bootstrapmetoder

Bootstrapmetoder är statistiska tekniker som används för att uppskatta fördelningar av estimatorer genom att upprepat resamplea från de observerade data med återläggning. Man tar många bootstrap-samplingar av samma storlek som originaldatamängden, beräknar önskat mått för varje prov och bygger upp en empirisk fördelning. Metoden används när analytiska varianter av standardfel, konfidensintervall eller bias är svåra att härleda.

Det finns olika varianter. Icke-parametriskt bootstrap antar att data är ett i.i.d.-urval från populationen och resampling sker utan antaganden om fördelningen. Parametriskt bootstrap gör motsatsen: man antar en specifik distributionsform för populationen, uppskattar dess parametrar och simulerar ny data därifrån. Andra varianter inkluderar bootstrap-t och BCa-konfidensintervall, samt block- eller säsongsbootstrap för beroende data som tidsserier.

Användningar inkluderar beräkning av standardfel och konfidensintervall för mått som medelvärde, median eller regressionkoefficienter, samt bedömning av bias och modellens stabilitet. Fördelarna är flexibilitet och låga krav på antaganden om den underliggande fördelningen, men validiteten bygger på att urvalet är representativt och oberoende om sådana antaganden krävs. Begränsningar finns för beroendestrukturer (tidsserier kräver blockmetoder) och för vissa estimatorer där resampling kan ge skeva eller missvisande resultat. Beräkningar kan vara resurskrävande men är i allmänhet hanterbara med modern datorutrustning.