โดยทั่วไปคุณจะไม่สามารถแยกข้อผิดพลาด (ส่วนที่เหลือ) ออกเป็นองค์ประกอบอคติและความแปรปรวน เหตุผลง่ายๆคือโดยทั่วไปคุณไม่ทราบว่าฟังก์ชั่นที่แท้จริง จำได้ว่าbias(f^(x))=E[f^(x)−f(x)], และนั่น f(x) เป็นสิ่งที่ไม่ทราบที่คุณต้องการประเมิน
แล้วเรื่อง bootstrapping ล่ะ?
มีความเป็นไปได้ที่จะประเมินความเอนเอียงของตัวประมาณค่าโดยการบูตสแตรป แต่มันไม่เกี่ยวกับโมเดลการห่อและฉันไม่เชื่อว่าจะมีวิธีการใช้ bootstrap เพื่อประเมินอคติในฉ^( x ) , เพราะการบูตสแตรปยังคงมีพื้นฐานอยู่บนแนวคิดของความจริงและไม่สามารถสร้างชื่อจากอะไรก็ได้ทั้งๆที่มีต้นกำเนิดของชื่อ
ในการชี้แจง: การประมาณ bootstrap ของความเอนเอียงในตัวประมาณ θ^ คือ
ขฉันsˆB=θ^* * * *( ⋅ ) -θ^,
กับ θ^* * * *( ⋅ ) เป็นค่าเฉลี่ยของสถิติของคุณคำนวณ B ตัวอย่างบูต กระบวนการนี้เลียนแบบการสุ่มตัวอย่างจากประชากรบางกลุ่มและคำนวณปริมาณความสนใจของคุณ ใช้งานได้เฉพาะในกรณีที่θ^ในหลักการสามารถคำนวณได้โดยตรงจากประชากร การประมาณการบูตของอคติประเมินว่าการประมาณการแบบปลั๊กอินคือเพียงแค่ทำการคำนวณแบบเดียวกันกับตัวอย่างแทนที่จะเป็นแบบประชากร
หากคุณเพียงแค่ต้องการใช้ส่วนที่เหลือของคุณในการประเมินแบบจำลองที่เป็นไปได้ทั้งหมด ถ้าคุณพูดตามความคิดเห็นคุณต้องการเปรียบเทียบโมเดลที่ซ้อนกันฉ1( x ) = 3x1+ 2x2 และ ฉ2( x ) = 3x1+ 2x2+x1x2คุณสามารถทำ ANOVA เพื่อตรวจสอบว่าแบบจำลองขนาดใหญ่ช่วยลดผลรวมของข้อผิดพลาดกำลังสองได้หรือไม่