[抽样技术]--自助法--小样本估计

最新推荐文章于 2025-08-11 15:27:12 发布

原创最新推荐文章于 2025-08-11 15:27:12 发布 · 3.3k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#mathematica

本文通过实例演示了如何利用自助法进行小样本估计，通过50000次重抽样，展示了数据均值的稳定性及方差的减小。

[抽样技术]--自助法--小样本估计

自助法就是在一个小样本里进行可放回的重复抽样

下面举一个例子：

  datas = RandomVariate[NormalDistribution[0, 1], 15];

    我们生成15个服从（0，1）正太分布的随机数

   看一下均值和置信区间

然后我们使用进行50000次重抽样

  datamean = Table[Mean[RandomChoice[datas, Length[datas]]], 50000];
  p1 = Histogram[datamean, Automatic, "PDF"]

我们看一下这样得到数据的均值和方差

可以看到，虽然均值没有变化太多，但是方差已经明显变小了。

以上，所有
2016/10/28

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

WMN7Q

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

推荐系统中的最小样本量和参数估计

蚂蚁搬家

02-05

7573

点估计和区间估计假设数据总体数量是N，总体均值u，总体标准差σ，样本大小是n，样本均值u’，样本标准差σ’，样本中符合条件A的占比(比如推荐系统中点击占比)：p’ 点估计从总体中抽取一个样本(batchsize=n)，得到样本均值u’，样本标准差σ‘，（推荐系统中)样本点击率ctr等，这些样本参数都是对总体的一个点估计。标注误差SE 抽取n个样本，分别计算其均值u’1，u’2，… 这些值的...

自主抽样法进行稳健估计——原理与 Python 实现

weixin_42141390的博客

06-25

838

文章目录自主抽样法进行稳健估计步骤原理Python 实现自主抽样法进行稳健估计设数据集为 x1,x2,⋯ ,xnx_1, x_2, \cdots, x_nx1,x2,⋯,xn，n 为样本容量所谓自主抽样，是指从原始数据集中，有放回地随机抽取 n 个数据，从而构成一个新的数据集。步骤原理重复进行自主抽样法 B 次，从而得出 B 个数据集 Xi,i∈{1,2,⋯ ,B}X_i, i\in\{1,2,\cdots, B\}Xi,i∈{1,2,⋯,B}，并计算 Xˉi\bar{X}_iXˉi，从

参与评论您还未登录，请先登录后发表或查看评论

预测误差的自助法估计(Bootstrap estimate of prediction error)

scc的博客

08-26

2721

Bootstrap estimate of prediction error1 一般方法2 改进方法1 - the more refined bootstrap approach3 改进方法2 - 0.632 bootstrap estimate4 结果参考书目 1 一般方法定义一个测量误差的函数Q（表示的是响应变量yyy和预测值y^\hat{y}y^之间的差异），对回归模型来说，一般选择平方损失函数，分类问题一般选择示性函数Q=I(y≠y^)Q = I(y \neq \hat{y})Q=I(y=y

自助抽样法

Min的博客

05-19

3038

自助法（即对数据集做有放回的抽样），是一种评估样本统计量变异性的工具。用于预测模型时，聚合多个自助样本的预测（即Bagging方法），要优于使用单个模型的预测。使用思想如下图：个人理解为：当样本量比较小时，要使用该方法增加样本量。 ...

39、营销模型验证：Net T - C 提升模型与自助法应用

snow3的博客

08-11

本文探讨了Net T-C提升模型的代码实现及其在营销模型验证中的应用，并详细分析了传统验证方法的局限性。文章介绍了如何利用自助法（Bootstrap）解决传统方法在偏差和变异性度量方面的不足，对比了两种方法的优劣，并提出了在复杂数据场景下更可靠的模型评估策略。此外，还提供了完整的SAS代码流程和实际数据分析示例，为营销建模和模型验证提供了实用参考。

stata在统计与计量中的运用实证分析处理统计计量分析数据分析第15章-蒙特卡罗模拟和自助法共39页.pptx

06-30

自助法是一种基于重抽样的统计技术，主要用于评估统计量的标准误差、构造置信区间以及进行假设检验等。该方法通过从原始样本中进行有放回的抽样，来构建新的样本集，并从中计算统计量。 **2. 应用案例** - **估计...

