10.2 参数bootstrap方法
本章目录 · 1 节
本章导读
【10.2 参数bootstrap方法】当总体属于已知的分布族,但参数未知时,可以先估计参数,再从拟合分布产生新的模拟样本。这里的参数可以是一个数,也可以是均值与方差组成的向量。它与直接重抽原始观察的非参数方法使用不同的替代总体。
【方法与条件】给定独立同分布观察,求最大似然估计,再独立生成B份容量为n的样本。每份都重新计算目标统计量,形成其条件抽样分布,用来估计标准误、偏差或分位数区间。拟合时采用什么估计规则,重抽样时也应使用同一规则。
参数方法依赖分布族正确或足够适用,不能因为只剩一个未知参数就忽略模型核查。模拟值可以不等于任何原始观察;非参数重抽样则只能取到原始观察值。以下B均为10000,分位数统一取第项,95%区间使用第250与9750项,90%区间使用第500与9500项。原书模拟没有提供随机种子,因此同时列出原书结果与可复算的新运行,二者的合理随机差异不作为勘误。
【例1 热泵寿命的均值】15项寿命,单位年,为0.4,0.6,0.7,0.9,1.0,1.3,1.9,2.0,4.8,5.1,5.3,5.3,6.0,12.2,15.8。假设其独立同分布于均值参数为的指数分布,求总体均值的95%自助百分位区间。
分布函数为,时成立,时为0。因为,最大似然估计。每份从均值4.22的指数分布抽15项,计算均值,再排序取端点。原书得到。
这里用Python Random种子20261120,每个指数变量调用expovariate,其参数是率,而不是均值4.22;10000次得到。指数分布不同软件可能用率或尺度参数,必须检查含义。
还可独立核验条件分布:在拟合总体下,,第二个参数为尺度。直接求这一个条件分布的2.5%与97.5%分位数,得到,不含有限B的模拟误差。这仍是拟合总体下的百分位结果,不能称为对未知真实均值具有精确95%覆盖率的区间。(例完)
【例2 猫听觉神经数据的模型限制】原书给10项每200毫秒的神经反应记录:15.1,14.6,12.0,19.2,16.1,15.5,11.3,18.7,17.1,17.2,并假设为泊松计数,求均值的95%区间。
这些数的平均为15.68。若真正观察的是固定时段的脉冲个数,应为非负整数;原书给出的多数观察为小数,不能同时把它们当作未经处理的泊松计数。对这些小数值,泊松概率质量为零,故严格的泊松似然不能据此推出有效的最大似然估计。若记录是多次计数的平均或换算后的速率,需要相应的原始计数、重复次数或暴露时间,现有题面没有提供。
作为演示,若暂以15.68代入泊松模型,则从每次抽10项求均值。原书区间;用种子20261121、逐项泊松逆累积分布抽样,10000次得。条件下,直接求分位数再除以10得。
这些仅说明该替代模型中的计算,不能修复原始数据与计数模型的不相容,也不把所得区间当成已有充分依据的实际结论。不能为迎合模型而自行四舍五入这10项观察。(例完)
【例3 正态存活时间的均值与中位数】原书给16项月数:8.0,13.6,13.2,13.6,12.5,14.2,14.9,14.5,13.4,8.6,11.5,16.0,14.0,19.0,17.9,17.0。按题设,求总体均值及总体中位数的95%自助区间。
最大似然估计为
分母16用于正态方差的最大似然估计,不能与无偏样本方差的分母15混淆。原书模拟前把参数取到13.87与8.06;这里保留完整精度,仅在展示时舍入,因此两种运行不仅随机种子不同,拟合参数也有微小差别。
从每次抽16项,分别求均值及中间第8、9项的平均。用Random种子20261122、gauss生成,每次的第二参数为标准差,不能直接填方差。10000次得到均值区间,中位数区间。原书相应结果为与。
正态总体的均值与中位数都等于,但样本均值与样本中位数是不同的估计量,不能因此把两组重抽样结果混为一谈。拟合总体下样本均值严格服从,条件分位区间为,可用于检查均值模拟。真实总体寿命非负,题设正态模型属于近似,不能据此推导负寿命具有实际意义。(例完)
【例4 月销售量的两种方法】月销售量9至16件,对应月份数为1,6,13,12,9,4,2,1。求均值的95%自助区间,比较泊松参数方法与分布未知的非参数方法。
样本量,加权总量575,均值。统计单位是月份,不能把575件商品误当575个独立样本。
(1)题设已知为泊松分布时,从每份抽48项,求均值。原书给。种子20261123、逐项泊松逆累积分布抽样得到。在拟合总体下,,条件分位区间为。
(2)总体分布未知时,先按频数还原48个观察,或等价地按概率抽取9至16,每份48项。不能对8个不同销售量均匀抽样。原书区间;用种子20261124、按升序还原观察后randrange(48)取下标,得到。
为什么宽度不同?经验总体的方差(分母48)约2.187066,而拟合泊松模型的方差约11.979167;两个替代总体的离散程度不同。区间较宽或较窄本身不决定哪一个正确,必须结合分布假设是否合理及数据生成过程。不能把参数模型的额外假设当作从数据自动证明的事实。(例完)
【例5 Hardy—Weinberg模型的基因频率】按原书所引1937年香港调查的教学数据,M、MN、N三种抗原蛋白类型人数依次342、500、187,共1029人,对应基因型AA、Aa、aa。题设平衡模型的概率为,。
记三类人数,。忽略与参数无关的多项系数,似然与对数似然为
由得分方程得到。这是a等位基因的频率估计,不能误写成aa基因型的频率。内点二阶导数为负,且本题两个等位基因均有观察,故为唯一内点最大值。
拟合的三类概率为0.3309883165,0.4886550483,0.1803566352,和为1。原书简写0.331,0.489,0.180,展示可以取近似,计算时保留完整精度,避免先舍入再抽样改变模型。
每份从拟合三分类分布抽1029个人,重计三类人数,再计算。独立个体、平衡模型下,总a等位基因数等价于,故可直接模拟,这是同一个统计量的等价分布,而不是把三个人数分别独立抽二项分布。
原书90%区间。这里种子20261125,按二项累积分布逆函数产生10000个K,得到;直接计算条件二项分位数则为。因原书使用舍入概率且未给种子,两组结果应分别标示,不能强行改成一致。本例是在所设平衡模型内的频率推断,并未检验或证明现实样本满足该平衡模型。(例完)
【复算约定与解释】各例使用独立Random实例;种子按例1、例2、例3、例4参数法、例4非参数法、例5依次为20261120至20261125。每份先产生完整容量的样本,再计算统计量;正态例同一份样本同时计算均值、中位数。泊松抽样按从k=0开始累加、与一个均匀随机数比较实现;基因例对二项概率归一化后用累积概率逆抽样。条件解析分位数用于独立检查模拟,不等于真实参数的精确置信区间。
