Отбор проб Jackknife
jackstat = jackknife(jackfun,X)
jackstat = jackknife(jackfun,X,Y,...)
jackstat = jackknife(jackfun,...,'Options',option)
jackstat = jackknife(jackfun,X) рисует образцы данных jackknife из nоколо-p массив данных X, вычисляет статистику по каждому образцу с помощью функции jackfunи возвращает результаты в матрице jackstat. jackknife относится к каждой строке X как один образец данных, поэтому есть n выборки данных. Каждый из n строки jackstat содержит результаты применения jackfun к одному образцу джекнифа. jackfun - дескриптор функции, указанный в @. Ряд i из jackstat содержит результаты для образца, состоящего из X с iПропущена третья строка:
s = x; s(i,:) = []; jackstat(i,:) = jackfun(s);
jackfun возвращает матрицу или массив, затем этот вывод преобразуется в вектор строки для хранения в jackstat. Если X - вектор строки, преобразуется в вектор столбца.jackstat = jackknife(jackfun,X,Y,...) принимает дополнительные аргументы, которые будут предоставлены в качестве входных данных для jackfun. Они могут быть скалярами, векторами столбцов или матрицами. jackknife создает каждую выборку jackknife путем выборки с заменой из строк аргументов несалярных данных (они должны иметь одинаковое количество строк). Скалярные данные передаются в jackfun без изменений. Нескалярные аргументы должны иметь одинаковое количество строк, и каждый образец jackknife пропускает одну и ту же строку из этих аргументов.
jackstat = jackknife(jackfun,...,'Options',option) предоставляет возможность параллельного выполнения итераций jackknife, если доступен Toolbox™ Параллельные вычисления (Parallel Computing). Набор 'Options' как структура, создаваемая с помощью statset. jackknife использует следующее поле в структуре:
'UseParallel' | Если |
Оценить смещение оценщика дисперсии MLE случайных выборок, взятых из вектора y использование jackknife. Смещение имеет известную формулу в этой проблеме, так что вы можете сравнить jackknife значение для этой формулы.
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