拔靴法

"Bootstrappin 與解析方法相比

拔靴法又稱Bootstrapping
所謂的拔靴法就是利用有限的樣本資料經由多次重複抽樣，重新建立起足以代表母體樣本分配之新樣本。
Bootstrapping 是通過具有估計值特性的樣本數據來描述該特性,它不斷地從真實數據中進行抽樣,以替代先前生成的樣本。此法樣本數越大越好,對於估計結果的準確性更為有利。與解析方法相比,bootstrapping 的優點在於,它無需對分布特性做嚴格的假定就能進行推斷分析,這是因為它使用的分布就是真實數據的分布。假定樣本為y = y1 , y2 , ⋯,
yT ,要估計的參數為θ。通過分析bootstrapping 估計的樣本,可以得到^θT 的近似統計特性。具體方法是:從y 中重複抽取N 個大小為T 的樣本,並用每個新樣本重複計算θ^ ,即可得到一系列的θ^ 估計值,同時可分析它們的分布情況。Bootstrapping 並不對^θ抽樣分布的形狀做出規定,而是通過分析樣本內統計量的變化,對抽樣分布進行經驗估計。從樣本內不斷生成新的抽樣數據,並替代原先的抽樣樣本,用以計算所研究的檢驗統計量,實際上這是一種樣本內抽樣的方法,即將樣本看作總體並從中進行抽樣。