तथ्याङ्कमा बुटस्ट्र्याप विधि
पेन्डाहुलुआन
तथ्याङ्क भनेको तथ्याङ्क सङ्कलन, विश्लेषण, व्याख्या र प्रस्तुत गर्ने विज्ञान हो। तथ्याङ्कीय विश्लेषण प्रायः निश्चित धारणाहरू वा सम्भाव्यता सिद्धान्तहरूमा निर्भर गर्दछ जसलाई सही अनुमानहरू उत्पादन गर्न ठूला नमूना आकारहरू आवश्यक पर्दछ। यद्यपि, धेरै परिस्थितिहरूमा, ठूला नमूनाहरू प्राप्त गर्नु न त व्यावहारिक हुन्छ न त सम्भव नै। यो त्यहीं हो जहाँ बुटस्ट्र्याप विधि, एक पुन: नमूना प्रविधि, धेरै उपयोगी हुन्छ।
बुटस्ट्र्याप विधि पहिलो पटक १९७९ मा ब्राडली एफ्रोन द्वारा प्रस्तुत गरिएको थियो र यसको लचिलोपन र विशिष्ट वितरणात्मक अनुमानहरू नगरीकन धेरै जनसंख्या प्यारामिटरहरूको लागि सटीक अनुमानहरू उत्पादन गर्ने क्षमताको कारण तथ्याङ्कमा सबैभन्दा लोकप्रिय प्रविधिहरू मध्ये एक भएको छ। यस लेखले बुटस्ट्र्याप विधिको आधारभूत सिद्धान्तहरू, यसको कार्यान्वयन चरणहरू, र तथ्याङ्कमा यसको प्रयोगका धेरै उदाहरणहरूको रूपरेखा प्रस्तुत गर्नेछ।
बुटस्ट्र्याप विधिका आधारभूत सिद्धान्तहरू
बुटस्ट्र्याप विधि एक गैर-प्यारामीट्रिक दृष्टिकोण हो जसले हामीलाई हाम्रो मूल डेटा पुन: नमूना गरेर तथ्याङ्कको वितरण (जस्तै, मध्य, मध्य, भिन्नता) अनुमान गर्न अनुमति दिन्छ। यस विधिको आधारभूत सिद्धान्त भनेको अवस्थित डेटा (मूल नमूना) प्रयोग गरेर धेरै नयाँ डेटा सेटहरू दोहोर्याइएको नमूनाको साथ अनुकरण गर्नु हो।
बुटस्ट्र्याप विधिमा लिइएका आधारभूत चरणहरू निम्न छन्:
१. पुन: नमूना: आकार N को मूल डेटा सेटबाट, प्रतिस्थापनको साथ N पटक पुन: नमूना लिनुहोस्। यसको अर्थ विश्लेषणको लागि चयन गरिएका तत्वहरू एक पटक भन्दा बढी चयन गर्न सकिन्छ।
२. तथ्याङ्क गणना गर्नुहोस्: प्रत्येक पुन: नमूनाको लागि इच्छित तथ्याङ्कहरू (जस्तै, औसत, मध्य) गणना गर्नुहोस्।
३. प्रक्रिया दोहोर्याउनुहोस्: तपाईंलाई रुचि भएको तथ्याङ्कको बुटस्ट्र्याप वितरण प्राप्त गर्न चरण १ र २ धेरै पटक दोहोर्याउनुहोस् (जस्तै B=१००० वा बढी)।
४. अनुमान र निष्कर्ष: विश्वास अन्तरालहरू सिर्जना गर्न, परिकल्पनाहरू परीक्षण गर्न, वा अन्य अनुमानित तथ्याङ्कहरू सिर्जना गर्न यो बुटस्ट्र्याप वितरण प्रयोग गर्नुहोस्।
बुटस्ट्र्याप कार्यान्वयन चरणहरू
बुटस्ट्र्याप विधिलाई निम्न चरणहरूमा थप विस्तृत रूपमा व्याख्या गर्न सकिन्छ:
