Eine nichtparametrische statistische Methode, die die Stichprobenverteilung eines Schätzers approximiert, indem wiederholt Stichproben mit Zurücklegen aus dem beobachteten Datensatz gezogen und der Schätzer auf jedem Resample neu berechnet wird.

Prinzip

Behandle die beobachtete Stichprobe als Proxy für die Populationsverteilung und verwende Resampling mit Zurücklegen, um Varianzschätzungen für Statistiken ohne parametrische Annahmen zu erzeugen.

Demonstration

Gegeben n beobachtete Datenpunkte, ziehe B Bootstrap-Stichproben (jeweils Größe n mit Zurücklegen), berechne die Stichprobenmedianen für jede Resample und nutze die empirische Verteilung dieser Mediane zur Bildung von Konfidenzintervallen und Bias-Schätzungen.

Fehlanwendung

Den einfachen Bootstrap auf stark abhängige Zeitreihen oder sehr kleine Stichproben anwenden und Bootstrap-Intervalle als exakt interpretieren, wenn Austauschbarkeit oder Repräsentativitätsbedingungen nicht erfüllt sind.

Konsequenz

Ermöglicht approximative Inferenz (Standardfehler, Konfidenzintervalle, Bias-Korrektur) für komplexe Schätzer, deren analytische Stichprobenverteilungen nicht verfügbar oder unhandlich sind.

Umkehrung

Analytische parametrische Inferenz leitet Stichprobeneigenschaften aus angenommenen Verteilungsmodellen und geschlossenen Formeln ab, anstatt sie durch Resampling der beobachteten Daten zu approximieren.

Abgrenzung

Setzt voraus, dass die beobachtete Stichprobe repräsentativ ist und die Beobachtungen austauschbar sind oder die Abhängigkeit modelliert wird (z. B. Block-Bootstrap); schließt naive Anwendung auf nicht-austauschbare Daten ohne Anpassung aus.

Semantische Spannung

Wettstreit mit bayesschen und asymptotisch-parametrischen Methoden: Der Bootstrap liefert datengesteuerte frequentistische Unsicherheitsabschätzungen, während bayessche Posterior-Zusammenfassungen Vorinformationen und Modellstruktur einbeziehen.

Synthese

Bootstrap-Resampling approximiert die Stichprobenvariabilität von Schätzern durch wiederholtes Ziehen mit Zurücklegen aus den beobachteten Daten und erzeugt empirische Verteilungen zur Unsicherheitsquantifizierung ohne starke parametergestützte Modelle.