ਅੰਕੜਿਆਂ ਵਿੱਚ ਜੈਕਨਾਈਫ ਵਿਧੀ

ਅੰਕੜਿਆਂ ਵਿੱਚ ਜੈਕਨਾਈਫ ਵਿਧੀ

ਜੈਕਨਾਈਫ ਵਿਧੀ ਅੰਕੜਿਆਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੀਸੈਂਪਲਿੰਗ ਤਕਨੀਕ ਹੈ, ਖਾਸ ਕਰਕੇ ਕਿਸੇ ਅਨੁਮਾਨ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਮਾਪਣ ਲਈ। ਜੈਕਨਾਈਫ ਦੀ ਵਰਤੋਂ ਅਕਸਰ ਇੱਕ ਅਨੁਮਾਨਕ ਦੇ ਪੱਖਪਾਤ ਅਤੇ ਭਿੰਨਤਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਨਾਲ ਹੀ ਮਿਆਰੀ ਗਲਤੀ ਵਰਗੇ ਸ਼ੁੱਧਤਾ ਮਾਪ ਬਣਾਉਣ ਲਈ ਵੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਤਕਨੀਕ ਮੁਕਾਬਲਤਨ ਸਧਾਰਨ ਹੈ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਖ਼ਤ ਵੰਡ ਧਾਰਨਾਵਾਂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਕਲਾਸੀਕਲ ਅੰਕੜਿਆਂ ਤੋਂ ਲੈ ਕੇ ਆਧੁਨਿਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਤੱਕ, ਸਮੱਸਿਆਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਪਿਛੋਕੜ ਅਤੇ ਮੁੱਢਲੇ ਵਿਚਾਰ

ਜੈਕਨਾਈਫ ਨੂੰ ਮੌਰੀਸ ਕੁਇਨੋਇਲ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਜੌਨ ਟੂਕੀ ਦੁਆਰਾ ਪ੍ਰਸਿੱਧ ਕੀਤਾ ਗਿਆ ਸੀ। "ਜੈਕਨਾਈਫ" ਨਾਮ ਇੱਕ ਬਹੁਪੱਖੀ ਜੇਬਕਨਾਈਫ ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਵਿਧੀ ਲਚਕਦਾਰ ਹੈ ਅਤੇ ਇਸਨੂੰ ਕਈ ਸੰਦਰਭਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਮੂਲ ਵਿਚਾਰ ਇਹ ਹੈ: ਜੇਕਰ ਸਾਡੇ ਕੋਲ ਆਕਾਰ n ਦਾ ਇੱਕ ਨਮੂਨਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਹਰ ਵਾਰ ਇੱਕ ਨਿਰੀਖਣ ਨੂੰ ਹਟਾ ਕੇ ਕਈ "ਡਮੀ ਨਮੂਨੇ" ਬਣਾਉਂਦੇ ਹਾਂ, ਅਤੇ ਫਿਰ ਹਰੇਕ ਨਮੂਨੇ 'ਤੇ ਅਨੁਮਾਨਕ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰਦੇ ਹਾਂ। ਇਹ ਦੇਖ ਕੇ ਕਿ ਇੱਕ ਨਿਰੀਖਣ ਨੂੰ ਹਟਾਏ ਜਾਣ 'ਤੇ ਅਨੁਮਾਨਕ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ, ਅਸੀਂ ਡੇਟਾ ਵਿੱਚ ਭਿੰਨਤਾ ਉੱਤੇ ਅਨੁਮਾਨਕ ਦੀ ਸਥਿਰਤਾ ਬਾਰੇ ਸਮਝ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ।

