Bootstrap für eine Stichprobe (Bootstrap 1-Sample)

Bootstrap 1-Sample schätzt die Stichprobenverteilung einer Kenngröße aus Tausenden gleich großer Stichproben, die mit Zurücklegen gezogen werden. Einsatz bei nicht normalverteilten Daten, kleinen Stichproben oder Kenngrößen ohne einfache Formel. Wählen Sie Mittelwert, Median, Summe, Varianz oder Standardabweichung, mindestens 1,000 Resamples (ideal 5,000 bis 10,000) und die Intervallmethode BCa, Perzentil oder Basic. Ausgabe sind die Kenngröße und ihr Konfidenzintervall.

Zuletzt geprüft

Kernaussage

Bootstrap 1-Sample erstellt ein Konfidenzintervall für eine Kenngröße wie Mittelwert, Median oder Standardabweichung, indem die Originaldaten wiederholt mit Zurücklegen neu gezogen werden, ohne Verteilungsannahme.

Auf dieser Seite
  1. Was ist Bootstrap 1-Sample?
  2. Wann wird Bootstrap 1-Sample eingesetzt?
  3. Hinweise zur richtigen Anwendung von Bootstrap 1-Sample
  4. Alternativen: Wann Bootstrap 1-Sample nicht geeignet ist
  5. Beispiel für Bootstrap 1-Sample
  6. Anleitung: Bootstrap 1-Sample durchführen

Was ist Bootstrap 1-Sample?

Bootstrap 1-Sample ist ein Resampling-Verfahren, das die Stichprobenverteilung einer Kenngröße – etwa Mittelwert, Median oder Standardabweichung – schätzt, indem wiederholt Zufallsstichproben mit Zurücklegen aus dem Originaldatensatz gezogen werden. Jeder neu gezogene Datensatz hat denselben Umfang wie das Original, und die interessierende Kenngröße wird für jedes Resample neu berechnet. So entsteht über Tausende von Iterationen eine Verteilung dieser Kenngröße.

Die große Stärke des Bootstrap-Verfahrens besteht darin, dass es keine Annahmen über die zugrunde liegende Verteilung der Daten trifft. Damit ist es eine leistungsfähige Alternative, wenn keine Normalverteilung angenommen werden kann und parametrische Tests nicht geeignet sind.

Einfache Definition: Ein Verfahren, das abschätzt, wie zuverlässig Ihre berechnete Kenngröße (etwa ein Mittelwert) ist, indem Ihre eigenen Daten tausendfach neu gezogen werden – ohne Annahmen über die Verteilung der Daten.

Wann wird Bootstrap 1-Sample eingesetzt?

  • Wenn die Daten die Normalverteilungsannahme nicht erfüllen und parametrische Konfidenzintervalle möglicherweise nicht gültig sind.
  • Wenn die Stichprobenumfänge klein sind und herkömmliche, auf Normalapproximationen beruhende Verfahren unzuverlässig sind.
  • Zur Schätzung von Konfidenzintervallen für Kenngrößen ohne einfache analytische Formel – etwa den Median, den getrimmten Mittelwert oder das Verhältnis zweier Größen.
  • Um Ergebnisse parametrischer Tests zu validieren , indem Bootstrap-Konfidenzintervalle mit herkömmlich berechneten Intervallen verglichen werden.

Hinweise zur richtigen Anwendung von Bootstrap 1-Sample

  • Verwenden Sie eine ausreichend große Anzahl von Bootstrap-Resamples – mindestens 1,000, idealerweise 5,000 bis 10,000 Iterationen –, damit die Bootstrap-Verteilung stabil und zuverlässig ist.
  • Das Bootstrap-Verfahren funktioniert am besten, wenn die ursprüngliche Stichprobe die Grundgesamtheit repräsentiert – eine verzerrte oder nicht repräsentative Stichprobe liefert verzerrte Bootstrap-Schätzungen.
  • Verwenden Sie das Bootstrap-Verfahren nicht als Ersatz dafür, ausreichend Daten zu erheben – es kann eine schlecht geplante Studie oder einen unzureichenden Stichprobenumfang nicht ausgleichen.
  • Die Ergebnisse können zwischen einzelnen Durchläufen aufgrund des zufälligen Resamplings leicht abweichen – das Festlegen eines Zufallsstartwerts (Seed) sorgt für reproduzierbare Ergebnisse in Berichten.