१. पुन: नमूना लिने
प्रतिस्थापनको साथ पुन: नमूनाकरण गर्नु बुटस्ट्र्याप विधिको सार हो। मूल डेटा प्रयोग गरेर, हामी धेरै नयाँ डेटा सेटहरू सिर्जना गर्छौं, जसलाई बुटस्ट्र्याप नमूना भनिन्छ। प्रत्येक बुटस्ट्र्याप नमूना आकार N को मूल डेटा सेटबाट N पटक नमूना लिने परिणाम हो, तर प्रतिस्थापनको साथ, ताकि मूल नमूनामा रहेका तत्वहरू बुटस्ट्र्याप नमूनाहरूमा एक पटक भन्दा बढी देखा पर्न सकून्।
उदाहरण:
यदि हामीसँग मूल डेटा \[3, 5, 7, 9\] छ भने, एउटा सम्भावित बुटस्ट्र्याप नमूना \[3, 9, 9, 5\] हुन सक्छ।
२. बुटस्ट्र्याप तथ्याङ्क गणना गर्दै
प्रत्येक बुटस्ट्र्याप नमूनाको लागि, इच्छित तथ्याङ्क गणना गर्नुहोस्। मानौं हामी माध्यमा रुचि राख्छौं, हामी प्रत्येक बुटस्ट्र्याप नमूनाको लागि माध्य गणना गर्नेछौं। यदि हामीले यो प्रक्रिया B पटक दोहोर्याउँछौं भने, हामीसँग माध्यको B अनुमान हुनेछ।
३. बुटस्ट्र्याप वितरण गठन गर्ने
B बुटस्ट्र्याप नमूनाहरूबाट गणना गरिएका सबै तथ्याङ्कहरूलाई एकत्रित गरेर, हामी इच्छित तथ्याङ्कको बुटस्ट्र्याप वितरण निर्माण गर्छौं। यो वितरण तथ्याङ्कको नमूना वितरण अनुमान गर्न प्रयोग गरिन्छ।
३. तथ्याङ्कीय अनुमान
यस बुटस्ट्र्याप वितरणबाट, हामी विभिन्न सांख्यिकीय निष्कर्षहरू निकाल्न सक्छौं। उदाहरणका लागि, हामी बुटस्ट्र्याप वितरणबाट प्रतिशतक लिएर विश्वास अन्तरालहरू निर्धारण गर्न सक्छौं वा यस वितरणबाट प्राप्त p-मान हेरेर परिकल्पनाहरू परीक्षण गर्न सक्छौं।
बुटस्ट्र्याप विधि प्रयोग गर्ने उदाहरण
स्पष्ट तस्वीर प्रदान गर्न, व्यावहारिक सन्दर्भहरूमा बुटस्ट्र्याप विधि कसरी प्रयोग गरिन्छ भन्ने केही उदाहरणहरू हेरौं।
उदाहरण १: औसत आत्मविश्वास अन्तराल
मानौं हामीसँग १० जना व्यक्तिको शरीरको तौलको नमूना डेटा यस प्रकार छ: \[६०, ६२, ६७, ७०, ६५, ६८, ६४, ६०, ६६, ६३\]।
१. यस डेटाबाट, हामी उही आकारका १००० बुटस्ट्र्याप नमूनाहरू लिन्छौं, उदाहरणका लागि:
– नमुना २: \[६०, ६२, ७०, ७०, ६३, ६४, ६३, ६५, ६८, ६२\]
– नमुना २: \[६०, ६२, ७०, ७०, ६३, ६४, ६३, ६५, ६८, ६२\]
- आदि…
२. प्रत्येक बुटस्ट्र्याप नमूनाबाट, हामी औसत गणना गर्छौं:
– नमूना औसत २: (६०+६२+७०+७०+६३+६४+६३+६५+६८+६२) / १०
– नमूना औसत २: (६०+६२+७०+७०+६३+६४+६३+६५+६८+६२) / १०
- आदि…
