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 iвторая 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