MerQuR+Başvuru Kitabı

15. Bootstrap Güven Aralığı

Analiz kimliği: bootstrap_ci · Menü adı: Bootstrap Güven Aralığı · Panel ve motor: gui/panels/analyses/bootstrap_ci.py, execute (satır 315–460), _bca_interval (463–510), _other_intervals (513–537), _execute_extended (540–692) · Çağrı: gui/panels/stats_panel.py:5414–5446

15.1 Ne işe yarar

Bootstrap güven aralığı, bir istatistiğin (ortalama, medyan, standart sapma, oran, korelasyon, iki grup farkı …) örnekleme dağılımını verinin kendisinden yeniden örnekleyerek kestirir ve bu dağılımdan güven aralığı (GA) kurar. Cevapladığı soru şudur: "Elimdeki tek örneklemden hesapladığım değer, aynı evrenden yeni örneklemler çekilseydi ne kadar oynardı ve gerçek değer hangi aralıkta olabilir?"

Hipotez testi yoktur; çıktı bir nokta kestirimi, bootstrap standart hatası (SH) ve altı farklı tanımla kurulmuş GA'dır. Temel fikir Efron'un (1979) "yerine koyma" ilkesidir:

\begin{gathered}\hat F_n(x)=\frac{1}{n}\sum_{i=1}^{n}\mathbf 1\{x_i\le x\},\qquad \hat\theta=s(x_1,\dots,x_n)\\[4pt] \hat\theta^{*}_b=s\!\left(x^{*}_{b1},\dots,x^{*}_{bn}\right),\quad x^{*}_{bj}\sim \hat F_n\end{gathered}
  • x_1,\dots,x_n: gözlenen veri (eksikler atıldıktan sonra).
  • \hat F_n: deneysel dağılım fonksiyonu; her gözleme 1/n olasılık verir.
  • s(\cdot): seçilen istatistik (ortalama, medyan …); \hat\theta onun veride aldığı değer.
  • x^{*}_{bj}: b. yeniden örneklemin j. elemanı; \hat F_n'den, yani veriden yerine koyarak çekilir.
  • \hat\theta^{*}_b: b. yeniden örneklemde istatistiğin değeri; b=1,\dots,B.

Ne zaman kullanılır? İstatistiğin örnekleme dağılımı için kapalı bir formül yoksa (medyan, kırpılmış ortalama, değişim katsayısı, iki medyan farkı) ya da formül normallik gibi şüpheli bir varsayıma dayanıyorsa (SS için \chi^2 aralığı). Orta büyüklükte örneklemde (n\ge 20–30) bağımsız gözlemlerle iyi çalışır.

Ne zaman kullanılmaz?

  • Gözlemler bağımsız değilse (zaman serisi, kümeli veri): basit yeniden örnekleme bağımlılığı yok sayar; blok bootstrap MerQur'da yoktur, karma model ya da zaman serisi analizleri kullanılmalıdır.
  • Hipotez testi isteniyorsa: iki grup için Permütasyon Testi (Bölüm 16), ortalama için Tek Örneklem t Testi (Bölüm 4).
  • Çok küçük örneklemde (n<10): yüzdelik ve BCa aralıklarının kapsaması nominal düzeyin belirgin altında kalır; MerQur uyarır ama hesaplar. Ortalama için t aralığı ya da kesin yöntemler tercih edilmelidir.
  • Etki büyüklüğü (Cohen d, \eta^2, Cramér V) için kapalı biçimli kesin GA isteniyorsa: Etki Büyüklüğü Hesaplayıcı (Bölüm 40).
  • Uç değer davranışını, maksimum ya da minimum gibi sınır istatistiklerini kestirmek için: bootstrap bu istatistiklerde tutarsızdır.

Sık karıştırılan analizler. t testlerindeki "Bootstrap GA" kutusu (Bölüm 5.5.10) yalnız ortalama farkı için 5000 yinelemeli yüzdelik aralık verir ve tohumu 12345'tir; bu modül ayrı bir analizdir, varsayılan B=10\,000 ve tohum 42'dir. Permütasyon testi H₀ altındaki dağılımı kurar (p değeri için); bootstrap ise kestiricinin dağılımını kurar (GA için).

15.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Bağımsız ve aynı dağılımlı gözlem x_i'ler aynı evrenden bağımsız çekilmiştir; \hat F_n evren dağılımının makul kestirimidir. Denetlenmez; tasarımla sağlanır.
İstatistiğin "düzgün" olması İstatistik veri dağılımının pürüzsüz bir fonksiyonudur (ortalama, SS, korelasyon). Medyan ve yüzdelikler kesiklidir; aralıkları basamaklı çıkar. Denetlenmez. Medyanda studentize aralık hesaplanmaz.
Yeterli n Yüzdelik ve BCa aralıklarının kapsaması n küçüldükçe düşer. n<30 ve n<10 uyarıları (bootstrap_ci.py:396–401).
Yeterli B Monte Carlo hatası B ile azalır; GA uçları için B\ge 1000, tercihen \ge 5000. B<100 hata; B<1000 uyarı (bootstrap_ci.py:362–365, 402–405).

Eksik değer. Basit yolda sütun pd.to_numeric(..., errors="coerce").dropna() ile temizlenir (bootstrap_ci.py:367); sayıya çevrilemeyen değerler eksik sayılır. Genişletilmiş yolda (korelasyon, grup farkı, tabakalı, değer sayan oran) kullanılan sütunlar birlikte liste bazında silinir (bootstrap_ci.py:556–571).

Uç durumlar.

  • n<2 ise hata (bootstrap_ci.py:372–373, 593–594). n<10'da hesap yapılır ve küçük örneklem uyarısı verilir.
  • Güven düzeyi (0{,}1) dışında ya da B<100 ise hata (bootstrap_ci.py:358–365).
  • Kırpma oranı \%50 ve üstündeyse hata (bootstrap_ci.py:143–146).
  • Korelasyonda ikinci sütun yoksa ya da birinciyle aynıysa, grup farkında grup sütunu yoksa ya da düzey sayısı 2 değilse hata (bootstrap_ci.py:547–586).
  • Genişletilmiş yolda hiçbir yeniden örneklemde istatistik sonlu değilse hata (bootstrap_ci.py:619–620); sonlu olmayan \hat\theta^{*}_b değerleri sessizce atılır (bootstrap_ci.py:617–618).
  • BCa tanımsızsa (tüm \hat\theta^{*}_b değerleri \hat\theta'nın aynı tarafında, jackknife varyansı 0 ya da ivme paydası \le 0) BCa satırı "—" olur ve uyarı yazılır; BCa seçilmişse birincil GA yüzdeliğe döner (bootstrap_ci.py:406–419).

