Matlab中的拟蒙特卡罗

我想使用准蒙特卡罗来尝试改进我正在运行的模拟的收敛性

随机数只是为了产生标准线性回归模型的观测误差。然后使用多种不同的回归技术对其进行估计。重复进行此操作以估计每个模型的均方误差

我对准蒙特卡罗相当陌生，但在这种情况下可能会有所帮助，我只是用它来生成10k随机数。一般来说，我可以预期（1/n）阶的收敛速度比n^（-0.5）阶更快：

然而，它也指出QMC数字并不是真正随机的，所以我只是想知道，对于我可能想要对结果进行的任何统计测试，其含义可能是什么

1.）我想我想知道的是MC v QMC的利弊。（如果QMC可用，您是否始终希望使用它？） 2.）我可以使用哪些测试来确定哪种最适合我的应用？（似乎任何依赖于数字是否真正随机的测试都会失败？）

我知道这可以在Matlab中使用

q = qrandstream('halton',NSteps,'Skip',1e3,'Leap',1e2); 
RandMat = qrand(q,NRepl); 
z_RandMat = norminv(RandMat,0,1);

摘自本文

似乎还有其他低差异数字，如Matlab中可用的Sobol序列，我想再次了解我可以使用哪些测试来确定哪个最适合我的情况

---

Baz

如果你在这里没有得到一个好的答案，你可能会在计算科学StackExchange网站上有更多的运气。我同意@Aesin的观点，你的问题可能不是这个网站的主题，可能是一个更好的问这个问题的地方。我自己的两分钱：许多QMC问题与统计上的随机性没有多大关系，而是有效地填充/探索高维空间，使用“真正的随机性”可能会带来挑战。