Tôi hiện đang cố gắng để hiểu được một số điều liên quan đến bootstrap tham số. Hầu hết mọi thứ có lẽ là tầm thường nhưng tôi vẫn nghĩ rằng tôi có thể đã bỏ lỡ điều gì đó.
Giả sử tôi muốn có được khoảng tin cậy cho dữ liệu bằng cách sử dụng thủ tục bootstrap tham số.
Vì vậy, tôi có mẫu này và tôi giả sử nó được phân phối bình thường. Sau đó, tôi sẽ ước tính phương sai và có nghĩa là và lấy ước tính phân phối của tôi , rõ ràng chỉ là . m P N( m , v )
Thay vì lấy mẫu từ phân phối đó, tôi chỉ có thể tính toán các lượng tử phân tích và được thực hiện.
a) Tôi kết luận: trong trường hợp tầm thường này, bootstrap tham số sẽ giống như tính toán mọi thứ trong một giả định phân phối bình thường?
Vì vậy, về mặt lý thuyết, đây sẽ là trường hợp cho tất cả các mô hình bootstrap tham số, miễn là tôi có thể xử lý các tính toán.
b) Tôi kết luận: sử dụng giả định của một phân phối nhất định sẽ mang lại cho tôi độ chính xác cao hơn trong bootstrap tham số so với phân tích không tham số (tất nhiên nếu nó đúng). Nhưng khác với điều đó, tôi chỉ làm điều đó bởi vì tôi không thể xử lý các phép tính phân tích và cố gắng mô phỏng theo cách của tôi ra khỏi nó?
c) Tôi cũng sẽ sử dụng nó nếu các phép tính "thường" được thực hiện bằng cách sử dụng một số phép tính gần đúng bởi vì điều này có lẽ sẽ cho tôi độ chính xác cao hơn ...?
Đối với tôi, lợi ích của bootstrap (không theo tỷ lệ) dường như nằm ở chỗ tôi không cần phải đảm nhận bất kỳ phân phối nào. Đối với bootstrap tham số mà lợi thế không còn nữa - hoặc có những thứ tôi đã bỏ lỡ và bootstrap tham số cung cấp lợi ích cho những thứ được đề cập ở trên?