ਉਦਾਹਰਨ ਲਈ, ਮੰਨ ਲਓ ਸਾਡੇ ਕੋਲ ਡੇਟਾ \(x_1, x_2, \dots, x_n\) ਹੈ ਅਤੇ ਅਸੀਂ ਅਨੁਮਾਨਕ \( \hat{\theta}=t(x_1,\dots,x_n)\) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਪੈਰਾਮੀਟਰ \(\theta\) ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਜੈਕਨਾਈਫ ਵਿੱਚ, ਅਸੀਂ ਆਕਾਰ \(n-1\) ਦੇ n ਉਪ-ਨਮੂਨੇ ਬਣਾਉਂਦੇ ਹਾਂ, ਅਰਥਾਤ \(i\)th ਉਪ-ਨਮੂਨਾ ਜੋ \(x_i\) ਨੂੰ ਮਿਟਾਉਂਦਾ ਹੈ। ਫਿਰ ਅਸੀਂ ਗਣਨਾ ਕਰਦੇ ਹਾਂ:

\[
\hat{\theta}_{(i)} = t(x_1,\dots,x_{i-1},x_{i+1},\dots,x_n)
\]

ਮੁੱਲ \(\hat{\theta}_{(i)}\) ਨੂੰ ਲੀਵ-ਵਨ-ਆਊਟ ਅਨੁਮਾਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।

ਜੈਕਨਾਈਫ ਵਿਧੀ ਦੇ ਕਦਮ

ਵਿਧੀਗਤ ਤੌਰ 'ਤੇ, ਜੈਕਨਾਈਫ ਨੂੰ ਹੇਠ ਲਿਖੇ ਕਦਮਾਂ ਵਿੱਚ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ:

1. ਪੂਰੇ ਡੇਟਾ 'ਤੇ ਅਨੁਮਾਨਕ ਦੀ ਗਣਨਾ ਕਰੋ
ਪੂਰੇ ਨਮੂਨੇ ਉੱਤੇ \(\hat{\theta}\) ਦੀ ਗਣਨਾ ਕਰੋ।

2. n ਲੀਵ-ਵਨ-ਆਊਟ ਸਬਸੈਂਪਲ ਬਣਾਓ
ਹਰੇਕ \(i = 1,2,\dots,n\) ਲਈ, ਨਿਰੀਖਣ \(x_i\) ਹਟਾਓ ਅਤੇ ਅਨੁਮਾਨਕ \(\hat{\theta}_{(i)}\) ਦੀ ਗਣਨਾ ਕਰੋ।

3. ਜੈਕਨਾਈਫ ਐਸਟੀਮੇਟਰ ਦੀ ਔਸਤ ਦੀ ਗਣਨਾ ਕਰੋ
ਔਸਤ ਲੀਵ-ਵਨ-ਆਊਟ:
\[
\bar{\theta}_{(\cdot)} = \frac{1}{n}\sum_{i=1}^n \hat{\theta}_{(i)}
\]

4. ਅੰਦਾਜ਼ਾ ਵਿਭਿੰਨਤਾ (ਜਾਂ ਮਿਆਰੀ ਗਲਤੀ)
ਜੈਕਨਾਈਫ ਵੇਰੀਐਂਸ ਦੀ ਗਣਨਾ ਆਮ ਤੌਰ 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:
\[
\widehat{\mathrm{Var}}_{J}(\hat{\theta}) = \frac{n-1}{n}\sum_{i=1}^n \left(\hat{\theta}_{(i)} – \bar{\theta}_{(\cdot)}\right)^2
\]
ਸਟੈਂਡਰਡ ਐਰਰ ਵੇਰੀਐਂਸ ਦਾ ਵਰਗਮੂਲ ਹੈ।

