Torgeek
- ¿Puede una distribución de bootstrap estar sesgada??
- ¿Bootstrapping asume una distribución normal??
- ¿Está imparcialmente bootstrapping?
- ¿Cuál es el problema con la bota de arranque??
¿Puede una distribución de bootstrap estar sesgada??
La distribución de bootstrap está positivamente sesgada (sesgada a la derecha), lo que sugiere correctamente que la distribución de muestreo de la media es asimétrica. Esto es correcto porque dibujamos los datos de una distribución lognormal y no de una distribución normal, como lo asume la distribución t en la Figura 1B.
¿Bootstrapping asume una distribución normal??
Bootstrapping no hace suposiciones sobre la distribución de sus datos. Simplemente vuelve a muestrear sus datos y usa cualquier distribución de muestreo. Luego, trabaja con esa distribución, sea lo que sea, como lo hicimos en el ejemplo.
¿Está imparcialmente bootstrapping?
Al igual que las estadísticas de Jackknife, no se supone que los estimadores de arranque son estimadores imparciales del parámetro de población. En su lugar, se supone que, si la estadística de muestra () proporciona una estimación sesgada de su parámetro (θ), la estadística de arranque ( * ) proporciona una estimación sesgada de la estadística de muestra.
¿Cuál es el problema con la bota de arranque??
No realiza correcciones de sesgo, etc. No hay cura para tamaños de muestra pequeños. Bootstrap es poderoso, pero no es mágico: solo puede funcionar con la información disponible en la muestra original. Si las muestras no son representativas de toda la población, entonces Bootstrap no será muy precisa.
