Regresyon Çıkarımı için Wild Bootstrap
Wild Bootstrap for Regression Inference · Ayrıca şöyle bilinir: wild bootstrap, wild cluster bootstrap, Wu-Liu resampling, Wild Bootstrap
Wild bootstrap, Wu (1986) tarafından tanıtılan ve Davidson ile Flachaire (2008) tarafından geliştirilen, değişen varyanslı hatalara sahip regresyon modelleri için bir yeniden örnekleme yöntemidir. Standart hataların ve güven aralıklarının hata varyansının sabit olmadığı veya verilerin kümelendiği durumlarda geçerli kalması için, her bir uyarlanmış kalıntıyı rastgele bir işaretle yeniden ölçeklendirerek bir bootstrap dağılımı oluşturur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
Sürekli sonuç değişkenleri üzerinde uyarlanmış bir regresyonunuz olduğunda ve değişen varyanslılıktan şüphelendiğinizde veya bunu tespit ettiğinizde, ya da veriler sıradan standart hataların göz ardı ettiği kümelere ayrıldığında wild bootstrap'i kullanın. Kesitsel ve panel verilere uygundur ve en az yaklaşık 30 gözlemle en güvenilirdir. Hata varyansının sabit olmadığı durumlarda sıradan çiftler bootstrap'inden daha iyi performans gösterir. 20 gözlemin altında kalıntı yeniden ölçeklendirmesi güvenilmez hale gelir ve standart bir bootstrap tercih edilmelidir; 10 gözlemin altında temelde anlamsızdır ve bunun yerine bir permütasyon testi kullanılmalıdır.
Güçlü yönler & sınırlılıklar
- Sıradan bootstrap ve naif En Küçük Kareler standart hatalarının başarısız olduğu değişen varyanslılık altında geçerli standart hatalar ve güven aralıkları sağlar.
- Her kalıntıyı kendi gözlemine bağlı tutar, böylece gözlem başına varyansı ve küme yapısını (wild cluster bootstrap) dikkate alır.
- Hatalar hakkında herhangi bir normal dağılım varsayımı yapmaz ve doğrudan zaten uyarlanmış bir regresyondan çalışır.
- Öncelikle bir regresyon modelinin uyarlanmasını gerektirir; tek başına bir tahmin edici değil, bir çıkarım aracıdır.
- Kalıntı yeniden ölçeklendirmesi küçük örneklemlerde (n < 20) güvenilmez hale gelir, bu durumda standart bir bootstrap tercih edilir.
- Çok az gözlemle (n < 10) prosedür temelde anlamsızdır ve bir permütasyon testi gereklidir.
SSS
Wild bootstrap, sıradan bootstrap'ten nasıl farklıdır?
Sıradan (çiftler veya kalıntı) bootstrap, sanki birbirinin yerine geçebilirmiş gibi tüm gözlemleri veya kalıntıları yeniden örnekler, bu da sabit bir hata varyansı varsayar. Wild bootstrap ise her kalıntıyı kendi gözlemine sabit tutar ve yalnızca rastgele bir ağırlıkla işaretini çevirir, bu da gözlem başına varyansı korur ve değişen varyanslılık altında çıkarımı geçerli kılar.
Standart bootstrap'ten ne zaman daha iyidir?
Hata varyansının sabit olmadığı (değişen varyanslı) veya verilerin bir küme yapısına sahip olduğu durumlarda tam olarak üstündür. Bu durumlarda sıradan bootstrap standart hataları bozar, oysa wild bootstrap doğru kalır.
Wild cluster bootstrap nedir?
Rastgele işaretin gözlem başına yerine küme başına bir kez çekildiği varyantıdır, böylece bir grup içindeki tüm kalıntılar birlikte çevrilir. Bu, küme içi korelasyonu korur ve gözlemler gruplandığında ve küme sayısı az olduğunda önerilen yaklaşımdır.
Ne kadar küçük bir örneklem çok küçüktür?
Yaklaşık 20 gözlemin altında kalıntı yeniden ölçeklendirmesi güvenilmez hale gelir ve standart bir bootstrap tercih edilir. 10 gözlemin altında prosedür temelde anlamsızdır ve bunun yerine bir permütasyon testi kullanılmalıdır.
Kaynaklar
- 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 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Wild Bootstrap for Regression Inference. ScholarGate. https://scholargate.app/tr/statistics/wild-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
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Permütasyon (Rastgeleleştirme) Testiİstatistik↔ karşılaştır