Quel problème le bootstrap statistique est-il utilisé pour résoudre ?

La méthode Bootstrap effectue des inférences statistiques sur les caractéristiques de distribution de la population sur la base des informations d'observation de la copie de l'échantillon original donné, sans nécessiter d'informations supplémentaires.

Efron (1979) estime que cette méthode est également une méthode statistique non paramétrique. (Apprentissage recommandé : Tutoriel vidéo Bootstrap)

La méthode Bootstrap part des données d'observation et ne nécessite aucune hypothèse de distribution. Pour les problèmes d'estimation de paramètres et de test d'hypothèses en statistiques, la méthode Bootstrap est. utilisé pour générer L'ensemble de données d'une certaine statistique calculé par des échantillons d'amorçage peut être utilisé pour refléter la distribution d'échantillonnage de la statistique, c'est-à-dire pour générer une distribution empirique, de cette façon, même si nous sommes incertains de la distribution globale, nous. peut estimer approximativement la statistique et son intervalle de confiance. À partir de cette distribution, des quantiles correspondant à différents niveaux de confiance peuvent être obtenus – les valeurs dites critiques, qui peuvent ensuite être utilisées pour tester des hypothèses.

Par conséquent, la méthode Bootstrap peut résoudre de nombreux problèmes qui ne peuvent pas être résolus par les méthodes d'analyse statistique traditionnelles.

Dans le processus de mise en œuvre de Bootstrap, l'état des ordinateurs ne peut être ignoré (Diaconis et al., 1983), car Bootstrap implique de nombreux calculs de simulation.

On peut dire que sans ordinateurs, la théorie Bootstrap ne peut être qu'un discours vide de sens. Avec le développement rapide des ordinateurs, la vitesse de calcul a augmenté et le temps de calcul a été considérablement réduit.

Lorsque l'hypothèse de distribution des données est trop farfelue ou que la formule analytique est trop difficile à dériver, Bootstrap nous fournit un autre moyen efficace de résoudre le problème. Par conséquent, cette méthode a une certaine valeur d'utilisation et une signification pratique dans la recherche biologique.

Raison de l'application du bootstrap :

En fait, lors de l'analyse, la première chose à faire est de déterminer le type de variable aléatoire, puis de déterminer le caractère aléatoire À quelle distribution obéissent les données de la variable ?

Quelle distribution est cruciale, car elle détermine directement si elle peut être analysée. Par exemple : si vous effectuez une analyse de variance, vous devez d'abord exiger une distribution normale. S'il ne s'agit pas d'une distribution normale, vous devez prendre des mesures correctives.

Le bootstrap est également utile, car les statistiques classiques sont relativement parfaites pour la tendance centrale, mais pour certains autres paramètres de distribution, tels que la médiane, le quartile, l'écart type, le coefficient de variation, etc. être imparfait, donc un bootstrap est nécessaire.

Bootstrap est similaire à la méthode statistique classique. En général, la méthode paramétrique est plus efficace que la méthode non paramétrique. Cependant, le plus gros inconvénient de la méthode paramétrique est qu'elle nécessite un modèle de distribution. à l'avance. Si le modèle ne correspond pas aux résultats de l'analyse, il peut être erroné, ce qui est une analyse blanche.

Pour des articles plus techniques liés à Bootstrap, veuillez visiter la colonne Tutoriel Bootstrap pour apprendre !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!