15.3 Parametreler

Varsayılanlar bootstrap_ci.py:183–310 (form) ve stats_panel.py:5414–5446 (çağrı) satırlarından okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Sütun ilk sayısal sütun Analiz edilen değişken (sayısal ya da ikili). —
İstatistik Ortalama Ortalama, Medyan, Standart sapma, Oran, Kırpılmış ortalama, Varyans, Değişim katsayısı (CV), Yüzdelik (p), Pearson/Spearman korelasyonu, İki grup ortalama/medyan farkı. \hat\theta ve tüm aralıklar. Studentize aralık yalnız ortalama ve ortalama farkında vardır.
2. sütun (yok) Korelasyon istatistiklerinde ikinci değişken; yalnız o zaman görünür. —
Grup / tabaka (yok) Grup farkında iki düzeyli grup; diğer istatistiklerde tabakalı örnekleme için tabaka. Grup farkında örnekleme her zaman grup içidir.
Replikasyon (B) 10000 Yeniden örneklem sayısı; 100–100000. Monte Carlo hatası \propto 1/\sqrt B.
Tohum 42 Rastgele sayı üretecinin tohumu (seed); 0–99999. Aynı tohum (değeri) ve aynı B ile sonuç bit düzeyinde aynıdır.
GA yöntemi Yüzdelik (percentile) Birincil GA (başlık, künye, grafik): Yüzdelik ya da BCa. Altı aralığın tümü her durumda ayrıca yazılır.
Kırpma / yüzdelik %20 Kırpılmış ortalamada her uçtan kırpılan oran; yüzdelik istatistiğinde p. Yalnız bu iki istatistikte görünür.
Sayılan değer (oran) boş Oran istatistiğinde "başarı" sayılacak değer ya da kategori. Boşsa oran x>0 olanların payıdır, x=1 olanların değil.
Tabakalı yeniden örnekleme kapalı Grup sütununun her düzeyinde ayrı yeniden örnekleme. Grup seçilmeden işaretlenirse yok sayılır ve ayar bloğuna not düşülür (bootstrap_ci.py:347–350).
Güven Düzeyi %95 %90, %95, %99 ya da 80–99,9 arası özel; \alpha=1-\text{düzey}. Tüm aralıkların uçları.

Neden "Oran" boşken x>0 sayılır?

_stat_funcs oranı np.mean(x > 0) olarak tanımlar (bootstrap_ci.py:127). 0/1 kodlu ikili değişkende bu, 1'lerin oranıdır ve doğru sonuç verir. Sürekli bir değişkende (laktat gibi) bütün değerler pozitifse oran 1, bütün yeniden örneklemlerde de 1 olur; GA (1; 1) çıkar. Bu yüzden "Sayılan değer" boşken değişkende ikiden çok farklı değer varsa MerQur bunun ikili bir değişken olmadığını uyarır. "Sayılan değer (oran)" kutusuna bir değer yazıldığında (1, Evet) tanım x == değer olur ve genişletilmiş yola geçilir (bootstrap_ci.py:558–567).

15.4 Tıp örneği

Dosya: english/datasets/Tip/11_bootstrap_ci_lactate.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/11_bootstrap_ci_laktat.xlsx).

Değişken Rol Tür Açıklama
lactate_mmol_L Sütun sürekli Yoğun bakım hastasında kan laktatı (mmol/L); en küçük 0,77, en büyük 3,52.
dense_maintenance_type Grup / tabaka (ek örnek) metin, 2 düzey surgical (11), Dahili (19); yoğun bakım türü. Düzey adlarından biri Türkçe, biri İngilizcedir.
patient_id kullanılmaz

n ve eksik değer: 30 hasta; eksik değer yok. \bar x=2{,}061333, s=0{,}799693, medyan 2,03, çarpıklık g_1=0{,}375 (hafif sağa çarpık).

Klinik soru: Bu hasta grubunda ortalama kan laktatı hangi aralıktadır? Dağılım hafif çarpık ve n küçük olduğundan, normal varsayımına dayanmayan bir aralık klasik t aralığıyla uyuşuyor mu?

Seçilen ayarlar: Arayüz varsayılanları (Ortalama, B=10\,000, tohum 42, %95, Yüzdelik). Yöntem farkını göstermek için aynı tohumla medyan, SS ve dense_maintenance_type grupları arasında ortalama farkı da çalıştırılmıştır. Tutarlılık için varsayılan çalıştırma iki kez yapılmış, sonuçlar bit düzeyinde aynı çıkmıştır; tohum 7 ile yüzdelik GA [1{,}7843;\ 2{,}3547] olur (Monte Carlo oynaması üçüncü ondalıkta).

Şekil 15.1. Laktat ortalamasının bootstrap dağılımı (B = 10 000, tohum 42). Mor çizgi gözlenen ortalama, turuncu kesikli çizgiler yüzdelik GA, yeşil noktalı çizgiler BCa GA; alttaki gri çubuk klasik t GA'sıdır.

15.5 Formüller ve hesap adımları

MerQur'un sırası şudur: (1) sütunu temizle, \hat\theta'yı hesapla; (2) numpy.random.default_rng(tohum) ile B yeniden örneklem çek ve her birinde istatistiği hesapla; (3) bootstrap ortalaması, SH ve yanlılığı bul; (4) yüzdelik GA'yı kur; (5) BCa için z_0 ve jackknife ivmesini hesapla; (6) normal, temel ve (ortalamada) studentize aralıkları ekle; (7) birincil GA'yı seçilen yönteme göre belirle.

15.5.1 Yeniden örnekleme ve rastgele sayı akışı

Basit yolda her b için rng.choice(data, size=n, replace=True) çağrılır (bootstrap_ci.py:379–383); genişletilmiş yolda rng.integers(0, n, size=n) ile indeks çekilir (bootstrap_ci.py:612). numpy'de Generator.choice(a, n, replace=True) aynı integers akışını kullandığı için iki yol aynı tohumla aynı indeksleri üretir. Tabakalı desende her tabaka için ayrı rng.choice(indeksler, size=n_s) çağrılır ve tabakalar MerQur düzey sırasıyla (kullanıcının tanımladığı sıra, yoksa sayısal/doğal sıra, o da yoksa verideki ilk görülme sırası) birleştirilir (bootstrap_ci.py:605–610).

\begin{gathered}I_{bj}\stackrel{\text{bağımsız}}{\sim}\mathrm{Tekdüze}\{1,\dots,n\}\\[4pt] \hat\theta^{*}_b=s\!\left(x_{I_{b1}},\dots,x_{I_{bn}}\right),\qquad b=1,\dots,B\end{gathered}
  • I_{bj}: b. yeniden örneklemin j. elemanı için seçilen gözlem sırası (kodda 0 tabanlı).
  • Bir gözlem aynı yeniden örneklemde birden çok kez ya da hiç yer almayabilir; bir gözlemin belirli bir örneklemde hiç seçilmeme olasılığı (1-1/n)^n\approx e^{-1}=0{,}368'dir.

