Bootstrap - kas tai, apibrėžimas ir sąvoka

„Bootstrap“ yra statistikos ir ekonometrijos mechanizmas, sutelkiantis dėmesį į duomenų atranką iš atsitiktinės ar atsitiktinės imties. Jo pagrindinis tikslas yra rasti artimą analizuojamo kintamojo pasiskirstymą.

Šis procesas statistiniame žargone taip pat žinomas kaip „bootstrapping“ ir yra matematiko Bradley Efrono aštuntojo dešimtmečio pabaigoje atliktų tyrimų statistinės imties srityje rezultatas.

„Bootstrap“ įrankis

Pagrindinis įkrovos juostos naudojimo naudingumas yra sumažinti šališkumą atliekant analizę arba, kitaip tariant, apytiksliai įvertinti dispersiją atliekant atsitiktinį pradinės imties, o ne populiacijos, atranką. Tokiu būdu kuriant pasikliautinus intervalus ir hipotezių testus, statistinių modelių sudarymas yra lengvesnis.

Nors tai gali atrodyti labai sudėtinga a priori praktika, procedūra, kuria grindžiamas įkrovos susiejimas, yra tiesiog daugelio pavyzdžių sukūrimas, perkėlus duomenis, atsižvelgiant į pradinę populiacijos imtį.

Ši technika ypač naudinga tais atvejais, kai turimi mėginiai yra maži arba, kaip minėta anksčiau, jei pasiskirstymas yra labai iškreiptas. Šia prasme jie padeda išspręsti daugybę tikimybės ir taikomos statistikos problemų.

„Bootstrap“ funkcijos

Viena iš pagrindinių šios praktikos savybių yra ta, kad ji apima vėlesnį atranką, siekiant gauti uždaras išraiškas ir išspręsti matematinį šių operacijų sudėtingumą. Pastaraisiais metais tobulėjant kompiuteriams ir technologinėms priemonėms tapo lengviau pasikliauti įkrovos įvedimo panaudojimu sudėtingam pakartotiniam mėginių ėmimui.

Resampling metodika leidžia mums eiti toliau, tiriant tam tikros populiacijos duomenų pavyzdžius. Kitaip tariant, tai leidžia daryti ar kurti naujas prielaidas pakeičiant papildomas imties reikšmes.

„Bootstrap“ privalumai

Teigiamas „bootstrap“ atrankos aspektas yra tai, kad ji supaprastino statistinius metodus ta prasme, kad klasikinių ir labai sudėtingų matematinių modelių konstrukciją pakeitė skaičiavimais naudojant specialią programinę įrangą, o tai pagerino jų pritaikomumą ar prieigą prie kitų sričių ar tyrimų.

Laikantis šios linijos, paprastai laikoma, kad šis mechanizmas yra daug atviresnis ar prieinamesnis, palyginti su klasikiniais modeliais ir prielaidomis, todėl tai yra naudinga priemonė daugeliui matematinių problemų.