Bootstrap adalah mekanisme statistik dan ekonometrika yang berfokus pada pengambilan sampel ulang data dalam sampel acak atau acak. Kegunaan utamanya adalah untuk menemukan pendekatan terhadap distribusi variabel yang dianalisis.
Proses ini juga dikenal dalam bahasa gaul statistik sebagai bootstrap dan merupakan hasil studi di bidang sampling statistik oleh matematikawan Bradley Efron pada akhir 1970-an.
Utilitas bootstrap
Kegunaan utama menggunakan bootstrap adalah untuk mengurangi bias dalam analisis atau, dengan kata lain, untuk memperkirakan varians berkat pengambilan sampel ulang secara acak dari sampel awal dan bukan dari populasi. Dengan cara ini, konstruksi caral statistik menjadi lebih mudah dengan membuat interval kepercayaan dan uji hipotesis.
Meskipun mungkin tampak praktik yang sangat kompleks secara apriori, prosedur yang menjadi dasar bootstrap hanyalah pembuatan sejumlah besar sampel dengan memposisikan ulang pengambilan data sebagai referensi sampel populasi awal.
Teknik ini sangat berguna dalam situasi di mana sampel yang tersedia kecil atau, seperti yang disebutkan sebelumnya, jika distribusinya sangat miring. Dalam pengertian ini, mereka membantu memecahkan banyak masalah probabilitas dan statistik terapan.
Fitur bootstrap
Salah satu karakteristik utama dari praktik ini adalah melibatkan resampling berikutnya untuk mendapatkan ekspresi tertutup dan menyelesaikan kompleksitas matematis dari operasi ini. Dengan perkembangan komputer dan alat teknologi dalam beberapa tahun terakhir, penggunaan bootstrap untuk resampling kompleks menjadi lebih mudah untuk diandalkan.
Teknik resampling memungkinkan kita untuk melangkah lebih jauh ketika mempelajari sampel data dari populasi tertentu. Dengan kata lain, memungkinkan Anda untuk membuat atau membuat asumsi baru dengan mengganti nilai tambahan dari sampel.
Kelebihan Bootstrap
Aspek positif dari resampling bootstrap adalah metode statistik yang disederhanakan, dalam arti bahwa ia telah menggantikan konstruksi caral matematika klasik dan sangat kompleks dengan perhitungan menggunakan perangkat lunak tertentu, yang telah meningkatkan penerapan atau aksesnya ke bidang atau studi lain.
Mengikuti garis ini, mekanisme ini biasanya dianggap jauh lebih terbuka atau dapat diakses dibandingkan dengan caral dan asumsi klasik, yang menjadikannya alat yang berguna untuk sejumlah besar masalah matematika.
Interval kepercayaan