सांख्यिकी में बूटस्ट्रैप विधि

सांख्यिकी में बूटस्ट्रैप विधि

पेंडाहुलुआन

सांख्यिकी वह विज्ञान है जिसका उद्देश्य आंकड़ों को एकत्र करना, उनका विश्लेषण करना, उनकी व्याख्या करना और उन्हें प्रस्तुत करना है। सांख्यिकीय विश्लेषण अक्सर कुछ मान्यताओं या संभाव्यता सिद्धांतों पर आधारित होता है, जिनके लिए सटीक अनुमान प्राप्त करने हेतु बड़े नमूना आकार की आवश्यकता होती है। हालांकि, कई स्थितियों में, बड़े नमूने प्राप्त करना न तो व्यावहारिक होता है और न ही संभव। यहीं पर बूटस्ट्रैप विधि, जो कि एक पुनर्नमूनाकरण तकनीक है, अत्यंत उपयोगी सिद्ध होती है।

बूटस्ट्रैप विधि को सर्वप्रथम ब्रैडली एफ्रॉन ने 1979 में प्रस्तुत किया था और इसकी लचीलता तथा विशिष्ट वितरण संबंधी मान्यताओं के बिना कई जनसंख्या मापदंडों के सटीक अनुमान प्रदान करने की क्षमता के कारण यह सांख्यिकी में सबसे लोकप्रिय तकनीकों में से एक बन गई है। यह लेख बूटस्ट्रैप विधि के मूल सिद्धांतों, इसके कार्यान्वयन चरणों और सांख्यिकी में इसके अनुप्रयोगों के कई उदाहरणों की रूपरेखा प्रस्तुत करेगा।

बूटस्ट्रैप पद्धति के बुनियादी सिद्धांत

बूटस्ट्रैप विधि एक गैर-पैरामीट्रिक दृष्टिकोण है जो हमें मूल डेटा को पुनः नमूना लेकर किसी सांख्यिकी (जैसे माध्य, माध्यिका, विचरण) के वितरण का अनुमान लगाने की अनुमति देता है। इस विधि का मूल सिद्धांत मौजूदा डेटा (मूल नमूना) का उपयोग करके बार-बार नमूना लेकर कई नए डेटा सेट का अनुकरण करना है।

बूटस्ट्रैप विधि में अपनाए जाने वाले बुनियादी चरण निम्नलिखित हैं:

1. पुनः नमूनाकरण: N आकार के मूल डेटा सेट से, प्रतिस्थापन सहित N बार पुनः नमूनाकरण करें। इसका अर्थ है कि विश्लेषण के लिए चयनित तत्वों को एक से अधिक बार चुना जा सकता है।

2. सांख्यिकी की गणना करें: प्रत्येक पुनः नमूने के लिए वांछित सांख्यिकी (जैसे, माध्य, माध्यिका) की गणना करें।

3. प्रक्रिया को दोहराएँ: चरण 1 और 2 को कई बार दोहराएँ (उदाहरण के लिए B=1000 या अधिक) ताकि आपको जिस सांख्यिकी में रुचि है उसका बूटस्ट्रैप वितरण प्राप्त हो सके।

4. अनुमान और निष्कर्ष: विश्वास अंतराल बनाने, परिकल्पनाओं का परीक्षण करने या अन्य अनुमानित सांख्यिकी बनाने के लिए इस बूटस्ट्रैप वितरण का उपयोग करें।

बूटस्ट्रैप कार्यान्वयन के चरण

बूटस्ट्रैप विधि को निम्नलिखित चरणों में अधिक विस्तार से समझाया जा सकता है:

1. पुनः नमूनाकरण

प्रतिस्थापन सहित पुनः नमूनाकरण बूटस्ट्रैप विधि का मूल तत्व है। मूल डेटा का उपयोग करके, हम कई नए डेटा सेट बनाते हैं, जिन्हें बूटस्ट्रैप नमूने कहा जाता है। प्रत्येक बूटस्ट्रैप नमूना, N आकार के मूल डेटा सेट से N बार नमूना लेने का परिणाम होता है, लेकिन प्रतिस्थापन के साथ, ताकि मूल नमूने के तत्व बूटस्ट्रैप नमूनों में एक से अधिक बार दिखाई दे सकें।

कोंटोह:
यदि हमारे पास मूल डेटा [3, 5, 7, 9] है, तो एक संभावित बूटस्ट्रैप नमूना [3, 9, 9, 5] हो सकता है।

2. बूटस्ट्रैप सांख्यिकी की गणना

प्रत्येक बूटस्ट्रैप नमूने के लिए, वांछित सांख्यिकी की गणना करें। मान लीजिए कि हम माध्य ज्ञात करना चाहते हैं, तो हम प्रत्येक बूटस्ट्रैप नमूने के लिए माध्य की गणना करेंगे। यदि हम इस प्रक्रिया को B बार दोहराते हैं, तो हमें माध्य के B अनुमान प्राप्त होंगे।

3. बूटस्ट्रैप वितरण का निर्माण

बी बूटस्ट्रैप नमूनों से गणना किए गए सभी आंकड़ों को एकत्रित करके, हम वांछित आंकड़े का बूटस्ट्रैप वितरण बनाते हैं। इस वितरण का उपयोग आंकड़े के नमूना वितरण का अनुमान लगाने के लिए किया जाता है।

