單樣本拔靴法 (Bootstrap)

單樣本拔靴法(Bootstrap 1-Sample)透過成千上萬次有放回抽取的同樣大小的重抽樣,估計某統計量的抽樣分配。適用於資料非常態、樣本數小或統計量沒有簡單公式的情形。可選擇平均值、中位數、總和、變異數或標準差,至少 1,000 次重抽樣(最好 5,000 至 10,000 次),以及 BCa、百分位數或基本區間法。輸出為該統計量及其信賴區間。

最後審閱

核心要點

單樣本拔靴法透過對原始資料反覆有放回地重抽樣,為平均值、中位數或標準差等統計量構建信賴區間,無需假定資料分配。

本頁內容
  1. 什麼是單樣本拔靴法 (Bootstrap)?
  2. 何時使用單樣本拔靴法 (Bootstrap)?
  3. 正確使用單樣本拔靴法 (Bootstrap) 的指南
  4. 替代方法:何時不宜使用單樣本拔靴法 (Bootstrap)
  5. 單樣本拔靴法 (Bootstrap) 範例
  6. 如何進行單樣本拔靴法 (Bootstrap)

什麼是單樣本拔靴法 (Bootstrap)?

單樣本拔靴法(Bootstrap 1-Sample)是一種重抽樣技術,透過對原始資料集反覆有放回地隨機抽樣,估計某個統計量(如平均值、中位數或標準差)的抽樣分配。每個重抽樣資料集的大小與原始資料集相同,並對每次重抽樣重新計算所關注的統計量,從而得到該統計量在成千上萬次迭代中的分配。

拔靴法的主要優勢在於,它不對資料的潛在分配做任何假設。因此,當不能假定常態性、參數檢定不適用時,它是一種有力的替代方法。

簡單定義:一種透過對自己的資料反覆重抽樣成千上萬次,來估計所計算統計量(如平均值)可靠程度的技術,無需對資料分配做任何假設。

何時使用單樣本拔靴法 (Bootstrap)?

  • 當 資料不滿足常態性假設,且參數信賴區間可能無效時使用。
  • 當 樣本數較小,基於常態近似的傳統方法不可靠時使用。
  • 在估計 沒有簡單解析公式的統計量(如中位數、截尾平均值或兩個量的比值)的信賴區間時使用。
  • 用於 驗證參數檢定的結果:將拔靴法信賴區間與傳統方法計算的區間進行比較。

正確使用單樣本拔靴法 (Bootstrap) 的指南

  • 使用 足夠多的拔靴法重抽樣次數 ——至少 1,000 次,最好 5,000 至 10,000 次迭代,以確保拔靴法分配穩定可靠。
  • 當 原始樣本能代表總體 時,拔靴法效果最佳——有偏或缺乏代表性的樣本會產生有偏的拔靴法估計。
  • 不要把拔靴法當作 收集足夠資料 的替代手段——它無法彌補設計不佳的研究或不足的樣本數。
  • 由於 隨機重抽樣,各次執行的結果可能略有不同——報告結果時,設定隨機種子可確保可重現。

替代方法:何時不宜使用單樣本拔靴法 (Bootstrap)

  • 如果資料 服從常態分配且樣本數足夠,請改用標準參數方法,如 單樣本 t 檢定 ——它們的效率更高。
  • 如果需要 比較兩組,請使用 雙樣本 t 檢定或 Mann-Whitney 檢定
  • 如果主要關注 分配配適而非區間估計,請使用 個別值分配識別

單樣本拔靴法 (Bootstrap) 範例

一家制藥公司的化學師希望確定一種新研製抗酸藥的反應時間。檢驗步驟如下:

  1. 收集所需資料。
Bootstrap 1-Sample — figure 1
  1.  現在,在 Zometric Statistical Software 中分析資料,網址為 https://statsai.zometric.com/。
  2.  要找到單樣本拔靴法 (Bootstrap),請選擇 Statistical module> Hypothesis Test> Bootstrap 1-Sample。
  3.  在工具中,輸入資料及其他參數如下:
Bootstrap 1-Sample — figure 2

5. 使用上述工具後,得到的輸出如下:

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

如何進行單樣本拔靴法 (Bootstrap)

操作步驟如下:

  1. 登入 Zometric Statistical Software,網址為 https://statsai.zometric.com/
  2. 在首頁選擇 Statistical Tool> Hypothesis Test >Bootstrap 1-Sample。
  3. 接下來,手動更新資料,或從 Excel 表格中完整複製(Ctrl+C)資料並貼上(Ctrl+V)到此處。
  4. 填寫所需選項。
  5. 最後,點選頁面底部的 calculate,即可得到所需結果。

在單樣本拔靴法 (Bootstrap) 的工具介面中,視窗分為兩部分。

Bootstrap 1-Sample — figure 6

左側為資料窗格(Data Pane)。在 Data Pane 中,每一列構成一個子群組。可手動輸入資料,也可從 Excel 表格中完整複製(Ctrl+C)資料並貼上(Ctrl+V)到此處。