5. ਪੱਖਪਾਤ ਅਨੁਮਾਨ ਅਤੇ ਪੱਖਪਾਤ ਸੁਧਾਰ (ਵਿਕਲਪਿਕ)
ਜੈਕਨਾਈਫ ਇਹਨਾਂ ਰਾਹੀਂ ਵੀ ਪੱਖਪਾਤ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦਾ ਹੈ:
\[
\widehat{\mathrm{Bias}}_{J}(\hat{\theta}) = (n-1)\left(\bar{\theta}_{(\cdot)} - ​​\hat{\theta}\ਸੱਜੇ)
\]
ਪੱਖਪਾਤ ਸੁਧਾਰ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:
\[
\hat{\theta}_{J} = \hat{\theta} – \widehat{\mathrm{Bias}}_{J}(\hat{\theta})
\]
ਵਿਆਖਿਆ: ਜੇਕਰ ਲੀਵ-ਵਨ-ਆਊਟ ਮਤਲਬ ਪੂਰੇ ਅਨੁਮਾਨਕ ਤੋਂ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਪੱਖਪਾਤ ਦਾ ਸੰਕੇਤ ਹੈ ਜਿਸਨੂੰ ਠੀਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਅਨੁਭਵੀ ਉਦਾਹਰਣ: ਨਮੂਨਾ ਔਸਤ

ਜੈਕਨਾਈਫ ਨੂੰ ਸਹਿਜਤਾ ਨਾਲ ਸਮਝਣ ਲਈ, ਨਮੂਨਾ ਔਸਤ ਅਨੁਮਾਨਕ 'ਤੇ ਵਿਚਾਰ ਕਰੋ:

\[
\ਟੋਪੀ{\mu} = \frac{1}{n}\sum_{i=1}^n x_i
\]

ਜੇਕਰ ਅਸੀਂ ਇੱਕ ਨਿਰੀਖਣ \(x_i\) ਹਟਾਉਂਦੇ ਹਾਂ, ਤਾਂ ਔਸਤ ਬਣ ਜਾਂਦਾ ਹੈ:

\[
\hat{\mu}_{(i)} = \frac{1}{n-1}\sum_{j\ne i} x_j
\]

ਔਸਤ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਜੈਕਨਾਈਫ ਇੱਕ ਵੱਡਾ "ਹੈਰਾਨੀ" ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦਾ ਕਿਉਂਕਿ ਔਸਤ ਸਥਿਰ ਹੈ ਅਤੇ ਪੱਖਪਾਤ ਛੋਟਾ ਹੈ (ਕਈ ਸੰਦਰਭਾਂ ਵਿੱਚ)। ਹਾਲਾਂਕਿ, ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਅਨੁਮਾਨਕਾਂ ਲਈ - ਜਿਵੇਂ ਕਿ ਮੱਧਮਾਨ, ਇੱਕ ਖਾਸ ਰਿਗਰੈਸ਼ਨ ਗੁਣਾਂਕ, ਇੱਕ ਸਹਿ-ਸਬੰਧ, ਜਾਂ ਇੱਕ ਗੈਰ-ਰੇਖਿਕ ਅੰਕੜਾ - ਇੱਕ ਸਿੰਗਲ ਡੇਟਾ ਬਿੰਦੂ ਨੂੰ ਹਟਾਉਣ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਤਬਦੀਲੀ ਅਨੁਮਾਨਕ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਪ੍ਰਗਟ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਇਸਦੀ ਮਿਆਰੀ ਗਲਤੀ ਦਾ ਇੱਕ ਉਪਯੋਗੀ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ।

ਸੂਡੋਵੈਲਯੂ: ਜੈਕਨਾਈਫ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪ

ਕੁਝ ਚਰਚਾਵਾਂ ਵਿੱਚ, ਜੈਕਨਾਈਫ ਹਰੇਕ ਨਿਰੀਖਣ ਲਈ ਇੱਕ ਸੂਡੋਵੈਲਯੂ ਪੇਸ਼ ਕਰਦਾ ਹੈ:

\[
\theta_i^{ } = n\hat{\theta} – (n-1)\hat{\theta}_{(i)}
\]

ਫਿਰ ਜੈਕਨਾਈਫ ਐਸਟੀਮੇਟਰ ਨੂੰ ਸੂਡੋਵੈਲਯੂਜ਼ ਦੀ ਔਸਤ ਵਜੋਂ ਲਿਖਿਆ ਜਾ ਸਕਦਾ ਹੈ:

\[
\hat{\theta}_{J} = \frac{1}{n}\sum_{i=1}^n \theta_i^{ }
\]