३. यो चरण १००० पटक दोहोर्याएर, हामीले १००० औसत तौल प्राप्त गर्नेछौं।
४. यी १००० औसत डेटाको साथ, हामी बुटस्ट्र्याप वितरण बनाउँछौं र ९५% विश्वास अन्तराल सिर्जना गर्न २.५ औं र ९७.५ औं प्रतिशतक लिन्छौं।
उदाहरण २: बहु मध्यस्थ परिकल्पना परीक्षण
मानौं हामी दुई डेटा सेटका मध्यकहरू बराबर छन् कि छैनन् भनेर परीक्षण गर्न चाहन्छौं। हामी मध्यकहरूमा भिन्नताको वितरण सिर्जना गर्न बुटस्ट्र्यापिङ प्रयोग गर्न सक्छौं।
१. प्रत्येक मूल डेटा सेटबाट बुटस्ट्र्याप नमुनाहरू लिनुहोस्।
२. प्रत्येक बुटस्ट्र्याप नमूनाको लागि मध्य भिन्नता गणना गर्नुहोस्।
३. बुटस्ट्र्याप मध्य भिन्नताहरूको वितरण सिर्जना गर्नुहोस्।
४. शून्य वितरणको विश्वास अन्तराल भित्र पर्छ कि पर्दैन हेर्नुहोस्।
बुटस्ट्र्याप विधिका फाइदा र सीमितताहरू
केलेबिहान
– गैर-प्यारामीट्रिक: डेटा वितरणको बारेमा अनुमानहरू आवश्यक पर्दैन।
- साना नमूनाहरूको लागि प्रभावकारिता: साना नमूनाहरूको लागि पनि प्रभावकारी।
- लचिलो: माध्य, मध्य, प्रतिगमन गुणांक, आदि सहित विभिन्न तथ्याङ्कहरूमा लागू गर्न सकिन्छ।
– कार्यान्वयनमा सहजता: कम्प्युटिङ प्रविधिको विकाससँगै, R वा Python जस्ता तथ्याङ्कीय सफ्टवेयरको मद्दतले बुटस्ट्र्याप विधि कार्यान्वयन गर्न एकदमै सजिलो छ।
सीमाहरू
- कम्प्युटेसनल लागत: ठूलो डेटा आकार वा ठूलो संख्यामा बुटस्ट्र्याप नमूनाहरू (B) भएको अवस्थामा धेरै कम्प्युटिङ स्रोतहरू आवश्यक पर्न सक्छ।
– नमूना विविधता: मूल जनसंख्याको पर्याप्त प्रतिनिधित्व गर्ने नमूनाहरूको लागि मात्र उपयुक्त।
- पूर्वाग्रह विरुद्ध सुरक्षा गर्दैन: यदि मूल डेटा पक्षपाती छ भने, सबै बुटस्ट्र्याप नमूनाहरूमा समान पूर्वाग्रह हुनेछ।
केसिम्पुलन
बुटस्ट्र्याप विधिले धेरै सांख्यिकीय अनुमान समस्याहरूको लागि शक्तिशाली र लचिलो समाधान प्रदान गर्दछ। कुनै पनि विशिष्ट वितरणलाई अनुमान नगरी विभिन्न तथ्याङ्कहरूको वितरणलाई कुशलतापूर्वक अनुमान गर्ने क्षमताको साथ, बुटस्ट्र्याप विधि डेटा विश्लेषणमा एक मूल्यवान उपकरण बनेको छ। यसको सीमितताहरूको बावजुद, यसले प्रदान गर्ने फाइदाहरू प्रायः कम्प्युटेसनल लागतहरू भन्दा बढी हुन्छन्। उचित रूपमा प्रयोग गर्दा, बुटस्ट्र्याप विधिले सांख्यिकीय विश्लेषणमा समृद्ध र अधिक सटीक अन्तर्दृष्टि प्रदान गर्न सक्छ।
