В настоящее время я пытаюсь разобраться в некоторых вещах, касающихся параметрической начальной загрузки. Большинство вещей, вероятно, тривиально, но я все еще думаю, что, возможно, что-то пропустил.
Предположим, я хочу получить доверительные интервалы для данных с помощью параметрической процедуры начальной загрузки.
Итак, у меня есть этот образец, и я предполагаю, что он нормально распределен. Я бы тогда оценить дисперсию V и средние м и получить мою оценку распределения P , которое, очевидно , только N ( м , v ) .
Вместо выборки из этого распределения я мог бы просто рассчитать квантили аналитически и сделать.
а) Я делаю вывод: в этом тривиальном случае параметрический бутстрап будет таким же, как вычисление вещей в предположении нормального распределения?
Так что теоретически это будет иметь место для всех параметрических моделей начальной загрузки, пока я могу обрабатывать вычисления.
б) Я делаю вывод: использование предположения об определенном распределении принесет мне дополнительную точность в параметрической начальной загрузке по сравнению с непараметрической (если, конечно, это правильно). Но кроме этого, я просто делаю это, потому что я не могу справиться с аналитическими вычислениями и попытаться смоделировать мой выход из этого?
в) Я бы также использовал его, если вычисления "обычно" выполняются с использованием некоторого приближения, потому что это, возможно, даст мне большую точность ...?
Мне показалось, что преимущество (непараметрического) бутстрапа заключалось в том, что мне не нужно предполагать какое-либо распределение. Для параметрической начальной загрузки это преимущество пропало - или есть вещи, которые я пропустил, и где параметрическая начальная загрузка обеспечивает преимущество по сравнению с вышеупомянутыми?
источник
Ответы:
Да. Вы правы. Но параметрический бутстрап дает лучшие результаты, когда предположения верны. Думайте об этом так:
источник