ਸੂਡੋਵੈਲਯੂ ਪਹੁੰਚ ਇਹ ਸਮਝਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਕਿ ਹਰੇਕ ਨਿਰੀਖਣ ਅੰਤਿਮ ਅਨੁਮਾਨ ਵਿੱਚ ਕਿਵੇਂ "ਯੋਗਦਾਨ" ਪਾਉਂਦਾ ਹੈ ਅਤੇ ਪੱਖਪਾਤ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ।

ਜੈਕਨਾਈਫ ਅਤੇ ਬੂਟਸਟ੍ਰੈਪ ਵਿਚਕਾਰ ਸਬੰਧ

ਜੈਕਨਾਈਫ ਦੀ ਤੁਲਨਾ ਅਕਸਰ ਬੂਟਸਟ੍ਰੈਪ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਕਿਉਂਕਿ ਦੋਵੇਂ ਰੀਸੈਂਪਲਿੰਗ ਵਿਧੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਹਨ:

- ਜੈਕਨਾਈਫ ਇੱਕ ਡੇਟਾ (ਲੀਵ-ਵਨ-ਆਊਟ) ਨੂੰ ਹਟਾ ਕੇ ਸਬਸੈਂਪਲਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਪ੍ਰਤੀਕ੍ਰਿਤੀਆਂ ਦੀ ਗਿਣਤੀ ਨਿਰਧਾਰਕ ਹੈ: ਬਿਲਕੁਲ n।
- ਬੂਟਸਟ੍ਰੈਪਿੰਗ ਰਿਪਲੇਸਮੈਂਟ ਦੇ ਨਾਲ ਇੱਕ ਰੀਸੈਂਪਲ ਬਣਾਉਂਦੀ ਹੈ, ਆਮ ਤੌਰ 'ਤੇ ਕਈ ਵਾਰ (ਜਿਵੇਂ ਕਿ 1000 ਜਾਂ 10.000 ਵਾਰ), ਇਸ ਤਰ੍ਹਾਂ ਅਨੁਮਾਨਕ ਦੇ ਅਨੁਭਵੀ ਵੰਡ ਦਾ ਅੰਦਾਜ਼ਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਆਮ ਤੌਰ 'ਤੇ, ਬੂਟਸਟ੍ਰੈਪ ਵਧੇਰੇ ਲਚਕਦਾਰ ਹੁੰਦਾ ਹੈ ਅਤੇ ਅਕਸਰ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਲਈ ਵਧੇਰੇ ਸਹੀ ਹੁੰਦਾ ਹੈ, ਪਰ ਜੈਕਨਾਈਫ ਸਰਲ ਅਤੇ ਗਣਨਾਤਮਕ ਤੌਰ 'ਤੇ ਘੱਟ ਮਹਿੰਗਾ ਹੁੰਦਾ ਹੈ। ਵੱਡੇ ਡੇਟਾਸੈੱਟਾਂ 'ਤੇ, ਜੈਕਨਾਈਫ ਮੋਟੇ ਮਿਆਰੀ ਗਲਤੀਆਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਤੇਜ਼ ਵਿਕਲਪ ਹੋ ਸਕਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਅਨੁਮਾਨਕ ਦੀ ਗਣਨਾ ਕਰਨਾ ਮਹਿੰਗਾ ਹੁੰਦਾ ਹੈ ਪਰ ਫਿਰ ਵੀ n ਵਾਰ ਸੰਭਵ ਹੁੰਦਾ ਹੈ।

ਜੈਕਨਾਈਫ ਵਿਧੀ ਦੇ ਫਾਇਦੇ

ਜੈਕਨਾਈਫ ਦੇ ਕੁਝ ਫਾਇਦਿਆਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

1. ਸਰਲ ਅਤੇ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਆਸਾਨ
ਇੱਕ-ਇੱਕ-ਛੱਡਣ ਦੀ ਧਾਰਨਾ ਸਹਿਜ ਹੈ, ਅਤੇ ਪਰਿਵਰਤਨ ਫਾਰਮੂਲਾ ਸਿੱਧਾ ਹੈ।

