Rêbaza Jackknife di Statîstîkan de
Rêbaza jackknife teknîkek girîng a ji nû ve nimûnekirinê ye di îstatîstîkê de, nemaze ji bo pîvandina nezelaliya texmînekê. Jackknife pir caran ji bo texmînkirina xeletî û guherbariya texmînkerekê, û her weha ji bo avakirina pîvanên rastbûnê yên wekî xeletiya standard tê bikar anîn. Ev teknîk nisbeten hêsan e, pêdivî bi texmînên belavkirinê yên pir hişk nake, û dikare ji bo rêzek berfireh ji pirsgirêkan were sepandin, ji îstatîstîkên klasîk bigire heya analîza daneyên nûjen.
Paşxane û ramanên bingehîn
Kêrê jackknife ji hêla Maurice Quenouille ve hate nasandin û paşê ji hêla John Tukey ve hate populer kirin. Navê "kêrê jackknife" ji kêrê berîkê yê piralî îlhamê digire, ji ber ku rêbaz nerm e û dikare di gelek rewşan de were bikar anîn. Fikra bingehîn ev e: heke nimûneyek me ya bi mezinahiya n hebe, em çend "nimûneyên sexte" diafirînin bi rakirina her çavdêriyekê, û dûv re texmînkerê li ser her nimûneyê ji nû ve hesab dikin. Bi çavdêriya ka texmînker çawa diguhere dema ku çavdêriyek tê rakirin, em têgihîştinê li ser aramiya texmînkerê li ser guherîna daneyan bi dest dixin.
Bo nimûne, ferz bikin ku daneyên me \(x_1, x_2, \dots, x_n\) hene û em dixwazin parametreyek \(\theta\) bi karanîna texmînker \( \hat{\theta}=t(x_1,\dots,x_n)\) texmîn bikin. Di jackknife de, em n bin-nimûneyên bi mezinahiya \(n-1\) çêdikin, ango bin-nimûneya \(i\)emîn ku \(x_i\\ jê dibe. Piştre em hesab dikin:
\[
\hat{\theta}_{(i)} = t(x_1,\dots,x_{i-1},x_{i+1},\dots,x_n)
\]
Nirxa \(\hat{\theta}_{(i)}\) wekî texmîna "yek-derxistin" tê binavkirin.
Gavên rêbaza Jackknife
Prosedurî, jackknife dikare bi gavên jêrîn were ravekirin:
1. Li ser daneyên tevahî texmînkerê hesab bike
\(\hat{\theta}\) li ser tevahiya nimûneyê hesab bike.
2. N nimûneyên binî yên ku yek jê dernexin biafirînin
Ji bo her \(i = 1,2,\dots,n\), çavdêriya \(x_i\) jê bibe û texmînkerê \(\hat{\theta}_{(i)}\) hesab bike.
3. Navînîya texmînkera jackknife hesab bike
Navînî yek-derketin:
\[
\bar{\theta}_{(\cdot)} = \frac{1}{n}\sum_{i=1}^n \hat{\theta}_{(i)}
\]
4. Guherîna texmînê (an jî xeletiya standard)
Guherîna jackknife bi gelemperî wiha tê hesibandin:
\[
\widehat{\mathrm{Var}}_{J}(\hat{\theta}) = \frac{n-1}{n}\sum_{i=1}^n \left(\hat{\theta}_{(i)} – \bar{\theta}_{(\cdot)}\right)^2
\]
Çewtiya standard koka çargoşe ya guherînê ye.
5. Texmîna xeletiyê û rastkirina xeletiyê (vebijarkî)
Jackknife dikare meyldariyê bi rêya van jî texmîn bike:
\[
\widehat{\mathrm{Bias}}_{J}(\hat{\theta}) = (n-1)\çep(\bar{\theta}_{(\cdot)} - \hat{\theta}\rast)
\]
Rastkirina xeletiyê dikare bi van rêbazan were kirin: +
\[
\hat{\theta}_{J} = \hat{\theta} – \widehat{\mathrm{Bias}}_{J}(\hat{\theta})
\]
Şîrovekirin: eger navînîya ku yek neyê hiştin bi awayekî sîstematîk ji texmînkera tevahî cuda be, nîşaneyeke xeletîyê heye ku dikare were sererastkirin.
