bootstrap方法
非参数bootstrap方法
设总体分布FFF未知,但是有一个容量为n" role="presentation" style="position: relative;">nnn的来自分布FFF的数据样本,自这一样本按照放回抽样的方法抽取一个容量为n" role="presentation" style="position: relative;">nnn的样本,这种样本被称为bootstrapbootstrapbootstrap样本或自助样本。
相继的,独立地自原始样本中取很多个bootstrapbootstrapbootstrap样本,利用这些样本对总体FFF进行统计推断,这种方法称为非参数bootstrap" role="presentation" style="position: relative;">bootstrapbootstrapbootstrap方法又称自助法
这种方法可以用于当人们对总体知之甚少的情况。
估计量的标准误差的bootstrap估计
在估计总体未知参数θθ\theta时,人们不但要给出θθ\theta的估计θ^θ^\hat\theta,还需要指出这一估计θ^θ^\hat\theta的精度,通常我们使用估计量θ^θ^\hat\theta的标准差D(θ^)−−−−√D(θ^)\sqrt{D(\hat\theta)}来度量估计的精度。估计量θ^θ^\hat{\theta}的标准差σθ^=D(θ^)−−−−√σθ^=D(θ^)\sigma_{\hat{\theta}}=\sqrt{D(\hat\theta)}也称为估计量θ^θ^\hat\theta的标准误差
设X1,X2,⋯,XnX1,X2,⋯,XnX_1,X_2,\cdots,X_n是来自以F(x)F(x)F(x)为分布函数的总体的样本,θθ\theta是我们感兴趣的未知参数,用θ^=θ^(X1,X2,⋯,Xn)θ^=θ^(X1,X2,⋯,Xn)\hat\theta=\hat\theta(X_1,X_2,\cdots,X_n)作为θθ\theta的估计量,在应用中θ^θ^\hat\theta的抽样分布通常是很难处理的,这样D(θ)−−−−√D(θ)\sqrt{D(\theta)}没有一个简单的表达式,不同我们可以采用计算机模拟的方法求得D(θ^)−−−−√D(θ^)\sqrt{D(\hat\theta)}的估计。
为此可以从FFF中产生很多容量为n" role="presentation" style="position: relative;">nnn的样本(例如BBB个),对于每一个样本计算θ^" role="presentation" style="position: relative;">θ^θ^\hat\theta的值,得到θ^1,θ^2,⋯,θ^Bθ^1,θ^2,⋯,θ^B\hat\theta_1,\hat\theta_2,\cdots,\hat\theta_B,则D(θ^)−−−−√D(θ^)\sqrt{D(\hat\theta)}可以用:
\hat\sigma_{\hat\theta}=\sqrt{\dfrac{1}{B-1}\sum_{i=1}^{B}(\hat\theta_i-\overline\theta)^2}来估计,其中 θ¯¯¯=1B∑Bi=1θ^θ¯=1B∑i=1Bθ^\overline{\theta}=\dfrac{1}{B}\sum_{i=1}^{B}\hat\theta_i
bootstrap方法相关推荐
- bootstrap方法_中介效应中的bootstrap方法
当我们有如上图所示的中介模型时,x--m的系数为0.1,m--y的系数也为0.1,这两个系数是显著的.但是0.1*0.1=0.01,此时中介效应还是显著的吗? 为了解决这个问题,有人提出只要两条路径都 ...
- “手撕“ BootStrap 方法
文章目录 Part.I Introduction Chap.I bootstrap 方法简介 Chap.II 预备知识 Part.II 非参数 bootstrap 方法 Chap.I 估计量标准误差的 ...
- Kmeans聚类K值选择Parametric Bootstrap方法,以及数据重抽样方法Bootstrapping
常用的K值选择方法是通过寻找"拐点"确认,或者下游业务需求确定.下文介绍了另一种选择方法. 评论:原始该K值选择法只有在数据为"gaussian-like"时才 ...
- Bootstrap方法在R语言中的运用
Bootstrap本意是拎着靴带让自己跳起来,在统计学中是一种重采样的方法,通常在样本量小的时候,可以从中不断再次抽样. 1. Bootstrap 简单应用 Bootstrap bias偏差 & ...
- R语言统计分析:bootstrap方法
bootstrap方法的原理:当总体分布未知时,我们可以通过对总体进行反复的.有放回的抽样,从而组建多个样本并利用这些样本对总体进行推断,这个方法被称为非参数bootstrap方法. 当我们已经知道总 ...
- 基于BOOTSTRAP方法的投资方案分析
[摘 要] 日常生活中存在各种各样的理财产品,本文以"华夏财富宝A"为例对常见经济现象进行数学建模并加以分析.实际情况下,基金收益情况受各种因素影响,但总体上遵循一定数学规律.本建 ...
- Bootstrap方法(参数和非参数Bootstrap方法)、Matlab算例
非参数Bootstrap方法 设总体的分布FFF未知,但按放回抽样的方法抽取了一个容量为nnn的样本,称为Bootstrap样本或称为自助样本.独立地取多个Bootstrap样本,利用这些样本信息对总 ...
- 统计学中的Bootstrap方法介绍及其应用
说明:本来这只是一篇学生时期对研究方向进行总结的文章,没想到能够给其他人带来了一些的帮助.两年多以来,有许多人留言及私信问我相关的问题,我也不止一次地改正文章中的一些纰漏.但限于时间久远以及水平有限, ...
- R语言基于Bootstrap方法计算标准误差(std. error)实战
R语言基于Bootstrap方法计算标准误差(std. error)实战 目录 R语言基于Bootstrap方法计算标准误差实战 #Bootstrapping计算标准误的流程
最新文章
- Oracle Sql技巧 - Upsert, Multitable Insert, Undrop
- Exp4 恶意代码分析 20164303 景圣
- Android: Execution failed for task ':app:processDebugResources' 异常解决
- java oj主机名排序_oj教程--排序算法(Java)
- [SCOI2007] 蜥蜴 (最大流)
- 常用邮箱申请渠道有哪些?此文给你讲清楚了
- 苹果如果无法弹出⏏️
- DM368开发 -- 硬件认识
- DOS中判断进程是否存在的方法
- 迅雷2012校园招聘笔试题
- oracle时间mapper怎么比较,MyBatis+Oracle时间精度丢失的问题
- Client Side Cache 和 Server Side Cache 的区别
- C语言-第8课 - 注释符号
- “睡服”面试官系列第八篇之iterator(建议收藏学习)
- 为什么Go中有的自定义error会导致内存溢出
- php表决器代码,三人表决器:VHDL源代码
- 押注AI大装置,商汤的“月亮与六便士”
- drcom 不耍流氓
- disallow php,在robots.txt中Disallow: /abc和Disallow: /abc/的区别
- 经典博弈论之3人分100枚金币