Bootstrap-menetelmä tilastoissa
Johdanto
Tilastotiede on tiedettä, jonka tavoitteena on kerätä, analysoida, tulkita ja esittää dataa. Tilastollinen analyysi perustuu usein tiettyihin oletuksiin tai todennäköisyysteorioihin, jotka vaativat suuria otoskokoja tarkkojen arvioiden tuottamiseksi. Monissa tilanteissa suurten otoskokojen saaminen ei kuitenkaan ole käytännöllistä eikä mahdollista. Tässä kohtaa bootstrap-menetelmä, uudelleenotantatekniikka, on erittäin hyödyllinen.
Bootstrap-menetelmän esitteli ensimmäisen kerran Bradley Efron vuonna 1979, ja siitä on tullut yksi suosituimmista tilastotekniikan tekniikoista joustavuutensa ja kykynsä ansiosta tuottaa tarkkoja arvioita monille populaatioparametreille ilman, että tarvitsee tehdä erityisiä jakaumaoletuksia. Tässä artikkelissa esitetään bootstrap-menetelmän perusperiaatteet, sen toteutusvaiheet ja useita esimerkkejä sen sovelluksista tilastotieteessä.
Bootstrap-menetelmän perusperiaatteet
Bootstrap-menetelmä on ei-parametrinen lähestymistapa, jonka avulla voimme arvioida tilastollisen muuttujan (esim. keskiarvon, mediaanin tai varianssin) jakauman ottamalla uudelleen näytteitä alkuperäisestä datasta. Menetelmän perusperiaate on käyttää olemassa olevaa dataa (alkuperäistä otosta) useiden uusien datajoukkojen simulointiin toistuvalla näytteenotolla.
Seuraavat ovat bootstrap-menetelmän perusvaiheet:
1. Uudelleenotanta: Alkuperäisestä N-kokoisesta tietojoukosta otetaan uudelleen N kertaa korvaamalla. Tämä tarkoittaa, että analyysiin valitut elementit voidaan valita useammin kuin kerran.
2. Tilastollisten muuttujien laskeminen: Laske halutut tilastolliset muuttujat (esim. keskiarvo, mediaani) jokaiselle uudelleenotannalle.
3. Toista prosessi: Toista vaiheet 1 ja 2 useita kertoja (esim. B=1000 tai enemmän) saadaksesi haluamasi tilaston bootstrap-jakauman.
4. Arviointi ja johtopäätös: Käytä tätä bootstrap-jakaumaa luottamusvälien luomiseen, hypoteesien testaamiseen tai muiden päättelevien tilastojen luomiseen.
Bootstrap-toteutusvaiheet
Bootstrap-menetelmää voidaan selittää tarkemmin seuraavissa vaiheissa:
1. Uudelleennäytteenotto
Bootstrap-menetelmän ydin on uudelleenotanta korvaavalla elementillä. Alkuperäisestä datasta luodaan useita uusia datajoukkoja, joita kutsutaan bootstrap-näytteiksi. Jokainen bootstrap-näyte on tulos N-kertaisesta otoksesta alkuperäisestä, N-kokoisesta datajoukosta, mutta korvaavalla elementillä, joten alkuperäisen otoksen elementit voivat esiintyä bootstrap-näytteissä useammin kuin kerran.
Contoh:
Jos meillä on alkuperäinen data \[3, 5, 7, 9\], niin yksi mahdollinen bootstrap-näyte voisi olla \[3, 9, 9, 5\].
2. Bootstrap-tilastojen laskeminen
Laske haluttu tilastollinen muuttuja jokaiselle bootstrap-otokselle. Jos olemme kiinnostuneita keskiarvosta, laskisimme keskiarvon jokaiselle bootstrap-otokselle. Jos toistamme tämän prosessin B kertaa, meillä on B arviota keskiarvosta.
3. Bootstrap-jakauman muodostaminen
Yhdistämällä kaikki B bootstrap-otoksesta lasketut tilastotiedot konstruoidaan halutun tilastollisen muuttujan bootstrap-jakauma. Tätä jakaumaa käytetään tilastollisen muuttujan otantajakauman approksimointiin.
