คำถามของฉันคือเทคนิคการสุ่มตัวอย่างใดที่ได้รับความนิยมมากขึ้นใน
การทดสอบการบูตหรือการเปลี่ยนรูป
Bootstrapping ส่วนใหญ่เกี่ยวกับการสร้างข้อผิดพลาดมาตรฐานขนาดใหญ่ตัวอย่างหรือช่วงความเชื่อมั่น การทดสอบการเปลี่ยนแปลงเป็นชื่อที่แนะนำส่วนใหญ่เกี่ยวกับการทดสอบ (แต่ละคนสามารถปรับให้ใช้งานอื่นได้)
เราจะตัดสินความนิยมได้อย่างไร ถ้าเราดูที่สาขาเช่นจิตวิทยาและการศึกษาเราสามารถพบกับการทดสอบตามระดับยศมากมายเช่น Wilcoxon-Mann-Whitney การทดสอบยศเซ็นชื่อการทดสอบยศสัมพันธ์และอื่น ๆ นี่คือการทดสอบการเปลี่ยนรูปทั้งหมด (ในทางกลับกันมีหลายกรณีที่การทดสอบการเปลี่ยนแปลงของข้อมูลดั้งเดิมสามารถนำมาใช้แทน แต่โดยปกติจะไม่) ในบางพื้นที่ของแอปพลิเคชันอื่น ๆ การทดสอบการเปลี่ยนรูปจะไม่ค่อยถูกนำมาใช้ แต่ความนิยมที่แตกต่างกันในบางพื้นที่ของแอพพลิเคชั่นนั้นกล่าวถึงวัฒนธรรมท้องถิ่นของพื้นที่ใดก็ตามที่มีประโยชน์มากกว่า
ง่ายต่อการใช้งาน?
ในหลายกรณี - โดยเฉพาะอย่างยิ่งง่ายกว่า - มันเกือบจะง่ายพอ ๆ กัน - โดยพื้นฐานแล้วความแตกต่างระหว่างการสุ่มตัวอย่างกับการแทนที่และการสุ่มตัวอย่างโดยไม่มีการแทนที่
ในบางกรณีที่มีความซับซ้อนมากขึ้นการบูตสแตรปทำได้ง่ายกว่าเพราะ (ดูจากมุมมองการทดสอบ) มันทำงานภายใต้ทางเลือกแทนที่จะเป็นโมฆะ (อย่างน้อยการใช้งานที่ไร้เดียงสาจะ - ทำเพื่อให้ทำงานได้ดี อาจซับซ้อนกว่านี้)
การทดสอบการเปลี่ยนแปลงที่แน่นอนอาจทำได้ยากในกรณีที่ซับซ้อนมากขึ้นเนื่องจากปริมาณที่สามารถแลกเปลี่ยนได้ที่เหมาะสมอาจไม่สามารถตรวจสอบได้ - บ่อยครั้งที่ปริมาณที่สามารถแลกเปลี่ยนได้เกือบจะถูกทดแทนได้ในราคาที่แน่นอน
(โดยครอบคลุมช่วงเวลาที่แน่นอน) จากจุดเริ่มต้นและมุ่งเน้นไปที่การพยายามที่จะได้รับความคุ้มครองที่ดีพอสมควรในกลุ่มตัวอย่างขนาดใหญ่ (บางครั้งมีความสำเร็จน้อยกว่าอาจจะเข้าใจถ้าคุณยังไม่ได้ตรวจสอบอย่าสวม ไม่ถือว่า bootstrap ของคุณให้ความคุ้มครองตามที่คุณคาดไว้)
การทดสอบการเปลี่ยนรูปสามารถใช้กับตัวอย่างขนาดเล็ก (แม้ว่าการเลือกระดับความสำคัญที่ จำกัด บางครั้งอาจเป็นปัญหากับตัวอย่างขนาดเล็กมาก) ในขณะที่ bootstrap เป็นเทคนิคตัวอย่างขนาดใหญ่ (ถ้าคุณใช้กับตัวอย่างขนาดเล็กในหลายกรณีผลลัพธ์อาจไม่ มีประโยชน์มาก)
ฉันไม่ค่อยเห็นพวกเขาเป็นคู่แข่งในปัญหาเดียวกันและใช้ปัญหาจริง (ต่างกัน) - บ่อยครั้งจะมีทางเลือกโดยธรรมชาติที่จะพิจารณา
มีประโยชน์ทั้งสองอย่าง แต่ไม่มีใน panacaea หากคุณหวังที่จะลดความพยายามในการเรียนรู้โดยมุ่งเน้นไปที่หนึ่งในนั้นคุณอาจจะผิดหวัง - ทั้งสองเป็นส่วนสำคัญของกล่องเครื่องมือ resampling