طريقة بوتستراب في الإحصاء

طريقة بوتستراب في الإحصاء

بنداهولوان

الإحصاء هو العلم الذي يهدف إلى جمع البيانات وتحليلها وتفسيرها وعرضها. يعتمد التحليل الإحصائي غالبًا على افتراضات أو نظريات احتمالية معينة تتطلب أحجام عينات كبيرة لإنتاج تقديرات دقيقة. مع ذلك، في كثير من الحالات، يكون الحصول على عينات كبيرة غير عملي أو غير ممكن. وهنا تبرز أهمية طريقة إعادة التوزيع العشوائي (Bootstrap)، وهي تقنية لإعادة أخذ العينات.

طُرحت طريقة بوتستراب لأول مرة على يد برادلي إيفرون عام 1979، وسرعان ما أصبحت من أكثر التقنيات شيوعًا في الإحصاء نظرًا لمرونتها وقدرتها على إنتاج تقديرات دقيقة للعديد من معلمات المجتمع الإحصائي دون الحاجة إلى افتراضات توزيعية محددة. ستتناول هذه المقالة المبادئ الأساسية لطريقة بوتستراب، وخطوات تطبيقها، بالإضافة إلى أمثلة عديدة لتطبيقاتها في الإحصاء.

المبادئ الأساسية لمنهجية بوتستراب

تُعدّ طريقة إعادة التوزيع العشوائي (Bootstrap) أسلوبًا غير معلمي يسمح لنا بتقدير توزيع إحصائية ما (مثل المتوسط، الوسيط، التباين) عن طريق إعادة أخذ عينات من بياناتنا الأصلية. ويتمثل المبدأ الأساسي لهذه الطريقة في استخدام البيانات الموجودة (العينة الأصلية) لمحاكاة العديد من مجموعات البيانات الجديدة من خلال أخذ عينات متكررة.

فيما يلي الخطوات الأساسية المتبعة في طريقة التمهيد:

1. إعادة التشكيل: من مجموعة البيانات الأصلية ذات الحجم N، يتم إعادة تشكيلها N مرة مع الإحلال. هذا يعني أنه يمكن اختيار العناصر المحددة للتحليل أكثر من مرة.

2. حساب الإحصائيات: حساب الإحصائيات المطلوبة (مثل المتوسط، الوسيط) لكل عينة معاد أخذها.

3. كرر العملية: كرر الخطوتين 1 و 2 عدة مرات (على سبيل المثال B=1000 أو أكثر) للحصول على توزيع bootstrap للإحصائية التي تهمك.

4. التقدير والاستنتاج: استخدم توزيع التمهيد هذا لإنشاء فترات الثقة، أو اختبار الفرضيات، أو إنشاء إحصاءات استدلالية أخرى.

مراحل تنفيذ Bootstrap

يمكن شرح طريقة التمهيد بمزيد من التفصيل في المراحل التالية:

1. إعادة أخذ العينات

إعادة التوزيع مع الإحلال هي جوهر طريقة التمهيد. باستخدام البيانات الأصلية، نُنشئ العديد من مجموعات البيانات الجديدة، تُسمى عينات التمهيد. كل عينة تمهيد هي نتيجة أخذ عينة N مرة من مجموعة البيانات الأصلية ذات الحجم N، ولكن مع الإحلال، بحيث قد تظهر العناصر الموجودة في العينة الأصلية أكثر من مرة في عينات التمهيد.

كونتوه:
إذا كانت لدينا البيانات الأصلية \[3, 5, 7, 9\]، فإن إحدى عينات bootstrap الممكنة يمكن أن تكون \[3, 9, 9, 5\].

2. حساب إحصائيات بوتستراب

لكل عينة بوتستراب، احسب الإحصائية المطلوبة. لنفترض أننا مهتمون بالمتوسط، فسنحسبه لكل عينة بوتستراب. إذا كررنا هذه العملية B مرة، فسنحصل على B تقديرًا للمتوسط.

3. تكوين توزيع بوتستراب

من خلال تجميع جميع الإحصائيات المحسوبة من B عينة بوتستراب، نقوم بإنشاء توزيع بوتستراب للإحصائية المطلوبة. يُستخدم هذا التوزيع لتقريب توزيع المعاينة للإحصائية.

