Бутстрепінг
Основи інференції в Python
Paul Savala
Assistant Professor of Mathematics
Бутстрепінг
- Bootstrapping = вибірка з поверненням
- Випадково виберіть спостереження
- Запишіть його
- Поверніть у дані (з поверненням)
- Повторіть
- Bootstrapped sample = вибірка, отримана бутстрепінгом
Непараметричний довірчий інтервал
- Непараметричний аналог
stats.norm.interval- Вибірка з поверненням
- Обчисліть статистику тесту
- Запишіть її
- Повторіть
- Створює емпіричний розподіл
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
- Повторіть цей процес багато разів
- Середні 95% результатів = 95% бутстрепний довірчий інтервал
# 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)
Нормальні довірчі інтервали
- Потрібні нормально розподілені дані
- Обчислюються лише за середнім і стандартною помилкою
- Висновки коректні лише для нормальних даних
- Дуже швидко обчислюються
Бутстрепні довірчі інтервали
- Підходять для будь-якого розподілу
- Обчислюються напряму з даних через ресемплінг
- Висновки коректні для будь-яких даних
- Значно повільніші в обчисленні
Коли застосовувати бутстрепінг
- Коли працюєте з ненормальними даними
- Ранжовані дані
- Скошені дані
- Коли нормальні інтервали дають сумнівні значення
- Можна використовувати будь-яку потрібну статистику
Давайте потренуємось!
Основи інференції в Python
