Bootstrap Resampling: Statystyczne Wywnioskowanie Bez Założeń

Próbkowanie z powtórzeniami

Klasyczna statystyka opiera się na założeniach: rozkład normalny, wystarczająco duży rozmiar próby dla twierdzenia granicznego Marshalla-Cumminga, formuła na standardowy błąd dla konkretnej statystyki. Próbkowanie bootstrapowe omija wszystkie te założenia. Biorąc pod uwagę n obserwacji, wyciągnij próbkę bootstrapową wielkości n wartości losowo z powtórzeniami z oryginalnych danych — każda obserwacja może pojawić się zero, raz lub wiele razy. Oblicz statystykę T* na tej próbie bootstrapowej, powtarzaj to B razy (zwykle 1000-10000) i rozrzut wartości T* bezpośrednio przybliża zmienność próbną statystyki T.

1. Oblicz T_obserwowane z oryginalnej próby n obserwacji 2. Wyciągnij x*1 .. x*n próbując n wartości losowo z powtórzeniami z oryginalnych danych 3. Oblicz T* z próby bootstrapowej 4. Powtarzaj kroki 2-3 B razy → T*1 .. T*B 5. Podsumuj rozkład T* → przedział ufności, standardowy błąd Empiryczny rozkład — prawdopodobieństwo 1/n na każdą obserwację — jest najlepszym nieparametrycznym oszacowaniem prawdziwego rozkładu populacji, więc próbkowanie z niego naśladuje próbkowanie z prawdy. W średnim przypadku każda próba zawiera około 1 − e⁻¹ ≈ 63,2% unikalnych oryginalnych obserwacji; pozostałe ~36,8% stanowią podstawę oszacowania błędu poza bagiem w lasach losowych.

1. Compute T_obs from the original n observations
2. Draw x*1 .. x*n by sampling n values with replacement
3. Compute T* from the resample
4. Repeat steps 2-3 B times → T*1 .. T*B
5. Summarise the T* distribution → CI, standard error

Przykładowe zastosowanie resamplingu

Najprostszym podejściem jest metoda percentyli: sortujemy statystyki B z resamplingów i przyjmujemy 2.5-ty i 97.5-ty centyl jako przedział ufności 95%. Metoda bias-corrected and accelerated (BCa) wprowadza dwie korekty – współczynnik korygujący błąd dla skośności i współczynnik przyspieszający, oszacowany metodą jackknife, co daje lepsze pokrycie dla skośnych statystyk. Metoda bootstrap-t (studentyzowana) standardyzuje każdy resampling przez jego własny bootstrapowy odchylenie standardowe i jest najbardziej dokładna, ale też najbardziej wymagająca obliczeniowo, wymagając zagnieżdżonego resamplingu.

Kiedy go używać, i jakie są jego ograniczenia

Bootstrap błyszczy tam, gdzie teoria klasyczna jest nieobecna lub niewiarygodna — przedział ufności współczynnika korelacji, średnia wycieniowana, korelacja rangowa Spearmana, obszar krzywej ROC. Metody klasyczne nadal wygrywają, gdy ich założenia rzeczywiście się spełniają, dając dokładne przedziały z mniejszymi obliczeniami. Bootstrap nie może naprawić oszacowania obciążonego lub nieprzedstawiającego próby — szacuje zmienność próbną, nic więcej. Standardowy bootstrap zakłada niezależne i identycznie rozłożone dane; dla szeregów czasowych lub danych z grupami (uczniowie w szkołach, pacjenci w szpitalach), używa się bootstrapa blokowego lub bootstrapa grupowego, aby zachować strukturę korelacji.

Zastosowania w świecie rzeczywistym

Random Foresty wykorzystują oszacowanie out-of-bag bootstrap do oceny błędu generalizacji bez oddzielnego zbioru testowego. Badania kliniczne używają przedziałów ufnych bootstrapowych dla skośnych porównań czasów przeżycia. Wartość ryzyka i oczekiwany krótki termin w finansach są obliczane za pomocą symulacji historycznych, które z kolei stanowią formę bootstrapowania. Niezawodność drzew filogenetycznych jest raportowana jako wartości wsparcia bootstrapa, a krajowe agencje statystyczne wykorzystują metody oparte na powiązanych wagach do obsługi złożonych projektów badań stratyfikowanych.

Frequently asked questions

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz the simulation i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.