Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

{{well|Статья написана с использованием LLM '''Gemini Pro 3.1''' и проверена участником [[Участник:Nikita Zinoviсh|Nikita Zinoviсh]] 03:34, 18 июля 2026 (MSD)}} == Введение == Параметрический бутстреп представляет собой компьютерно-интенсивный метод [[Математическая статистика|математической статистики]], используемый для оценки свойств распределения статистик в рамках заданной параметрической модели. В отличие от общих методов, параметрический бутстреп в явном виде использует информацию о семействе распределений, к которому принадлежит генеральная совокупность. Основная задача метода заключается в получении надежных оценок [[Смещение оценки|смещения]], [[Дисперсия случайной величины|дисперсии]] и построении [[Доверительный интервал|доверительных интервалов]] для оцениваемого параметра <tex> \tau </tex> в условиях, когда аналитическое вычисление их точного распределения затруднительно. Метод является мощным инструментом статистического вывода, опирающимся на вычислительные ресурсы для аппроксимации теоретических характеристик. == Математическая концепция и параметры модели == Пусть задана выборка <tex> \mathbf{X} = (X_1, \dots, X_n) </tex>, состоящая из [[Независимые случайные величины|независимых одинаково распределённых случайных величин]] (н.о.р.с.в.). Предполагается, что данные порождаются плотностью вероятности <tex> f(x \mid \theta_0) </tex>, где <tex> \theta_0 \in \Theta </tex> — истинный вектор параметров, принадлежащий компактному подмножеству <tex> \Theta \subset \mathbb{R}^k </tex>. Оценка параметра <tex> \theta_0 </tex>, обозначаемая как <tex> \hat{\theta}_n = \hat{\theta}(\mathbf{X}) </tex>, обычно строится методом [[Метод максимального правдоподобия|максимального правдоподобия]] (ММП). Целью статистического исследования является изучение распределения функционала <tex> \tau = g(\theta_0) </tex>, для чего используется статистика <tex> \hat{\tau}_n = h(\hat{\theta}_n) </tex>. Фундаментальная идея параметрического бутстрепа заключается в создании искусственной (имитационной) вероятностной модели, параметризованной оценкой <tex> \hat{\theta}_n </tex>, которая максимально близка к истинной модели с параметром <tex> \theta_0 </tex>. == Теоретическое обоснование состоятельности == Метод опирается на принцип подстановки, согласно которому при <tex> n \to \infty </tex> эмпирическая модель <tex> F_{\hat{\theta}_n} </tex> сходится к истинной функции распределения <tex> F_{\theta_0} </tex>. При выполнении условий регулярности (гладкость функции правдоподобия, существование информации Фишера) оценка <tex> \hat{\theta}_n </tex> является [[Состоятельная оценка|состоятельной]] и [[Асимптотическая нормальность|асимптотически нормальной]]. Распределение статистики <tex> \hat{\tau}_n^* </tex>, генерируемой на основе имитационной модели <tex> F_{\hat{\theta}_n} </tex>, аппроксимирует истинное распределение статистики <tex> \hat{\tau}_n </tex> с точностью порядка <tex> O(n^{-1/2}) </tex> или выше (при использовании стьюдентизированных статистик). Таким образом, теоретический поиск распределения величины <tex> \hat{\tau}_n - \tau </tex> заменяется на изучение условного распределения величины <tex> \hat{\tau}_n^* - \hat{\tau}_n </tex> при условии <tex> \mathbf{X} = \mathbf{x} </tex>. == Алгоритм параметрической симуляции == Процедура параметрического бутстрепа реализуется посредством [[Метод Монте-Карло|метода Монте-Карло]] и включает следующие этапы: 1. '''Оценивание параметров:''' На основе наблюдаемой выборки <tex> \mathbf{X} </tex> рассчитывается оценка <tex> \hat{\theta}_n </tex>. 