Bootstrap方法

非参数bootstrap

• 思想：原始有一个样本容量为n的样本，在这个样本中有放回抽取n个，重复这样的次数重复B次，每次得到的样本求得一个theta的估计，这样子就有B个估计值，求这B个估计值的标准差、均方差、偏差

samp=c(18.2,9.5,12,21.1,10.2)
theta=median(samp)#中位数
n=length(samp)
B=10#抽多少次
bs.samp=replicate(
  B,
  {bs.i=sample(samp,n,replace =TRUE)#you放回抽样
  median(bs.i)}
)
sd(bs.samp)#方差
mean((bs.samp-theta)^2)#均方差
mean(bs.samp-theta1)#偏差

• 置信区间——分位数法
  思想：将B个theta从小到大排序，
  K1=B*（α/2) K2=B*（1-α/2)
  ( theta(K1) , theta(K2) )就是所得的置信区间
• 置信区间——bootstrap-t方法
  
  这里的Xba用bootstrap的样本均值代替，S用bootstrap的样本标准差，u用原始样本的均值估计，此时近似 t 分布，记为w，w的表达式如下
  
  那么区间如下
  
  可得
  
  将B个w的估计值排序，可以求得 K1=B*（α/2) K2=B*（1-α/2) ，则区间估计如下：
  
  参数bootstrap
• 思想：有一个来自F (x;beta)分布的样本，求得beta的估计值（极大似然估计），则可以得到F的估计分布，
• 对于连续的分布函数，可以像生成随机数的方法，求得x=g(F)的表达式，就可以生成B个样本来依次估计beta，然后可以对beta求置信区间，求均值，方差
• 对于离散的分布来说，可以根据估计的beta同样生成离散随机数作为样本，再可以求偏差，均方差等。