2. ਕੁਝ ਵੰਡ ਧਾਰਨਾਵਾਂ
ਜੈਕਨਾਈਫ ਨੂੰ ਹਮੇਸ਼ਾ ਸਧਾਰਣਤਾ ਦੀ ਧਾਰਨਾ ਜਾਂ ਕਿਸੇ ਖਾਸ ਵੰਡ ਆਕਾਰ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।

3. ਕੁਝ ਗਣਨਾਵਾਂ ਲਈ ਕੁਸ਼ਲ
ਕਿਉਂਕਿ ਇਸਨੂੰ ਸਿਰਫ n ਗੁਣਾ ਅਨੁਮਾਨਕ ਗਣਨਾਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੈਕਨਾਈਫ ਅਕਸਰ ਬੂਟਸਟ੍ਰੈਪਿੰਗ ਨਾਲੋਂ ਹਲਕਾ ਹੁੰਦਾ ਹੈ ਜਿਸ ਲਈ ਹਜ਼ਾਰਾਂ ਪ੍ਰਤੀਕ੍ਰਿਤੀਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

4. ਪੱਖਪਾਤ ਦੇ ਅਨੁਮਾਨ ਲਈ ਉਪਯੋਗੀ
ਖਾਸ ਕਰਕੇ ਗੈਰ-ਰੇਖਿਕ ਅਨੁਮਾਨਕਾਂ ਵਿੱਚ ਜਿਨ੍ਹਾਂ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕਰਨਾ ਆਮ ਤੌਰ 'ਤੇ ਆਸਾਨ ਨਹੀਂ ਹੁੰਦਾ।

ਸੀਮਾਵਾਂ ਅਤੇ ਧਿਆਨ ਰੱਖਣ ਵਾਲੀਆਂ ਚੀਜ਼ਾਂ

ਭਾਵੇਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਜੈਕਨਾਈਫ ਦੀਆਂ ਸੀਮਾਵਾਂ ਹਨ:

1. ਬਹੁਤ ਹੀ ਗੈਰ-ਨਿਰਵਿਘਨ ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਾਲਿਆਂ ਲਈ ਘੱਟ ਸਹੀ
ਉਦਾਹਰਨ ਲਈ, ਕੁਝ ਸਥਿਤੀਆਂ ਵਿੱਚ ਮੱਧਮਾਨ ਜਾਂ ਕੁਆਂਟਾਈਲ, ਜਾਂ ਅੰਕੜੇ ਜੋ ਅਤਿਅੰਤ ਮੁੱਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜੈਕਨਾਈਫ ਕਈ ਵਾਰ ਵਿਭਿੰਨਤਾ ਦੇ ਘੱਟ ਸਟੀਕ ਅਨੁਮਾਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

2. ਨਿਰਭਰਤਾ ਵਾਲੇ ਡੇਟਾ ਲਈ ਹਮੇਸ਼ਾ ਢੁਕਵਾਂ ਨਹੀਂ ਹੁੰਦਾ
ਸਮਾਂ ਲੜੀ ਜਾਂ ਸਥਾਨਿਕ ਡੇਟਾ ਵਿੱਚ, ਨਿਰੀਖਣ ਸੁਤੰਤਰ ਨਹੀਂ ਹੁੰਦੇ। ਇੱਕ ਸਿੰਗਲ ਬਿੰਦੂ ਨੂੰ ਹਟਾਉਣ ਨਾਲ ਨਿਰਭਰਤਾ ਬਣਤਰ ਟੁੱਟ ਸਕਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ, ਬਲਾਕ ਜੈਕਨਾਈਫ (ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਡੇਟਾ ਦੇ ਇੱਕ ਬਲਾਕ ਨੂੰ ਹਟਾਉਣਾ) ਵਰਗੀਆਂ ਭਿੰਨਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

