統計學中bootstrap能夠解決什么問題

小編給大家分享一下統計學中bootstrap能夠解決什么問題，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

Bootstrap方法根據給定的原始樣本復制觀測信息對總體的分布特性進行統計推斷，不需要額外的信息。

Efron（1979）認為該方法也屬于非參數統計方法。

Bootstrap方法從觀察數據出發(fā)，不需任何分布假定，針對統計學中的參數估計及假設檢驗問題，利用Bootstrap方法產生的自舉樣本計算的某統計量的數據集可以用來反映該統計量的抽樣分布，即產生經驗分布，這樣，即使我們對總體分布不確定，也可以近似估計出該統計量及其置信區(qū)間，由此分布可得到不同置信水平相應的分位數——即為通常所謂的臨界值，可進一步用于假設測驗。

因而，Bootstrap方法能夠解決許多傳統統計分析方法不能解決的問題。

在Bootstrap的實現過程中，計算機的地位不容忽視(Diaconis et al.,1983)，因為Bootstrap涉及到大量的模擬計算。

可以說如果沒有計算機，Bootstrap理論只可能是一紙空談。隨著計算機的快速發(fā)展，計算速度的提高，計算費時大大降低。

在數據的分布假設太牽強或者解析式太難推導時，Bootstrap為我們提供了解決問題的另一種有效的思路。因此，該方法在生物科學研究中有一定的利用價值和實際意義。

應用bootstrap的原因：

其實，在進行分析的時候，首先要做的就是，判斷隨機變量的類型，然后就是判斷隨機變量的數據服從什么分布。

什么分布至關重要，因為它直接決定能不能分析。舉例：如果進行方差分析，首先就要求正態(tài)分布，如果不是正態(tài)分布，就要有補救措施，這個補救措施就是bootstrap。

bootstrap還有一個用處，因為經典統計學對集中趨勢比較完善，但是對其他一些分布參數，例如中位數，四分位數，標準差，變異系數等的區(qū)間估計不完善，所以就需要bootstrap,這種方法。

bootstrap和經典統計學方法類似，一般情況參數法效率高于非參數法，但是，參數法最大的弊端就是需要事先有一個分布模型，如果模型不符合，分析結果可能錯誤，也就是白分析。

以上是“統計學中bootstrap能夠解決什么問題”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業(yè)資訊頻道！