<\/p>\n
Bootstrapping<\/strong> ist eine Methode, mit der ein Konfidenzintervall f\u00fcr eine Statistik<\/a> erstellt werden kann, wenn die Stichprobengr\u00f6\u00dfe klein und die zugrunde liegende Verteilung unbekannt ist.<\/span><\/p>\n Der grundlegende Prozess f\u00fcr das Bootstrapping ist wie folgt:<\/span><\/p>\n Der einfachste Weg zum Bootstrap in Python ist die Verwendung der Bootstrap-<\/a> Funktion aus der SciPy-<\/strong> Bibliothek.<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir erstellen in Python einen Datensatz mit 15 Werten:<\/span><\/p>\n Mit dem folgenden Code k\u00f6nnen wir ein 95-prozentiges Bootstrap-Konfidenzintervall f\u00fcr den Medianwert berechnen:<\/span><\/p>\n Das 95 %-Bootstrap-Konfidenzintervall f\u00fcr den Median betr\u00e4gt [10,0, 20,0]<\/strong> .<\/span><\/p>\n Folgendes hat die boostrap()<\/strong> -Funktion tats\u00e4chlich unter der Haube getan:<\/span><\/p>\n Beachten Sie, dass Sie f\u00fcr praktisch jede Statistik ein Bootstrap-Konfidenzintervall berechnen k\u00f6nnen.<\/span><\/p>\n Beispielsweise k\u00f6nnen wir in der Bootstrap()<\/strong> -Funktion np.median<\/strong> durch np.std<\/strong> ersetzen, um stattdessen ein 95 %-Konfidenzintervall f\u00fcr die Standardabweichung zu berechnen:<\/span><\/p>\n Das 95 %-Bootstrap-Konfidenzintervall f\u00fcr die Standardabweichung betr\u00e4gt [3,32, 5,67]<\/strong> .<\/span><\/p>\n Hinweis<\/strong> : F\u00fcr diese Beispiele w\u00e4hlen wir die Erstellung von 95 %-Konfidenzintervallen, aber Sie k\u00f6nnen den Wert des Arguments \u201etrust_level\u201c<\/strong> \u00e4ndern, um ein Konfidenzintervall mit einer anderen Gr\u00f6\u00dfe zu erstellen.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie man in anderer Statistiksoftware einen Bootstrap durchf\u00fchrt:<\/span><\/p>\n So booten Sie in R<\/a> Bootstrapping ist eine Methode, mit der ein Konfidenzintervall f\u00fcr eine Statistik erstellt werden kann, wenn die Stichprobengr\u00f6\u00dfe klein und die zugrunde liegende Verteilung unbekannt ist. Der grundlegende Prozess f\u00fcr das Bootstrapping ist wie folgt: Nehmen Sie k Replikatproben mit Ersetzung aus einem bestimmten Datensatz. Berechnen Sie f\u00fcr jede Stichprobe die interessierende Statistik. Dies ergibt k […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: Bootstrapping in Python durchf\u00fchren<\/strong><\/span><\/h3>\n
#define array of data values\ndata = [7, 9, 10, 10, 12, 14, 15, 16, 16, 17, 19, 20, 21, 21, 23]<\/span><\/strong><\/span><\/pre>\n from<\/span> scipy. stats<\/span> import<\/span> bootstrap\nimport<\/span> numpy as<\/span> np\n\n#convert array to sequence\n<\/span>data = (data,)\n\n#calculate 95% bootstrapped confidence interval for median\n<\/span>bootstrap_ci = bootstrap(data, np. median<\/span> , confidence_level= 0.95<\/span> ,\n random_state= 1<\/span> , method=' percentile<\/span> ')\n\n#view 95% boostrapped confidence interval\n<\/span>print<\/span> ( bootstrap_ci.confidence_interval<\/span> )\n\nConfidenceInterval(low=10.0, high=20.0)\n<\/span><\/strong><\/span><\/pre>\n\n
from<\/span> scipy. stats<\/span> import<\/span> bootstrap\nimport<\/span> numpy as<\/span> np\n\n#convert array to sequence\n<\/span>data = (data,)\n\n#calculate 95% bootstrapped confidence interval for median\n<\/span>bootstrap_ci = bootstrap(data, np. std<\/span> , confidence_level= 0.95<\/span> ,\n random_state= 1<\/span> , method=' percentile<\/span> ')\n\n#view 95% boostrapped confidence interval\n<\/span>print<\/span> ( bootstrap_ci.confidence_interval<\/span> )\n\nConfidenceInterval(low=3.3199732261303283, high=5.66478399066117)\n<\/span><\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie einen Bootstrap in Excel durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"