Resampling

Resampling (englisch) bzw. Stichprobenwiederholung bezeichnet die Bestimmung der statistischen Eigenschaften von Stichprobenfunktionen, wie Schätzern oder Test…

Resampling

Resampling (englisch) bzw. Stichprobenwiederholung bezeichnet die Bestimmung der statistischen Eigenschaften von Stichprobenfunktionen, wie Schätzern oder Testgrößen auf Basis einer wiederholten Ziehung von Stichproben, sogenannten Unterstichproben, aus einer Ausgangsstichprobe. Die Stichprobenfunktion wird auf Basis der gezogenen Unterstichproben wiederholt berechnet[1] und anhand der Ergebnisse ihre Verteilungseigenschaften untersucht. Vorteilhaft ist hierbei, dass beim Resampling keine Verteilung angenommen werden muss, wodurch die Verfahren sehr breit einsetzbar sind und (im Gegensatz zu Methoden der parametrischen Statistik) vergleichsweise wenige Annahmen getroffen werden müssen.

Monte-Carlo-Simulationen

Für das Resampling werden typischerweise rechnergestützte statistische Auswertungsmethoden genutzt. Man benötigt sie, da die Wahrscheinlichkeitsverteilung einer Stichprobenfunktion oder eines statistischen Tests nicht immer (mit vertretbarem Aufwand) bestimmt werden kann. Um auch in diesen Situationen Vertrauensintervalle angeben und Tests durchführen zu können, werden auf der Grundlage der vorhandenen Daten mit Hilfe von Monte-Carlo-Simulationen große Anzahlen von (Pseudo-Zufalls-)Datensätzen erzeugt (das Resampling). Diese werden dann verwendet, um die Verteilung der Stichprobenfunktion, insbesondere deren Streuungsparameter, zu schätzen.

Die Verfahren werden seit den 1980er Jahren entwickelt. Bekannte Verfahren sind die Jackknife-Methode und das als Verbesserung entstandene Bootstrapping-Verfahren.

Resampling-Verfahren

Verschiedene Verfahren werden zu den Resampling-Methoden gezählt.

Anwendungen

Einzelnachweise

  1. ↑ Bernd Rönz, Hans G. Strohe: Lexikon Statistik. Gabler Verlag, 1994, S. 312.

Literatur

  • Y. Shao, D. Tu: The Jackknife and Bootstrap. Springer, New York 1995.
  • B. Efron, R. G. Tibshirani: An Introduction to the Bootstrap. Chapman and Hall, New York 1993.
  • E. F. Harrell: Regression Modeling Strategies With Applications to Linear Models, Logistic Regression, and Survival Analysis. Springer, New York 2006.
  • W. Jiang, R. Simon: A comparison of bootstrap methods and an adjusted bootstrap approach for estimating the prediction error in microarray classification. In: Stat Med. Band 26, Nr. 29, 20. Dec 2007, S. 5320–5334. doi:10.1002/sim.2968. PMID 17624926. brb.nci.nih.gov

Content Disclaimer

Informasi ini disarikan dari Wikipedia dan disajikan kembali untuk tujuan edukasi. Konten tersedia di bawah lisensi CC BY-SA 3.0. Kami tidak bertanggung jawab atas ketidakakuratan data yang bersumber dari kontribusi publik tersebut.

  1. The information displayed on this website is sourced in part or in whole from Wikipedia and has been adapted for the purpose of restating it. We strive to provide accurate and relevant information, however:
  2. There is no guarantee of absolute accuracy. Wikipedia is an open, collaborative project that can be edited by anyone, so information is subject to change.
  3. It is not intended to constitute professional advice. The content displayed is for informational and educational purposes only. For important decisions (e.g., medical, legal, or financial), please consult a professional.
  4. Content copyright. Wikipedia is licensed under the Creative Commons Attribution-ShareAlike License (CC BY-SA). This means that content may be reused with appropriate attribution and shared under a similar license.
  5. Responsible use. Any risk arising from the use of information from this website is entirely the responsibility of the user.