Çift (İteratif) Bootstrap
Double (Iterated) Bootstrap · Ayrıca şöyle bilinir: iterated bootstrap, nested bootstrap, calibrated bootstrap, Çift Bootstrap (Double / Iterated Bootstrap)
Çift bootstrap, bir bootstrap güven aralığının gerçek kapsamını nominal seviyeye yaklaştırmak için ikinci, iç içe geçmiş bir bootstrap katmanıyla kalibre eden bir yeniden örnekleme yöntemidir. Hall (1986) ve Beran (1987) tarafından tanıtılan bu yöntem, tek katmanlı bir bootstrap'ın kapsamı yetersiz kaldığı küçük örneklemler ve çarpık dağılımlar için özellikle değerlidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli bir istatistik üzerinde doğru bir güven aralığına ihtiyacınız olduğunda ve sıradan bir bootstrap'ın kapsamı yetersiz kalma olasılığı yüksek olduğunda — tipik olarak küçük örneklemlerde (yaklaşık 20 ila birkaç yüz gözlem) veya asimetrik, çarpık dağılımlarda — çift bootstrap kullanın. Gözlemlerin bağımsız olduğunu ve O(B²) hesaplama maliyetini karşılayabileceğinizi varsayar. En az 20 gözlemle kalibrasyon güvenilirdir; 10'un altında ikinci seviye kalibrasyon güvenilmez hale gelir.
Güçlü yönler & sınırlılıklar
- Özellikle küçük örneklemlerde ve çarpık dağılımlarda, bootstrap güven aralıklarının gerçek kapsamını nominal seviyeye doğru iyileştirir.
- Dağılımsal varsayımlar (örneğin normallik) gerektirmeden temel tek bootstrap'ın seviye hatasını azaltır.
- Yalnızca bağımsız gözlemlere ihtiyaç duyduğu için geniş bir istatistik ve veri yapısı yelpazesine uygulanabilir.
- Hesaplama açısından pahalıdır: iç içe yeniden örnekleme O(B²) olarak ölçeklenir, bu nedenle B pratikte 500-1000 civarında sınırlandırılır.
- Yaklaşık 20 gözlemin altında, ek kalibrasyon katmanı maliyetine değmez ve tek katmanlı bir bootstrap tercih edilir.
- Bağımsız gözlemler gerektirir; bağımlı veriler (örneğin zaman serileri) bunun yerine blok tabanlı bir varyanta ihtiyaç duyar.
SSS
Çift bootstrap sıradan bir bootstrap'tan nasıl farklıdır?
Sıradan bir bootstrap, bir aralık oluşturmak için bir kez yeniden örnekleme yapar. Çift bootstrap, bu aralıkların gerçekte ne kadar iyi kapsadığını ölçen ikinci, iç içe geçmiş bir yeniden örnekleme katmanı ekler, ardından nihai kapsamın iddia edilenle eşleşmesi için nominal seviyeyi yeniden kalibre eder.
Neden bu kadar yavaş?
B₁ dış yeniden örneklemin her biri kendi iç yeniden örneklem grubunu tetikler, bu nedenle iş O(B²) olarak ölçeklenir. Bu nedenle B, tek bir bootstrap'ın karşılayabileceği çok daha büyük sayılar yerine genellikle 500-1000 civarında tutulur.
Ek katman ne zaman değmez?
Yaklaşık 20 gözlemin altındaki örneklemler için kalibrasyon kazancı nadiren O(B²) maliyetini haklı çıkarır — tek katmanlı bir bootstrap yeterlidir. 10 gözlemin altında kalibrasyonun kendisi güvenilmez hale gelir ve bir permütasyon testi tercih edilir.
Zaman serisi verilerinde kullanabilir miyim?
Doğrudan değil. Çift bootstrap bağımsız gözlemler varsayar. Otokorelasyonlu seriler için, seri bağımlılık yapısını koruyan bir blok bootstrap'a ihtiyacınız vardır.
Kaynaklar
- Hall, P. (1986). On the Bootstrap and Confidence Intervals. Annals of Statistics, 14(4), 1431-1452. DOI: 10.1214/aos/1176350168 ↗
- Beran, R. (1987). Prepivoting to Reduce Level Error of Confidence Sets. Biometrika, 74(3), 457-468. DOI: 10.1093/biomet/74.3.457 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Double (Iterated) Bootstrap. ScholarGate. https://scholargate.app/tr/statistics/double-bootstrap
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Bootstrap (Rubin)İstatistik↔ karşılaştır
- Blok Örneklemesi (Hareketli Blok ve Durağan)İstatistik↔ karşılaştır
- Bootstrap Çıkarımıİstatistik↔ karşılaştır
- Permütasyon (Rastgeleleştirme) Testiİstatistik↔ karşılaştır
- Regresyon Çıkarımı için Wild Bootstrapİstatistik↔ karşılaştır