Bootstrap to mechanizm statystyki i ekonometrii, który koncentruje się na resamplingu danych w losowej lub losowej próbce. Jego głównym zastosowaniem jest znalezienie aproksymacji rozkładu analizowanej zmiennej.
Proces ten jest również znany w żargonie statystycznym jako bootstrapping i jest wynikiem badań w dziedzinie statystycznego pobierania próbek przez matematyka Bradleya Efrona pod koniec lat siedemdziesiątych.
Narzędzie Bootstrap
Główną użytecznością stosowania metody bootstrap jest zmniejszenie błędu systematycznego w analizie lub, innymi słowy, przybliżenie wariancji poprzez wykonanie losowego ponownego próbkowania próbki początkowej, a nie populacji. W ten sposób konstruowanie modeli statystycznych jest ułatwione poprzez tworzenie przedziałów ufności i testów hipotez.
Chociaż a priori może się to wydawać bardzo złożoną praktyką, procedura, na której opiera się ładowanie początkowe, polega po prostu na tworzeniu dużej liczby próbek zmieniających położenie danych, przyjmując jako odniesienie początkową próbkę populacyjną.
Ta technika jest szczególnie przydatna w sytuacjach, gdy dostępne próbki są małe lub, jak wspomniano wcześniej, gdy rozkład jest mocno skośny. W tym sensie pomagają rozwiązać wiele problemów prawdopodobieństwa i statystyki stosowanej.
Funkcje Bootstrapa
Jedną z głównych cech tej praktyki jest to, że wiąże się ona z ponownym próbkowaniem w celu uzyskania wyrażeń zamkniętych i rozwiązania matematycznej złożoności tych operacji. Wraz z rozwojem komputerów i narzędzi technologicznych w ostatnich latach łatwiej było liczyć na zastosowanie ładowania początkowego do złożonego resamplingu.
Technika resamplingu pozwala nam pójść dalej przy badaniu próbek danych z określonej populacji. Innymi słowy, pozwala na tworzenie lub tworzenie nowych założeń poprzez podstawianie dodatkowych wartości z próbki.
Zalety Bootstrapa
Pozytywnym aspektem resamplingu bootstrap jest uproszczenie metod statystycznych w tym sensie, że zastąpiło konstruowanie klasycznych i bardzo złożonych modeli matematycznych obliczeniami przy użyciu specjalnego oprogramowania, co poprawiło ich przydatność lub dostęp do innych dziedzin lub badań.
Idąc tym tropem, zwykle uważa się, że mechanizm ten jest znacznie bardziej otwarty lub dostępny w porównaniu z klasycznymi modelami i założeniami, co czyni go użytecznym narzędziem dla dużej liczby problemów matematycznych.
Przedział ufności