Bootstrapping
Python में अनुमान का आधार
Paul Savala
Assistant Professor of Mathematics
Bootstrapping
- Bootstrapping = Replacement के साथ सैंपलिंग
- कोई सैंपल रैंडमली चुनें
- उसे नोट करें
- डेटा में वापस रखें (replacement)
- दोहराएँ
- Bootstrapped sample = Bootstrapping से बना सैंपल
Non-parametric confidence interval
stats.norm.intervalका non-parametric समकक्ष- Replacement के साथ सैंपल लें
- Test statistic निकालें
- उसे रिकॉर्ड करें
- दोहराएँ
- एक empirical distribution बनता है
salaries_df['Years of Employment']
[6, 11, 14, 3, 2, ...]
sample_1 = salaries_df['Years of Employment'].sample(n=10)print(max(sample_1) - min(sample_1))
7
- इस प्रक्रिया को कई बार दोहराएँ
- Outcomes के मध्य 95% = 95% bootstrapped confidence interval
# Statistic function def max_min(x): return max(x) - min(x)# Data as a tuple data = (salaries_df['Years of Employment'], )bootstrap_ci = stats.bootstrap(data, max_min, vectorized=False, n_resamples=1000)print(bootstrap_ci)
BootstrapResult(confidence_interval=ConfidenceInterval(low=33.0, high=38.0),
standard_error=1.3843971812870597)
Normal confidence intervals
- डेटा का normal distributed होना आवश्यक
- केवल mean और standard error पर आधारित
- निष्कर्ष केवल normal डेटा के लिए मान्य
- गणना बहुत तेज
Bootstrap confidence intervals
- किसी भी distribution के लिए उपयुक्त
- Resampling से सीधे डेटा से निकाले जाते हैं
- निष्कर्ष किसी भी डेटा के लिए मान्य
- गणना काफी धीमी
Bootstrapping के उपयोग केस
- जब डेटा normal नहीं हो
- Ranked डेटा
- Skewed डेटा
- जब normal confidence intervals संदिग्ध मान दें
- किसी भी मनचाहे statistic पर काम करें
अभ्यास करते हैं!
Python में अनुमान का आधार