Koddaki tercih

Üreteç PCG64'tür (default_rng); R'nin Mersenne-Twister'ı ve sample() algoritması farklı olduğundan aynı tohum R'de aynı örneklemleri vermez. Bu bölümün doğrulamasında indeksler bağımsız Python betiğiyle aynı tohumdan üretilip R'ye dosyayla verilmiştir. Studentize aralık için ikinci bir üreteç aynı tohumla yeniden başlatılır (bootstrap_ci.py:426–429); böylece ek bir bellek dizisi tutmadan aynı örneklemler yeniden üretilir.

15.5.2 İstatistikler

Kod adı Tanım (koddaki biçimiyle) Satır
mean \bar x 102
median np.median (çift n'de iki orta değerin ortalaması) 103
std s, payda n-1 104
proportion \frac1n\sum \mathbf 1\{x_i>0\}; "Sayılan değer" girilirse \frac1n\sum\mathbf 1\{x_i=v\} 105, 133–134
trimmed scipy.stats.trim_mean(x, p): her uçtan \lfloor pn\rfloor gözlem atılır 125–126
variance, cv s^2; s/\bar x 127–130
percentile np.percentile(x, 100p) (doğrusal ara değer, tür 7) 131–132
pearson, spearman satır çiftleri birlikte örneklenir 135–138
diff_mean, diff_median düzeyler MerQur'un ortak düzey sırasıyla dizilir (sıralı kategorik, sayısal/doğal sıra, verideki ilk görülme sırası); fark = 1. düzey − 2. düzey; kullanılan sıra çıktıda yazılır 139–142, 550–554

15.5.3 Bootstrap ortalaması, standart hata ve yanlılık

\begin{gathered}\bar\theta^{*}=\frac1B\sum_{b=1}^{B}\hat\theta^{*}_b,\qquad \SH_{\text{boot}}=\sqrt{\frac{1}{B-1}\sum_{b=1}^{B}\left(\hat\theta^{*}_b-\bar\theta^{*}\right)^2}\\[4pt] \widehat{\text{yanlılık}}=\bar\theta^{*}-\hat\theta\end{gathered}
  • \bar\theta^{*}: bootstrap dağılımının ortalaması.
  • \SH_{\text{boot}}: bootstrap dağılımının standart sapması; \hat\theta'nın standart hatasının kestirimi (boot.std(ddof=1), bootstrap_ci.py:390).
  • Yanlılık: bootstrap dünyasında kestiricinin ortalama sapması; MerQur yalnız raporlar, aralıkları yanlılığa göre düzeltmez (normal aralık hariç).

Neden B-1?

\hat\theta^{*}_b'ler \hat F_n'den bağımsız çekilişlerdir; varyanslarının yansız kestirimi için örnek varyansında olduğu gibi B-1 kullanılır. B=10\,000'de B ile B-1 arasındaki fark beşinci anlamlı basamaktadır. R boot paketi de sd(t) ile aynı tanımı kullanır.

15.5.4 Yüzdelik aralık

Sıralı bootstrap değerleri \hat\theta^{*}_{(1)}\le\dots\le\hat\theta^{*}_{(B)} olsun. MerQur np.percentile kullanır (bootstrap_ci.py:386–387); bu, Hyndman ve Fan'ın (1996) tür 7 tanımıdır:

\begin{gathered}h=(B-1)\,q,\qquad k=\lfloor h\rfloor\\[4pt] Q^{*}(q)=\hat\theta^{*}_{(k+1)}+(h-k)\left(\hat\theta^{*}_{(k+2)}-\hat\theta^{*}_{(k+1)}\right),\qquad \text{GA}_{\text{yüzdelik}}=\left[Q^{*}(\alpha/2);\ Q^{*}(1-\alpha/2)\right]\end{gathered}
  • q: istenen olasılık (ör. 0,025).
  • h: sıra konumu (0 tabanlı); k tam kısmı.
  • Q^{*}(q): komşu iki sıra istatistiği arasında doğrusal ara değer.

R boot ile tanım farkı

R boot::boot.ci(type = "perc") yüzdeliği tür 7 ile değil, (B+1)q sırasındaki değeri normal ölçekte ara değerle bulur (norm.inter). Bu nedenle aynı \hat\theta^{*} değerleriyle bile R ve MerQur dördüncü ondalıkta ayrılabilir (bu veride SS için 5\times10^{-5}, grup farkı için 5\times10^{-4}; Tablo 15.3). Fark Monte Carlo hatasından küçüktür ama "R ile aynı" denmeden önce bilinmelidir.

Neden yüzdelik aralık çalışır?

\hat\theta'nın monoton bir g dönüşümü altında simetrik ve merkezî bir dağılıma (g(\hat\theta)-g(\theta)\sim simetrik) gittiğini varsayalım. Bu dönüşüm bilinmese bile, bootstrap dağılımının yüzdelikleri dönüşümle birlikte taşınır; yüzdelik aralık bu nedenle dönüşüm değişmezdir (Efron ve Tibshirani 1993, §13.3). Varsayım yanlılık ya da ölçeğe bağlı varyans nedeniyle bozulursa kapsama düşer; BCa bunu düzeltmek için geliştirilmiştir.

15.5.5 BCa aralığı

BCa (bias-corrected and accelerated) iki sayıyla yüzdelik konumlarını kaydırır: yanlılık düzeltmesi z_0 ve ivme a (_bca_interval, bootstrap_ci.py:463–510).

z_0=\Phi^{-1}\!\left(\frac{\#\{b:\ \hat\theta^{*}_b<\hat\theta\}}{B}\right)
  • \Phi^{-1}: standart normal dağılımın ters birikimli fonksiyonu.
  • Pay: \hat\theta'dan kesin küçük bootstrap değeri sayısı (np.sum(boot < observed), bootstrap_ci.py:487).
  • Oran 0 ya da 1 ise z_0 sonsuzdur; BCa tanımsız sayılır.

