Eksik Veri ile Bootstrap Simülasyonu
Bootstrap Simulation with Missing Data Handling · Ayrıca şöyle bilinir: bootstrap with missing data, bootstrap imputation simulation, resampling under missingness, bootstrap MI
Eksik veri ile bootstrap simülasyonu, yeniden örnekleme tabanlı varyans tahminini eksik gözlemlerin ilkeli bir şekilde ele alınmasıyla birleştirir. Vakalari silmek veya tam veri varsaymak yerine, yöntem, eksiklikten kaynaklanan ek belirsizliği nihai standart hatalara ve güven aralıklarına yayarak, doğrudan bootstrap döngüsüne önyükleme (imputation) veya ağırlıklandırma entegre eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bu yöntemi, eksik veriler varlığında geçerli standart hatalara ve güven aralıklarına ihtiyaç duyduğunuzda ve (i) standart hatalar için analitik formül mevcut değilse veya güvenilmezse ya da (ii) hem örnekleme hem de önyükleme belirsizliğini ele alan tek bir tutarlı yeniden örnekleme çerçevesi istediğinizde kullanın. Özellikle MAR verileriyle karmaşık tahminciler (regresyon katsayıları, aracılık etkileri, niceleyiciler) için uygundur. MNAR verileriyle ve hassasiyet modeli belirtilmemişse bundan kaçının — hiçbir yeniden örnekleme yöntemi ek varsayımlar olmadan göz ardı edilemeyen eksiklikten çıkarım yapamaz. Ayrıca, eksik veri oranı çok yüksekse (>%50) ve önyükleme modeli yetersiz belirtilmişse bundan kaçının, çünkü bootstrap tahminleri oldukça değişken olabilir.
Güçlü yönler & sınırlılıklar
- Önyükleme belirsizliğini, ayrı bir adım olarak Rubin'in havuzlama kurallarına gerek kalmadan güven aralıklarına yayar.
- Analitik standart hataların mevcut olmadığı, kayan noktalı olmayan veya parametrik olmayan istatistikler de dahil olmak üzere herhangi bir tahminci ile çalışır.
- Döngü içinde önyükleme motorunun esnek seçimi: MICE, rastgele orman önyüklemesi veya öngörücü ortalama eşleştirmesi.
- BCa aralıkları, bootstrap dağılımındaki yanlılık ve çarpıklık için düzeltme yaparak kapsama alanını iyileştirir.
- Standart yazılımlarda (R mice + boot, Python scikit-learn) uygulaması hesaplama açısından basittir.
- Hesaplama açısından yoğundur: B kopya her biri tam bir önyükleme çalıştırması gerektirir, bu da maliyeti B ile çarpar.
- Eksik veri oranı yüksek ve önyükleme modeli yanlış belirtilmişse, bootstrap varyansı gerçek varyansı hafife alabilir.
- Doğru belirtilmiş bir hassasiyet modeli olmadan MNAR altında çıkarımı kurtarmaz.
- Her bootstrap örneği içinde güvenilir bir önyükleme modeli uydurmak için yeterli tam veri gözlemi gerektirir.
SSS
Bootstrap döngüsünden önce mi yoksa içinde mi önyükleme yapmalıyım?
Her zaman döngünün içinde. Tüm veri kümesinde bir kez önyükleme yapıp ardından bootstrap yapmak, önyüklenmiş değerleri bilinen olarak kabul eder, yapay olarak varyansı azaltır. Her kopya içinde yeniden önyükleme yapmak, eksik verilerden kaynaklanan ek belirsizliği doğru bir şekilde yansıtır.
Kaç bootstrap kopyasına ihtiyacım var?
Standart hata tahminleri için en az 1000 kopya ve kuyruğa duyarlı aralıklar (95% yüzde veya BCa) için en az 2000 kopya. Pahalı önyükleme modelleriyle, 500 kopya pragmatik bir alt sınır olabilir, ancak sonuçlar kararlılık açısından kontrol edilmelidir.
Bu, Rubin kurallarıyla çoklu önyükleme ile aynı şey midir?
Aynı soruna farklı şekillerde yaklaşırlar. Rubin kuralları m adet önyüklenmiş veri kümesini analitik olarak birleştirir ve önyükleme modelinin uyumlu olmasını (uygun) gerektirir. Bootstrap-içinde-önyükleme yaklaşımı, toplam varyansı parametrik olmayan bir şekilde tahmin eder ve uygunluk koşullarına daha az duyarlıdır, bu da onu karmaşık tahminciler için daha sağlam hale getirir.
Veriler MNAR olduğunda bunu kullanabilir miyim?
Eksiklik mekanizması için açık bir hassasiyet modeli olmadan olmaz. MNAR, eksik olma olasılığının gözlemlenmemiş değere bağlı olduğu anlamına gelir, bu nedenle hiçbir yeniden örnekleme şeması ek varsayımlar olmadan yanlı çıkarım kurtaramaz. Örüntü-karışımı veya seçim modelleri, bootstrap varyans tahmini ile birlikte kullanılmalıdır.
Bu yöntemi hangi yazılımlar uygular?
R'de, mice paketi boot ile birleştirildiğinde temiz bir iş akışı sağlar; bootImpute paketi Bartlett-Hughes bootstrap-MI entegratörünü doğrudan uygular. Python'da, sklearn.impute özel bir bootstrap döngüsüyle birlikte aynı sonucu elde eder.
Kaynaklar
- Efron, B. & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman and Hall/CRC. ISBN: 978-0412042317
- Little, R. J. A. & Rubin, D. B. (2019). Statistical Analysis with Missing Data (3rd ed.). Wiley. ISBN: 978-0470526798
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bootstrap Simulation with Missing Data Handling. ScholarGate. https://scholargate.app/tr/bayesian/bootstrap-simulation-with-missing-data
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Eksik Veri ile Bayesci ÇıkarımBayesçi↔ karşılaştır
- Eksik Verilerle Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Eksik Veriyle Monte Carlo SimülasyonuBayesçi↔ karşılaştır
- Çoklu Atamaİstatistik↔ karşılaştır
- Eksik Veriyle Sıralı Monte CarloBayesçi↔ karşılaştır