Bootstrapping tham số là gì?
Xem thêm. Giới thiệu về Bootstrap, Phân tích và sử dụng dữ liệu, Bootstrap phi tham số, VoseNBoot Show Bootstrap không tham số không đưa ra giả định nào về dạng phân phối của tổng thể hoặc phân phối xác suất (cha mẹ). Tuy nhiên, sẽ có nhiều lúc chúng ta sẽ biết phân phối mẹ thuộc họ phân phối nào. Ví dụ, số trận động đất mỗi năm và số nang Giardia trong lít nước lấy từ hồ về mặt logic sẽ xấp xỉ phân phối Poisson; Bootstrap tham số cung cấp cho chúng tôi phương tiện để sử dụng thông tin bổ sung mà chúng tôi có về phân bố dân số. Quy trình này giống như phương pháp Bootstrap không tham số ngoại trừ giai đoạn ước tính phân phối 1. Ước tính phân phối từ dữ liệuĐối với Bootstrap tham số, chúng tôi chọn loại phân phối mà chúng tôi tin rằng dữ liệu đến từ đó và sau đó tìm các tham số MLE cho phân phối đó. Điều này có nghĩa là, chúng tôi tìm thấy các giá trị tham số cho phân phối mang lại xác suất cao nhất để quan sát các giá trị dữ liệu mà chúng tôi có Sử dụng VoseDistributionFitP để trả về các tham số MLE của tập dữ liệu hoặc trực tiếp xây dựng đối tượng phân phối bằng các tham số MLE bằng cách sử dụng VoseDistributionFitObject 2. Mô phỏng việc thu thập dữ liệuGiống như với Bootstrap không tham số, giờ đây chúng tôi thay thế từng quan sát bằng một mẫu được lấy ngẫu nhiên từ phân phối dân số phù hợp. Sử dụng VoseSimulate để mô phỏng các giá trị ngẫu nhiên từ phân phối được tạo ở bước 1 3. Tính thống kê mẫuBây giờ chúng tôi chạy một số lượng lớn các lần lặp lại, mỗi lần tạo ra một bản sao Bootstrap mới và đối với mỗi bản sao Bootstrap, chúng tôi tính toán ước tính mẫu của thống kê được đề cập. Tóm lại, Bootstrap tham số tiến hành như sau
Thí dụGiả sử chúng ta muốn mô hình hóa sự không chắc chắn về trung bình dân số bằng cách sử dụng bootstrapping tham số. Giả sử chúng ta có lý do để tin rằng dữ liệu (được lưu trữ trong một mảng có kích thước n có tên là Dữ liệu) đến từ một bản phân phối LogNormal
|