为什么要使用参数引导程序?


14

我目前正在设法弄清有关参数引导程序的一些事情。大多数事情可能都很琐碎,但我仍然认为我可能错过了一些东西。

假设我想使用参数引导程序获取数据的置信区间。

因此,我有此样本,并假设其为正态分布。那么我估计方差v和平均,并得到我的分布估计P,这显然只是ñ vv^m^P^N(m^,v^)

除了从该分布中采样外,我还可以分析地计算分位数并完成。

a)我得出结论:在这种微不足道的情况下,参数引导程序是否与在正态分布假设中计算事物相同?

因此,从理论上讲,只要我能处理计算,所有参数自举模型都是如此。

b)我得出结论:使用一定分布的假设将使我在参数引导程序上获得比非参数引导程序更高的准确性(如果正确的话)。但是除此之外,我之所以这样做,是因为我无法处理分析计算而无法尝试模拟我的分析方法吗?

c)如果计算通常是使用近似值完成的,我也将使用它,因为这可能会给我带来更高的准确性...?

对我来说,(非参数)引导程序的好处似乎在于我不需要假设任何分布。对于参数引导程序,该优势已经消失了-还是我错过了某些事情,而参数引导程序在哪些方面提供了上述优势?


1
您基本上是正确的-您正在将分析错误替换为蒙特卡洛错误。参数自举也是近似后验样本。
probabilityislogic

1
您是说像贝叶斯算法那样近似后验样本?我仍然不太了解自举和最大似然估计之间的联系。但这是一个不同的故事。谢谢您的回答!
BootstrapBill 2014年

Answers:


8

是。你是对的。但是,当这些假设成立时,参数自举会屏蔽更好的结果。这样想:

X1,,XnFθθ^=h(X1,,Xn)GhFG=G(h,F)FF^GG^=G(h,F^)G^θ^F^

G^=G(h,F^)G^X1b,,XnbF^θ^b=h(X1b,,Xnb)G^

F^FG^Gθ^


1
因此,如果用高阶收敛来表示,尽管参数和非参数自举具有相同的收敛阶数(我认为那是范德瓦特渐近统计所写的东西),但参数化仍然更好。但仅就某些因素而言?
BootstrapBill 2014年
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.