3. ਉੱਚ-ਪ੍ਰਭਾਵ ਵਾਲੇ ਨਿਰੀਖਣਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ
ਜੇਕਰ ਆਊਟਲੀਅਰ ਜਾਂ "ਲੀਵਰੇਜਡ" ਡੇਟਾ ਹੈ, ਤਾਂ ਲੀਵ-ਵਨ-ਆਊਟ ਅਨੁਮਾਨ ਬਹੁਤ ਬਦਲ ਸਕਦਾ ਹੈ। ਇਹ ਹਮੇਸ਼ਾ ਇੱਕ ਕਮਜ਼ੋਰੀ ਨਹੀਂ ਹੁੰਦੀ - ਦਰਅਸਲ, ਇਹ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਕੇਤ ਹੋ ਸਕਦਾ ਹੈ - ਪਰ ਨਤੀਜੇ ਵਜੋਂ ਭਿੰਨਤਾ ਵੱਡੀ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਧਿਆਨ ਨਾਲ ਵਿਆਖਿਆ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

4. ਬਹੁਤ ਵੱਡੇ n 'ਤੇ ਸਕੇਲੇਬਿਲਟੀ
ਬੂਟਸਟ੍ਰੈਪਿੰਗ ਨਾਲੋਂ ਸਸਤਾ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਜੈਕਨਾਈਫ ਨੂੰ ਅਜੇ ਵੀ n ਅਨੁਮਾਨਕ ਮੁਲਾਂਕਣਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ n ਲੱਖਾਂ ਵਿੱਚ ਹੈ ਅਤੇ ਅਨੁਮਾਨਕ ਮਹਿੰਗੇ ਹਨ, ਤਾਂ ਇਹ ਸਮੱਸਿਆ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ।

ਭਿੰਨਤਾਵਾਂ: ਡਿਲੀਟ-ਡੀ ਜੈਕਨਾਈਫ ਅਤੇ ਬਲਾਕ ਜੈਕਨਾਈਫ

ਇੱਕ-ਇੱਕ-ਬਾਹਰ ਛੱਡਣ ਤੋਂ ਇਲਾਵਾ, ਇੱਥੇ ਭਿੰਨਤਾਵਾਂ ਹਨ:

– Delete-d jacknife : ਪ੍ਰਤੀ ਪ੍ਰਤੀਕ੍ਰਿਤੀ d ਨਿਰੀਖਣਾਂ ਨੂੰ ਮਿਟਾਉਂਦਾ ਹੈ (ਸਿਰਫ਼ 1 ਦੀ ਬਜਾਏ)। ਇਹ ਕੁਝ ਸਥਿਤੀਆਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਗੈਰ-ਨਿਰਵਿਘਨ ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਾਲਿਆਂ ਲਈ।
- ਬਲਾਕ ਜੈਕਨਾਈਫ: ਕਈ ਨਾਲ ਲੱਗਦੇ ਨਿਰੀਖਣਾਂ ਵਾਲੇ ਬਲਾਕ ਨੂੰ ਹਟਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਆਟੋਕੋਰੀਲੇਸ਼ਨ ਵਾਲੇ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ ਹੈ (ਜਿਵੇਂ ਕਿ ਰੋਜ਼ਾਨਾ, ਹਫਤਾਵਾਰੀ, ਜਾਂ ਸਥਾਨਿਕ ਡੇਟਾ)।

d ਜਾਂ ਬਲਾਕ ਆਕਾਰ ਦੀ ਚੋਣ ਡੇਟਾ ਢਾਂਚੇ ਅਤੇ ਅਨੁਮਾਨ ਟੀਚੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।

ਅਭਿਆਸ ਵਿੱਚ ਜੈਕਨਾਈਫ ਦੀ ਵਰਤੋਂ

ਜੈਕਨਾਈਫ ਦੀ ਵਰਤੋਂ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:

