Variação da média da amostra da amostra de bootstrap

9

Deixe- são observações distintas (sem vínculos). Deixe- denota uma amostra de bootstrap (uma amostra do CDF empírico) e deixa $X_{1},...,X_{n}$ $X_{1}^{*},...,X_{n}^{*}$ . Encontree. $\bar{X}_{n}^{*}=\frac{1}{n}\sum_{i=1}^{n}X_{i}^{*}$ $E(\bar{X}_{n}^{*})$ $\mathrm{Var}(\bar{X}_{n}^{*})$

O que eu tenho até agora é que é cada um com probabilidade $X_{i}^{*}$ $X_{1},...,X_{n}$ então $\frac{1}{n}$ e

E (X_{i}^{*}) = \frac{1}{n} E (X_{1}) + . . . + \frac{1}{n} E (X_{n}) = \frac{n μ}{n} = μ

$E(X_{i}^{*})=\frac{1}{n}E(X_{1})+...+\frac{1}{n}E(X_{n})=\frac{n\mu}{n}=\mu$

que dá

E (X_{i}^{* 2}) = \frac{1}{n} E (X_{1}^{2}) + . . . + \frac{1}{n} E (X_{n}^{2}) = \frac{n (μ^{2} + σ^{2})}{n} = μ^{2} + σ^{2},

$E(X_{i}^{*2})=\frac{1}{n}E(X_{1}^{2})+...+\frac{1}{n}E(X_{n}^{2})=\frac{n(\mu^{2}+\sigma^{2})}{n}=\mu^{2}+\sigma^{2}\>,$

V a r (X_{i}^{*}) = E (X_{i}^{* 2}) - (E (X_{i}^{*}))^{2} = μ^{2} + σ^{2} - μ^{2} = σ^{2} .

$\mathrm{Var}(X_{i}^{*})=E(X_{i}^{*2})-(E(X_{i}^{*}))^{2}=\mu^{2}+\sigma^{2}-\mu^{2}=\sigma^{2} \>.$

Então, e

E ({\bar{X}}_{n}^{*}) = E (\frac{1}{n} \sum_{i = 1}^{n} X_{i}^{*}) = \frac{1}{n} \sum_{i = 1}^{n} E (X_{i}^{*}) = \frac{n μ}{n} = μ

$E(\bar{X}_{n}^{*})=E(\frac{1}{n}\sum_{i=1}^{n}X_{i}^{*})=\frac{1}{n}\sum_{i=1}^{n}E(X_{i}^{*})=\frac{n\mu}{n}=\mu$

uma vez que os

são independentes. Isso fornece

V a r ({\bar{X}}_{n}^{*}) = V a r (\frac{1}{n} \sum_{i = 1}^{n} X_{i}^{*}) = \frac{1}{n^{2}} \sum_{i = 1}^{n} V a r (X_{i}^{*})

$\mathrm{Var}(\bar{X}_{n}^{*})=\mathrm{Var}(\frac{1}{n}\sum_{i=1}^{n}X_{i}^{*})=\frac{1}{n^{2}}\sum_{i=1}^{n}\mathrm{Var}(X_{i}^{*})$

X_{i}^{*}

$X_{i}^{*}$

V a r ({\bar{X}}_{n}^{*}) = \frac{n σ^{2}}{n^{2}} = \frac{σ^{2}}{n}

$\mathrm{Var}(\bar{X}_{n}^{*})=\frac{n\sigma^{2}}{n^{2}}=\frac{\sigma^{2}}{n}$

$X_{1},\ldots,X_{n}$

V a r ({\bar{X}}_{n}^{*}) = E (V a r ({\bar{X}}_{n}^{*} | X_{1}, . . ., X_{n})) + V a r (E ({\bar{X}}_{n}^{*} | X_{1}, \dots, X_{n})) .

$\mathrm{Var}(\bar{X}_{n}^{*})=E(\mathrm{Var}(\bar{X}_{n}^{*}|X_{1},...,X_{n}))+\mathrm{Var}(E(\bar{X}_{n}^{*}|X_{1},\ldots,X_{n})) \>.$

$E(\bar{X}_{n}^{*}|X_{1},\ldots,X_{n})=\bar{X}_{n}$ $\mathrm{Var}(\bar{X}_{n}^{*}|X_{1},\ldots,X_{n})=\frac{1}{n^{2}}(\sum X_{i}^{2}-n\bar{X}_{n}^{2})$ $\mathrm{Var}(\bar{X}_{n}^{*})=\frac{(2n-1)\sigma^{2}}{n^{2}}$

Estou fazendo algo errado aqui? Meu sentimento é que não estou usando a fórmula de variação condicional corretamente, mas não tenho certeza. Qualquer ajuda seria apreciada.

self-study variance bootstrap cdf conditional-expectation rrruss
fonte

Talvez o seu V (E (X | X1..Xn)) não esteja calculado corretamente. A resposta deve ser a mesma.

Você provavelmente está certo - mas esta resposta não parece muito informativa. Talvez você possa apontar para qual parte não está correta?

whuber

5

$\frac{n-1}{n^2}S^2$

Greg
fonte

4

Essa pode ser uma resposta tardia, mas o que está errado no seu cálculo é o seguinte: você assumiu que incondicionalmente sua amostra de inicialização é iid. Isso é falso: condicional em sua amostra, a amostra de autoinicialização é realmente iid, mas incondicionalmente você perde a independência (mas ainda tem variáveis aleatórias distribuídas de forma idêntica). Este é essencialmente o Exercício 13 em Larry Wasserman Todas as estatísticas não paramétricas .

M Turgeon
fonte

Variação da média da amostra da amostra de bootstrap

Respostas: