Çift Örneklem Yenileme
Double Bootstrapping
Tanım
Parametre tahminlerinin ve standart hataların önyargısını (bias) azaltmak amacıyla, ilk örneklem seti üzerinden ikinci bir yeniden örnekleme döngüsünün gerçekleştirildiği yinelemeli bir istatistiksel simülasyon prosedürüdür.
Örnek Vaka / Uygulama
Klinik psikoloji alanında nadir görülen bir nörogelişimsel bozukluğun tedavi etkinliğini ölçen küçük ölçekli bir çalışmada, verilerin normal dağılım varsayımını karşılamadığı görülmüştür. Tekli bootstrap yöntemi güven aralıklarında hâlâ belirgin bir önyargı üretirken, araştırmacı çift örneklem yenileme (double bootstrapping) uygulayarak ikinci katman simülasyon ile standart hataları yeniden kalibre etmiş ve böylece tip-1 hata oranını düşürerek daha robust (dayanıklı) p-değerleri elde etmiştir.
Derin Analiz
Çift örneklem yenileme, standart bootstrap yönteminin yetersiz kaldığı veya yüksek önyargı barındırdığı karmaşık veri yapılarında güven aralıklarını ve hipotez testlerini iyileştirmek için geliştirilmiş gelişmiş bir resampling (yeniden örnekleme) tekniğidir. İlk aşamada orijinal veri setinden yerine koymalı (with replacement) olarak çok sayıda alt örneklem çekilir ve bu setler üzerinden parametreler ile standart hatalar hesaplanır. İkinci aşamada ise bu ilk simülasyonun çıktıları baz alınarak ikinci bir rastgele örnekleme katmanı eklenir. Bu iç içe geçmiş iki aşamalı süreç, özellikle küçük örneklem boyutlarında veya asimetrik dağılımlarda tek aşamalı bootstrap'in yarattığı tahmin sapmalarını non-parametrik bir yaklaşımla düzeltir. Hesaplama maliyeti oldukça yüksek olmasına rağmen, parametrik varsayımların ihlal edildiği durumlarda istatistiksel çıkarımların güvenirliğini maksimum seviyeye çıkarır.
Etimoloji
İngilizce 'double' (çift, katlı) ve 'bootstrap' (ayakkabı bağı çekme, kökeni Baron Munchausen'in bataklıktan kendi saçından çekip çıkması mitine dayanan, dışarıdan yardım almadan kendi kendini yukarı çekme metaforu) kelimelerinin birleşiminden türetilmiştir.
Karıştırmayın
Tekli bootstrap (single bootstrapping) ile sıklıkla karıştırılır; temel fark, tekli yöntemin tek bir yeniden örnekleme katmanı kullanması ve özellikle küçük örneklemlerde önyargı düzeltmesinde yetersiz kalabilmesidir.