bootstrapmenetelmiä

Bootstrapmenetelmät ovat tilastollisia uudelleenotanta- eli resampling-menetelmiä, joiden avulla voidaan arvioida otoksen perusteella populaation tilastollisia ominaisuuksia, kuten jakauman muotoa, keskivirheitä ja luottamusvälejä ilman vahvoja jakaumaoletuksia. Perusideana on luoda suuria määriä uudelleenotoksia alkuperäisestä otoksesta käyttämällä otosten valintaa palautuksella. Jokaisesta uudelleenotoksesta lasketaan haluttu tilasto, ja näiden arvojen perusteella muodostuu bootstrap-jakauma.

Yleisimmät variantit ovat nonparametrinen bootstrap ja parametriquebootstrap. Nonparametrinen bootstrap ottaa uudelleenotokset suoraan otoksesta ilman oletuksia jakaumasta, kun taas parametriquebootstrapissa arvot generoidaan mittarin perusteella fitoidun mallin mukaan. Luottamusvälejä voidaan muodostaa useilla tavoilla, kuten percentile-, basic- ja bias-corrected and accelerated (BCa) -menetelmillä. Lisäksi on bootstrap-t (studentisoitu bootstrap) -menetelmä, joka standardoi tilaston jakauman hajontaa. Smoothed bootstrap lisää pienten satunnaisten lisäyksiä käyttämällä kernel-smoothingia, ja riippuvaista dataa varten on kehittyneempi blokki-bootstrap (esim. moving block tai stationary block), jolla säilytetään aikavälin tai tilan riippuvuudet.

Käyttökohteet ja rajoitteet. Bootstrapia käytetään yleisesti erilaisten estimoinnien varianssien ja luottamusväliarvioiden laadun parantamiseen sekä pienestä otoksesta saatavien päätelmien tukemiseen. Se on hyödyllinen, kun jakaumaoletukset ovat epävarmat tai monimutkaisia. Rajoitteita ovat edustavuusensis ja riittävän suuri otos: bootstrapin luotettavuus heikkenee, jos data eivät ole representatiivisia populaatiosta tai jos data sisältävät voimakasta riippuvuutta ilman asianmukaista riippuvuuksien huomioivaa bootstrap-tekniikkaa. Myös monimutkaiset estimaatit voivat vaatia erityisiä varotoimia. Bootstrap on yleisesti käytössä tilastotieteessä, ekonometrissä, ympäristötieteissä sekä biolääketieteissä.