Torgeek
- Une distribution de bootstrap peut-elle être biaisée?
- Le bootstrap suppose-t-il une distribution normale?
- Est-ce que l'amorçage est impartial?
- Quel est le problème avec le bootstrap?
Une distribution de bootstrap peut-elle être biaisée?
La distribution de bootstrap est biaisée positivement (biaisée vers la droite), suggérant correctement que la distribution d'échantillonnage de la moyenne est asymétrique. Ceci est correct car nous tirons les données d'une distribution lognormale et non d'une distribution normale, comme supposé par la distribution T de la figure 1B.
Le bootstrap suppose-t-il une distribution normale?
Bootstrap ne fait pas d'hypothèses sur la distribution de vos données. Vous rééchantillonnez simplement vos données et utilisez la distribution d'échantillonnage émerge. Ensuite, vous travaillez avec cette distribution, quoi qu'il en soit, comme nous l'avons fait dans l'exemple.
Est-ce que l'amorçage est impartial?
Comme les statistiques Jackknife, les estimateurs de bootstrap ne sont pas supposés être des estimateurs impartiaux du paramètre de la population. Au lieu de cela, on suppose que si l'échantillon statistique () fournit une estimation biaisée de son paramètre (θ), la statistique bootstrap ( * ) fournit une estimation biaisée similaire de la statistique de l'échantillon.
Quel est le problème avec le bootstrap?
Il n'effectue pas de corrections de biais, etc. Il n'y a pas de remède pour les petites tailles d'échantillon. Bootstrap est puissant, mais ce n'est pas magique - il ne peut fonctionner qu'avec les informations disponibles dans l'échantillon d'origine. Si les échantillons ne sont pas représentatifs de l'ensemble de la population, alors bootstrap ne sera pas très précis.
