大家好,今天小编关注到一个比较有意思的话题,就是关于bootstrapping的翻译问题,于是小编就整理了4个相关介绍bootstrapping的解答,让我们一起看看吧。
bootstrapping式创业特点?
所谓的Bootstrapping法就是利用有限的样本资料经由多次 重复抽样,重新建立起足以代表母体 样本分布之新样本。
统计学中,bootstrapping可以指依赖于重置随机抽样的一切试验。bootstrapping可以用于计算样本估计的准确性。对于一个采样,我们只能计算出某个 统计量(例如 均值)的一个取值,无法知道均值统计量的分布情况。但是通过 自助法(自举法)我们可以模拟出均值统计量的近似分布。有了分布很多事情就可以做了(比如说有你推出的结果来进而推测实际总体的情况)。
bootstrapping方法的实现很简单,假设抽取的样本大小为n:
在原样本中有放回的抽样,抽取n次。每抽一次形成一个新的样本,重复操作,形成很多新样本,通过这些样本就可以计算出样本的一个分布。新样本的数量通常是1000-10000。如果计算成本很小,或者对精度要求比较高,就增加新样本的数量。
优点:简单易于操作。
缺点:bootstrapping的运用基于很多统计学假设,因此假设的成立与否会影响采样的准确性。
bootstrap检验中介效应如何解读结果?stata?
采用Preacher 和 Hayes ( 2008 ) 的Bootstrapping 中介效应检验方法(设置 5000 次迭代),该方法提供中介效应的 95% 置信区间估计,如果区间估计含有 0 就表示中介效应不显著,如果区间估计不含有 0 则表示中介效应显著。
此外对中介效果量的计算结果表明,4 种效果量的置信区间都不包括0,因此心理弹性在自尊与应对方式间存在显著的中介作用。
扩展资料:
注意事项:
很多统计量是不能用bootstrap的,比如常见的非参数kernel回归,以及一些目标函数不是非常平滑的估计量,例如quantile回归、maximum score estimators等等。
bootstrap的抽样方法除了最简单的有放回抽样之外,还有各种其他的抽样方法,有参数的、非参数的,有bolck,有residual-based。这些方法如果扩展起来就有点复杂了,如果是要做test,那么不同的抽样方法会导致不同的size和power。
中介效应的点估计值怎么看?
采用Preacher 和 Hayes ( 2008 ) 的Bootstrapping 中介效应检验方法(设置 5000 次迭代),该方法提供中介效应的 95% 置信区间估计,如果区间估计含有 0 就表示中介效应不显著,如果区间估计不含有 0 则表示中介效应显著。
此外对中介效果量的计算结果表明,4 种效果量的置信区间都不包括0,因此心理弹性在自尊与应对方式间存在显著的中介作用。
中介效应的点估计值应该选哪个?
采用Preacher 和 Hayes ( 2008 ) 的Bootstrapping 中介效应检验方法(设置 5000 次迭代),该方法提供中介效应的 95% 置信区间估计,如果区间估计含有 0 就表示中介效应不显著,如果区间估计不含有 0 则表示中介效应显著。
此外对中介效果量的计算结果表明,4 种效果量的置信区间都不包括0,因此心理弹性在自尊与应对方式间存在显著的中介作用。
到此,以上就是小编对于bootstrapping的翻译问题就介绍到这了,希望介绍关于bootstrapping的4点解答对大家有用。