4. Tilastollinen päättely
Tästä bootstrap-jakaumasta voimme tehdä erilaisia tilastollisia päätelmiä. Voimme esimerkiksi määrittää luottamusvälejä ottamalla persentiilejä bootstrap-jakaumasta tai testata hypoteeseja tarkastelemalla tästä jakaumasta saatua p-arvoa.
Esimerkki Bootstrap-menetelmän käytöstä
Selkeämmän kuvan saamiseksi tarkastellaan esimerkkejä siitä, miten bootstrap-menetelmää käytetään käytännön tilanteissa.
Esimerkki 1: Keskimääräinen luottamusväli
Oletetaan, että meillä on otosdata 10 yksilön painoista seuraavasti: \[60, 62, 67, 70, 65, 68, 64, 60, 66, 63\].
1. Näistä tiedoista otamme 1000 saman kokoista bootstrap-näytettä, esimerkiksi:
– Näyte 1: \[62, 67, 70, 67, 64, 62, 63, 65, 68, 60\]
– Näyte 2: \[60, 62, 70, 70, 63, 64, 63, 65, 68, 62\]
- jne…
2. Laskemme jokaisesta bootstrap-otoksesta keskiarvon:
– Otoksen keskiarvo 1: (62+67+70+67+64+62+63+65+68+60) / 10
– Otoksen keskiarvo 2: (60+62+70+70+63+64+63+65+68+62) / 10
- jne…
3. Toistamalla tämän vaiheen 1000 kertaa saamme 1000 keskimääräistä painoarvoa.
4. Näillä 1000 keskiarvodatalla muodostamme bootstrap-jakauman ja otamme 2.5. ja 97.5. persentiilin luodaksemme 95 %:n luottamusvälin.
Esimerkki 2: Usean mediaanin hypoteesin testaus
Oletetaan, että haluamme testata, ovatko kahden datajoukon mediaanit yhtä suuret. Voimme käyttää bootstrap-menetelmää mediaanien erotuksen jakauman luomiseen.
1. Ota bootstrap-näytteitä kustakin alkuperäisestä aineistosta.
2. Laske kunkin bootstrap-näytteen mediaaniero.
3. Luo bootstrap-mediaanien erojen jakauma.
4. Katso, osuuko nolla jakauman luottamusvälin sisälle.
Bootstrap-menetelmän edut ja rajoitukset
Ylimääräinen
– Ei-parametrinen: Ei vaadi oletuksia datan jakaumasta.
– Tehokkuus pienille näytteille: Tehokas jopa pienille näytteille.
– Joustava: Voidaan soveltaa useisiin tilastoihin, mukaan lukien keskiarvo, mediaani, regressiokerroin jne.
– Helppo toteuttaa: Tietotekniikan kehittyessä bootstrap-menetelmä on melko helppo toteuttaa tilasto-ohjelmistojen, kuten R:n tai Pythonin, avulla.
Keterbatasan
– Laskennalliset kustannukset: Voi vaatia paljon laskentaresursseja erityisesti suurten datakokojen tai suuren määrän bootstrap-näytteiden kanssa (B).
– Otoksen monimuotoisuus: Sopii vain otoksille, jotka edustavat riittävän hyvin alkuperäistä populaatiota.
– Ei suojaa vinoumalta: Jos alkuperäinen data on vinoutunut, kaikissa bootstrap-näytteissä on sama vinouma.
Johtopäätös
Bootstrap-menetelmä tarjoaa tehokkaan ja joustavan ratkaisun moniin tilastollisiin päättelyongelmiin. Kykynsä ansiosta arvioida tehokkaasti eri tilastollisten muuttujien jakaumaa olettamatta mitään tiettyä jakaumaa bootstrap-menetelmästä on tullut arvokas työkalu data-analyysissä. Rajoituksistaan huolimatta sen tarjoamat hyödyt ovat usein suuremmat kuin laskentakustannukset. Oikein käytettynä bootstrap-menetelmä voi tarjota rikkaita ja tarkempia tietoja tilastolliseen analyysiin.
