Bootstrap - История изменений

Patarakin в 19:18, 11 января 2026

2026-01-11T19:18:32Z

← Предыдущая версия		Версия от 22:18, 11 января 2026
Строка 2:		Строка 2:
	\|Description=Bootstrap - Бутстрэп (англ. bootstrapping) — это непараметрический метод статистического анализа, основанный на resampling данных с возвращением для оценки распределения статистики, доверительных интервалов и стандартных ошибок. Если у вас есть одна выборка, вы можете создать 1000 новых выборок из неё же (с возвращением), и использовать эти 1000 выборок вместо 1000 экспериментов. '''Бутстрэп полезен для малых выборок'''. Бутстрэп работает для любого распределения универсально.		\|Description=Bootstrap - Бутстрэп (англ. bootstrapping) — это непараметрический метод статистического анализа, основанный на resampling данных с возвращением для оценки распределения статистики, доверительных интервалов и стандартных ошибок. Если у вас есть одна выборка, вы можете создать 1000 новых выборок из неё же (с возвращением), и использовать эти 1000 выборок вместо 1000 экспериментов. '''Бутстрэп полезен для малых выборок'''. Бутстрэп работает для любого распределения универсально.
	\|Field_of_knowledge=Биология, Педагогика, Статистика		\|Field_of_knowledge=Биология, Педагогика, Статистика
			\|Inventor=Брэдли
	\|similar_concepts=Выборка		\|similar_concepts=Выборка
	\|Environment=StatKey		\|Environment=StatKey

Patarakin в 17:25, 11 января 2026

2026-01-11T17:25:10Z

← Предыдущая версия		Версия от 20:25, 11 января 2026
Строка 38:		Строка 38:

	{{#ask: [[Центральная предельная теорема]] \| ?Description }}		{{#ask: [[Центральная предельная теорема]] \| ?Description }}

			=== Реальный пример с активностью студентов ===

			[[Файл:Bootstrap activity.png]]


	=== Использование в проектах NetLogo ===		=== Использование в проектах NetLogo ===

Patarakin в 10:16, 10 января 2026

2026-01-10T10:16:28Z

← Предыдущая версия		Версия от 13:16, 10 января 2026
Строка 10:		Строка 10:

	<math>\theta^* = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{b})</math> (<math>\theta^ = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{*b})</math>).		<math>\theta^* = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{b})</math> (<math>\theta^ = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{*b})</math>).

	Метод особенно полезен в агентно-ориентированном моделировании (ABM), где данные генерируются симуляциями, как в моделях NetLogo по социально-экономической статистике.

	В образовательной сфере [[бутстрэп]] применяется для анализа симуляций успеваемости учеников или удовлетворенности преподавателей, где традиционные предположения о нормальности распределения не выполняются из-за стохастической природы агентов.


Строка 45:		Строка 41:
	=== Использование в проектах NetLogo ===		=== Использование в проектах NetLogo ===

	Нет никакого смысла!		Нет никакого смысла! В проектах по "выращиванию данных" (data farming) в NetLogo, таких как модель [[Teacher Satisfaction (model)]], Модель симулирует удовлетворенность учителей (mean_satisfaction-all), текучесть кадров и вакансии школ в зависимости от радиуса мобильности, зарплаты и качества школ.

	~~В проектах по~~ "~~выращиванию данных~~" (~~data farming~~) ~~в NetLogo, таких как модель [[~~Teacher Satisfaction (~~model~~)~~]], Модель симулирует удовлетворенность учителей (mean_satisfaction~~-~~all), текучесть кадров и вакансии школ в зависимости от радиуса мобильности, зарплаты и качества школ.~~		{\| class="wikitable" style="font-size: 90%;"
			\|-
			! Контекст !! Данные !! Размер !! Bootstrap? !! Почему !! Пример
			\|-
			\| '''Реальное исследование''' \|\| '''Опрос студентов''' \|\| '''n=50–100''' \|\| '''ДА!''' \|\| '''Универсален, не требует предположений''' \|\| '''Филологи vs Историки'''
			\|-
			\| Реальное исследование \|\| Опрос студентов \|\| n>1000 \|\| Опционально \|\| ЦПТ гарантирует нормальность \|\| Массовый опрос
			\|-
			\| '''Многоагентное моделирование''' \|\| '''BehaviorSpace''' \|\| '''n=1 запуск''' \|\| '''Не рекомендуется''' \|\| '''Нужна репликация, не бутстрэп!''' \|\| '''Teacher Satisfaction (1 раз)'''
			\|-
			\| '''Многоагентное моделирование''' \|\| '''BehaviorSpace''' \|\| '''n=1000 запусков''' \|\| '''НЕТ''' \|\| '''Уже есть распределение''' \|\| '''Teacher Satisfaction (1000 раз)'''
			\|-
			\|}

