Công Cụ Tính Khoảng Tin Cậy Bootstrap
Dán dữ liệu, chọn một thống kê — trung bình, trung vị, độ lệch chuẩn hoặc hệ số tương quan — và nhận khoảng tin cậy bootstrap phân vị và BCa, sai số chuẩn bootstrap cùng độ chệch, và biểu đồ tần suất của thống kê được lấy mẫu lại. Hạt giống ngẫu nhiên được ghi lại nên mọi kết quả đều lặp lại đúng từng chữ số, và phương pháp theo Efron và Tibshirani cùng boot.ci của R. Miễn phí, không cần đăng ký; dữ liệu của bạn chỉ ở lại trong trình duyệt.
0 giá trị được phát hiện
Cùng dữ liệu, cài đặt và hạt giống luôn cho ra cùng khoảng tin cậy.
Nhập dữ liệu, rồi nhấn “Chạy bootstrap”.
Cách Sử Dụng Công Cụ Tính Khoảng Tin Cậy Bootstrap
- 1. Chọn thống kê và dán dữ liệu. Với trung bình, trung vị hoặc độ lệch chuẩn, nhập một danh sách số. Với hệ số tương quan, nhập các cặp giá trị x và y. Hỗ trợ mẫu tối đa 2.000 giá trị.
- 2. Đặt mức tin cậy và số lần lấy mẫu lại. 95% và 5.000 lần lấy mẫu lại là mặc định hợp lý; hãy dùng 10.000 lần trở lên khi bạn muốn hai đầu khoảng ổn định đến chữ số thập phân thứ hai.
- 3. Ghi lại hạt giống. Hạt giống khởi động bộ sinh số ngẫu nhiên. Cùng dữ liệu, cài đặt và hạt giống luôn cho ra khoảng tin cậy giống hệt nhau, vì vậy hãy ghi hạt giống vào phần phương pháp của bạn. Nhấn “Hạt giống ngẫu nhiên mới” để có một bộ lấy mẫu lại khác.
- 4. Nhấn “Chạy bootstrap”. Đọc khoảng phân vị và khoảng BCa, sai số chuẩn bootstrap và độ chệch, rồi kiểm tra biểu đồ tần suất của các thống kê được lấy mẫu lại.
Bootstrap Hoạt Động Ra Sao
Bootstrap coi mẫu của bạn như một đại diện cho tổng thể. Nó rút một mẫu mới cùng kích thước từ dữ liệu của bạn có hoàn lại, tính thống kê, và lặp lại hàng nghìn lần. Độ phân tán của các thống kê được lấy mẫu lại cho thấy thống kê sẽ dao động bao nhiêu từ mẫu này sang mẫu khác. Phương pháp này không cần công thức sai số chuẩn, nên hoạt động với trung vị, hệ số tương quan và các thống kê khác mà công thức trong sách giáo khoa khó áp dụng hoặc không có. Nó không phải phép màu: không thể sửa một mẫu bị chệch hoặc quá nhỏ, và nó thất bại với các thống kê phụ thuộc vào giá trị cực biên, chẳng hạn giá trị lớn nhất.
Khoảng Phân Vị, BCa, Cơ Bản và Chuẩn
| Khoảng | Cách xây dựng | Ưu điểm | Nhược điểm |
|---|---|---|---|
| Phân vị | 95% ở giữa của các thống kê được lấy mẫu lại (phân vị thứ 2,5 và 97,5) | Đơn giản; luôn nằm trong phạm vi có thể; bảo toàn qua phép biến đổi | Bị chệch khi thống kê bị chệch hoặc lệch |
| BCa | Phân vị, nhưng với các phân vị đã hiệu chỉnh để sửa độ chệch (z₀) và độ lệch (gia tốc a) | Chính xác bậc hai; là mặc định được khuyến nghị (Efron & Tibshirani, 1993) | Cần mẫu đủ lớn và đủ số lần lấy mẫu lại |
| Cơ bản | 2 × ước lượng − các phân vị đối diện | Phản ánh cách phân bố bootstrap bỏ lỡ ước lượng | Có thể nằm ngoài phạm vi có thể, ví dụ hệ số tương quan vượt quá 1 |
| Chuẩn | Ước lượng − độ chệch ± z × sai số chuẩn bootstrap | Dễ đọc | Giả định phân bố bootstrap có dạng hình chuông |
BCa dùng hai số. Hiệu chỉnh độ chệch z₀ = Φ⁻¹(tỷ lệ các lần lấy mẫu lại nhỏ hơn ước lượng) bằng 0 khi các thống kê được lấy mẫu lại tập trung quanh ước lượng. Gia tốc a đo tốc độ thay đổi của sai số chuẩn theo tham số; nó được ước lượng từ jackknife — thống kê được tính lại với từng giá trị bị loại bỏ lần lượt. Các phân vị thực sự được đọc là Φ(z₀ + (z₀ + z) ÷ (1 − a(z₀ + z))) thay vì 2,5% và 97,5%, nội suy giữa các thống kê thứ tự trên thang chuẩn, đúng như gói boot của R.
Ví Dụ Minh Họa
Nhấn “Thử một ví dụ” để nạp 12 giá trị: 2,1; 2,4; 2,6; 2,7; 2,9; 3; 3,2; 3,5; 3,9; 4,6; 5,8 và 8,2 — một mẫu lệch phải — với trung bình làm thống kê, mức tin cậy 95%, 5.000 lần lấy mẫu lại và hạt giống 12345. Trung bình là 3,7417. Sai số chuẩn bootstrap là 0,4812 và độ chệch là −0,0054.