İvme jackknife ile kestirilir. \hat\theta_{(i)}, i. gözlem çıkarıldığında istatistiğin değeri olsun:

\begin{gathered}\bar\theta_{(\cdot)}=\frac1n\sum_{i=1}^{n}\hat\theta_{(i)},\qquad L_i=(n-1)\left(\bar\theta_{(\cdot)}-\hat\theta_{(i)}\right)\\[4pt] a=\frac{\sum_{i=1}^{n}L_i^{3}}{6\left(\sum_{i=1}^{n}L_i^{2}\right)^{3/2}}\end{gathered}
  • L_i: i. gözlemin jackknife etki değeri; ortalama için L_i=x_i-\bar x'tir.
  • a: istatistiğin standart hatasının parametreyle değişme hızı ("ivme"); ortalama için a=g_1/(6\sqrt n), yani verinin çarpıklığıyla orantılıdır.

Düzeltilmiş olasılıklar ve aralık:

\begin{gathered}\alpha_1=\Phi\!\left(z_0+\frac{z_0+z_{\alpha/2}}{1-a\,(z_0+z_{\alpha/2})}\right),\qquad \alpha_2=\Phi\!\left(z_0+\frac{z_0+z_{1-\alpha/2}}{1-a\,(z_0+z_{1-\alpha/2})}\right)\\[4pt] \text{GA}_{\text{BCa}}=\left[Q^{*}(\alpha_1);\ Q^{*}(\alpha_2)\right]\end{gathered}
  • z_{\alpha/2}, z_{1-\alpha/2}: standart normal kantilleri (\pm1{,}959964).
  • \alpha_1,\alpha_2: yüzdelik aralıkta \alpha/2 ve 1-\alpha/2 yerine kullanılan düzeltilmiş olasılıklar. z_0=a=0 ise yüzdelik aralığa döner.
  • Q^{*}: yüzdelik aralıktaki tür 7 ara değeri (aynı np.percentile).
  • Payda 1-a(z_0+z_q)\le 0 olursa BCa tanımsızdır (bootstrap_ci.py:505–507).

Neden z_0 ve a?

Efron (1987), \hat\phi=g(\hat\theta) dönüşümünde \hat\phi\sim N(\phi-z_0\sigma_\phi,\ \sigma_\phi^2) ve \sigma_\phi=1+a\phi modelini kurdu. z_0 medyan yanlılığını ölçer: bootstrap dağılımının \hat\theta'nın altında kalan payı 0,5'ten saparsa kestirici yanlıdır. a ise SH'nin parametreyle doğrusal değişimini yakalar; çarpık istatistiklerde (SS, varyans, oran) sıfırdan farklıdır. BCa aralığının her bir ucu ikinci dereceden doğrudur (tek yanlı kapsama hatası O(n^{-1})), yüzdelik aralığın uçları ise birinci derecedendir (O(n^{-1/2})) (DiCiccio ve Efron 1996).

Koddaki tercih

Jackknife merkezi \bar\theta_{(\cdot)}'dir (Efron ve Tibshirani 1993, eş. 14.15). R boot::empinf(type = "jack") ise L_i=(n-1)(\hat\theta-\hat\theta_{(i)}) kullanır (Davison ve Hinkley 1997, eş. 2.41). Ortalama ve oran gibi doğrusal istatistiklerde \bar\theta_{(\cdot)}=\hat\theta olduğundan iki tanım aynıdır; SS'de a farklıdır (bu veride 0,033911 ve 0,034768). Kod yorumu bu farkı açıkça belirtir (bootstrap_ci.py:473–479). Grup farkı ve tabakalı desende jackknife her satırı bir kez siler ve tabakayı yok sayar (bootstrap_ci.py:625–637); R boot tabaka içi (n_s-1) çarpanı kullanır.

Koddaki tercih: z_0'da bağlar

Veride iki ondalık varsa bazı yeniden örneklemlerin ortalaması \hat\theta'ya tam eşit olur (bu veride 10 000 örneklemden 9'u). Kesin aritmetikte bunlar "küçük" sayılmamalıdır; ancak kayan nokta toplamında \hat\theta^{*}_b değeri \hat\theta'nın 10^{-16} altına düşebilir. MerQur bu yüzden \hat\theta'ya 10^{-12} göreli toleransla eşit değerleri "küçük" saymaz; bu veride kesin sayım olan 5030'u bulur (R aynı indekslerle 5030). Toleranssız sayım 5031 verir ve BCa alt sınırını 1,79319'dan 1,79330'a kaydırırdı (10^{-4}).

15.5.6 Normal, temel ve studentize aralıklar

_other_intervals (bootstrap_ci.py:513–537) üç aralığı R boot.ci türleriyle aynı tanımda ekler:

\begin{gathered}\text{GA}_{\text{normal}}=\hat\theta-\left(\bar\theta^{*}-\hat\theta\right)\mp z_{1-\alpha/2}\,\SH_{\text{boot}}\\[4pt] \text{GA}_{\text{temel}}=\left[2\hat\theta-Q^{*}(1-\alpha/2);\ 2\hat\theta-Q^{*}(\alpha/2)\right]\end{gathered}
\begin{gathered}t^{*}_b=\frac{\hat\theta^{*}_b-\hat\theta}{\SH^{*}_b}\\[4pt] \text{GA}_{\text{stud}}=\left[\hat\theta-\SH\cdot Q_t^{*}(1-\alpha/2);\ \hat\theta-\SH\cdot Q_t^{*}(\alpha/2)\right]\end{gathered}
  • Normal aralık: yanlılığı düzeltilmiş nokta kestirimi çevresinde simetrik aralık; \hat\theta'nın normal dağıldığını varsayar.
  • Temel (basic) aralık: \hat\theta-\theta'nın dağılımını \hat\theta^{*}-\hat\theta ile yaklaştırır; yüzdelik aralığın \hat\theta etrafında yansımasıdır.
  • \SH^{*}_b: b. örneklemde analitik SH; ortalamada s^{*}_b/\sqrt n, ortalama farkında Welch SH'si \sqrt{s_1^{*2}/n_1+s_2^{*2}/n_2} (_se_func, bootstrap_ci.py:169–178).
  • \SH: özgün veride analitik SH; Q_t^{*}: sonlu t^{*}_b'lerin tür 7 yüzdeliği. Sonlu t^{*} sayısı 10'dan azsa satır "—" olur (bootstrap_ci.py:533–536).

