เหตุใดจึงใช้ bootstrap แบบพารามิเตอร์

ขณะนี้ฉันกำลังพยายามทำให้บางสิ่งบางอย่างเกี่ยวกับ bootstrap ของพารามิเตอร์ สิ่งต่าง ๆ ส่วนใหญ่อาจไม่สำคัญ แต่ฉันก็ยังคิดว่าฉันอาจพลาดอะไรบางอย่างไป

สมมติว่าฉันต้องการรับช่วงความมั่นใจสำหรับข้อมูลโดยใช้ขั้นตอนการบูตพารามิเตอร์

ดังนั้นฉันมีตัวอย่างนี้และฉันถือว่าการกระจายตัวตามปกติ ฉันก็จะประเมินความแปรปรวนและค่าเฉลี่ยและได้รับการกระจายของฉันประมาณการซึ่งจะเห็นได้ชัดเพียง{V}) เอ็ม พีเอ็น(ม. ,วี$\hat{v}$$\hat{m}$$\hat{P}$$N(\hat{m},\hat{v})$

แทนที่จะสุ่มตัวอย่างจากการแจกแจงนั้นฉันก็สามารถคำนวณควอนไทล์เชิงวิเคราะห์และทำได้

a) ฉันสรุป: ในกรณีที่ไม่สำคัญนี้ bootstrap แบบพารามิเตอร์จะเหมือนกับการคำนวณสิ่งต่าง ๆ ในการแจกแจงแบบปกติ?

ในทางทฤษฎีนี่จะเป็นกรณีสำหรับโมเดลบูตสแตรปทั้งหมดตราบใดที่ฉันสามารถจัดการการคำนวณได้

b) ฉันได้ข้อสรุป: การใช้สมมติฐานของการแจกแจงบางอย่างจะทำให้ฉันมีความแม่นยำเป็นพิเศษใน bootstrap แบบพารามิเตอร์เหนือ nonparametric one (ถ้ามันถูกต้องแน่นอน) แต่นอกเหนือจากนั้นฉันแค่ทำเพราะฉันไม่สามารถจัดการกับการคำนวณการวิเคราะห์และไม่พยายามจำลองทางออกของฉัน?

c) ฉันจะใช้มันถ้าการคำนวณแบบ "ปกติ" ทำได้โดยใช้การประมาณบางอย่างเพราะนี่อาจทำให้ฉันมีความแม่นยำมากขึ้น ... ?

สำหรับฉันประโยชน์ของ bootstrap (ไม่ใช่พารามิเตอร์) ดูเหมือนจะโกหกในความจริงที่ว่าฉันไม่จำเป็นต้องรับการแจกจ่ายใด ๆ สำหรับ bootstrap แบบพาราเมตริกที่หายไป - หรือมีสิ่งที่ฉันพลาดและตำแหน่ง bootstrap ให้ประโยชน์เหนือกว่าสิ่งที่กล่าวถึงข้างต้น?

ใช่. คุณพูดถูก แต่พารามิเตอร์บูตสแตรปจะป้องกันผลลัพธ์ที่ดีกว่าเมื่อมีการสันนิษฐาน ลองวิธีนี้ดู:

$X_1, \ldots, X_n$$F$$\theta$$\hat{\theta} = h (X_1, \ldots, X_n)$$G$$h$$F$$G=G(h,F)$$F$$\hat{F}$$G$$\hat G = G(h,\hat{F})$$\hat G$$\hat \theta$$\hat{F}$

$\hat{G} = G(h,\hat{F})$$\hat G$$X^b_1, \ldots, X^b_n$$\hat F$$\hat {\theta}^b = h(X^b_1, \ldots, X^b_n)$$\hat G$

$\hat{F}$$F$$\hat{G}$$G$$\hat{\theta}$