Welches Problem wird mit statistischem Bootstrap gelöst?

Die Bootstrap-Methode zieht statistische Schlussfolgerungen über die Verteilungsmerkmale der Population auf der Grundlage der gegebenen Originalbeobachtungsinformationen der Stichprobe, ohne dass zusätzliche Informationen erforderlich sind.

Efron (1979) glaubt, dass diese Methode auch eine nichtparametrische statistische Methode ist. (Empfohlenes Lernen: Bootstrap-Video-Tutorial)

Die Bootstrap-Methode geht von den Beobachtungsdaten aus und erfordert keine Verteilungsannahmen. Für Parameterschätzungs- und Hypothesentestprobleme in der Statistik ist die Bootstrap-Methode geeignet Wird zum Generieren verwendet Der durch Bootstrapping von Stichproben berechnete Datensatz einer bestimmten Statistik kann verwendet werden, um die Stichprobenverteilung der Statistik widerzuspiegeln, dh um eine empirische Verteilung zu generieren. Auf diese Weise können wir auch dann, wenn wir uns über die Gesamtverteilung nicht sicher sind kann die Statistik und ihr Konfidenzintervall näherungsweise schätzen. Aus dieser Verteilung können Quantile ermittelt werden, die unterschiedlichen Konfidenzniveaus entsprechen – die sogenannten kritischen Werte, die weiter zum Testen von Hypothesen verwendet werden können.

Daher kann die Bootstrap-Methode viele Probleme lösen, die mit herkömmlichen statistischen Analysemethoden nicht gelöst werden können.

Im Implementierungsprozess von Bootstrap kann der Status von Computern nicht ignoriert werden (Diaconis et al., 1983), da Bootstrap viele Simulationsberechnungen erfordert.

Man kann sagen, dass die Bootstrap-Theorie ohne Computer nur leeres Gerede sein kann. Mit der rasanten Entwicklung von Computern hat sich die Berechnungsgeschwindigkeit erhöht und die Berechnungszeit stark verkürzt.

Wenn die Datenverteilungsannahme zu weit hergeholt oder die analytische Formel zu schwierig abzuleiten ist, bietet uns Bootstrap eine weitere effektive Möglichkeit, das Problem zu lösen. Daher hat diese Methode einen gewissen Nutzen und praktische Bedeutung in der biologischen Forschung.

Grund für die Anwendung von Bootstrap:

Tatsächlich besteht das erste, was bei der Durchführung einer Analyse zu tun ist, darin, den Typ der Zufallsvariablen zu bestimmen und dann Bestimmen Sie die Zufälligkeit. Welcher Verteilung gehorchen die Daten der Variablen?

Welche Verteilung ist entscheidend, da sie direkt bestimmt, ob sie analysiert werden kann. Beispiel: Wenn Sie eine Varianzanalyse durchführen, müssen Sie zunächst eine Normalverteilung anfordern. Wenn es sich nicht um eine Normalverteilung handelt, müssen Sie Abhilfemaßnahmen ergreifen.

Bootstrap ist auch nützlich, da die klassische Statistik relativ perfekt für die zentrale Tendenz ist, aber für einige andere Verteilungsparameter wie Median, Quartil, Standardabweichung, Variationskoeffizient usw. Es wird geschätzt unvollkommen sein, daher ist Bootstrap erforderlich.

Bootstrap ähnelt der klassischen statistischen Methode. Im Allgemeinen ist die parametrische Methode effizienter als die nichtparametrische Methode. Der größte Nachteil der parametrischen Methode besteht jedoch darin, dass sie ein Verteilungsmodell erfordert Wenn das Modell nicht übereinstimmt, sind die Analyseergebnisse möglicherweise falsch, das heißt, die Analyse ist vergeblich.

Weitere technische Artikel zu Bootstrap finden Sie in der Spalte Bootstrap-Tutorial.

Das obige ist der detaillierte Inhalt vonWelches Problem wird mit statistischem Bootstrap gelöst?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!