Bayesçi Bootstrap (Rubin)
Rubin's Bayesian Bootstrap · Ayrıca şöyle bilinir: Bayesian Bootstrap (Rubin), Rubin bootstrap, Dirichlet-weighted bootstrap
Donald B. Rubin tarafından 1981'de tanıtılan Bayesçi Bootstrap, her bir gözleme bir Dirichlet dağılımından çekilen rastgele bir ağırlık atayarak sıklıkçı bootstrap'in Bayesçi bir karşılığını üreten bir yeniden örnekleme yöntemidir. Bir istatistik için tam bir sonsal dağılım verir ve önsel bilginin dahil edilmesine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemlerin bağımsız olduğu ve normalite varsayımı yapmadan tanımlayıcı veya öngörücü bir istatistik için sonsal bir dağılım istediğinizde Bayesçi Bootstrap'i kullanın. Sürekli veya kategorik veriler için uygundur ve tutarlı bir sonsal dağılımın değerli olduğu küçük örneklemlerde, yaklaşık 10 gözlem olduğunda ve ideal olarak B ≥ 1000 tekrar olduğunda yardımcı olur. Çok küçük örneklemler (yaklaşık 20'nin altı) için uygun değildir, çünkü Dirichlet ağırlıkları kararsız hale gelir.
Güçlü yönler & sınırlılıklar
- Bir istatistik için sadece noktasal bir tahmin değil, tutarlı bir Bayesçi sonsal dağılım üretir.
- Normalite varsayımı yapmaz ve sürekli veya kategorik verilerle çalışır.
- Önsel bilginin dahil edilmesine olanak tanır ve orta derecede küçük örneklemlerde kararlı sonsal dağılımlar verir.
- Yaklaşık 20'den az gözlem olduğunda Dirichlet ağırlıkları kararsız hale gelir ve standart bootstrap tercih edilir.
- Yaklaşık 10 gözlemden az olduğunda sonsal dağılım güvenilmezdir.
- Bağımsız gözlemler ve doğru sonsal dağılımlar için yeterli sayıda tekrar (B ≥ 1000) gerektirir.
SSS
Bayesçi Bootstrap, sıradan bootstrap'ten nasıl farklıdır?
Sıradan bootstrap, her birine rastgele bir tamsayı sayım veren gözlemleri yerine koyarak yeniden çekerken, Bayesçi Bootstrap tüm gözlemleri tutar ve onlara toplandığında bire eşit olan sürekli Dirichlet ağırlıkları atar. Sonuç, bir örneklem dağılımı yerine bir sonsal dağılım olarak yorumlanır.
Kaç tekrar çalıştırmalıyım?
Sonsal dağılımın düzgün olması ve güven aralıkları için kullanılan kantillerinin kararlı olması için en az yaklaşık 1000 (B ≥ 1000) ağırlık çekimi önerilir.
Küçük örneklemlerde kullanabilir miyim?
En az yaklaşık 10 gözlem gerektirir, ancak kabaca 20'nin altında Dirichlet ağırlıkları kararsız hale gelir. Bu durumda standart bootstrap tercih edilir ve yaklaşık 10 gözlemin altında permütasyon testi daha güvenli bir seçenektir.
Verinin normal dağılımlı olmasını gerektirir mi?
Hayır. Bayesçi Bootstrap normalite varsayımı yapmaz ve sürekli veya kategorik verilerle çalışır; yalnızca gözlemlerin bağımsız olmasını gerektirir.
Kaynaklar
- Rubin, D. B. (1981). The Bayesian Bootstrap. The Annals of Statistics, 9(1), 130-134. DOI: 10.1214/aos/1176345338 ↗
- Lo, A. Y. (1987). A Large Sample Study of the Bayesian Bootstrap. The Annals of Statistics, 15(1), 360-375. DOI: 10.1214/aos/1176350271 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Rubin's Bayesian Bootstrap. ScholarGate. https://scholargate.app/tr/statistics/bayesian-bootstrap
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Blok Örneklemesi (Hareketli Blok ve Durağan)İstatistik↔ karşılaştır
- Bootstrap Çıkarımıİstatistik↔ karşılaştır
- Jackknife Yeniden Örneklemesiİstatistik↔ karşılaştır
- Permütasyon (Rastgeleleştirme) Testiİstatistik↔ karşılaştır
- Fisher'in Kesin Rastgele Atama Çıkarımıİstatistik↔ karşılaştır