Alternativen: Wann Bootstrap 1-Sample nicht geeignet ist

  • Wenn die Daten normalverteilt sind und der Stichprobenumfang ausreicht, verwenden Sie stattdessen parametrische Standardverfahren wie den t-Test für eine Stichprobe – diese sind effizienter.
  • Wenn Sie zwei Gruppen vergleichenmüssen, verwenden Sie den t-Test für zwei Stichproben oder den Mann-Whitney-Test
  • Wenn es vorrangig um die Verteilungsanpassung statt um die Intervallschätzunggeht, verwenden Sie die Verteilungsidentifikation für Einzelwerte

Beispiel für Bootstrap 1-Sample

Ein Chemiker eines Pharmaunternehmens möchte die Reaktionszeit eines neu entwickelten Antazidums bestimmen. Der Test erfolgt in folgenden Schritten:

  1. Die erforderlichen Daten wurden erhoben.
Bootstrap 1-Sample — figure 1
  1.  Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
  2.  Bootstrap 1-Sample finden Sie unter Statistical module> Hypothesis Test> Bootstrap 1-Sample.
  3.  Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:
Bootstrap 1-Sample — figure 2

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:

Bootstrap 1-Sample — figure 3Bootstrap 1-Sample — figure 4Bootstrap 1-Sample — figure 5

Anleitung: Bootstrap 1-Sample durchführen

Die Anleitung lautet wie folgt:

  1. Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
  2. Wählen Sie auf der Startseite Statistical Tool> Hypothesis Test >Bootstrap 1-Sample .
  3. Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
  4. Füllen Sie die erforderlichen Optionen aus.
  5. Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.

Das Dashboard von Bootstrap 1-Sample ist in zwei Bereiche unterteilt.

Bootstrap 1-Sample — figure 6

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.

Load example: Es werden Beispieldaten geladen.

Load File: Damit werden Excel-Daten direkt geladen.

Im rechten Bereich stehen folgende Optionen zur Verfügung:

  • Sample: Wählen Sie die Spalte mit den Rohdaten aus, die Sie analysieren möchten. Dies ist der Originaldatensatz, aus dem die Bootstrap-Resamples wiederholt mit Zurücklegen gezogen werden. Qualität und Repräsentativität dieser Spalte bestimmen unmittelbar die Zuverlässigkeit der Bootstrap-Schätzungen – eine verzerrte oder nicht repräsentative Stichprobe liefert verzerrte Bootstrap-Ergebnisse. Dieses Feld ist ein Pflichtfeld.
  • Statistic: Wählen Sie die statistische Kenngröße, die Sie schätzen und mit einem Konfidenzintervall versehen möchten. Fünf Optionen stehen zur Verfügung:
  • Mean – schätzt den Mittelwert der Grundgesamtheit und bildet ein Konfidenzintervall darum. Die am häufigsten verwendete Option für allgemeine Prozessanalysen.
  • Median – schätzt den mittleren Wert der Grundgesamtheit. Besser geeignet als der Mittelwert, wenn die Daten schief verteilt sind oder Ausreißer enthalten, da der Median weniger empfindlich auf Extremwerte reagiert.
  • Sum – schätzt die Gesamtsumme aller Werte der Grundgesamtheit. Nützlich, wenn die kumulierte Summe die praktisch relevante Größe ist.
  • Variance – schätzt die Streuung der Grundgesamtheit, ausgedrückt als quadrierte Standardabweichung. Nützlich, wenn das Verständnis der Gesamtvariabilität im Vordergrund steht.
  • Standard Deviation – schätzt die typische Streuung der Einzelwerte um den Mittelwert. Leichter interpretierbar als die Varianz, da sie in den ursprünglichen Maßeinheiten angegeben wird.
  • Number of Resamples: Geben Sie an, wie oft das Werkzeug Ihre Daten zufällig mit Zurücklegen neu ziehen soll, um die Bootstrap-Verteilung aufzubauen. Dieses Feld ist ein Pflichtfeld. Für einfache Analysen werden mindestens 1,000 Resamples empfohlen, für genauere und stabilere Schätzungen des Konfidenzintervalls sind 5,000 bis 10,000 vorzuziehen. Mehr Resamples liefern glattere, zuverlässigere Ergebnisse, benötigen aber etwas mehr Rechenzeit.
  • Confidence Level: Legt das Konfidenzniveau für das Bootstrap-Konfidenzintervall fest. Der übliche Standardwert ist 95%, das heißt, Sie können zu 95 % sicher sein, dass die wahre Kenngröße der Grundgesamtheit im berechneten Intervall liegt. Eine Erhöhung auf 99 % ergibt ein breiteres Intervall mit größerer Sicherheit; eine Verringerung auf 90 % ergibt ein schmaleres Intervall mit geringerer Sicherheit.
  • Type of Interval: Legt Form und Richtung des Konfidenzintervalls fest. Drei Optionen stehen zur Verfügung:
  • Two-Sided – liefert eine untere und eine obere Grenze und bildet damit ein vollständiges Intervall um die Kenngröße. Verwenden Sie diese Option, wenn Sie wissen möchten, wie weit der wahre Wert in beide Richtungen abweichen könnte – dies ist der Standard für die meisten Analysen.
  • Lower Bound – liefert nur eine untere Grenze und prüft, ob die wahre Kenngröße über einem bestimmten Wert liegt. Verwenden Sie diese Option, wenn nur ein Mindestwert zählt – zum Beispiel, um zu bestätigen, dass ein Prozessmittelwert mindestens einen vorgegebenen Wert erreicht.
  • Upper Bound – liefert nur eine obere Grenze und prüft, ob die wahre Kenngröße unter einem bestimmten Wert liegt. Verwenden Sie diese Option, wenn nur ein Höchstwert zählt – zum Beispiel, um zu bestätigen, dass die Streuung ein akzeptables Maß nicht überschreitet.
  • Method: Legt das mathematische Verfahren fest, mit dem das Bootstrap-Konfidenzintervall aus der Resampling-Verteilung berechnet wird. Drei Optionen stehen zur Verfügung:
  • Bias-Corrected-Accelerated (BCa) – das genaueste und für die meisten Situationen empfohlene Verfahren. Es korrigiert automatisch sowohl den Bias (systematischen Fehler der Bootstrap-Schätzung) als auch die Schiefe der Bootstrap-Verteilung und liefert so das zuverlässigste Konfidenzintervall, insbesondere wenn die Verteilung der Kenngröße nicht symmetrisch ist.
  • Percentile – verwendet direkt die Perzentile der Bootstrap-Verteilung als Intervallgrenzen. Einfach und anschaulich, korrigiert aber weder Bias noch Schiefe – geeignet, wenn die Bootstrap-Verteilung annähernd symmetrisch und unverzerrt ist.
  • Basic – auch als reflektierte Perzentilmethode bezeichnet; sie spiegelt die Perzentilgrenzen, um den Bias auf einfache Weise zu korrigieren. Zuverlässiger als die einfache Perzentilmethode, wenn die Bootstrap-Verteilung eine leichte Asymmetrie aufweist.
  • Download as Excel: Exportiert die Bootstrap-Ergebnisse einschließlich der beobachteten Kenngröße und ihres Bootstrap-Konfidenzintervalls in eine Excel-Datei – für Berichte, zur Weitergabe an Kollegen oder als formale Dokumentation der Analyse.

