Nói chung, bạn không thể phân tách lỗi (phần dư) thành các thành phần sai lệch và phương sai. Lý do đơn giản là bạn thường không biết chức năng thực sự. Nhớ lại rằng và f ( x ) là điều chưa biết bạn muốn để ước tính.bias(f^(x))=E[f^(x)−f(x)],f(x)
Còn bootstrapping thì sao?
Có thể ước tính thiên vị của một ước lượng bởi bootstrapping, nhưng nó không phải về mô hình đóng bao, và tôi không tin rằng có một cách để sử dụng bootstrap để đánh giá thiên vị trong f ( x ) , vì bootstrapping vẫn dựa trên một số khái niệm về Sự thật và không thể, bất chấp nguồn gốc của tên của nó, tạo ra một cái gì đó từ hư vô.f^(x),
Để làm rõ: ước tính bootstrap sai lệch trong công cụ ước tính là
^ b i một s B= θ *(⋅) - θ ,θ^
biasˆB=θ^∗(⋅)−θ^,
với θ * ( ⋅ ) là mức trung bình của số liệu thống kê của bạn tính theo B mẫu bootstrap . Quá trình này mô phỏng việc lấy mẫu từ một số người và tính toán số lượng quan tâm của bạn. Điều này chỉ hoạt động nếu θ có thể về nguyên tắc được tính trực tiếp từ người dân. Ước tính bootstrap của bias đánh giá xem liệu ước tính của plug-in có nghĩa là chỉ thực hiện cùng một tính toán trên một mẫu thay vì trong dân số.θ^∗(⋅)B θ^
Nếu bạn chỉ muốn sử dụng số dư của mình để đánh giá sự phù hợp của mô hình, điều đó là hoàn toàn có thể. Nếu bạn, như bạn nói trong các ý kiến, muốn so sánh các mô hình lồng nhau và f 2 ( x ) = 3 x 1 + 2 x 2 + x 1 x 2 , bạn có thể làm ANOVA để kiểm tra xem mô hình lớn hơn có làm giảm đáng kể tổng lỗi bình phương hay không.f1(x)=3x1+2x2f2(x)=3x1+2x2+x1x2