Machine-Learning
為什麼引導很有用？
如果您所做的只是從經驗分佈中重新採樣，為什麼不研究經驗分佈呢？例如，與其通過重複抽樣來研究變異性，不如從經驗分佈中量化變異性？
自舉（或其他重採樣）是一種估計統計量分佈的實驗方法。
這是一種非常直接和簡單的方法（它只是意味著您使用樣本數據的許多隨機變體進行計算，以獲得、估計、所需的統計分佈）。
當“理論/分析”表達式太難以獲得/計算時（或者像aksakal 所說的有時它們是未知的），您很可能會使用它。
- 示例 1：如果您進行 pca 分析並希望將結果與*“特徵值偏差的估計”*進行比較，假設變量之間沒有相關性。
您可以多次打亂數據並重新計算 pca 特徵值，以便獲得特徵值的分佈（基於對樣本數據的隨機測試）。
請注意，當前的做法是凝視碎石圖並應用經驗法則來“決定”某個特徵值是否顯著/重要。
- 示例 2：您進行了非線性回歸y ~ f(x)，為您提供函數 f 的一組參數的一些估計。 現在您想知道這些參數的標準誤差。
在這裡不可能像在 OLS 中那樣簡單地查看殘差和線性代數。然而，一種簡單的方法是多次計算相同的回歸，並重新打亂殘差/誤差，以便了解參數將如何變化（假設誤差項的分佈可以通過觀察到的殘差建模）。