Neden studentize aralık yalnız ortalamada?

Bootstrap-t aralığı her örneklemde güvenilir bir SH kestirimi ister. Ortalama ve ortalama farkı için kapalı formül vardır. Medyan, SS ya da korelasyon için SH ancak iç içe ikinci bir bootstrap ile kestirilebilir (B\times B_2 hesap); MerQur bunu yapmaz ve satırı "—" bırakır. Bootstrap-t de ikinci dereceden doğrudur ama uç değerlere duyarlıdır: \SH^{*}_b küçük çıkan örneklemler t^{*} dağılımının kuyruklarını uzatır.

15.5.7 Birincil aralığın seçimi ve gösterim

Birincil GA (başlık satırı, künye, grafikteki kesikli çizgiler, tablo "GA alt/üst"), "GA yöntemi" Yüzdelik ise yüzdelik, BCa ise BCa aralığıdır; BCa tanımsızsa yüzdeliğe döner ve yöntem etiketi "Yüzdelik (BCa hesaplanamadı)" olur (bootstrap_ci.py:412–419, 710–714). Tüm sayılar sonuç nesnesine dört ondalığa yuvarlanarak yazılır (bootstrap_ci.py:441–458); z_0 ve a altı ondalıklıdır.

15.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Aşağıdaki değerler dogrulama/bootstrap_ci/elle_hesap.py ile, MerQur kodu çağrılmadan numpy ile hesaplanmıştır. İndeksler aynı tohumla (42) aynı sırada üretilmiştir.

Adım 1 — Gözlenen değer. \sum x_i=61{,}84, n=30:

\hat\theta=\bar x=\frac{61{,}84}{30}=2{,}061333,\qquad s=0{,}799693,\qquad \SH=\frac{s}{\sqrt{30}}=0{,}146003

Adım 2 — İlk yeniden örneklem. Tohum 42 ile ilk 30 indeks (0 tabanlı) 2, 23, 19, 13, 12, 25, 2, 20, 6, 2, … 13'tür; 2 numaralı gözlem üç kez seçilmiştir. Bu örneklemin ortalaması \hat\theta^{*}_1=2{,}107'dir. 10 000 örneklem için:

\bar\theta^{*}=2{,}062202,\qquad \SH_{\text{boot}}=0{,}142935,\qquad \widehat{\text{yanlılık}}=2{,}062202-2{,}061333=0{,}000869

\SH_{\text{boot}}, analitik s/\sqrt n=0{,}146003'e yakındır; bootstrap \hat F_n'nin varyansını n paydasıyla kullandığı için beklenen değeri s\sqrt{(n-1)/n}/\sqrt n=0{,}143549'dur.

Adım 3 — Yüzdelik aralık. h=9999\times0{,}025=249{,}975; 250. ve 251. sıra değerleri ikisi de 1,786000'dır. Üst uçta h=9999\times0{,}975=9749{,}025; 9750. ve 9751. değerler 2,347667'dir:

\text{GA}_{\text{yüzdelik}}=[1{,}786000;\ 2{,}347667]

Adım 4 — BCa. \hat\theta'dan küçük örneklem sayısı 5030'dur (\hat\theta'ya eşit 9 örneklem sayılmaz; bkz. 15.5.5):

z_0=\Phi^{-1}(0{,}5030)=0{,}007520

Ortalama için L_i=x_i-\bar x; \sum L_i^2=18{,}545747, \sum L_i^3=5{,}465267:

a=\frac{5{,}465267}{6\times18{,}545747^{3/2}}=0{,}011405\qquad\left(=\frac{g_1}{6\sqrt n}=\frac{0{,}374805}{6\times5{,}477226}\right)
\begin{gathered}\alpha_1=\Phi\!\left(0{,}007520+\frac{0{,}007520-1{,}959964}{1-0{,}011405\,(0{,}007520-1{,}959964)}\right)=0{,}028560\\[4pt] \alpha_2=\Phi\!\left(0{,}007520+\frac{0{,}007520+1{,}959964}{1-0{,}011405\,(0{,}007520+1{,}959964)}\right)=0{,}978317\end{gathered}

h_1=9999\times0{,}028560=285{,}569: 286. değer 1,793000, 287. değer 1,793333, ara değer 1,793190. h_2=9782{,}191: 9783. ve 9784. değerler 2,355667 ve 2,356333, ara değer 2,355794:

\text{GA}_{\text{BCa}}=[1{,}793190;\ 2{,}355794]

Pozitif a (sağa çarpıklık) iki ucu da sağa kaydırmıştır.

Adım 5 — Diğer aralıklar.

\text{GA}_{\text{normal}}=2{,}061333-0{,}000869\mp1{,}959964\times0{,}142935=[1{,}780316;\ 2{,}340612]
\text{GA}_{\text{temel}}=[2\times2{,}061333-2{,}347667;\ 2\times2{,}061333-1{,}786000]=[1{,}775000;\ 2{,}336667]

Studentize: t^{*} dağılımının yüzdelikleri Q^{*}_t(0{,}975)=1{,}948874, Q^{*}_t(0{,}025)=-2{,}163674:

\text{GA}_{\text{stud}}=[2{,}061333-0{,}146003\times1{,}948874;\ 2{,}061333+0{,}146003\times2{,}163674]=[1{,}776791;\ 2{,}377237]

Karşılaştırma için klasik t aralığı: t_{0{,}975;\,29}=2{,}045230, [1{,}762723;\ 2{,}359944].

Adım 6 — Başka istatistikler (aynı tohum).

İstatistik \hat\theta Yüzdelik GA BCa GA z_0 a
Ortalama 2,061333 [1,786000; 2,347667] [1,793190; 2,355794] 0,007520 0,011405
Medyan 2,030000 [1,490000; 2,320000] [1,460000; 2,305000] −0,072254 ≈ 0
SS 0,799693 [0,621267; 0,924579] [0,662351; 0,960610] 0,187332 0,033911
surgical − Dahili 0,573493 [−0,026420; 1,162664] [−0,030087; 1,158112] −0,005264 −0,001673

SS'nin bootstrap dağılımı sola kaymıştır (yanlılık −0,0177): s, yerine koyarak çekilen örneklemlerde tekrar eden gözlemler nedeniyle küçülür. BCa bunu z_0=0{,}187 ile düzelterek aralığı sağa taşır. Medyanda jackknife değerleri yalnız iki farklı değer alır; L_i'ler simetriktir ve a sayısal olarak sıfırdır (-6{,}7\times10^{-16}); MerQur çıktısında "a = 0.0000" yazar. Grup farkında örnekleme grup içidir (surgical 11, Dahili 19 sabit), Welch SH'li bootstrap-t aralığı [-0{,}113018;\ 1{,}263726]'tür.