- ਬਾਇਓਸਟੈਟਿਸਟਿਕਸ ਅਤੇ ਮਹਾਂਮਾਰੀ ਵਿਗਿਆਨ: ਜਦੋਂ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਫਾਰਮੂਲੇ ਮੁਸ਼ਕਲ ਹੁੰਦੇ ਹਨ ਤਾਂ ਜੋਖਮ ਮਾਪਾਂ ਜਾਂ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ ਲਈ ਮਿਆਰੀ ਗਲਤੀਆਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ।
- ਅਰਥਮਿਤੀ: ਪੈਰਾਮੀਟਰ ਸਥਿਰਤਾ ਦਾ ਮੁਲਾਂਕਣ, ਖਾਸ ਕਰਕੇ ਸੀਮਤ ਨਮੂਨਿਆਂ ਵਿੱਚ।
- ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ: ਲੀਵ-ਵਨ-ਆਊਟ ਸੰਕਲਪ ਕਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਨਾਲ ਨੇੜਿਓਂ ਜੁੜਿਆ ਹੋਇਆ ਹੈ, ਹਾਲਾਂਕਿ ਟੀਚੇ ਵੱਖਰੇ ਹਨ (ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਮਾਣਿਕਤਾ ਬਨਾਮ ਪੈਰਾਮੀਟਰ ਸ਼ੁੱਧਤਾ ਅਨੁਮਾਨ)।
- ਵਾਤਾਵਰਣ ਅਤੇ ਸਰਵੇਖਣ: ਵਿਭਿੰਨਤਾ ਜਾਂ ਕੁਝ ਸੂਚਕਾਂਕ ਦਾ ਅਨੁਮਾਨ ਅਤੇ ਗੁੰਝਲਦਾਰ ਅੰਕੜਿਆਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ।

ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ

ਜੈਕਨਾਈਫ ਵਿਧੀ ਇੱਕ ਕਲਾਸਿਕ ਰੀਸੈਂਪਲਿੰਗ ਤਕਨੀਕ ਹੈ ਜੋ ਅੱਜ ਵੀ ਢੁਕਵੀਂ ਹੈ। ਇੱਕ ਸਧਾਰਨ ਵਿਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ - ਇੱਕ ਨਿਰੀਖਣ ਨੂੰ ਛੱਡ ਕੇ ਅਤੇ ਅਨੁਮਾਨਕ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰਕੇ - ਜੈਕਨਾਈਫ ਗੁੰਝਲਦਾਰ ਗਣਿਤਿਕ ਗਣਨਾਵਾਂ ਤੋਂ ਬਿਨਾਂ ਪਰਿਵਰਤਨ, ਮਿਆਰੀ ਗਲਤੀ ਅਤੇ ਪੱਖਪਾਤ ਦੇ ਅਨੁਮਾਨ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਸਦੀ ਵਰਤੋਂ ਲਈ ਅਨੁਮਾਨਕ ਦੀ ਪ੍ਰਕਿਰਤੀ, ਨਮੂਨਾ ਆਕਾਰ ਅਤੇ ਡੇਟਾ ਦੀ ਨਿਰਭਰਤਾ ਬਣਤਰ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅਭਿਆਸ ਵਿੱਚ, ਜੈਕਨਾਈਫ ਅਕਸਰ ਇੱਕ ਤੇਜ਼ ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਵਿਕਲਪ ਹੁੰਦਾ ਹੈ, ਜਾਂ ਬੂਟਸਟ੍ਰੈਪਿੰਗ ਵਰਗੇ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ​​ਰੀਸੈਂਪਲਿੰਗ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਇੱਕ ਪੂਰਕ ਹੁੰਦਾ ਹੈ।

ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਸੰਖਿਆਤਮਕ ਗਣਨਾ ਉਦਾਹਰਣ ਵੀ ਜੋੜ ਸਕਦਾ ਹਾਂ (ਜਿਵੇਂ ਕਿ ਸਹਿ-ਸੰਬੰਧ ਜਾਂ ਰਿਗਰੈਸ਼ਨ ਲਈ) ਜਾਂ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨ ਲਈ R/Python ਵਿੱਚ ਇੱਕ jacknife ਲਾਗੂਕਰਨ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹਾਂ।