概念
- 标准差：衡量单次抽样中样本的离散程度。
- 样本均值标准误：也就是对某个样本进行多次抽样，每次都可以计算样本均值。然后这些样本均值的标准差被称作样本均值标准误。
样本均值标准误衡量了样本均值和总体均值的差距，也就是基于当前数据得到的样本均值的可信程度。
那么对于一般统计量的标准误，也可以如此进行定义。
统计的理论尝试去解决三类问题
- 找数据
- 分析总结数据
- 结论的可信度
why and when bootstrap methods works， 以及它们怎样应用在实际中。
The accuracy of a sample mean
The estimated standard error of(标准误) a mean x ˉ \bar x xˉ based on n independent data points is given by the formula:
s 2 n \sqrt{\frac{s^2}{n}} ns2
where s 2 = ∑ i = 1 n ( x i − x ˉ ) 2 / ( n − 1 ) s^2 = \sum\limits_{i = 1}^{n}(x_i – \bar x)^2 / (n – 1) s2=i=1∑n(xi−xˉ)2/(n−1)
粗略的讲(对于正态总体)，一个estimator 的值在其均值加减一倍标准误之间的概率是68%，在其均值加减两倍标准误之间的概率是95%。
这种方法的缺点在于除了均值这个estimator 以外，其他的estimator 没有这样好的公式了。
如想使用中位数，一个是94， 一个是46，差是48， 那么怎么估计这两个中位数的准确度呢？
使用bootstrap！
统计量 s ( x ⃗ ) s(\vec{x}) s(x)的标准误的估计(bootstrap method)
例如：n = 7，我们可能得到 x ∗ ⃗ = ( x 5 , x 7 , x 5 , x 4 , x 7 , x 3 , x 1 ) \vec{x^*} = (x_5, x_7, x_5, x_4, x_7,x_3, x_1) x∗=(x5,x7,x5,x4,x7,x3,x1)
图2.1是bootstrap 过程的流程图。bootstrap 算法从产生大量独立的bootstrap 样本 x ∗ 1 ⃗ , . . . x ∗ B ⃗ \vec{x^{*1}}, … \vec{x^{*B}} x∗1,...x∗B, 每一个都有n个分量开始。对于估计标准误， B一般取50 到 200。
对应于每一个 bootstrap 样本，有一个统计量 s 的 bootstrap replication， 称为 s ( x ∗ b ) s(x^{*b}) s(x∗b)，那么可以估计出统计量 s ( x ⃗ ) s(\vec{x}) s(x)的标准误：
s e b o o t = { ∑ b = 1 B [ s ( x ∗ b ⃗ ) − s ( ⋅ ) ] 2 / ( B − 1 ) } 1 2 se_{boot} = \{\sum\limits_{b = 1}^{B}[s(\vec{x^{*b}})-s(\cdot)]^2 / (B – 1)\}^{\frac{1}{2}} seboot={
b=1∑B[s(x∗b)−s(⋅)]2/(B−1)}21
s ( ⋅ ) = ∑ b = 1 B s ( x ∗ b ⃗ ) / B s(\cdot) = \sum\limits_{b = 1}^{B} s(\vec{x^{*b}}) / B s(⋅)=b=1∑Bs(x∗b)/B
bootstrap 方法通过自采样解决了小样本问题中统计量的标准误的估计问题。
标准误是衡量统计量的精确度的最简单的标准，后面的chapter会展示如何评价更加精确的度量标准， 如biases，predicton errors， confidence intervals。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/177936.html原文链接：https://javaforall.net
![sql语句 异常 Err] 1064 – You have an error in your SQL syntax; check the manual that corresponds to your](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
