Regression model

بوت استرپ وحشی برای استنتاج رگرسیون

بوت استرپ وحشی یک روش نمونه‌گیری مجدد برای مدل‌های رگرسیون با خطاهای ناهمسانی واریانس است که توسط وو (۱۹۸۶) معرفی و توسط دیویدسون و فلاشر (۲۰۰۸) اصلاح شد. این روش با تغییر مقیاس هر باقیمانده برازش‌شده با یک علامت تصادفی، یک توزیع بوت استرپ ایجاد می‌کند، به طوری که خطاهای استاندارد و فواصل اطمینان در مواردی که واریانس خطا ثابت نیست یا داده‌ها خوشه‌بندی شده‌اند، معتبر باقی می‌مانند.

به‌کارگیری با StatMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

+1 more

منابع

  1. Wu, C. F. J. (1986). Jackknife, Bootstrap and Other Resampling Methods in Regression Analysis. Annals of Statistics, 14(4), 1261-1295. DOI: 10.1214/aos/1176350142
  2. Davidson, R., & Flachaire, E. (2008). The Wild Bootstrap, Tamed at Last. Journal of Econometrics, 146(1), 162-169. DOI: 10.1016/j.jeconom.2008.08.003

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 1). Wild Bootstrap for Regression Inference. ScholarGate. https://scholargate.app/fa/statistics/wild-bootstrap

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

ارجاع‌شده در

ScholarGateWild Bootstrap (Wild Bootstrap for Regression Inference). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/statistics/wild-bootstrap · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026