Statistikada Bootstrap usuli
Pendahuluan
Statistika - bu ma'lumotlarni to'plash, tahlil qilish, talqin qilish va taqdim etishga qaratilgan fan. Statistik tahlil ko'pincha aniq taxminlarni olish uchun katta namunaviy o'lchamlarni talab qiladigan ma'lum taxminlar yoki ehtimollik nazariyalariga tayanadi. Biroq, ko'p hollarda katta namunalarni olish na amaliy, na mumkin. Bu yerda qayta namunalash texnikasi bo'lgan bootstrap usuli juda foydali bo'ladi.
Bootstrap usuli birinchi marta 1979-yilda Bredli Efron tomonidan joriy etilgan va o'zining moslashuvchanligi va ko'plab populyatsiya parametrlari uchun aniq taqsimot taxminlarini qilmasdan aniq hisob-kitoblarni amalga oshirish qobiliyati tufayli statistikadagi eng mashhur usullardan biriga aylandi. Ushbu maqolada bootstrap usulining asosiy tamoyillari, uni amalga oshirish bosqichlari va statistikada qo'llanilishining bir nechta misollari bayon qilinadi.
Bootstrap usulining asosiy tamoyillari
Bootstrap usuli parametrik bo'lmagan yondashuv bo'lib, bizga asl ma'lumotlarimizni qayta namunalash orqali statistikaning taqsimotini (masalan, o'rtacha, mediana, dispersiya) baholash imkonini beradi. Ushbu usulning asosiy printsipi mavjud ma'lumotlardan (asl namunadan) foydalanib, ko'plab yangi ma'lumotlar to'plamlarini takroriy namunalash bilan simulyatsiya qilishdir.
Bootstrap usulida bajariladigan asosiy qadamlar quyidagilar:
1. Qayta namuna olish: N o'lchamdagi asl ma'lumotlar to'plamidan N marta qayta namuna oling va almashtirishni amalga oshiring. Bu shuni anglatadiki, tahlil uchun tanlangan elementlar bir necha marta tanlanishi mumkin.
2. Statistikani hisoblang: Har bir qayta namuna uchun kerakli statistikani (masalan, o'rtacha, mediana) hisoblang.
3. Jarayonni takrorlang: Sizni qiziqtirgan statistikaning boshlang'ich taqsimotini olish uchun 1 va 2-bosqichlarni bir necha marta takrorlang (masalan, B=1000 yoki undan ko'p).
4. Baholash va xulosa: Ushbu boshlang'ich taqsimotdan ishonch oraliqlarini yaratish, gipotezalarni sinab ko'rish yoki boshqa xulosalar statistikasini yaratish uchun foydalaning.
Bootstrapni amalga oshirish bosqichlari
Bootstrap usulini quyidagi bosqichlarda batafsilroq tushuntirish mumkin:
1. Qayta namuna olish
Bootstrap usulining mohiyati almashtirish bilan qayta namuna olishdir. Asl ma'lumotlardan foydalanib, biz bootstrap namunalari deb ataladigan ko'plab yangi ma'lumotlar to'plamlarini yaratamiz. Har bir bootstrap namunasi N o'lchamdagi asl ma'lumotlar to'plamidan N marta namuna olish natijasidir, lekin almashtirish bilan, shuning uchun asl namunadagi elementlar bootstrap namunalarida bir necha marta paydo bo'lishi mumkin.
Misol:
Agar bizda asl ma'lumotlar \[3, 5, 7, 9\] bo'lsa, unda bitta mumkin bo'lgan bootstrap namunasi \[3, 9, 9, 5\] bo'lishi mumkin.
2. Bootstrap statistikasini hisoblash
Har bir boshlang'ich qiymat namunasi uchun kerakli statistikani hisoblang. Aytaylik, biz o'rtacha qiymat bilan qiziqamiz, har bir boshlang'ich qiymat namunasi uchun o'rtacha qiymatni hisoblaymiz. Agar biz bu jarayonni B marta takrorlasak, o'rtacha qiymatning B bahosini olamiz.
3. Bootstrap tarqatilishini shakllantirish
B bootstrap namunalaridan hisoblangan barcha statistikani birlashtirish orqali biz kerakli statistikaning bootstrap taqsimotini tuzamiz. Ushbu taqsimot statistikaning namunaviy taqsimotini taxminiylashtirish uchun ishlatiladi.
