İstatistik Sözlüğü → Jackknife
Jackknifekavram
Her seferinde bir gözlemi (ya da bir kümeyi) dışarıda bırakarak tahmini yeniden hesaplayan ve bu tekrarlardan standart hata ve yanlılık kestiren yeniden örnekleme yöntemi.
n gözlemli bir veride tahmin n kez, her seferinde bir gözlem çıkarılarak yeniden hesaplanır. Bu bırak-birini-dışarıda tahminlerin dağınıklığından standart hata bulunur: SH² = ((n − 1)/n) Σ (θ̂₍ᵢ₎ − θ̄)². Tekrarların ortalamasının tam örneklem tahmininden farkı da yanlılığın bir kestirimini verir. Karmaşık örneklem tasarımlarında gözlem yerine birincil örnekleme birimi (PSU) dışarıda bırakılır.
Jackknife bootstrap'tan daha eski ve deterministiktir: aynı veri her zaman aynı sonucu verir. Ortalama, oran, regresyon katsayısı gibi düzgün istatistiklerde iyi çalışır; medyan ya da yüzdelikler gibi düzgün olmayan istatistiklerde standart hatayı tutarsız kestirebilir, bu durumda bootstrap daha uygundur.
Gündelik bir örnek
Bir sınıfta 10 öğrencinin not ortalaması hesaplanıyor. Her seferinde bir öğrenci çıkarılarak ortalama 10 kez yeniden hesaplanır. Bu 10 ortalama birbirine çok yakınsa sınıf ortalaması kararlı bir tahmindir; içlerinden biri (çok yüksek not alan öğrenci çıkarıldığında) belirgin biçimde düşüyorsa sonuç tek bir kişiye duyarlıdır ve standart hata büyük çıkar.
MerQur'da
Kısmi En Küçük Kareler Regresyonunda 'Ek çıktı: Jackknife GA' çapraz geçerleme segmentlerinden katsayı varyansı verir; Survey-PHREG'de 'Jackknife sapma merkezi' seçeneği sapmaların replikasyon ortalamasına mı tam örneklem tahminine mi göre alınacağını belirler. Ağırlıklı Ortalama, Frekans, Toplam, Doğrusal ve Lojistik Regresyonda 'Varyans yöntemi' seçeneğinde Jackknife (JK1 / JKn) olarak; Bootstrap Güven Aralığı, Korelasyon Analizi, Aracılık Analizi ve PLS-SEM'de BCa aralığının ivmesinin hesabında geçer.
Bu kavramın geçtiği analizler
Bootstrap Güven AralığıKorelasyon AnaliziAğırlıklı OrtalamaAğırlıklı FrekansAğırlıklı ToplamAğırlıklı Doğrusal RegresyonAğırlıklı Lojistik RegresyonKısmi En Küçük Kareler RegresyonuAracılık AnaliziSurvey-PHREGPLS-SEM
İlgili kavramlar
Bootstrap (yeniden örnekleme)Taylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleri