Загрузите выборку
bootstat = bootstrp(nboot,bootfun,d1,...)
[bootstat,bootsam] = bootstrp(...)
bootstat = bootstrp(...,'Name',Value)
bootstat = bootstrp(nboot,bootfun,d1,...) чертит выборки данных о начальной загрузке nboot, вычисляет статистику по каждой выборке с помощью bootfun и возвращает результаты в матричном bootstat. nboot должен быть положительным целым числом. bootfun является указателем на функцию, заданным с @. Каждая строка bootstat содержит результаты применения bootfun к одной выборке начальной загрузки. Если bootfun возвращает матрицу или массив, то этот вывод преобразован в вектор - строку для устройства хранения данных в bootstat.
Третьи и более поздние входные параметры (d1,...) являются данными (скаляры, вектор-столбцы или матрицы) раньше создавал входные параметры к bootfun. bootstrp создает каждую выборку начальной загрузки путем выборки с заменой из строк нескалярных аргументов данных (они должны иметь одинаковое число строк). bootfun принимает скалярные неизменные данные.
[bootstat,bootsam] = bootstrp(...) возвращает n-by-nboot матрица индексов начальной загрузки, bootsam. Каждый столбец в bootsam содержит индексы значений, которые чертились от исходных наборов данных, чтобы составить соответствующую выборку начальной загрузки. Например, если d1,..., каждый содержит 16 значений и nboot = 4, то bootsam 16 4 матрица. Первый столбец содержит индексы этих 16 значений, чертивших от d1,... для первой из четырех выборок начальной загрузки, второй столбец содержит индексы для второй из четырех выборок начальной загрузки и так далее. (Индексы начальной загрузки являются тем же самым для всех наборов входных данных.), Чтобы получить выходные выборки bootsam, не применяя функцию, установите bootfun на пустой ([]).
bootstat = bootstrp(..., использует дополнительные аргументы, заданные одним или несколькими аргументами пары 'Name',Value)Name,Value. Пары "имя-значение" должны появиться после аргументов данных. Доступные пары "имя-значение":
'Weights' — Веса наблюдения. Значение weights должно быть вектором неотрицательных чисел по крайней мере с одним положительным элементом. Число элементов в weights должно быть равно количеству строк в нескалярных входных параметрах к bootstrp. Чтобы получить одну начальную загрузку реплицируют, выборки bootstrp N из N с заменой с помощью этих весов в качестве вероятностей выборки многочлена.
Опции Значение является структурой, которая содержит опции, задающие, вычислить ли итерации начальной загрузки параллельно, и задающий, как использовать случайные числа во время выборки начальной загрузки. Создайте структуру опций с statset. Применимые параметры statset:
'UseParallel' Если true, Parallel Computing Toolbox™ установлен, вычисляют итерации начальной загрузки параллельно. Если Parallel Computing Toolbox не установлен, вычисление происходит в последовательном режиме. Значением по умолчанию является false, означая последовательное вычисление.
UseSubstreams — Установите на true, чтобы вычислить параллельно восстанавливаемым способом. Значением по умолчанию является false. Чтобы вычислить восстанавливаемо, установите Streams на тип, позволяющий подпотоки: 'mlfg6331_64' или 'mrg32k3a'.
Объектный массив Streams — A RandStream или массив ячеек таких объектов. Если вы не задаете Streams, bootstrp использует поток по умолчанию или потоки. Если вы принимаете решение задать Streams, используйте отдельный объект кроме случая
UseParallel является true
UseSubstreams является false
В этом случае используйте массив ячеек тот же размер в качестве Параллельного пула.
Этот пример показывает, как вычислить стандартную погрешность коэффициента корреляции с помощью передискретизации начальной загрузки выборочных данных.
Загрузите набор данных, содержащий очки LSAT и GPA юридической школы для 15 студентов. Эти 15 точек данных передискретизируются, чтобы создать 1 000 различных наборов данных, и корреляция между этими двумя переменными вычисляется для каждого набора данных.
load lawdata rng default % For reproducibility [bootstat,bootsam] = bootstrp(1000,@corr,lsat,gpa);
Отобразите первые 5 загруженных коэффициентов корреляции.
bootstat(1:5,:)
ans = 5×1
0.9874
0.4918
0.5459
0.8458
0.8959
Отобразите индексы данных, выбранных для первых 5 выборок начальной загрузки.
bootsam(:,1:5)
ans = 15×5
13 3 11 8 12
14 7 1 7 4
2 14 5 10 8
14 12 1 11 11
10 15 2 12 14
2 10 13 5 15
5 1 11 11 9
9 13 5 10 3
15 15 15 3 3
15 11 1 2 4
⋮
figure histogram(bootstat)
Гистограмма показывает изменение коэффициента корреляции через все выборки начальной загрузки. Демонстрационный минимум положителен, указывая, что отношение между счетом LSAT и GPA не случайно.
Наконец, вычислите стандарт начальной загрузки ошибки для предполагаемого коэффициента корреляции.
se = std(bootstat)
se = 0.1285
Этот пример показывает, как оценить плотность ядра загруженных средних значений.
Вычислите выборку 100 загруженных средних значений случайных выборок, взятых из вектора Y.
rng default; % For reproducibility y = exprnd(5,100,1); m = bootstrp(100,@mean,y);
Постройте оценку плотности этих загруженных средних значений.
figure; [fi,xi] = ksdensity(m); plot(xi,fi);
Этот пример показывает, как вычислить и построить средние значения и стандартные отклонения загруженных 100 выборок от вектора данных.
Вычислите выборку 100 загруженных средних значений и стандартные отклонения случайных выборок, взятых из векторного y.
rng('default') % For reproducibility y = exprnd(5,100,1); stats = bootstrp(100,@(x)[mean(x) std(x)],y);
Постройте оценочные пары начальной загрузки.
plot(stats(:,1),stats(:,2),'o')
Этот пример показывает, как оценить стандартные погрешности для вектора коэффициентов в линейной регрессии путем начальной загрузки невязок.
Загрузите выборочные данные.
load haldВыполните линейную регрессию и вычислите невязки.
x = [ones(size(heat)),ingredients]; y = heat; b = regress(y,x); yfit = x*b; resid = y - yfit;
Оцените стандартные погрешности путем начальной загрузки невязок.
se = std(bootstrp(...
1000,@(bootr)regress(yfit+bootr,x),resid))se = 1×5
56.1752 0.5940 0.5815 0.5989 0.5691
RandStream | bootci | histogram | ksdensity | parfor | random | randsample | statget | statset