بوتاسترپینگ (آمار): تفاوت میان نسخهها
محتوای حذفشده محتوای افزودهشده
جز ربات :جایگزینی پیوند قرمز Bradley Efron > بردلی افرون (۷.۱) |
جز ربات ردهٔ همسنگ (۲۶) +مرتب+ : + رده:نمونهسازی مجدد (آمار) |
||
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 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 اندازهگیری کنیم، تنها از یک
== موارد کاربر روش بوت استرپینگ ==
خط ۳۰:
=== بازنمونه گیری ===
بوت استرپ به طور کلی برای تقریب توزیع آمارهها مفید است، بدون استفاده از روشهای معمول تئوری مثل تستهای آماری
# [[الگوریتم مونت کارلو]] که برای استفاده در اینجا بسیار ساده نیز هست. ابتدا با جایگذاری از دادهها بازنمونه گیری میکنیم، اندازهٔ بازنمونه باید برابر اندازهٔ مجموعه دادهٔ اصلی باشد. سپس آمارهٔ مورد نظر با استفاده از بازنمونه به دست آمده از مرحلهٔ اول محاسبه میشود و اینکار چندین بار تکرار میشود تا جواب دقیقتری به دست آید.
# روش دقیق نیز شبیه [[مونت کارلو]] است با این تفائت که در این روش تمام بازنمونههای ممکن از مجموعهٔ دادهها محاسبه میشوند.
=== بوت استرپ نرم ===
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
# 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 ۸۲:
== مثالهایی از کاربردها ی بوت استرپ ==
=== کاربردهایی مربوط به تست
بوت استرپینگ یکی از مشهورترین متدهای آزمایش meidation است<ref>Preacher, K. J. , & Hayes, A. F. (2004).
=== بوت استرپ نرم شده ===
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.
خط ۱۰۶:
== 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=۱
== مبدا این اصطلاح ==
خط ۱۲۲:
[[رده:بازنمونه گیری]]
[[رده:تحلیل داده]]
[[رده:نمونهسازی مجدد (آمار)]]
|