بوتاسترپینگ (آمار): تفاوت میان نسخهها
محتوای حذفشده محتوای افزودهشده
جز ویکیسازی رباتیک(۶.۸) >الگوریتم مونت کارلو، آزمون فرض آماری، خطای استاندارد، استنباط آماری، [[بازهٔ اطمینا... |
ابرابزار، اصلاح املا، اصلاح نشانی وب |
||
خط ۱:
در [[آمار]]، '''بوت استرپینگ''' {{انگلیسی|Bootstrapping}} یک متد کامپیوتری است برای نسبت دادن معیار دقت به تخمینهای دادهٔ نمونه ([[Bradley Efron|Efron]] و[[Robert Tibshirani|Tibshirani]]
بوت استرپینگ در واقع تخمین ویژگیهای (مثل واریانس) یک تخمین زنندهاست با استفاده از [[
همچنین از بوت استرپینگ میتوان در ساخت [[آزمون فرض آماری]] استفاده کرد. از این روش معمولاً به عنوان جایگزینی برای متدهای استنباطی بر پایه فرضهای پارامتری هنگامی که در مورد این فرضها شک داشته باشیم استفاده میشود. یا مواردی که استنباط پارامتری غیر ممکن باشد یا برای محاسبهٔ خطای استاندار فرمول محاسباتی پیچیده شود از بوت استرپینگ استفاده میکنیم.
خط ۱۲:
== توصیف غیر رسمی ==
بوت استرپینگ این امکان را برای یک نفر فراهم میسازد که تعداد زیادی نسخهٔ جایگزین از یک آماره را که به طور معمول از یک نمونه محاسبه میشود را جمع آوری کند. به عنوان مثال، فرض کنید که ما علاقهمند به جمع آوری اطلاعات در مورد قد افراد در جهان هستیم. به دلیل اینکه نمیتوانیم کل جمعیت را
== موارد کاربر روش بوت استرپینگ ==
خط ۴۵:
# مدل را برازش کن و مقادیر <math>\hat y_i</math> و باقیماندهها <math>\hat{\epsilon}_i = y_i - \hat{y}_i, (i = 1,\dots, n)</math>.
را بازیابی کن.
# به ازای هر جفت, (''x<sub>i</sub>'', ''y<sub>i</sub>''), که در آن ''x<sub>i</sub>'' متغیر توضیحی است، یک بازنمونه تصادفی باقیمانده اضافه کن،<math>\hat{\epsilon}_j</math>، به جواب متغیر ''y<sub>i</sub>''. به بیان دیگر متغیرهای ساختگی جواب <math>y^*_i = \hat{y}_i + \hat{\epsilon}_j</math> را که در آن ''j'' [[متغیر تصادفی]] انتخاب شده از لیست (
# مدل را مجدداً برازش کن با استفاده از متغیرهای ساختگی ''y*<sub>i</sub>'' و بازیابی کمیتهای مورد نظر
# مراحل ۲و ۳ را به تعدادی که از نظر آماری معنی دار باشد تکرار کنید.
خط ۵۶:
=== بوت استرپ بلاک متحرک ===
در این روش n-b+
b+
== انتخاب آماره- گردان ==
خط ۶۴:
* تولید نمونههای بوت استرپ از آمارهٔ جدید (میانگین تقسیم بر [[انحراف معیار]] نمونه)، ساخت یک فاصلهٔ اطمینان برای این، سپس فاصلهٔ اطمینان نهایی برای میانگین از ضرب کردن نقاط انتهایی از فاصلهٔ اطمینان اولیه در انحراف معیار نمونهای از نمونهٔ اصلی به دست میآید.
تایج متفاوت خواهند بود و نتایج [[
==
راههای زیادی برای استفاده از توزیع بوت استرپ در محاسبه فاصلهٔ اطمینان برای آمارههای
=== تاثیر اریبی و فقدان تقارن روی فاصلههای اطمینان بوت استرپ ===
خط ۷۶:
این متدها شامل متدهای زیر میباشند:
* '''بوت استرپ بر حسب درصد'''
* '''بوت استرپ
* '''بوت استرپ استیودنت شده'''
* '''بوت استرپ اریب-درست شده'''
خط ۸۲:
== مثالهایی از کاربردها ی بوت استرپ ==
=== کاربردهایی مربوط به تست [//en.wikipedia.org/w/index.php?title=Mediation_(statistics)&oldid=420102979 Mediation] === بوت استرپینگ یکی از مشهورترین متدهای آزمایش meidation است
▲بوت استرپینگ یکی از مشهورترین متدهای آزمایش meidation است <ref>Preacher, K. J. , & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, and Computers, 36, 717–731 [http://www.comm.ohio-state.edu/ahayes/sobel.htm Macros for SAS and SPSS]</ref>. زیرا نیاز به فرض نرمال بودن ندارد و بعلاوه از آن میتوان در مواردی که اندازهٔ نمونه کوچک است استفاده کرد (N <20).
بوت استرپینگ روشی است که معمولاً برای تقریب فاصله اطمینانها برای میانه استفاده میشود. اگرچه میانه یک آماره گسستهاست، و این حقیقت خودش را در توزیع بوت استرپ نشان میدهد.
برای هموار کردن گسستگی میانه، ما میتوانیم مقدار کمی از ''N''(
برای نمونهای با اندازهٔ ''n'' انتخاب میکنیم <math>\sigma = 1/\sqrt n</math>.
هیستوگرامهای توزیع بوت استرپ و توزیع هموار شدهٔ بوت استرپ در زیر مشخص اند. توزیع بوت استرپ بسیار دندانه دار است زیرا میانه تنها مقادیر کمی را میتواند بپذیرد. اما توزیع بوت اترپ نرم شده بر این مشکل غلبه میکند.
سطر ۱۰۶ ⟵ ۱۰۳:
== یو-آمارهها (U-Statistics) ==
{{Main|U-statistic}}
در مواردی که یک آمارهٔ مشخص تنها با استفاده از عددی کوچک میتواند طراحی شود تا یک مشخصهٔ مورد نیاز را اندازه بگیرد، ''r''، از آبتمهای داده، یک آمارهٔ متناظر بر اساس تمام نمونه میتواند فرمول بندی شود. اگر یک r-نمونه از اماره داده شده باشد، میتوان یک n-نمونه از آماره را با روشی شبیه بوت استرپینگ ساخت (با گرفتن میانگین از آماره روی کل زیر نمونهها با اندازهٔ r). این پروسه به عنوان پروسهای با ویژگیهای خوب شناخته میشود و نتیجه یک U-statistic است. برای r=
== مبدا این اصطلاح ==
استفاده از این نام در آمار توسط Bradley Efron در "Bootstrap methods: another look at the jackknife," Annals of Statistics, 7, (1979)
== منابع ==
|