Häufig gestellte Fragen

Was ist ein Bootstrap für eine Stichprobe?

Ein Bootstrap für eine Stichprobe schätzt die Stichprobenverteilung einer Kenngröße wie Mittelwert, Median oder Standardabweichung, indem wiederholt Zufallsstichproben mit Zurücklegen aus den Originaldaten gezogen werden. Jedes Resample hat denselben Umfang wie das Original, und die Kenngröße wird für jedes neu berechnet. Die so entstehende Verteilung dient zur Bildung eines Konfidenzintervalls ohne Verteilungsannahme.

Wann sollte man Bootstrap statt eines t-Tests verwenden?

Verwenden Sie das Bootstrap-Verfahren, wenn die Daten die Normalverteilungsannahme nicht erfüllen, wenn die Stichproben klein und Normalapproximationen unzuverlässig sind oder wenn Sie ein Intervall für eine Kenngröße ohne einfache Formel benötigen, etwa den Median. Sind die Daten normalverteilt und ist der Stichprobenumfang ausreichend, ist ein t-Test für eine Stichprobe effizienter.

Wie viele Bootstrap-Resamples sind nötig?

Verwenden Sie für einfache Analysen mindestens 1,000 Resamples und für stabile, genaue Konfidenzintervalle idealerweise 5,000 bis 10,000. Mehr Resamples liefern glattere Ergebnisse, dauern aber etwas länger. Wegen des zufälligen Resamplings können die Ergebnisse zwischen Durchläufen leicht abweichen; ein fester Zufallsstartwert (Seed) macht berichtete Ergebnisse reproduzierbar.

Welche Methode für das Bootstrap-Konfidenzintervall sollte man wählen?

Bias-Corrected-Accelerated (BCa) wird für die meisten Situationen empfohlen, weil es Bias und Schiefe der Bootstrap-Verteilung korrigiert. Die Methode Percentile verwendet direkt die Perzentile der Verteilung und eignet sich für annähernd symmetrische, unverzerrte Fälle. Die Methode Basic (reflektierte Perzentilmethode) korrigiert den Bias auf einfache Weise und kommt mit leichter Asymmetrie besser zurecht als die einfache Perzentilmethode.