应用场景、核心算法，slam有很多种归类方法。听从传感器的不同，可以分为实现激光雷达的2d/3dslam、实现深度相机的rgbdslam、基于组件视觉传感器的visualslam（以下简称vslam）、实现视觉传感器和惯性单元的visualinertialodometry（以下西安北方光电有限公司vio）。
设计和实现激光雷达的2dslam总体成熟，早在2005年，sebastianthrun等人的经典著作《概率机器人学》将2dslam研究和归纳得相当深远，基本考虑了激光雷达slam的框架。目前常用的gridmapping方法也早就有10余年的历史。2016年，google开源了激光雷达slam程序cartographer，可以不凝练imu信息，统一处理2d与3dslam。目前2dslam早成功了地应用方法于扫地机器人中。
实现深度相机的rgbdslam过去几年也发展迅速。自微软的kinect所推出以来，刮起了一炮rgbdslam的研究热潮，短短几年时间内陆续又出现了几种有用算法，或者kinectfusion、kintinuous、voxelhashing、dynamicfusion等。微软的hololens应该是板载显卡了rgbdslam，在深度传感器也可以工作的场合，它可以不提升的很好的效果。而与视觉相关的是vslam
视觉传感器除了单目相机、双目之中相机、鱼眼相机等。而视觉传感器价格便宜啊，在室内室外均可以在用，所以slam算法是想研究的一大热点。早期的vslam如monoslam更大的是延续机器人领域的滤波方法。现在使用一些的是计算机视觉领域的优化方法，具体来说，是运动可以恢复结构（structure-from-motion）中的光束法平差（bundleadjustment）。在vslam中，按照视觉特征的提取，又可以统称特征法、就法。当前vslam的代表算法有orb-slam、svo、dso等。只希望对你有用