2. '''Имитационное моделирование:''' Генерируются <tex> B </tex> независимых бутстреп-выборок <tex> \mathbf{X}^{*1}, \dots, \mathbf{X}^{*B} </tex>, где каждая выборка <tex> \mathbf{X}^{*b} </tex> имеет объём <tex> n </tex> и состоит из величин, распределенных согласно <tex> F_{\hat{\theta}_n} </tex>. 3. '''Расчёт статистик:''' Для каждой сгенерированной выборки вычисляется соответствующее значение оценки: :<tex> \hat{\tau}^{*b} = h(\hat{\theta}(\mathbf{X}^{*b})) </tex> 4. '''Эмпирическая аппроксимация:''' Полученная последовательность <tex> \{ \hat{\tau}^{*1}, \dots, \hat{\tau}^{*B} \} </tex> формирует эмпирическое распределение, которое служит аппроксимацией истинного распределения статистики <tex> \hat{\tau}_n </tex>. Оценка дисперсии статистики <tex> \hat{\tau}_n </tex> вычисляется как выборочная дисперсия симулированных значений: :<tex> \widehat{\mathrm{Var}}_*(\hat{\tau}^*) = \frac{1}{B-1} \sum_{b=1}^B (\hat{\tau}^{*b} - \bar{\tau}^*)^2 </tex> где <tex> \bar{\tau}^* = \frac{1}{B} \sum_{b=1}^B \hat{\tau}^{*b} </tex>. == Построение доверительных интервалов == Параметрический бутстреп позволяет реализовать методы построения доверительных интервалов, обладающие высокой точностью покрытия. === Метод квантилей (Percentile Method) === Интервал с уровнем доверия <tex> 1 - \alpha </tex> строится с использованием квантилей эмпирического распределения: :<tex> \left( \hat{\tau}^*_{(\alpha/2)}, \hat{\tau}^*_{(1-\alpha/2)} \right) </tex> где <tex> \hat{\tau}^*_{(\gamma)} </tex> — квантиль уровня <tex> \gamma </tex> вариационного ряда бутстреп-оценок. Данный подход инвариантен относительно монотонных преобразований параметра. === Коррекция смещения (Bias-Correction) === Если точечная оценка <tex> \hat{\tau}_n </tex> смещена, стандартный метод квантилей может приводить к ошибкам покрытия. Используется модификация: :<tex> \left( \hat{\tau}^*_{(\Phi(2z_0 + z_{\alpha/2})}, \hat{\tau}^*_{(\Phi(2z_0 + z_{1-\alpha/2})}) \right) </tex> где <tex> z_0 = \Phi^{-1} (\mathbb{P}_*(\hat{\tau}^* \le \hat{\tau}_n)) </tex> — параметр коррекции смещения, а <tex> z_{\gamma} </tex> — квантиль стандартного нормального распределения. Это позволяет скомпенсировать систематическую ошибку оценивания при малых выборках. == Вопросы корректности модели == Эффективность параметрического бутстрепа критически зависит от правильности выбора семейства распределений <tex> \{F_\theta\} </tex>. При наличии [[Мисспенсификация модели|мисспенсификации]] (несоответствии истинной природы данных выбранному семейству) оценки, полученные методом, могут демонстрировать высокую стабильность (малую дисперсию), но при этом обладать значительным систематическим смещением. В таких случаях метод не является состоятельным в отношении истинного параметра <tex> \tau </tex> генеральной совокупности, так как он лишь описывает свойства выбранной «суррогатной» модели, а не реальных данных. == См. также == * [[Статистическая модель]] * [[Метод максимального правдоподобия]] * [[Эффективность оценки]] * [[Асимптотическая нормальность]] * [[Метод Монте-Карло]] == Литература == * ''Efron B., Tibshirani R. J.'' An Introduction to the Bootstrap. — CRC Press, 1994. — 436 p. — ISBN 978-0412042317. * ''Davison A. C., Hinkley D. V.'' Bootstrap Methods and Their Application. — Cambridge University Press, 1997. — 582 p. — ISBN 978-0521574709. * ''Ван дер Варт А.'' Асимптотическая статистика. — М.: МЦНМО, 2013. — 488 с. — ISBN 978-5-4439-0268-5. * ''Леман Э. Л.'' Теория точечного оценивания. — М.: Наука, 1991. — 448 с.

• Шаблон:Mbox
• Шаблон:Well

Возврат к странице Параметрический бутстреп.