Dull Bootstrap mewn Ystadegau
Rhagymadrodd
Ystadegaeth yw'r wyddoniaeth sy'n anelu at gasglu, dadansoddi, dehongli a chyflwyno data. Yn aml, mae dadansoddi ystadegol yn dibynnu ar rai rhagdybiaethau neu theorïau tebygolrwydd sy'n gofyn am feintiau sampl mawr i gynhyrchu amcangyfrifon cywir. Fodd bynnag, mewn llawer o sefyllfaoedd, nid yw cael samplau mawr yn ymarferol nac yn bosibl. Dyma lle mae'r dull bootstrap, techneg ail-samplu, yn dod yn ddefnyddiol iawn.
Cyflwynwyd y dull bootstrap gyntaf gan Bradley Efron ym 1979 ac mae wedi dod yn un o'r technegau mwyaf poblogaidd mewn ystadegaeth oherwydd ei hyblygrwydd a'i allu i gynhyrchu amcangyfrifon manwl gywir ar gyfer llawer o baramedrau poblogaeth heb orfod gwneud rhagdybiaethau dosbarthiadol penodol. Bydd yr erthygl hon yn amlinellu egwyddorion sylfaenol y dull bootstrap, ei gamau gweithredu, a sawl enghraifft o'i gymwysiadau mewn ystadegaeth.
Egwyddorion Sylfaenol y Dull Bootstrap
Mae'r dull bootstrap yn ddull anbarametrig sy'n ein galluogi i amcangyfrif dosbarthiad ystadegyn (e.e., cymedr, canolrif, amrywiant) trwy ail-samplu ein data gwreiddiol. Egwyddor sylfaenol y dull hwn yw defnyddio data presennol (y sampl wreiddiol) i efelychu llawer o setiau data newydd gyda samplu dro ar ôl tro.
Dyma'r camau sylfaenol a gymerwyd yn y dull bootstrap:
1. Ail-samplu: O'r set ddata wreiddiol o faint N, ail-samplu N gwaith gyda disodli. Mae hyn yn golygu y gellir dewis yr elfennau a ddewiswyd i'w dadansoddi fwy nag unwaith.
2. Cyfrifo Ystadegau: Cyfrifwch yr ystadegau dymunol (e.e., cymedr, canolrif) ar gyfer pob ail-samplu.
3. Ailadroddwch y Broses: Ailadroddwch gamau 1 a 2 sawl gwaith (e.e. B=1000 neu fwy) i gael y dosraniad bootstrap o'r ystadegyn sydd o ddiddordeb i chi.
4. Amcangyfrif a Chasgliad: Defnyddiwch y dosraniad bootstrap hwn i greu cyfyngau hyder, profi rhagdybiaethau, neu greu ystadegau casgliadol eraill.
Camau Gweithredu Bootstrap
Gellir esbonio'r dull bootstrap yn fanylach yn y camau canlynol:
1. Ail-samplu
Ail-samplu gydag amnewidiad yw hanfod y dull bootstrap. Gan ddefnyddio'r data gwreiddiol, rydym yn creu llawer o setiau data newydd, o'r enw samplau bootstrap. Mae pob sampl bootstrap yn ganlyniad samplu N gwaith o'r set ddata wreiddiol o faint N, ond gydag amnewidiad, fel y gall elfennau yn y sampl wreiddiol ymddangos fwy nag unwaith yn y samplau bootstrap.
Enghraifft:
Os oes gennym y data gwreiddiol \[3, 5, 7, 9\], yna gallai un sampl bootstrap posibl fod \[3, 9, 9, 5\].
2. Cyfrifo Ystadegau Bootstrap
Ar gyfer pob sampl bootstrap, cyfrifwch yr ystadegyn a ddymunir. Tybiwch fod gennym ddiddordeb yn y cymedr, byddem yn cyfrifo'r cymedr ar gyfer pob sampl bootstrap. Os ailadroddwn y broses hon B gwaith, bydd gennym B amcangyfrif o'r cymedr.
3. Ffurfio Dosbarthiad Bootstrap
Drwy gronni'r holl ystadegau a gyfrifwyd o samplau bootstrap B, rydym yn llunio dosraniad bootstrap o'r ystadegyn a ddymunir. Defnyddir y dosraniad hwn i frasamcanu dosraniad samplu'r ystadegyn.
