bootstraptekniikoilla

Bootstraptekniikoilla tarkoitetaan tilastollisia menetelmiä, joiden avulla voidaan arvioida tilastollisten suureiden tarkkuutta ja jakaumaa uudelleenotannan avulla. Menetelmää kehitti Bradley Efron vuonna 1979. Perusidea on luoda suuri määrä bootstrap-säkeitä ottamalla havaintoja uudelleen otoksesta palautuksesta, jolloin sama aineisto esiintyy useasti eri tavalla.

Jokaisesta bootstrap-säkeestä lasketaan kiinnostava tilastollinen suure, kuten keskiarvo, mediaani tai regressiokertoimet. Näiden arvojen monistus muodostaa bootstrap-jakauman, jonka perusteella voidaan arvioida estimatorin standardivirhe ja muodostaa luottamusvälit. Yleisiä luottamusvälineitä ovat prosenttiperusteiset luottamusvälit sekä BCa-väli (bias-corrected and accelerated). Parametrinen bootstrap käyttää oletettua mallia datan generoimiseen, kun taas ei-parametrinen bootstrap pohjautuu pelkästään alkuperäiseen aineistoon.

Bootstrapia sovelletaan laajasti, erityisesti pienissä otoksissa sekä monimutkaisten tilastollisten suureiden tai mallien arvioinnissa, muun muassa regressiossa ja koneoppimisessa, joissa sintetisoidaan epävarmuutta ilman vahvoja oikean jakauman oletuksia. Menetelmä on herkkä riippuvuuksille ja otoksen representatiivisuudelle; riippuvaista dataa varten käytetään lohko- tai blokkipohjaisia versioita bootstrapista. Myös laskennallinen kustannus kasvaa suuremmilla määrillä bootstrap-säkeitä.

Lyhyesti: bootstraptekniikat tarjoavat keinon arvioida tilastollisten suureiden epävarmuutta ja luottamusta without vahvojen oletusten, kun data on riittävän edustavaa ja resursseja riittävästi käytettävissä.

---