Bootstrap Methods: The Classical Theory and Recent Development
Bootstrap Methods: The Classical Theory and Recent Development
复制标题
Bootstrap 方法：经典理论和最新发展
DOI：
10.1002/9781118445112.stat04579.pub2
复制
发表时间：
2018
期刊：
影响因子：
--
通讯作者：
W. Tu
中科院分区：
文献类型：
--
作者：
Honglang Wang;W. Tu
Bootstrap是一种统计推断的抽样方法。在相当一般的条件下，该技术可以通过重复使用观察样本的数据，即重新抽样，来近似几乎任何统计量的抽样分布。在这篇文章中，我们回顾了Bootstrapping的理论原理，主要集中在一致性的基本属性上，同时给出了缺乏一致性可能导致方法失败的示例。我们还介绍了线性模型中的残差和对Bootstrap方法，以及它们在低维和高维问题中的应用。最后，我们讨论了一种改进的大数据情况下的自举过程。
Bootstrap is aresamplingmethod for statisticalinference. Under fairly general conditions, the technique can be used to approximate sampling distributions of almost any statistics, by recycling data from the observed sample, that is, resampling. In this article, we review the theoretical tenets of bootstrapping, focusing primarily on the fundamental property ofconsistency, while showing examples where lack of consistency can lead to failures of the method. We also describe residual and pairs bootstrap methods in linear models, as well as their applications in low‐ and high‐dimensional problems. Finally, we discuss a modified bootstrap procedure in big data situations.