推 sweetJ: Bootstrap跟常態分佈有關係嗎 03/20 22:52
→ sweetJ: 你的樣本本來就不是常態分佈，怎麼做都不會是常態啊？ 03/20 22:57
→ milk0925: 所以拔靴法的目的是要讓非常態的分布變常態?因為我並沒 03/21 09:16
→ milk0925: 有要利用拔靴法將原本非常態的樣本做到常態，因為我研究 03/21 09:16
→ milk0925: 的變項其實際分布原則上不太可能是常態QQ 03/21 09:16
→ bmka: 雞同鴨講 03/21 09:18
→ Lotusfly: 拔靴法用來估計標準誤，以形成信賴區間，檢驗標準化係數 03/21 10:57
→ Lotusfly: 的顯著性。 03/21 10:57
推 sweetJ: Bootstrap就是用你原本的樣本去重複取樣來算信賴區間，你 03/21 15:19
→ sweetJ: 原本樣本就不是常態怎麼取都不是常態啊。另外跑線型模式 03/21 15:19
→ sweetJ: 本來就沒有限定一定要常態分佈，也可以假設母體不是常態 03/21 15:19
→ sweetJ: 分佈。 03/21 15:19
→ sweetJ: 我不知道你文章講一講樣本不是常態分佈，所以要用bootsrap 03/21 15:20
→ sweetJ: 來矯正是什麼意思 03/21 15:20
→ sweetJ: 「但是如果檢驗結果殘差未呈常態，那麼我能夠藉由拔靴法 03/21 15:22
→ sweetJ: 的協助在殘差未呈常態分佈的狀況下執行多元迴歸」這啥？ 03/21 15:22
→ milk0925: 對不起，因為我一直以為multiple linear regression有限 03/21 20:32
→ milk0925: 定被預測的變項其數據分布必需要符合常態才能做推論統計 03/21 20:33
→ milk0925: 更正不是數據分布而是殘差分布(雖然我知道好像殘差分布 03/21 20:39
→ milk0925: 沒呈常態的話，原本數值的分布也不會成常態) 03/21 20:40
推 recorriendo: 看來是連回歸的觀念都沒有懂啊 就更別說進一步的檢定 03/22 03:23
→ recorriendo: "殘差未呈常態分佈的狀況下執行多元迴歸 然後有能符 03/22 03:23
→ recorriendo: 合統計方法的使用正確性嗎" 各種迴歸(OLS,LASSO等等) 03/22 03:26
→ recorriendo: 指的是估計方法 當然不管資料的分布都可以丟下去估計 03/22 03:27
→ recorriendo: "正不正確"的問題只有在你對估計結果的要求下有意義 03/22 03:28
→ recorriendo: 是要不偏估計?還是別的估計?確定了才能討論正不正確 03/22 03:33
→ recorriendo: 例如在不偏估計的情況下Gauss-Markov thm其實沒有要 03/22 03:36
→ recorriendo: 求殘差成常態 但須符合變異數同質性及殘差不相關 03/22 03:39
→ milk0925: 我找到r大說的Gauss–Markov theorem了，謝謝大家提供我 03/22 20:56
→ milk0925: 很多我不知道的資訊，謝謝大家:) 03/22 20:57
→ recorriendo: 須知:OLS給你一個不偏估計 但接下來檢定該估計就關係 03/24 08:18
→ recorriendo: 到分布了 bootstrap是幫你近似求出其分布的方法之一 03/24 08:20
推 sweetJ: Bootstrap最基本就是個讓你求各種奇怪分佈情況的時候的信 03/25 21:10
→ sweetJ: 賴區間。你就先看看你的樣本看起來像什麼分佈，去找那個 03/25 21:10
→ sweetJ: 分佈的線型模式怎麼跑就是了。 03/25 21:10