為什麼這篇拔靴法r鄉民發文收入到精華區：因為在拔靴法r這個討論話題中，有許多相關的文章在討論，這篇最有參考價值！作者milk0925 (牛奶刺蝟)看板Statistics標題[問題] 拔靴法(Bootstrap)...
拔靴法r 在 Doris Instagram 的最佳解答
2020-05-03 22:29:18
第一天穿梭在地鐵之內，漫步在胡同之中。 10月的北京真的是冷到cry ，現在的溫度是台灣冬天，甚至是寒流等級，原本想著每天要穿的美美，結果只能穿著厚外套，還思忖著要天天穿馬靴帥氣踩街，結果一個北京，地大物博，除了第一天，每天穿著布鞋ಥ_ಥ 北京地鐵圖龐大，如果你當他是名詞，也不過就幾條線而已，還...
由於我嘗試翻閱由Efron所著之An introduction to the bootstrap之後，
還是對於拔靴法的應用不是很懂，
因此有些關於拔靴法的問題想詢問大家，
還望大家協助解惑~
不好意思因為本身並非數理底子很好的學生，
所以看統計學的內容有些吃力...
就我目前所了解到的(包含參閱其他研究文獻)：
1.拔靴法主要是用來校正誤差的，
且其實未受到研究母群一定得要是常態分配的限制，
因此可以適用在當母群非常常態分佈時的狀況下使用，
所以假如我的研究中我已經確定我的研究母群並非呈常態分佈，
而比較可能是reverse J-shape distribution的話，
那麼如果我在使用統計軟體SPSS跑多元線性迴歸時同時設定跑Bootstrap，
這樣的話是正確的嗎？
我目前的想法是因為多元迴歸的基本假設中有提到殘差需符合常態，
但是如果檢驗結果殘差未呈常態，
那麼我能夠藉由拔靴法的協助在殘差未呈常態分佈的狀況下執行多元迴歸，
然後有能符合統計方法的使用正確性嗎？
因為我就我的了解，
好像拔靴法的使用另一個比較重要的觀念為，
若所欲分析的研究樣本並非常呈現常態分配，
但是如果所抽樣的樣本其分布型態與母群的實際分布近似，
依舊是可以使用拔靴法的。
不知道我的理解是否有誤？
還請專業的大家幫忙指正，
感謝！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.47.44.82
※ 文章網址: https://www.ptt.cc/bbs/Statistics/M.1458455106.A.22A.html
推 sweetJ: Bootstrap跟常態分佈有關係嗎 03/20 22:52
→ sweetJ: 你的樣本本來就不是常態分佈，怎麼做都不會是常態啊？ 03/20 22:57
→ milk0925: 所以拔靴法的目的是要讓非常態的分布變常態?因為我並沒 03/21 09:16
→ milk0925: 有要利用拔靴法將原本非常態的樣本做到常態，因為我研究 03/21 09:16
→ milk0925: 的變項其實際分布原則上不太可能是常態QQ 03/21 09:16
→ bmka: 雞同鴨講 03/21 09:18
→ Lotusfly: 拔靴法用來估計標準誤，以形成信賴區間，檢驗標準化係數 03/21 10:57
→ Lotusfly: 的顯著性。 03/21 10:57
推 sweetJ: Bootstrap就是用你原本的樣本去重複取樣來算信賴區間，你 03/21 15:19
→ sweetJ: 原本樣本就不是常態怎麼取都不是常態啊。另外跑線型模式 03/21 15:19
→ sweetJ: 本來就沒有限定一定要常態分佈，也可以假設母體不是常態 03/21 15:19
→ sweetJ: 分佈。 03/21 15:19
→ sweetJ: 我不知道你文章講一講樣本不是常態分佈，所以要用bootsrap 03/21 15:20
→ sweetJ: 來矯正是什麼意思 03/21 15:20
→ sweetJ: 「但是如果檢驗結果殘差未呈常態，那麼我能夠藉由拔靴法 03/21 15:22
→ sweetJ: 的協助在殘差未呈常態分佈的狀況下執行多元迴歸」這啥？ 03/21 15:22
→ milk0925: 對不起，因為我一直以為multiple linear regression有限 03/21 20:32
→ milk0925: 定被預測的變項其數據分布必需要符合常態才能做推論統計 03/21 20:33
→ milk0925: 更正不是數據分布而是殘差分布(雖然我知道好像殘差分布 03/21 20:39
→ milk0925: 沒呈常態的話，原本數值的分布也不會成常態) 03/21 20:40
推 recorriendo: 看來是連回歸的觀念都沒有懂啊 就更別說進一步的檢定 03/22 03:23
→ recorriendo: "殘差未呈常態分佈的狀況下執行多元迴歸 然後有能符 03/22 03:23
→ recorriendo: 合統計方法的使用正確性嗎" 各種迴歸(OLS,LASSO等等) 03/22 03:26
→ recorriendo: 指的是估計方法 當然不管資料的分布都可以丟下去估計 03/22 03:27
→ recorriendo: "正不正確"的問題只有在你對估計結果的要求下有意義 03/22 03:28
→ recorriendo: 是要不偏估計?還是別的估計?確定了才能討論正不正確 03/22 03:33
→ recorriendo: 例如在不偏估計的情況下Gauss-Markov thm其實沒有要 03/22 03:36
→ recorriendo: 求殘差成常態 但須符合變異數同質性及殘差不相關 03/22 03:39
→ milk0925: 我找到r大說的Gauss–Markov theorem了，謝謝大家提供我 03/22 20:56
→ milk0925: 很多我不知道的資訊，謝謝大家:) 03/22 20:57
→ recorriendo: 須知:OLS給你一個不偏估計 但接下來檢定該估計就關係 03/24 08:18
→ recorriendo: 到分布了 bootstrap是幫你近似求出其分布的方法之一 03/24 08:20
推 sweetJ: Bootstrap最基本就是個讓你求各種奇怪分佈情況的時候的信 03/25 21:10
→ sweetJ: 賴區間。你就先看看你的樣本看起來像什麼分佈，去找那個 03/25 21:10
→ sweetJ: 分佈的線型模式怎麼跑就是了。 03/25 21:10