抽样与重抽样技术：聚类抽样与自助法抽样详解

# 抽样与重抽样技术：聚类抽样与自助法抽样详解 ## 1. 聚类抽样 ### 1.1 聚类抽样概述在很多情况下，总体中包含着具有统计显著性的异质群体。此时，先识别这些异质群体，再规划抽样策略就显得尤为重要。这种抽样...

总结：Bootstrap(自助法)，Bagging，Boosting(提升) - 简书.pdf

10-13

Bootstrap（自助法）是一种用于估计统计量的重采样方法，尤其在总体分布未知时效果显著。其核心思想是从给定的样本中进行有放回的抽样，构建多个样本量与原样本相同的子样本。具体操作是首先确定样本总量，然后随机...

统计学习导论（五）重抽样法-学习笔记

weixin_52547939的博客

07-08

1724

1 交叉验证法（Cross Validation, CV） 1.1 验证集方法（Validation set approach）方法原理：把获得的观测数据随机分为两部分：一部分为训练集（通常为原始数据集的一半），另一部分为验证集，或者叫保留集。在训练集上拟合模型，用拟合的模型在验证集上计算响应变量的值，进而得到验证集错误率，即测试错误率。方法缺陷：测试错误率的波动会很大，这取决于哪部分数据在训练集中，哪部分数据在验证集中。在验证集方法中，只有一部分观测数据（没用到所有的数据）被用于拟合模型。由于训

给定小样本量生成代表性随机样本的采样算法：一种从离散概率分布中采样的新算法-matlab开发

05-30

开发了一种使用与大小成正比的概率抽样方法从离散概率分布中抽样的新算法，这是配额抽样方法的一个特例。目标是设计一种有效的采样算法，可用于随机优化问题——当需要最小化样本大小时。所提出算法的基本思想如下：对于固定数量的随机样本 N 和 ⌊Nx_i ⌋ 或 ⌈Nx_i ⌉ 对 x_i 值的总观测值；分布由 [⌊Nx_1 ⌋ ,⌈Nx_1 ⌉ ] ,... ,[⌊Nx_k ⌋ ,⌈Nx_k ⌉ ] 确定，最适合原始分布。更具体地说，生成 [⌊Nx_1 ⌋ ,⌈Nx_1 ⌉ ] ,... ,[⌊Nx_k ⌋ ,⌈Nx_k ⌉ ] 上的所有可能分布；然后不满足总样本大小 N 的分布被排除在外。之后，选择最佳拟合分布有关更多详细信息，请阅读以下论文： http://www.igi-global.com/article/novel-quota-sampling-algorithm-g

图像算法七 —— 自助采样法 & Bagging算法 & 随机森林

weixin_43662553的博客

07-01

4716

图像算法七 —— 自助采样法 & Bagging算法 & 随机森林

评估方法中的自助法对估计偏差的影响

weixin_44405644的博客

09-25

857

通过自助法得到的训练数据集是m个数据（原总数据集也是m个），但是训练数据集中的数据由于采用自助法（自助采样）而产生了大约36.8%的重复数据值，改变了原来数据的分布情况，会造成某一个样本重复多次，使得该样本用于训练的次数增多，所以会造成估计偏差。 ...

ISLR读书笔记九：自助法（bootstrap）

weixin_43084570的博客

10-10

672

自助法是一类应用很广的统计方法，可以用来定量化参数估计或者统计学习方法的不确定性。自助法重复地从原数据集中采样，这里采样是可放回的（replacement），可以允许有同样的样本出现，然后用得到的样本进行参数估计。举一个例子来说明自助法的应用。假设有 XXX 和 YYY 两种不同的金融资产，现要对 XXX 和 YYY 进行投资，使得总风险最小。假设有 α\alphaα 投给了 XXX， 1−α1-\alpha1−α 投给了 YYY，那么总风险就是 Var(αX+(1−α)Y)Var(\alpha X+(1