	В образовании: анализ симуляций распределения учителей по школам Москвы, где бутстрэп проверяет влияние параметров на неравенство удовлетворенности (satisfaction_inequality).

	=== [[StatKey]] как инструмент анализа ===		=== [[StatKey]] как инструмент анализа ===

Patarakin: /* CODAP */

2026-01-10T10:07:30Z

CODAP

← Предыдущая версия		Версия от 13:07, 10 января 2026
Строка 65:		Строка 65:

	=== [[CODAP]] ===		=== [[CODAP]] ===
	CODAP предоставляет плагин Bootstrap для resampling данных и моделирования доверительных интервалов без программирования		[[CODAP]] предоставляет плагин [[Bootstrap]] для resampling данных и моделирования доверительных интервалов без программирования

Patarakin: /* Использование в проектах NetLogo */

2026-01-10T10:03:14Z

Использование в проектах NetLogo

← Предыдущая версия		Версия от 13:03, 10 января 2026
Строка 45:		Строка 45:
	=== Использование в проектах NetLogo ===		=== Использование в проектах NetLogo ===

	В проектах по "выращиванию данных" (data farming) в NetLogo, таких как модель [[Teacher Satisfaction (model)]], бутстрэп оценивает неопределенность агрегированных метрик из тысяч запусков. Модель симулирует удовлетворенность учителей (mean_satisfaction-all), текучесть кадров и вакансии школ в зависимости от радиуса мобильности, зарплаты и качества школ.		Нет никакого смысла!

	~~Для датасета из ~25000 строк бутстрэп на столбце~~ mean_satisfaction-all ~~(среднее по 17 первым: 0.557~~) ~~строит доверительный интервал для оценки устойчивости равновесия рынка труда учителей.~~		В проектах по "выращиванию данных" (data farming) в NetLogo, таких как модель [[Teacher Satisfaction (model)]], Модель симулирует удовлетворенность учителей (mean_satisfaction-all), текучесть кадров и вакансии школ в зависимости от радиуса мобильности, зарплаты и качества школ.
	** Пример в ~~R: загрузка через nlrx~~, ~~resampling с boot или meboot для временных рядов~~.

	В образовании: анализ симуляций распределения учителей по школам Москвы, где бутстрэп проверяет влияние параметров на неравенство удовлетворенности (satisfaction_inequality).		В образовании: анализ симуляций распределения учителей по школам Москвы, где бутстрэп проверяет влияние параметров на неравенство удовлетворенности (satisfaction_inequality).

Patarakin в 10:01, 10 января 2026

2026-01-10T10:01:10Z

← Предыдущая версия		Версия от 13:01, 10 января 2026
Строка 1:		Строка 1:
	{{Понятие		{{Понятие
	\|Description=Bootstrap - Бутстрэп (англ. bootstrapping) — это непараметрический метод статистического анализа, основанный на resampling данных с возвращением для оценки распределения статистики, доверительных интервалов и стандартных ошибок. Если у вас есть одна выборка, вы можете создать 1000 новых выборок из неё же (с возвращением), и использовать эти 1000 выборок вместо 1000 экспериментов. '''Бутстрэп полезен для малых выборок'''. Бутстрэп работает для любого распределения универсально.		\|Description=Bootstrap - Бутстрэп (англ. bootstrapping) — это непараметрический метод статистического анализа, основанный на resampling данных с возвращением для оценки распределения статистики, доверительных интервалов и стандартных ошибок. Если у вас есть одна выборка, вы можете создать 1000 новых выборок из неё же (с возвращением), и использовать эти 1000 выборок вместо 1000 экспериментов. '''Бутстрэп полезен для малых выборок'''. Бутстрэп работает для любого распределения универсально.
	\|Field_of_knowledge=~~Статистика~~, Педагогика, ~~Биология~~		\|Field_of_knowledge=Биология, Педагогика, Статистика
			\|similar_concepts=Выборка
	\|Environment=StatKey		\|Environment=StatKey
	}}		}}

