부트 스트랩을 적용 할 수있는 몇 가지 방법이 있습니다. 가장 기본적인 두 가지 접근 방식은 "비모수 적"및 "모수 적"부트 스트랩으로 간주됩니다. 두 번째는 사용중인 모델이 (필수적으로) 정확하다고 가정합니다.
첫 번째에 집중하자. 분포 함수 F 에 따라 분포 된 랜덤 표본 이 있다고 가정합니다 . (달리 가정하면, 수정 된 접근법을 필요로한다.)하자 F를 N ( X ) = N - 1 Σ N 난 = 1 1 ( X I ≤ X ) 일 경험적 누적 분포 함수. 부트 스트랩에 대한 많은 동기는 몇 가지 사실에서 비롯됩니다.엑스1, X2, … , X엔에프에프^엔( x ) = n− 1∑엔나는 = 11 ( X나는≤ x )
Dvoretzky–Kiefer–Wolfowitz 불평등
P ( supx ∈ R| 에프^엔( x ) − F( x ) | > ε ) ≤ 2 e- 2 n 개의 ε2.
이것이 보여주는 것은 경험적 분포 함수 가 확률 적으로 지수 적으로 빠른 실제 분포 함수로 균일하게 수렴한다는 것 입니다. 실제로 Borel-Cantelli lemma와 결합 된 이러한 불평등은 거의 확실.저녁을 먹다x ∈ R| 에프^엔( x ) − F( x ) | → 0
이 수렴을 보장하기 위해 형식에 대한 추가 조건은 없습니다 .에프
경험적으로, 우리 가 매끄럽게 분포 함수의 일부 기능 에 관심이 있다면 , 가 가까울 것으로 예상 합니다.T ( F N ) T ( F )티( F)티( F^엔)티( F)
(가로) 편견에프^엔( x )
기대의 선형성 및 의 정의 를 통해 각 에 대해(X)∈R에프^엔( x )x ∈ R
이자형에프에프^엔( x ) = F( x ).
평균 관심이 있다고 가정하십시오 . 그런 다음 경험적 척도의 편견은 경험적 척도의 선형 기능의 편견으로 확장됩니다. 따라서
E F T ( F의 N ) = E F ˉ X N = μ = T ( F )μ = T( F)
이자형에프티( F^엔) = E에프엑스¯엔= μ = T( F).
따라서 은 평균적으로 정확하며 이 빠르게 접근 하고 있기 때문에 ( ) 은 빠르게 접근 합니다.티( F^엔)에프엔^에프티( F^엔)티( F)
신뢰 구간 ( 기본적으로 부트 스트랩의 모든 것 )을 구성하기 위해 중앙 한계 정리, 경험적 Quantile의 일관성 및 델타 방법을 간단한 선형 함수에서보다 복잡한 관심 통계로 이동하는 도구로 사용할 수 있습니다. .
좋은 참조는
- B. 에프론, 부트 스트랩 방법 : 잭나이프에서 또 다른 모습 , 앤. 통계 , vol. 7, 아니요 1, 1 ~ 26.
- B. Efron과 R. Tibshirani, 부트 스트랩 소개 , Chapman–Hall, 1994.
- GA Young and RL Smith, 통계 추론의 핵심 , Cambridge University Press, 2005, 11 장 .
- AW van der Vaart, Asymptotic Statistics , Cambridge University Press, 1998, 23 장 .
- P. Bickel과 D. Freedman, 부트 스트랩에 대한 점근 론 . 앤 통계 , vol. 아뇨. 6 (1981), 1196–1217.