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