Dados distorcidos de bootstrapping

1. Uma distribuição de bootstrap pode ser distorcida?
2. O bootstrapping assume a distribuição normal?
3. É inicializado imparcial?
4. Qual é o problema com o bootstrapping?

Uma distribuição de bootstrap pode ser distorcida?

A distribuição de bootstrap é positivamente inclinada (inclinada para a direita), sugerindo corretamente que a distribuição de amostragem da média é assimétrica. Isso está correto porque desenhamos os dados de uma distribuição lognormal e não de uma distribuição normal, como assumido pela distribuição t na Figura 1b.

O bootstrapping assume a distribuição normal?

Bootstrapping não faz suposições sobre a distribuição de seus dados. Você apenas resulma seus dados e usa qualquer distribuição de amostragem em surgir. Então, você trabalha com essa distribuição, qualquer que seja, como fizemos no exemplo.

É inicializado imparcial?

Como as estatísticas do canivete, os estimadores de bootstrap não são considerados estimadores imparciais do parâmetro populacional. Em vez disso, supõe -se que, se a estatística de amostra () fornecer uma estimativa tendenciosa de seu parâmetro (θ), a estatística de bootstrap ( ^* ) fornece uma estimativa igualmente tendenciosa da estatística de amostra.

Qual é o problema com o bootstrapping?

Não realiza correções de viés, etc. Não há cura para pequenos tamanhos de amostra. Bootstrap é poderoso, mas não é mágico - só pode funcionar com as informações disponíveis na amostra original. Se as amostras não forem representativas de toda a população, o bootstrap não será muito preciso.