15.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonuç nesnesinden, panel modülünde yalnız round() adı bellekte etkisizleştirilerek tam hassasiyetle alınmıştır (dogrulama/bootstrap_ci/merqur_calistir.py). R'nin rastgele sayı üreteci numpy PCG64'ü üretemediği için yeniden örnekleme indeksleri bağımsız Python betiğiyle aynı tohumdan üretilip indeks_t42.csv dosyasıyla R'ye verilmiştir; istatistikler, yüzdelikler (quantile(type = 7)), jackknife, BCa, normal, temel ve bootstrap-t aralıkları R'de ayrı kodla hesaplanmıştır. Ölçüt: en büyük fark \le 10^{-6} (değer 1'den büyükse göreli).

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Gözlenen \hat\theta (ortalama) 2,061333 2,061333 2,061333 3,1e−15 ✓
Bootstrap ortalaması \bar\theta^* (ortalama) 2,062202 2,062202 2,062202 3,1e−15 ✓
Bootstrap SH (ortalama) 0,142935 0,142935 0,142935 8,3e−17 ✓
Yüzdelik alt (ortalama) 1,786000 1,786000 1,786000 2,2e−16 ✓
Yüzdelik üst (ortalama) 2,347667 2,347667 2,347667 2,7e−15 ✓
BCa z_0 (ortalama) 0,007520 0,007520 0,007520 4,3e−18 ✓
BCa a (ortalama) 0,011405 0,011405 0,011405 6,4e−16 ✓
BCa alt (ortalama) 1,793190 1,793190 1,793190 5,3e−15 ✓
BCa üst (ortalama) 2,355794 2,355794 2,355794 2,7e−15 ✓
Normal alt (ortalama) 1,780316 1,780316 1,780316 2,2e−16 ✓
Normal üst (ortalama) 2,340612 2,340612 2,340612 4,0e−15 ✓
Temel alt (ortalama) 1,775000 1,775000 1,775000 8,9e−16 ✓
Temel üst (ortalama) 2,336667 2,336667 2,336667 4,0e−15 ✓
Bootstrap-t alt (ortalama) 1,776791 1,776791 1,776791 1,8e−15 ✓
Bootstrap-t üst (ortalama) 2,377237 2,377237 2,377237 3,6e−15 ✓
Gözlenen \hat\theta (medyan) 2,030000 2,030000 2,030000 4,4e−16 ✓
Bootstrap ortalaması \bar\theta^* (medyan) 1,995728 1,995728 1,995728 0,0e+00 ✓
Bootstrap SH (medyan) 0,224162 0,224162 0,224162 4,4e−16 ✓
Yüzdelik alt (medyan) 1,490000 1,490000 1,490000 0,0e+00 ✓
Yüzdelik üst (medyan) 2,320000 2,320000 2,320000 4,4e−16 ✓
BCa z_0 (medyan) −0,072254 −0,072254 −0,072254 2,8e−17 ✓
BCa a (medyan) −6,749·10−16 −6,749·10−16 2,250·10−16 9,0e−16 ✓
BCa alt (medyan) 1,460000 1,460000 1,460000 0,0e+00 ✓
BCa üst (medyan) 2,305000 2,305000 2,305000 0,0e+00 ✓
Normal alt (medyan) 1,624923 1,624923 1,624923 1,6e−15 ✓
Normal üst (medyan) 2,503622 2,503622 2,503622 2,2e−15 ✓
Temel alt (medyan) 1,740000 1,740000 1,740000 2,2e−16 ✓
Temel üst (medyan) 2,570000 2,570000 2,570000 4,4e−16 ✓
Gözlenen \hat\theta (SS) 0,799693 0,799693 0,799693 4,4e−16 ✓
Bootstrap ortalaması \bar\theta^* (SS) 0,781973 0,781973 0,781973 3,3e−16 ✓
Bootstrap SH (SS) 0,077800 0,077800 0,077800 1,4e−17 ✓
Yüzdelik alt (SS) 0,621267 0,621267 0,621267 2,2e−16 ✓
Yüzdelik üst (SS) 0,924579 0,924579 0,924579 1,1e−16 ✓
BCa z_0 (SS) 0,187332 0,187332 0,187332 2,8e−16 ✓
BCa a (SS) 0,033911 0,033911 0,033911 1,2e−15 ✓
BCa alt (SS) 0,662351 0,662351 0,662351 2,2e−16 ✓
BCa üst (SS) 0,960610 0,960610 0,960610 3,3e−16 ✓
Normal alt (SS) 0,664927 0,664927 0,664927 1,1e−16 ✓
Normal üst (SS) 0,969899 0,969899 0,969899 3,3e−16 ✓
Temel alt (SS) 0,674807 0,674807 0,674807 0,0e+00 ✓
Temel üst (SS) 0,978118 0,978118 0,978118 1,1e−16 ✓
Gözlenen \hat\theta (surgical − Dahili) 0,573493 0,573493 0,573493 6,7e−16 ✓
Bootstrap ortalaması \bar\theta^* (surgical − Dahili) 0,572095 0,572095 0,572095 4,4e−16 ✓
Bootstrap SH (surgical − Dahili) 0,304436 0,304436 0,304436 1,7e−16 ✓
Yüzdelik alt (surgical − Dahili) −0,026420 −0,026420 −0,026420 8,7e−17 ✓
Yüzdelik üst (surgical − Dahili) 1,162664 1,162664 1,162664 4,7e−15 ✓
BCa z_0 (surgical − Dahili) −0,005264 −0,005264 −0,005264 1,7e−18 ✓
BCa a (surgical − Dahili) −0,001673 −0,001673 −0,001673 4,9e−17 ✓
BCa alt (surgical − Dahili) −0,030087 −0,030087 −0,030087 4,0e−16 ✓
BCa üst (surgical − Dahili) 1,158112 1,158112 1,158112 6,7e−16 ✓
Normal alt (surgical − Dahili) −0,021794 −0,021794 −0,021794 1,4e−15 ✓
Normal üst (surgical − Dahili) 1,171575 1,171575 1,171575 1,3e−15 ✓
Temel alt (surgical − Dahili) −0,015678 −0,015678 −0,015678 1,4e−15 ✓
Temel üst (surgical − Dahili) 1,173406 1,173406 1,173406 5,8e−15 ✓
Bootstrap-t alt (surgical − Dahili) −0,113018 −0,113018 −0,113018 1,6e−15 ✓
Bootstrap-t üst (surgical − Dahili) 1,263726 1,263726 1,263726 3,1e−15 ✓