4. الاستدلال الإحصائي

انطلاقاً من توزيع بوتستراب هذا، يمكننا استخلاص استنتاجات إحصائية متنوعة. على سبيل المثال، يمكننا تحديد فترات الثقة بأخذ النسب المئوية من توزيع بوتستراب، أو اختبار الفرضيات بالنظر إلى قيمة الاحتمال (p-value) المستخرجة من هذا التوزيع.

مثال على استخدام طريقة بوتستراب

ولتقديم صورة أوضح، دعونا نلقي نظرة على بعض الأمثلة لكيفية استخدام طريقة bootstrap في السياقات العملية.

مثال 1: متوسط ​​فترة الثقة

لنفترض أن لدينا بيانات عينة لأوزان الجسم لـ 10 أفراد على النحو التالي: \[60, 62, 67, 70, 65, 68, 64, 60, 66, 63\].

1. من هذه البيانات، نأخذ 1000 عينة بوتستراب من نفس الحجم، على سبيل المثال:
– المثال 1: \[62, 67, 70, 67, 64, 62, 63, 65, 68, 60\]
– المثال 2: \[60, 62, 70, 70, 63, 64, 63, 65, 68, 62\]
- إلخ…

2. من كل عينة بوتستراب، نحسب المتوسط:
– متوسط ​​العينة 1: (62+67+70+67+64+62+63+65+68+60) / 10
– متوسط ​​العينة 2: (60+62+70+70+63+64+63+65+68+62) / 10
- إلخ…

3. بتكرار هذه الخطوة 1000 مرة، سنحصل على 1000 وزن متوسط.

4. باستخدام هذه البيانات المتوسطة البالغ عددها 1000، نقوم بتشكيل توزيع بوتستراب ونأخذ النسب المئوية 2.5 و 97.5 لإنشاء فاصل ثقة بنسبة 95٪.

مثال 2: اختبار فرضية الوسيط المتعدد

لنفترض أننا نريد اختبار ما إذا كانت الوسائط لمجموعتين من البيانات متساوية. يمكننا استخدام أسلوب إعادة التوزيع (Bootstrap) لإنشاء توزيع لفروق الوسائط.

1. خذ عينات بوتستراب من كل مجموعة من مجموعات البيانات الأصلية.
2. احسب الفرق الوسيط لكل عينة بوتستراب.
3. أنشئ توزيعًا لفروق الوسيط باستخدام طريقة بوتستراب.
4. تحقق مما إذا كان الصفر يقع ضمن فترة الثقة للتوزيع.

مزايا وقيود طريقة بوتستراب

كيلبيهان

– غير معلمي: لا يتطلب افتراضات حول توزيع البيانات.
– الفعالية مع العينات الصغيرة: فعال حتى مع العينات الصغيرة.
- مرن: يمكن تطبيقه على إحصاءات متنوعة بما في ذلك المتوسط، والوسيط، ومعامل الانحدار، وما إلى ذلك.
– سهولة التنفيذ: مع تقدم تكنولوجيا الحوسبة، أصبح من السهل جدًا تنفيذ طريقة bootstrap بمساعدة البرامج الإحصائية مثل R أو Python.

محددات

– التكلفة الحسابية: يمكن أن تتطلب الكثير من موارد الحوسبة خاصة مع أحجام البيانات الكبيرة أو عدد كبير من عينات التمهيد (B).
– تنوع العينة: مناسب فقط للعينات التي تمثل السكان الأصليين بشكل كافٍ.
- لا يحمي من التحيز: إذا كانت البيانات الأصلية متحيزة، فإن جميع عينات التمهيد ستحتوي على نفس التحيز.

استنتاج

تُقدّم طريقة إعادة التوزيع (Bootstrap) حلاً فعالاً ومرناً للعديد من مشاكل الاستدلال الإحصائي. وبفضل قدرتها على تقدير توزيع الإحصاءات المختلفة بكفاءة دون افتراض أي توزيع محدد، أصبحت هذه الطريقة أداة قيّمة في تحليل البيانات. ورغم محدودياتها، فإن فوائدها غالباً ما تفوق تكاليفها الحسابية. وعند استخدامها بالشكل الأمثل، تُتيح طريقة إعادة التوزيع رؤىً أعمق وأكثر دقة في التحليل الإحصائي.