Bootstrap Çıkarımı
Bootstrap Resampling Inference · Ayrıca şöyle bilinir: bootstrap, bootstrap resampling, nonparametric bootstrap, Bootstrap Çıkarımı
Bradley Efron tarafından 1979'da tanıtılan bootstrap çıkarımı, gözlemlenen veriyi yerine koyarak tekrar tekrar örnekleyerek bir istatistiğin örnekleme dağılımını tahmin eder. Herhangi bir dağılımsal varsayım gerektirmez ve küçük örneklemlerde bile güvenilir güven aralıkları üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+10 tane daha
Ne zaman kullanılır
Bir istatistik için güven aralığı veya standart hata gerektiğinde ancak normallik veya büyük örneklem varsayımına güvenilemediğinde bootstrap'ı kullanın — örneğin çarpık verilerle, küçük örneklemlerle veya basit kapalı form varyansı olmayan bir istatistikle. Sürekli, kategorik ve sıralı verilere ve çoğu çalışma yapısına uygulanabilir. İki koşul önemlidir: gözlemler bağımsız olmalı ve orijinal örneklem popülasyonu temsil etmelidir. En az yaklaşık 10 gözlem gereklidir ve sonuçlar 20'nin altında güvenilmez hale gelir.
Güçlü yönler & sınırlılıklar
- Dağılımdan bağımsızdır: normallik varsayımı gerektirmez ve işlenebilir varyans formülü olmayan istatistikler için çalışır.
- Klasik büyük örneklem yaklaşımlarının başarısız olduğu küçük örneklemlerde güvenilir güven aralıkları sağlar.
- Kavramsal olarak basit ve sürekli, kategorik ve sıralı veriler ile birçok istatistik arasında geniş çapta uygulanabilir.
- Çok küçük örneklemlerde (n < 20) yeniden örnekleme çeşitliliği çok sınırlıdır ve güven aralıkları güvenilmez hale gelir.
- Yaklaşık 10 gözlemin altında bootstrap dağılımı esasen anlamsızdır ve kesin bir test tercih edilmelidir.
- Bağımsız gözlemler ve temsili bir orijinal örneklem varsayar; eğer örneklem yanlı veya bağımlıysa, bootstrap bu yanlılığı sadakatle yeniden üretir.
SSS
Bootstrap ile jackknife arasındaki fark nedir?
Jackknife sistematik olarak her seferinde bir gözlemi dışarıda bırakırken, bootstrap tam bir ampirik örnekleme dağılımı oluşturmak için yerine koyarak yeniden örnekler. Bootstrap daha genel ve genellikle daha doğrudur, ancak aşırı küçük örneklemler için (10'un altında) jackknife veya kesin bir test daha güvenli bir seçimdir.
Kaç bootstrap yeniden örneklemi kullanmalıyım?
Güven aralıkları için, yüzdelik tahminlerinin oturması için en az yaklaşık 1000 yeniden örneklem önerilir; hesaplama izin verdiğinde daha fazlası daha iyidir. Çok az yeniden örneklem, aralığı gürültülü ve kararsız bırakır.
Bootstrap yanlı bir örneklemi düzeltir mi?
Hayır. Bootstrap yalnızca örnekleminizde zaten bulunan bilgiyi yeniden üretir. Orijinal örneklem temsili değilse veya gözlemler bağımlıysa, yöntem bu yanlılığı güven aralığına sadakatle taşıyacaktır.
Bunun yerine ne zaman bir permütasyon testi tercih etmeliyim?
Örneklem çok küçük olduğunda (yaklaşık 20'nin altında) bootstrap'ın yeniden örnekleme çeşitliliği çok sınırlıdır; verilerin yeniden düzenlenmesinden dağılımı türeten bir permütasyon testi, karşılaştırma tipi sorular için daha güvenilirdir.
Kaynaklar
- Efron, B. (1979). Bootstrap Methods: Another Look at the Jackknife. Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
- Efron, B. & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall/CRC Press. ISBN: 978-0412042317
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Bootstrap Resampling Inference. ScholarGate. https://scholargate.app/tr/statistics/bootstrap-inference
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Jackknife Yeniden Örneklemesiİstatistik↔ karşılaştır
- Permütasyon (Rastgeleleştirme) Testiİstatistik↔ karşılaştır
- Sağlam Korelasyon (Spearman, Kendall ve Biweight)İstatistik↔ karşılaştır
- Trimmed Mean Test (Yuen Testi)İstatistik↔ karşılaştır
- Winsorlu Tahminİstatistik↔ karşılaştır