Sonuç: 56 büyüklüğün tamamı ölçütü karşılar. z_0 sayımında MerQur, R ve tamsayı aritmetiğiyle yapılan kesin sayım aynıdır (ortalamada 5030, grup farkında 4979):

İstatistik k MerQur (numpy) k R (<) k kesin (tamsayı) θ̂'ye eşit örnek z_0 (kesin k)
Ortalama 5030 5030 5030 9 0,007520
surgical − Dahili 4979 4979 4979 0 −0,005264

Aynı \hat\theta^{*} değerleriyle boot::boot.ci() çağrıldığında tanım farkları (normal ölçekte ara değer, \hat\theta merkezli jackknife) şu kadar fark yaratır:

İstatistik Aralık MerQur boot::boot.ci Fark (alt; üst)
Ortalama Yüzdelik [1,7860; 2,3477] [1,7860; 2,3477] 0,0000; 0,0000
Ortalama BCa [1,7932; 2,3558] [1,7928; 2,3565] 0,0004; −0,0007
Ortalama Bootstrap-t [1,7768; 2,3772] [1,7764; 2,3773] 0,0004; 0,0000
SS Yüzdelik [0,6213; 0,9246] [0,6212; 0,9246] 0,0001; 0,0000
SS BCa [0,6624; 0,9606] [0,6627; 0,9614] −0,0004; −0,0008
Fark Yüzdelik [−0,0264; 1,1627] [−0,0267; 1,1639] 0,0003; −0,0012
Fark BCa [−0,0301; 1,1581] [−0,0306; 1,1593] 0,0005; −0,0012
Fark Bootstrap-t [−0,1130; 1,2637] [−0,1132; 1,2639] 0,0002; −0,0002

15.7 Çıktıyı okuma

MerQur'un varsayılan çıktısı (kısaltılmış):

══ BOOTSTRAP %95 GÜVEN ARALIĞI ══
Sütun                : lactate_mmol_L
İstatistik           : Ortalama
n                    : 30
B (replikasyon)      : 10000
Tohum                : 42
── SONUÇLAR ──
Gözlenen değer       : 2.0613
Bootstrap ortalama   : 2.0622
Bootstrap SE         : 0.1429
Yanlılık             : 0.0009
%95 Güven Aralığı    : (1.7860, 2.3477)
Genişlik             : 0.5617
GA yöntemi           : Yüzdelik (percentile)
── %95 GA yöntemleri ──
  Yüzdelik (percentile)     : (1.7860, 2.3477)
  BCa (yanlılık düzeltmeli + hızlandırılmış): (1.7932, 2.3558)
  BCa parametreleri: z0 = 0.0075, a = 0.0114
  Normal yaklaşım           : (1.7803, 2.3406)
  Temel                     : (1.7750, 2.3367)
  Student'laştırılmış (bootstrap-t): (1.7768, 2.3772)
Satır Ne yazar Nasıl yorumlanır
Gözlenen değer \hat\theta Nokta kestirimi; aralıkların merkezi değildir (aralıklar simetrik olmayabilir).
Bootstrap ortalama, SE \bar\theta^{*}, \SH_{\text{boot}} SE, \hat\theta'nın standart hatası olarak raporlanabilir.
Yanlılık \bar\theta^{*}-\hat\theta, dört ondalığa yuvarlanmış iki değerin farkı Büyük yanlılık (|\text{yanlılık}|>0{,}25\,\SH) yüzdelik aralığın güvenilirliğini azaltır; BCa tercih edilir.
%95 Güven Aralığı Birincil GA "GA yöntemi" satırı hangi aralık olduğunu söyler.
GA yöntemleri Altı aralık Aralıklar birbirine yakınsa sonuç yönteme duyarsızdır. Belirgin ayrılık çarpıklık ya da küçük n belirtisidir.
BCa parametreleri z_0, a |z_0| büyükse medyan yanlılığı, |a| büyükse çarpıklık vardır.
Uyarılar n<30, n<10, B<1000, BCa tanımsız bootstrap_ci.py:395–419.

Künyedeki "İstatistik" alanı iç kod adını (mean) yazar; sonuç metni ise yerelleştirilmiş adı ("Ortalama") kullanır.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Otuz yoğun bakım hastasında ortalama kan laktatı 2,06 mmol/L idi (SS = 0,80). Yerine koyarak yeniden örnekleme ile (B = 10 000, tohum 42) ortalamanın bootstrap standart hatası 0,14 mmol/L, %95 BCa güven aralığı [1,79; 2,36] mmol/L bulundu. Yüzdelik aralık ([1,79; 2,35]) ve klasik t aralığı ([1,76; 2,36]) aynı sonucu verdi; hafif sağa çarpıklık sonucu etkilemedi.

15.8 Uzman soruları

S1. Varsayılan neden yüzdelik aralık? BCa daha iyi değil mi?

Kuramsal olarak BCa ikinci dereceden doğrudur ve çarpık istatistiklerde daha iyi kapsama verir (DiCiccio ve Efron 1996). MerQur geriye uyum için yüzdeliği birincil tutar, ama BCa'yı her durumda hesaplar ve aynı tabloda yazar (bootstrap_ci.py:331–334). Ortalama gibi simetriğe yakın istatistiklerde fark küçüktür (bu veride üçüncü ondalık). SS, varyans ve oranlarda BCa raporlanmalıdır.

S2. BCa'daki ivme R boot ile neden farklı?

Jackknife etki değerlerinin merkezi farklıdır: MerQur \bar\theta_{(\cdot)} (Efron ve Tibshirani 1993, 14.15), boot::empinf(type = "jack") ise \hat\theta kullanır. Doğrusal istatistiklerde aynıdır; SS'de bu veride a=0{,}033911 ve 0{,}034768'dir ve BCa uçları dördüncü ondalıkta ayrılır. İki tanım da asimptotik olarak geçerlidir; fark O(n^{-1})'dir.

S3. Aynı tohumla R'de aynı aralığı alabilir miyim?

Hayır. numpy PCG64 ile R'nin Mersenne-Twister'ı ve sample() algoritması farklıdır. Aynı yeniden örneklemler ancak indeksler dosyayla taşınırsa elde edilir (bu bölümün doğrulaması böyle yapıldı). Farklı üreteçlerle aralıklar Monte Carlo hatası kadar farklıdır; bu veride tohum 7 yüzdelik alt ucu 1,7843 verir, tohum 42 ise 1,7860.