Load example: 將載入範例資料。

Load File: 用於直接載入 Excel 資料。

右側提供以下選項:

  • Sample: 選擇包含要分析的 原始資料 的欄。這是反覆有放回抽取拔靴法重抽樣的原始資料集。該欄的品質和代表性直接決定拔靴法估計的可靠度——有偏或缺乏代表性的樣本會產生有偏的拔靴法結果。此欄位為必填項。
  • Statistic: 選擇要估計並圍繞其構建信賴區間的統計量。提供五個選項:
  • Mean ——估計總體的平均值並圍繞其構建信賴區間。這是一般製程分析中最常用的選項。
  • Median ——估計總體的中間值。當資料偏斜或含有離群值時,比平均值更合適,因為中位數對極端值不太敏感。
  • Sum ——估計總體中所有值的總和。當累計總量是實際關注的量時很有用。
  • Variance ——估計總體的離散程度,以標準差的平方表示。當主要目的是瞭解總變異時很有用。
  • Standard Deviation ——估計單一值圍繞平均值的典型離散程度。由於以原始量測單位表示,比變異數更易於解釋。
  • Number of Resamples: 輸入工具對資料進行有放回隨機重抽樣以構建拔靴法分配的次數。此欄位為必填項。基礎分析建議至少 1,000 次重抽樣,而要得到更精確、更穩定的信賴區間估計,則優先選擇 5,000 至 10,000 次。重抽樣次數越多,結果越平滑、越可靠,但所需的計算時間略長。
  • Confidence Level: 設定拔靴法信賴區間的信賴水準。標準預設值為 95%,即有 95% 的把握認為總體統計量的真值落在計算出的區間內。提高到 99% 會得到更寬、把握更大的區間;降低到 90% 則得到更窄、把握較小的區間。
  • Type of Interval: 定義信賴區間的形狀和方向。提供三個選項:
  • Two-Sided ——同時給出下界和上界,形成圍繞統計量的完整區間。當關注真值在任一方向上可能偏離多遠時使用——這是大多數分析的標準預設值。
  • Lower Bound ——只給出下界,用於檢定真實統計量是否高於某個值。僅在最小閾值重要時使用,例如確認製程平均至少為某一指定值。
  • Upper Bound ——只給出上界,用於檢定真實統計量是否低於某個值。僅在最大閾值重要時使用,例如確認變異不超過可接受水準。
  • Method: 定義根據重抽樣分配計算拔靴法信賴區間所用的數學方法。提供三個選項:
  • Bias-Corrected-Accelerated (BCa) ——大多數情況下最準確、也是推薦的方法。它會自動針對偏誤(拔靴法估計中的系統誤差)和拔靴法分配的偏度進行調整,尤其在統計量的分配不對稱時,能得到最可靠的信賴區間。
  • Percentile ——直接使用拔靴法分配的百分位數來設定區間邊界。簡單直觀,但不校正偏誤或偏度——適用於拔靴法分配近似對稱且無偏的情形。
  • Basic ——也稱反射百分位數法,它將百分位數邊界反轉,以簡單方式校正偏誤。當拔靴法分配呈現輕度不對稱時,比普通百分位數法更可靠。
  • Download as Excel: 將拔靴法結果,包括觀測統計量及其拔靴法信賴區間,匯出為 Excel 檔案,便於撰寫報告、與同事共享或保留分析的正式記錄。

常見問題

什麼是單樣本拔靴法?

單樣本拔靴法透過對原始資料反覆有放回地隨機抽樣,估計某個統計量(如平均值、中位數或標準差)的抽樣分配。每次重抽樣的大小與原始資料相同,並對每次重抽樣重新計算該統計量,得到的分配用於構建信賴區間,而無需假定資料分配。

何時應使用拔靴法而不是 t 檢定?

當資料不滿足常態性假設、樣本數小且常態近似不可靠,或需要為沒有簡單公式的統計量(如中位數)構建區間時,使用拔靴法。如果資料服從常態分配且樣本數足夠,則單樣本 t 檢定的效率更高。

需要多少次拔靴法重抽樣?

基礎分析至少使用 1,000 次重抽樣,若要得到穩定、精確的信賴區間,最好使用 5,000 至 10,000 次。重抽樣次數越多,結果越平滑,但耗時略長。由於隨機重抽樣,各次執行的結果可能略有不同,因此設定隨機種子可使所報告的結果可重現。

應選擇哪種拔靴法信賴區間方法?

大多數情況下推薦使用 Bias-Corrected-Accelerated (BCa),因為它能針對拔靴法分配中的偏誤和偏度進行調整。Percentile 方法直接使用分配的百分位數,適用於大致對稱且無偏的情形。Basic(即反射百分位數)方法以簡單方式校正偏誤,處理輕度不對稱的效果優於普通百分位數法。