Nimûneyek întuîtîv: navînîya nimûneyê
Ji bo fêmkirina jackknife bi awayekî întuîtîv, texmînkera navînî ya nimûneyê bifikirin:
\[
\hat{\mu} = \frac{1}{n}\sum_{i=1}^n x_i
\]
Eger em çavdêriyekê jê bikin \(x_i\), navînî dibe:
\[
\hat{\mu}_{(i)} = \frac{1}{n-1}\sum_{j\ne i} x_j
\]
Di rewşa navînîyan de, jackknife "surprîzek" mezin peyda nake ji ber ku navînî sabît e û xeletî piçûk e (di gelek rewşan de). Lêbelê, ji bo texmînkerên tevlihevtir - wekî medyan, katsayiyek regresyonê ya taybetî, korelasyon, an statîstîkek ne-xêzik - guhertina ku ji rakirina xalek daneya yekane çêdibe dikare hesasiyeta texmînker eşkere bike û texmînek bikêrhatî ya xeletiya wê ya standard çêbike.
Pseudoval: têgeheke girîng di jackknife de
Di hin nîqaşan de, jackknife ji bo her çavdêriyekê nirxek pseudo destnîşan dike:
\[
\theta_i^{ } = n\hat{\theta} – (n-1)\hat{\theta}_{(i)}
\]
Hingê texmînkera jackknife dikare wekî navînîya nirxên pseudome were nivîsandin:
\[
\hat{\theta}_{J} = \frac{1}{n}\sum_{i=1}^n \theta_i^{ }
\]
Rêbaza nirxa pseudo dibe alîkar ku were ravekirin ka her çavdêrî çawa "beşdarî" texmîna dawîn dike û analîza xeletiyê hêsan dike.
Têkiliya di navbera jackknife û bootstrap de
Jackknife pir caran bi bootstrap re tê berawirdkirin, ji ber ku her du jî rêbazên resampling in. Lêbelê, cûdahiyên girîng hene:
– Jackknife bi rakirina yek daneyê (yek-derxistin) nimûnegirtinê bi kar tîne. Hejmara dubarekirinan diyarker e: tam n.
- Bootstrapping ji nû ve nimûneyek bi guhertinê diafirîne, bi gelemperî gelek caran (mînak 1000 an 10.000 caran), bi vî rengî texmînek ji belavbûna empîrîk a texmînker peyda dike.
Bi gelemperî, bootstrap ji bo pirsgirêkên aloz nermtir û pir caran rasttir e, lê jackknife hêsantir û ji hêla hesabkirinê ve erzantir e. Li ser setên daneyê yên mezin, jackknife dikare bibe alternatîfek bilez ji bo bidestxistina xeletiyên standard ên xav, nemaze dema ku hesabkirina texmînkerê biha ye lê dîsa jî n caran gengaz e.
Awantajên rêbaza jackknife
Hin ji avantajên jackknife ev in:
1. Hêsan û hêsan ji bo bicîhkirinê
Konsepta "yekî dernexe" hêsan e, û formula guherînê jî rasterast e.
2. Çend texmînên belavkirinê
Jackknife her gav hewcedarî bi texmîna normalbûnê an şeklek belavkirinê ya taybetî nake.
3. Ji bo hin hesaban bi bandor e
Ji ber ku ew tenê n caran ji bo hesabên texmînkerê hewce dike, jackknife pir caran ji bootstrapping siviktir e ku bi hezaran dubarekirinan hewce dike.
4. Ji bo texmîna xeletiyê kêrhatî ye
Bi taybetî di texmînkerên ne-xêzik de ku bi gelemperî hesabkirina wan bi awayekî analîtîk ne hêsan e.