4. Statistik xulosa
Ushbu bootstrap taqsimotidan biz turli xil statistik xulosalar chiqarishimiz mumkin. Masalan, biz bootstrap taqsimotidan foizlarni olish orqali ishonch oraliqlarini aniqlashimiz yoki ushbu taqsimotdan olingan p-qiymatiga qarab gipotezalarni sinab ko'rishimiz mumkin.
Bootstrap usulidan foydalanishga misol
Aniqroq tasavvur berish uchun, bootstrap usuli amaliy kontekstlarda qanday qo'llanilishiga oid ba'zi misollarni ko'rib chiqaylik.
1-misol: O'rtacha ishonch oralig'i
Aytaylik, bizda 10 kishining tana vaznining namunaviy ma'lumotlari quyidagicha: \[60, 62, 67, 70, 65, 68, 64, 60, 66, 63\].
1. Ushbu ma'lumotlardan biz bir xil o'lchamdagi 1000 ta bootstrap namunalarini olamiz, masalan:
– 1-namuna: \[62, 67, 70, 67, 64, 62, 63, 65, 68, 60\]
– 2-namuna: \[60, 62, 70, 70, 63, 64, 63, 65, 68, 62\]
- va boshqalar…
2. Har bir bootstrap namunasidan biz o'rtacha qiymatni hisoblaymiz:
– Namuna o'rtacha qiymati 1: (62+67+70+67+64+62+63+65+68+60) / 10
– Namuna o'rtacha qiymati 2: (60+62+70+70+63+64+63+65+68+62) / 10
- va boshqalar…
3. Ushbu bosqichni 1000 marta takrorlasak, biz 1000 ta o'rtacha og'irlikni olamiz.
4. Ushbu 1000 ta o'rtacha ma'lumotlar bilan biz boshlang'ich taqsimotni hosil qilamiz va 95% ishonch oralig'ini yaratish uchun 2.5 va 97.5-persentillarni olamiz.
2-misol: Ko'p medianali gipoteza testi
Aytaylik, biz ikkita ma'lumotlar to'plamining medianalari teng yoki yo'qligini tekshirmoqchimiz. Medianalar farqining taqsimotini yaratish uchun bootstrapping dan foydalanishimiz mumkin.
1. Har bir asl ma'lumotlar to'plamidan bootstrap namunalarini oling.
2. Har bir bootstrap namunasi uchun mediana farqini hisoblang.
3. Bootstrap mediana farqlarining taqsimotini yarating.
4. Nol taqsimotning ishonch oralig'iga to'g'ri kelishini tekshiring.
Bootstrap usulining afzalliklari va cheklovlari
Ortiqcha
– Parametrik bo'lmagan: Ma'lumotlarni taqsimlash haqida taxminlarni talab qilmaydi.
– Kichik namunalar uchun samaradorlik: Hatto kichik namunalar uchun ham samarali.
– Moslashuvchan: O'rtacha, mediana, regressiya koeffitsienti va boshqalar kabi turli statistikaga qo'llanilishi mumkin.
– Amalga oshirish qulayligi: Hisoblash texnologiyasining rivojlanishi bilan R yoki Python kabi statistik dasturlar yordamida bootstrap usulini amalga oshirish juda oson.
Cheklovlar
– Hisoblash narxi: Ayniqsa, katta hajmdagi ma'lumotlar yoki ko'p sonli yuklash namunalari bilan juda ko'p hisoblash resurslarini talab qilishi mumkin (B).
– Namuna xilma-xilligi: Faqat asl populyatsiyani yetarlicha ifodalovchi namunalar uchun mos keladi.
– Xiyonatdan himoya qilmaydi: Agar asl ma'lumotlar xolis bo'lsa, unda barcha bootstrap namunalari bir xil xolislikni o'z ichiga oladi.
Xulosa
Bootstrap usuli ko'plab statistik xulosa chiqarish muammolariga kuchli va moslashuvchan yechim taklif qiladi. Turli statistikalarning taqsimotini biron bir aniq taqsimotni taxmin qilmasdan samarali baholash qobiliyati bilan, bootstrap usuli ma'lumotlarni tahlil qilishda qimmatli vositaga aylandi. Cheklovlariga qaramay, uning afzalliklari ko'pincha hisoblash xarajatlaridan ustun turadi. Tegishli ravishda qo'llanilganda, bootstrap usuli statistik tahlil bo'yicha boy va aniqroq tushunchalarni taqdim etishi mumkin.