S4. Monte Carlo hatası ne kadar? B'yi nasıl seçmeliyim?

SH kestiriminin göreli Monte Carlo hatası yaklaşık 1/\sqrt{2B}'dir; B=10\,000'de %0,7. GA uçları için hata kuyruk yoğunluğuna bağlıdır; %95 yüzdeliğinde B=10\,000 ile tipik oynama 0{,}01\,\SH–0{,}02\,\SH düzeyindedir. Yayımlanacak sonuçta iki tohumla çalıştırıp uçların hangi ondalıkta değiştiğine bakmak pratik bir denetimdir. BCa, \alpha_1 küçüldükçe daha az gözleme dayandığı için yüzdelikten biraz daha oynaktır.

S5. n=5 ile çalıştırdım, sonuç verdi. Güvenebilir miyim?

Hesap tanımlıdır, ama yüzdelik aralığın kapsaması normal veride n=5'te %95 yerine yaklaşık %84'tür (uyarı metni bunu söyler). Bunun nedeni \hat F_n'nin kuyrukları hiç temsil etmemesi ve bootstrap dağılımının \sqrt{(n-1)/n} çarpanıyla dar kalmasıdır. Küçük n'de ortalama için t aralığı, medyan için sıra istatistiğine dayalı kesin aralık tercih edilmelidir.

S6. Medyanda BCa ivmesi neden sıfır?

Çift n'de bir gözlem çıkarıldığında medyan iki orta değerden birine eşit olur; \hat\theta_{(i)} yalnız iki değer alır ve bunlar ortalamalarına göre simetriktir. \sum L_i^3=0 olduğundan a=0 çıkar. Jackknife medyan gibi pürüzsüz olmayan istatistiklerde tutarsızdır; bu nedenle medyanın BCa aralığı aslında yalnız yanlılık düzeltmeli (BC) aralıktır.

S7. İki grup farkında neden "tabakalı" kutusu işaretlenmeden de grup içi örnekleme yapılıyor?

Grup farkı istatistiği iki grubun büyüklüğünün sabit kalmasını gerektirir; aksi halde bir örneklemde bir grup hiç seçilmeyebilir. Kod grup farkında grup sütununu her zaman tabaka olarak kullanır (bootstrap_ci.py:550, 574–588) ve çıktıya tabaka notunu yazar. Bu, t testlerindeki "Bootstrap GA" kutusunun ve R boot(strata = ) kullanımının karşılığıdır.

S8. Grup farkının yönü neden "surgical − Dahili"?

Grup etiketleri MerQur'un ortak düzey sırasıyla dizilir: tanımlı sıra ya da sıralı kategorik, yoksa sayısal/doğal sıra, o da yoksa verideki ilk görülme sırası. Bu veride etiketler sayı içermediğinden ilk görülme sırası geçerlidir ve "surgical" önce gelir; fark 1. düzey − 2. düzeydir. Permütasyon Testi ve Bağımsız t Testi aynı kuralı kullandığı için üç analiz aynı yönü verir. Alfabetik sıra kullanılmaz; kullanılan sıra çıktıda "(surgical − Dahili)" ve "Kullanılan düzey sırası" satırlarıyla yazılır.

S9. Studentize aralık neden bu veride en geniş?

Bootstrap-t her örneklemi kendi SH'siyle ölçekler. Küçük s^{*}_b veren örneklemler büyük |t^{*}_b| üretir ve t^{*} dağılımının kuyrukları t_{29}'dan kalın olur (Q^{*}_t(0{,}025)=-2{,}164, t_{0{,}025;29}=-2{,}045). Sağa çarpık veride sol kuyruk uzar ve aralığın üst ucu yukarı kayar. Bu, bootstrap-t'nin çarpıklığı yakalama biçimidir; uç değer varsa aşırı genişleyebilir.

15.9 Sık hatalar ve tuzaklar

  • Bootstrap'ı küçük örneklemin ilacı sanmak. Bootstrap veride olmayan bilgiyi üretmez. n<10'da kapsama nominalin belirgin altındadır.
  • "Oran" istatistiğini sürekli değişkende kullanmak. Boş "Sayılan değer" ile oran x>0 payıdır; laktat gibi pozitif bir değişkende 1 çıkar ve GA (1; 1) olur.
  • Tohumu raporlamamak. Aynı veri ve ayarla farklı tohum farklı uç verir. Tohum ve B yöntem bölümünde yazılmalıdır.
  • Birincil GA'yı yöntem yazmadan raporlamak. Başlıktaki aralık "GA yöntemi" satırına göre yüzdelik ya da BCa'dır; BCa tanımsızsa sessizce değil, "(BCa hesaplanamadı)" etiketiyle yüzdeliğe döner.
  • Bağımlı gözlemleri yeniden örneklemek. Aynı hastanın tekrarlı ölçümleri ya da zaman serisi tek tek örneklenirse SH küçük çıkar.
  • Grup farkının yönünü varsaymak. Fark 1. düzey − 2. düzeydir; sıra tanımlanmamış metin etiketlerinde 1. düzey verideki ilk görülen gruptur. Çıktıdaki sıra notu okunmalıdır.
  • "Yanlılık" satırını düzeltme olarak kullanmak. Yanlılık kestirimi gürültülüdür; \hat\theta'dan çıkarmak çoğu zaman varyansı artırır. MerQur yalnız normal aralıkta düzeltme yapar.
  • R boot.ci ile birebir eşleşme beklemek. Yüzdelik tanımı (tür 7 ve normal ölçekte ara değer) ile jackknife merkezi farklıdır; aynı \hat\theta^{*} değerleriyle bile dördüncü ondalıkta fark olabilir.

15.10 Kaynaklar

  • Davison, A. C., & Hinkley, D. V. (1997). Bootstrap methods and their application. Cambridge University Press. https://doi.org/10.1017/CBO9780511802843
  • DiCiccio, T. J., & Efron, B. (1996). Bootstrap confidence intervals. Statistical Science, 11(3), 189–228. https://doi.org/10.1214/ss/1032280214
  • Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552
  • Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American Statistical Association, 82(397), 171–185. https://doi.org/10.1080/01621459.1987.10478410
  • Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall/CRC. https://doi.org/10.1201/9780429246593
  • Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361–365. https://doi.org/10.1080/00031305.1996.10473566