Sînorkirin û tiştên ku divê meriv li wan binêre
Her çend bi hêz be jî, kêrê jackknife xwedî kêmasiyên wê ye:
1. Ji bo texmînkerên pir ne-lûs kêmtir rast e
Bo nimûne, medyan an jî kvantîlên di hin mercan de, an jî îstatîstîkên ku bi nirxên ekstrem ve girêdayî ne, jackknife carinan texmînên kêmtir rast ên guherînê peyda dike.
2. Ne her tim ji bo daneyên bi girêdayîbûnê guncaw e
Di rêzenivîsên demî an daneyên fezayî de, çavdêrî serbixwe nînin. Rakirina xalekê dikare avahiya girêdayîbûnê bişkîne. Ji bo rewşên weha, guhertoyên wekî block jackknife (rakirina yek blokek daneyan di carekê de) têne bikar anîn.
3. Hesas li hember çavdêriyên bi bandora bilind
Eger daneyên derveyî an "bi leverage" hebin, texmîna "yek ji wan dernexe" dikare bi awayekî berbiçav biguhere. Ev ne her tim qelsiyek e - di rastiyê de, ew dikare sînyalek girîng be - lê guherîna encam dikare mezin be û şîrovekirinek baldar hewce bike.
4. Pîvanbarî li n-yên pir mezin
Her çend ji bootstrapping erzantir be jî, jackknife dîsa jî nirxandinên texmînkerê n hewce dike. Ger n bi mîlyonan be û texmînker biha bin, ev dikare bibe pirsgirêk.
Guhertoyên: jackknife ya jêbirin-d û jackknife ya blok
Ji bilî "yek ji holê rakin", cûdahî jî hene:
– Kêşa jêbirina d jackknife: di her dubarekirinê de d çavdêriyan jê dibe (li şûna tenê 1). Ev dikare di hin rewşan de, nemaze ji bo texmînkerên ne-lûs, rastbûnê baştir bike.
– Çêkerê blokê: blokek ku çend çavdêriyên cîran tê de hene radike, ji bo daneyên ku otokorrelasyon hene (mînak daneyên rojane, heftane, an jî daneyên fezayî) guncaw e.
Hilbijartina mezinahiya d an blokê bi avahiya daneyê û armanca texmînkirinê ve girêdayî ye.
Bikaranîna jackknife di pratîkê de
Jackknife di warên cûda de tê bikar anîn:
– Biyoîstatîstîk û epîdemîolojî: texmînkirina xeletiyên standard ji bo pîvanên rîskê an parametreyên modelê dema ku formulên analîtîk dijwar in.
– Abornîtrî: nirxandina aramiya parametreyan, nemaze di nimûneyên sînorkirî de.
- Zanista komputerê û fêrbûna makîneyê: têgeha "yek ji holê rakin" bi pejirandina xaçerê ve girêdayî ye, her çend armanc cûda bin jî (pejirandina pêşbînîkirinê li hember texmîna rastbûna parametreyan).
- Ekolojî û lêkolîn: texmîna cûrbecûr an jî hin nîşanekan û nezelaliya îstatîstîkên tevlihev.
Penutup
Rêbaza jackknife teknîkek klasîk a ji nû ve nimûnekirinê ye ku îro jî girîng dimîne. Bi karanîna ramanek hêsan - derxistina çavdêriyek û ji nû ve hesabkirina texmînkerê - jackknife dikare texmînên guherbarî, xeletiya standard û xeletiyê bêyî hesabên matematîkî yên tevlihev peyda bike. Lêbelê, karanîna wê hewce dike ku xwezaya texmînker, mezinahiya nimûneyê û avahiya girêdayîbûna daneyan were hesibandin. Di pratîkê de, jackknife pir caran vebijarkek bilez û zelal e, an jî temamkerek ji bo karanîna rêbazên ji nû ve nimûnekirinê yên bihêztir ên wekî bootstrapping e.
Heke hûn bixwazin, ez dikarim mînakek hesabkirina hejmarî ya piçûk jî lê zêde bikim (mînak ji bo korelasyon an regresyonê) an jî pêkanînek jackknife di R/Python de zêde bikim da ku serîlêdanê zelal bikim.
