Отбор проб Jackknife
jackstat = jackknife(jackfun,X)
jackstat = jackknife(jackfun,X,Y,...)
jackstat = jackknife(jackfun,...,'Options',option)
jackstat = jackknife(jackfun,X)
черпает выборки данных джекнайфа из n
-by- p
X
массива данных, вычисляет статистику по каждой выборке с помощью функции
jackfun
, и возвращает результаты в матрице jackstat
. jackknife
рассматривает каждую строку X
как одна выборка данных, поэтому существуют n
выборки данных. Каждый из n
строки jackstat
содержит результаты применения jackfun
к одной выборке джаккнайфа. jackfun
- указатель на функцию, заданный как @
. Строка i
от jackstat
содержит результаты для выборки, состоящей из X
с i
вторая строка опущена:
s = x; s(i,:) = []; jackstat(i,:) = jackfun(s);
jackfun
возвращает матрицу или массив, затем этот выход преобразуется в вектор-строку для хранения в jackstat
. Если X
является вектор-строка, преобразуется в вектор-столбец.jackstat = jackknife(jackfun,X,Y,...)
принимает дополнительные аргументы, которые будут предоставлены в качестве входов для jackfun
. Они могут быть скалярами, векторами-столбцами или матрицами. jackknife
создает каждую выборку джекнайфа путем выборки с заменой из строк аргументов некалярных данных (они должны иметь одинаковое число строк). Скалярные данные передаются в jackfun
без изменений. Некалярные аргументы должны иметь одинаковое число строк, и каждая выборка jackknife опускает одну и ту же строку из этих аргументов.
jackstat = jackknife(jackfun,...,'Options',option)
предоставляет опцию для параллельного выполнения итераций jacknife, если доступен Parallel Computing Toolbox™. Задайте 'Options'
как структура, которую вы создаете с statset
. jackknife
использует в структуре следующее поле:
'UseParallel' | Если |
Оцените смещение оценки отклонения MLE случайных выборок, взятых из вектора y
использование jackknife
. Смещение имеет известную формулу в этой задаче, поэтому можно сравнить jackknife
значение 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
bootstrp
| histogram
| ksdensity
| random
| randsample