4. Casgliad Ystadegol
O'r dosraniad bootstrap hwn, gallwn wneud amryw o gasgliadau ystadegol. Er enghraifft, gallwn bennu cyfyngau hyder trwy gymryd canrannau o'r dosraniad bootstrap neu brofi rhagdybiaethau trwy edrych ar y gwerth-p a geir o'r dosraniad hwn.
Enghraifft o Ddefnyddio'r Dull Bootstrap
Er mwyn rhoi darlun cliriach, gadewch i ni edrych ar rai enghreifftiau o sut mae'r dull bootstrap yn cael ei ddefnyddio mewn cyd-destunau ymarferol.
Enghraifft 1: Cyfwng Hyder Cymedrig
Tybiwch fod gennym ddata sampl o bwysau corff 10 unigolyn fel a ganlyn: \[60, 62, 67, 70, 65, 68, 64, 60, 66, 63\].
1. O'r data hwn, rydym yn cymryd 1000 o samplau bootstrap o'r un maint, er enghraifft:
– Sampl 1: \[62, 67, 70, 67, 64, 62, 63, 65, 68, 60\]
– Sampl 2: \[60, 62, 70, 70, 63, 64, 63, 65, 68, 62\]
- ac ati…
2. O bob sampl bootstrap, rydym yn cyfrifo'r cyfartaledd:
– Cymedr sampl 1: (62+67+70+67+64+62+63+65+68+60) / 10
– Cymedr sampl 2: (60+62+70+70+63+64+63+65+68+62) / 10
- ac ati…
3. Drwy ailadrodd y cam hwn 1000 o weithiau, byddwn yn cael 1000 o bwysau cyfartalog.
4. Gyda'r 1000 o ddata cyfartalog hyn, rydym yn ffurfio dosraniad bootstrap ac yn cymryd y 2.5fed a'r 97.5fed ganradd i greu cyfwng hyder o 95%.
Enghraifft 2: Prawf Damcaniaeth Canolrif Lluosog
Tybiwch ein bod ni eisiau profi a yw canolrifau dau set ddata yn gyfartal. Gallwn ni ddefnyddio bootstrapping i greu dosraniad o'r gwahaniaeth mewn canolrifau.
1. Cymerwch samplau bootstrap o bob un o'r setiau data gwreiddiol.
2. Cyfrifwch y gwahaniaeth canolrifol ar gyfer pob sampl bootstrap.
3. Creu dosraniad o'r gwahaniaethau canolrif bootstrap.
4. Gweld a yw sero yn dod o fewn cyfwng hyder y dosraniad.
Manteision a Chyfyngiadau'r Dull Bootstrap
Gormodedd
– Anbarametrig: Nid oes angen rhagdybiaethau ynghylch dosbarthiad data.
– Effeithiolrwydd ar gyfer Samplau Bach: Effeithiol hyd yn oed ar gyfer samplau bach.
– Hyblyg: Gellir ei gymhwyso i amrywiol ystadegau gan gynnwys cymedr, canolrif, cyfernod atchweliad, ac ati.
– Rhwyddineb Gweithredu: Gyda datblygiad technoleg gyfrifiadura, mae'r dull bootstrap yn eithaf hawdd i'w weithredu gyda chymorth meddalwedd ystadegol fel R neu Python.
Cyfyngiadau
– Cost Gyfrifiadurol: Gall fod angen llawer o adnoddau cyfrifiadurol yn enwedig gyda meintiau data mawr neu nifer fawr o samplau bootstrap (B).
– Amrywiaeth Sampl: Dim ond yn addas ar gyfer samplau sy'n ddigon cynrychioliadol o'r boblogaeth wreiddiol.
– Nid yw'n amddiffyn rhag rhagfarn: Os yw'r data gwreiddiol yn rhagfarnllyd, yna bydd yr holl samplau bootstrap yn cynnwys yr un rhagfarn.
Casgliad
Mae'r dull bootstrap yn cynnig ateb pwerus a hyblyg i lawer o broblemau casglu ystadegol. Gyda'i allu i amcangyfrif dosbarthiad amrywiol ystadegau yn effeithlon heb dybio unrhyw ddosbarthiad penodol, mae'r dull bootstrap wedi dod yn offeryn gwerthfawr wrth ddadansoddi data. Er gwaethaf ei gyfyngiadau, mae'r manteision y mae'n eu cynnig yn aml yn gorbwyso'r costau cyfrifiadurol. Pan gaiff ei ddefnyddio'n briodol, gall y dull bootstrap ddarparu mewnwelediadau cyfoethog a mwy cywir i ddadansoddi ystadegol.
