부트스트랩 방법은 추가 정보 없이 주어진 원본 표본 관찰 정보를 기반으로 모집단의 분포 특성에 대한 통계적 추론을 수행합니다.
Efron(1979)은 이 방법도 비모수적 통계 방법이라고 믿습니다. (추천 학습: 부트스트랩 동영상 튜토리얼)
부트스트랩 방법은 관찰된 데이터에서 시작하며 통계의 매개변수 추정 및 가설 테스트 문제에 대해 분포 가정이 필요하지 않습니다. 사용 Bootstrap 방법으로 생성된 bootstrap 표본으로 계산된 특정 통계의 데이터 세트를 사용하면 통계의 샘플링 분포를 반영할 수 있습니다. 전체 분포를 통해 우리는 통계량을 대략적으로 추정할 수 있으며, 이 분포에서 다양한 신뢰 수준에 해당하는 분위수를 얻을 수 있는 신뢰 구간은 일반적으로 임계값으로 알려져 있으며 가설 테스트에 추가로 사용될 수 있습니다.
따라서 부트스트랩 방법은 전통적인 통계 분석 방법으로는 해결할 수 없는 많은 문제를 해결할 수 있습니다.
Bootstrap을 구현하는 과정에서 컴퓨터의 상태는 무시할 수 없습니다(Diaconis et al., 1983). Bootstrap에는 많은 시뮬레이션 계산이 포함되기 때문입니다.
컴퓨터가 없으면 부트스트랩 이론은 공허한 이야기에 불과하다고 할 수 있습니다. 컴퓨터의 급속한 발전으로 계산 속도는 빨라지고 계산 시간은 크게 단축되었습니다.
데이터 분포 가정이 너무 무리하거나 분석 공식을 도출하기가 너무 어려운 경우 Bootstrap은 문제를 해결할 수 있는 또 다른 효과적인 방법을 제공합니다. 따라서 이 방법은 생물학 연구에서 특정한 활용 가치와 실질적인 중요성을 가지고 있습니다.
부트스트랩을 적용하는 이유:
사실 분석을 할 때 가장 먼저 해야 할 일은 확률 변수를 입력한 다음 확률 변수의 데이터가 어떤 분포를 따르는지 결정합니다.
어떤 분포가 분석 가능 여부를 직접적으로 결정하기 때문에 중요합니다. 예: 분산 분석을 수행하는 경우 먼저 정규 분포가 필요합니다. 정규 분포가 아닌 경우 교정 조치를 취해야 합니다.
bootstrap에는 이라는 또 다른 용도도 있습니다. 왜냐하면 고전적인 통계는 중심 경향에 대해서는 상대적으로 완벽하지만 중앙값, 사분위수, 표준 편차, 변동 계수와 같은 일부 다른 분포 모수에 대해서는 구간 추정입니다. 완벽하지 않으므로 부트스트랩이 필요합니다.
bootstrap은 일반적으로 모수적 방법이 비모수적 방법보다 더 효율적입니다. 그러나 모수적 방법의 가장 큰 단점은 다음과 같습니다. 모델이 를 충족하지 못하면 분석 결과가 잘못될 수 있습니다. 즉, 화이트 분석입니다.
부트스트랩과 관련된 더 많은 기술 기사를 보려면 Bootstrap Tutorial 열을 방문하여 알아보세요!
위 내용은 통계 부트스트랩은 어떤 문제를 해결하는 데 사용됩니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!