机器学习（四） -- 模型评估（1）

zqx1473的博客

01-03

2100

tips：这里只是总结，不是教程哈。“***”开头的是给好奇心重的宝宝看的，其实不太重要可以跳过。此处以下所有内容均为暂定，因为我还没找到一个好的，让小白（我自己）也能容易理解（更系统、嗯应该是宏观）的讲解顺序与方式。第一文主要简述了一下机器学习大致有哪些东西（当然远远不止这些），对大体框架有了一定了解。

Bootstrap自助抽样法的原理、应用与python实现

qq_45259021的博客

01-18

8724

本文讲述bootstrap的原理，应用以及python实现

Bootstrap自助法

夏夜蒲扇的博客

04-29

2733

一、Bootstrap中心思想 Bootstrap“自助法”，中心思想是通过从样本中重抽样（resample），构建某个估计的置信区间。抽象的说，通过样本得到的估计并没有榨干样本中的信息，bootstrap利用重抽样，把剩余价值发挥在了构建置信区间上。 Bootstrap是对现有的数据，不断再随机取小的样本，对每个小样处理数据,得到estimator.从而来了解estimator 的varia...

统计学中的Bootstrap方法（有放回的抽样）

最新发布

08-21

### Bootstrapping 自助抽样法的概念与原理 Bootstrapping（自助抽样法）是一种非参数统计方法，主要用于估计统计量的抽样分布。其核心思想是从原始数据样本中通过有放回抽样生成大量重抽样数据集。这些重抽样数据集的大小与原始样本一致，通过多次抽样，可以模拟原始样本的分布特性，并进一步估计统计量（如均值、方差、置信区间等）的变异性。这种方法的关键在于“有放回抽样”，即在每次抽样中，原始样本中的每个观测值都有相同的被抽中概率，并且可以被多次选中。这种抽样方式能够产生多样化的样本组合，从而更准确地反映总体分布的不确定性[^3]。 ### Bootstrapping 的应用场景 1. **置信区间估计**：当传统方法（如正态分布假设下的置信区间计算）不适用时，自助法可以用于构建统计量（如均值、中位数、回归系数等）的置信区间。 2. **假设检验**：自助法可用于构造检验统计量的抽样分布，从而进行非参数假设检验。 3. **模型评估**：在机器学习中，自助法可用于评估模型的稳定性，如通过自助抽样计算模型参数的标准误或置信区间。 4. **小样本数据分析**：当样本量较小且分布未知时，自助法提供了一种有效的统计推断手段。 5. **复杂统计模型的推断**：在传统解析方法难以求解的情况下，如非线性模型、复杂回归模型等，自助法可辅助进行统计推断。 ### Bootstrapping 在统计学中的意义 Bootstrapping 是现代统计学的重要创新之一，尤其在计算能力大幅提升的背景下，其应用范围和影响力不断扩大。该方法不依赖于对数据分布的强假设，因此在实际应用中具有很高的灵活性和实用性。它与反事实因果推理、多层模型、正则化方法等并列为过去半个世纪最重要的统计思想之一[^2]。此外，自助法是重采样技术的重要组成部分，与置换检验（permutation test）等方法共同构成了基于模拟的统计推断体系。通过比较自助法、置换检验与传统t检验的结果，可以更好地理解不同方法在特定数据集下的适用性和稳健性[^4]。 ### 示例代码：使用 Bootstrapping 估计均值的置信区间 ```python import numpy as np # 原始样本数据 data = np.array([23, 25, 28, 29, 30, 32, 35, 37, 40, 42]) # 自助抽样次数 n_bootstrap = 10000 # 存储每次抽样的均值 bootstrap_means = [] # 进行自助抽样 for _ in range(n_bootstrap): sample = np.random.choice(data, size=len(data), replace=True) bootstrap_means.append(np.mean(sample)) # 计算95%置信区间 ci_lower, ci_upper = np.percentile(bootstrap_means, [2.5, 97.5]) ci_lower, ci_upper ``` 运行上述代码将输出一个基于自助法估计的95%置信区间。