- Khoảng phân vị: 2,9333 đến 4,7998.
- Khoảng BCa: 3,05 đến 5,125, với z₀ = 0,0818 và a = 0,0755. Độ lệch trong dữ liệu đẩy khoảng BCa lên trên và kéo dài đầu trên của nó so với khoảng phân vị.
- Để so sánh, khoảng t cổ điển là 2,635 đến 4,848, đối xứng quanh trung bình và bỏ qua độ lệch.
Vì bộ sinh số được gieo hạt giống, các số này lặp lại ở mỗi lần chạy. boot.ci của R với 200.000 lần lấy mẫu lại cho khoảng phân vị từ 2,917 đến 4,792 và khoảng BCa từ 3,033 đến 5,1 với cùng dữ liệu — cùng phương pháp, nhưng khác các lần rút ngẫu nhiên, nên chúng khớp trong phạm vi sai số Monte Carlo. Với trung vị làm thống kê, cùng cài đặt cho trung vị là 3,1, khoảng phân vị từ 2,65 đến 4,25 và khoảng BCa từ 2,6 đến 4,05; trong trường hợp này gia tốc jackknife bằng 0, vì bỏ một giá trị khỏi mẫu chẵn chỉ có thể đưa trung vị về một trong hai giá trị. Với ví dụ tương quan, ước lượng là r = 0,9063, khoảng phân vị từ 0,7371 đến 0,9706, và khoảng BCa từ 0,6703 đến 0,9632; đầu trên của khoảng cơ bản vượt quá 1, đó là lý do nên ưu tiên khoảng phân vị hoặc BCa.
Chọn Số Lần Lấy Mẫu Lại
Efron và Tibshirani gợi ý 50–200 lần lấy mẫu lại cho sai số chuẩn, nhưng ít nhất 1.000 lần cho khoảng tin cậy, vì hai đầu khoảng đến từ phần đuôi của phân bố được lấy mẫu lại, nơi có ít giá trị. Sai số Monte Carlo của một đầu giảm theo căn bậc hai của số lần lấy mẫu lại, nên 20.000 lần giảm nó còn khoảng một nửa so với 5.000 lần. Sai số do lấy mẫu lại tách biệt với sai số do mẫu nhỏ, và nhiều lần lấy mẫu lại hơn không thể khắc phục sai số đó.
Câu Hỏi Thường Gặp
- Khoảng tin cậy bootstrap là gì?
- Đó là khoảng cho một thống kê, được xây dựng bằng cách lấy mẫu lại chính dữ liệu của bạn có hoàn lại, tính lại thống kê mỗi lần, rồi đọc khoảng từ phân bố các kết quả. Với khoảng phân vị 95%, bạn lấy phân vị thứ 2,5 và 97,5 của các thống kê được lấy mẫu lại.
- Nên dùng khoảng phân vị hay khoảng BCa?
- BCa là mặc định tốt hơn vì nó hiệu chỉnh độ chệch và độ lệch trong phân bố được lấy mẫu lại, và chính xác hơn cả về lý thuyết lẫn thực hành. Hãy dùng khoảng phân vị khi bạn muốn cách giải thích đơn giản nhất, khi mẫu rất nhỏ, hoặc khi không thể tính BCa vì mọi lần lấy mẫu lại đều nằm về một phía của ước lượng.
- Tôi cần bao nhiêu lần lấy mẫu lại?
- Ít nhất 1.000 cho khoảng tin cậy, và 5.000 đến 10.000 cho khoảng BCa ổn định. Nhiều lần hơn làm giảm sự dao động ngẫu nhiên ở hai đầu khoảng, nhưng không làm mẫu nhỏ thêm thông tin.
- Hạt giống ngẫu nhiên dùng để làm gì?
- Bootstrap dùng số ngẫu nhiên, nên hai lần chạy thường cho khoảng hơi khác nhau. Hạt giống cố định dãy số, khiến việc chạy lặp lại chính xác. Hãy báo cáo hạt giống, số lần lấy mẫu lại và phương pháp để người khác có thể tái lập khoảng của bạn.
- Kết quả có khớp chính xác với R, SPSS hay Stata không?
- Phương pháp thì khớp: khoảng phân vị và BCa theo boot.ci của R, và cùng các lần lấy mẫu lại cho ra khoảng giống hệt. Tuy nhiên mỗi chương trình dùng bộ sinh số ngẫu nhiên riêng, nên khoảng chỉ khớp trong phạm vi sai số Monte Carlo, không đến chữ số cuối cùng. Với vài nghìn lần lấy mẫu lại, chênh lệch thường nằm ở chữ số thập phân thứ hai.
- Khi nào không nên dùng bootstrap?
- Với mẫu rất nhỏ (dưới khoảng 10–15 giá trị), khi mẫu có thể không đại diện cho tổng thể; với các thống kê phụ thuộc vào giá trị cực biên, như nhỏ nhất hoặc lớn nhất; với dữ liệu phụ thuộc như chuỗi thời gian, trừ khi dùng block bootstrap; và khi mẫu bị chệch, vì lấy mẫu lại sẽ tái tạo độ chệch đó.