4. सांख्यिकीय अनुमान

इस बूटस्ट्रैप वितरण से हम विभिन्न सांख्यिकीय निष्कर्ष निकाल सकते हैं। उदाहरण के लिए, हम बूटस्ट्रैप वितरण से प्रतिशतक लेकर विश्वास अंतराल निर्धारित कर सकते हैं या इस वितरण से प्राप्त पी-मान को देखकर परिकल्पनाओं का परीक्षण कर सकते हैं।

बूटस्ट्रैप विधि का उपयोग करने का उदाहरण

इसे और स्पष्ट रूप से समझने के लिए, आइए कुछ उदाहरणों को देखें कि व्यावहारिक संदर्भों में बूटस्ट्रैप विधि का उपयोग कैसे किया जाता है।

उदाहरण 1: माध्य विश्वास अंतराल

मान लीजिए हमारे पास 10 व्यक्तियों के शरीर के वजन का नमूना डेटा इस प्रकार है: [60, 62, 67, 70, 65, 68, 64, 60, 66, 63]।

1. इस डेटा से, हम समान आकार के 1000 बूटस्ट्रैप नमूने लेते हैं, उदाहरण के लिए:
– नमूना 1: [62, 67, 70, 67, 64, 62, 63, 65, 68, 60]
– नमूना 2: [60, 62, 70, 70, 63, 64, 63, 65, 68, 62]
- वगैरह…

2. प्रत्येक बूटस्ट्रैप नमूने से, हम औसत की गणना करते हैं:
– नमूना माध्य 1: (62+67+70+67+64+62+63+65+68+60) / 10
– नमूना माध्य 2: (60+62+70+70+63+64+63+65+68+62) / 10
- वगैरह…

3. इस चरण को 1000 बार दोहराने पर हमें 1000 औसत भार प्राप्त होंगे।

4. इन 1000 औसत डेटा के साथ, हम एक बूटस्ट्रैप वितरण बनाते हैं और 95% विश्वास अंतराल बनाने के लिए 2.5वें और 97.5वें प्रतिशतक लेते हैं।

उदाहरण 2: एकाधिक माध्यिका परिकल्पना परीक्षण

मान लीजिए कि हम यह परीक्षण करना चाहते हैं कि दो डेटा सेटों के माध्यिकाएँ बराबर हैं या नहीं। हम बूटस्ट्रैपिंग का उपयोग करके माध्यिकाओं के अंतर का वितरण बना सकते हैं।

1. प्रत्येक मूल डेटा सेट से बूटस्ट्रैप नमूने लें।
2. प्रत्येक बूटस्ट्रैप नमूने के लिए माध्यिका अंतर की गणना करें।
3. बूटस्ट्रैप माध्यिका अंतरों का वितरण बनाएं।
4. देखें कि क्या शून्य वितरण के विश्वास अंतराल के भीतर आता है।

बूटस्ट्रैप विधि के लाभ और सीमाएँ

केलेबिहान

– गैर-पैरामीट्रिक: इसमें डेटा वितरण के बारे में किसी भी प्रकार की धारणा की आवश्यकता नहीं होती है।
– छोटे नमूनों के लिए प्रभावशीलता: छोटे नमूनों के लिए भी प्रभावी।
– लचीला: इसे माध्य, माध्यिका, प्रतिगमन गुणांक आदि सहित विभिन्न सांख्यिकी पर लागू किया जा सकता है।
– कार्यान्वयन में आसानी: कंप्यूटिंग प्रौद्योगिकी की प्रगति के साथ, बूटस्ट्रैप विधि को आर या पायथन जैसे सांख्यिकीय सॉफ़्टवेयर की मदद से लागू करना काफी आसान है।

सीमाएँ

– कम्प्यूटेशनल लागत: विशेष रूप से बड़े डेटा आकार या बड़ी संख्या में बूटस्ट्रैप नमूनों (बी) के साथ बहुत अधिक कंप्यूटिंग संसाधनों की आवश्यकता हो सकती है।
– नमूना विविधता: केवल उन्हीं नमूनों के लिए उपयुक्त है जो मूल जनसंख्या का पर्याप्त रूप से प्रतिनिधित्व करते हों।
– पूर्वाग्रह से सुरक्षा प्रदान नहीं करता: यदि मूल डेटा में पूर्वाग्रह है, तो सभी बूटस्ट्रैप नमूनों में वही पूर्वाग्रह मौजूद होगा।

निष्कर्ष

बूटस्ट्रैप विधि कई सांख्यिकीय अनुमान समस्याओं का एक शक्तिशाली और लचीला समाधान प्रदान करती है। विशिष्ट वितरण को माने बिना विभिन्न सांख्यिकी के वितरण का कुशलतापूर्वक अनुमान लगाने की क्षमता के कारण, बूटस्ट्रैप विधि डेटा विश्लेषण में एक महत्वपूर्ण उपकरण बन गई है। अपनी सीमाओं के बावजूद, इसके लाभ अक्सर गणना लागत से कहीं अधिक होते हैं। उचित उपयोग किए जाने पर, बूटस्ट्रैप विधि सांख्यिकीय विश्लेषण में व्यापक और अधिक सटीक अंतर्दृष्टि प्रदान कर सकती है।