Выборка складного ножа
jackstat = jackknife(jackfun,X)
jackstat = jackknife(jackfun,X,Y,...)
jackstat = jackknife(jackfun,...,'Options',option)
jackstat = jackknife(jackfun,X) чертит выборки данных о складном ноже от n-by-p массив данных X, вычисляет статистику по каждой выборке с помощью функционального jackfun и возвращает результаты в матричном jackstat. jackknife расценивает каждую строку X как одна выборка данных, таким образом, существуют выборки данных n. Каждая из строк n jackstat содержит результаты применения jackfun к одной выборке складного ножа. jackfun является указателем на функцию, заданным с @. Строка i jackstat содержит результаты для выборки, состоящей из X с i th не использованная строка:
s = x; s(i,:) = []; jackstat(i,:) = jackfun(s);
jackfun возвращает матрицу или массив, то этот вывод преобразован в вектор - строку для устройства хранения данных в jackstat. Если X является вектором - строкой, он преобразован в вектор-столбец.jackstat = jackknife(jackfun,X,Y,...) принимает, что дополнительные аргументы предоставляются как входные параметры jackfun. Они могут быть скалярами, вектор-столбцами или матрицами. jackknife создает каждую выборку складного ножа путем выборки с заменой из строк нескалярных аргументов данных (они должны иметь одинаковое число строк). Скалярные данные передаются неизменному jackfun. Нескалярные аргументы должны иметь одинаковое число строк, и каждая выборка складного ножа не использует ту же строку от этих аргументов.
jackstat = jackknife(jackfun,...,'Options',option) предоставляет возможность выполнять итерации складного ножа параллельно, если Parallel Computing Toolbox™ доступен. Установите 'Options' как структуру, которую вы создаете с statset. jackknife использует следующее поле в структуре:
'UseParallel' | Если |
Оцените смещение средства оценки отклонения MLE случайных выборок, взятых из векторного y с помощью jackknife. Смещение имеет известную формулу в этой проблеме, таким образом, можно сравнить значение jackknife с этой формулой.
sigma = 5; y = normrnd(0,sigma,100,1); m = jackknife(@var,y,1); n = length(y); bias = -sigma^2/n % known bias formula jbias = (n-1)*(mean(m)-var(y,1)) % jackknife bias estimate bias = -0.2500 jbias = -0.3378
bootstrp | histogram | ksdensity | random | randsample