Patarakin в 10:00, 10 января 2026

2026-01-10T10:00:02Z

@@ Строка 1: / Строка 1: @@
 {{Понятие
-|Description=Bootstrap - Бутстрэп (англ. bootstrapping) — это непараметрический метод статистического анализа, основанный на resampling данных с возвращением для оценки распределения статистики, доверительных интервалов и стандартных ошибок.
+|Description=Bootstrap - Бутстрэп (англ. bootstrapping) — это непараметрический метод статистического анализа, основанный на resampling данных с возвращением для оценки распределения статистики, доверительных интервалов и стандартных ошибок. Если у вас есть одна выборка, вы можете создать 1000 новых выборок из неё же (с возвращением), и использовать эти 1000 выборок вместо 1000 экспериментов. '''Бутстрэп полезен для малых выборок'''. Бутстрэп работает для любого распределения универсально.
-|Field_of_knowledge=Статистика
+|Field_of_knowledge=Статистика, Педагогика, Биология
 |Environment=StatKey
 }}
@@ Строка 14: / Строка 14: @@
 В образовательной сфере [[бутстрэп]] применяется для анализа симуляций успеваемости учеников или удовлетворенности преподавателей, где традиционные предположения о нормальности распределения не выполняются из-за стохастической природы агентов.
 === Принцип работы метода ===

Patarakin: /* StatKey как инструмент анализа */

2026-01-09T15:38:38Z

StatKey как инструмент анализа

← Предыдущая версия		Версия от 18:38, 9 января 2026
Строка 37:		Строка 37:
	[[StatKey]] — онлайн-апплет для визуализации бутстрэпа и рандомизации, идеален для данных из ABM как поле для быстрого прототипирования интервалов без программирования. Загрузите колонку mean_satisfaction-all в StatKey (Theoretical Distribution → One Quantitative → Bootstrap CI for Mean), сгенерируйте 5000 сэмплов для перцентильного интервала.		[[StatKey]] — онлайн-апплет для визуализации бутстрэпа и рандомизации, идеален для данных из ABM как поле для быстрого прототипирования интервалов без программирования. Загрузите колонку mean_satisfaction-all в StatKey (Theoretical Distribution → One Quantitative → Bootstrap CI for Mean), сгенерируйте 5000 сэмплов для перцентильного интервала.

	В контексте Teacher Satisfaction: копируйте данные в [[StatKey]] для оценки вариабельности mean_school_vacancy_rate, визуализируя распределение бутстрэп-средних ~~— полезно для студентов в цифровом образовании.~~		В контексте Teacher Satisfaction: копируйте данные в [[StatKey]] для оценки вариабельности mean_school_vacancy_rate, визуализируя распределение бутстрэп-средних


	Пример вывода: для сэмпла std=0.020, бутстрэп дает CI шириной ~0.01, подтверждая стабильность модели при unemployment_rate ~0.003.		Пример вывода: для сэмпла std=0.020, бутстрэп дает CI шириной ~0.01, подтверждая стабильность модели при unemployment_rate ~0.003.

			[[Файл:Bootstrap dotplotmedian.png\|400px]]
			----
			[[Файл:Boot strap two tail.png\|400px]]

	=== [[CODAP]] ===		=== [[CODAP]] ===
	CODAP предоставляет плагин Bootstrap для resampling данных и моделирования доверительных интервалов без программирования		CODAP предоставляет плагин Bootstrap для resampling данных и моделирования доверительных интервалов без программирования

Patarakin в 06:32, 9 января 2026

2026-01-09T06:32:24Z

← Предыдущая версия		Версия от 09:32, 9 января 2026
Строка 6:		Строка 6:
	== Бутстрэп в статистике (Bootstrap method) ==		== Бутстрэп в статистике (Bootstrap method) ==

	'''Бутстрэп''' (англ. bootstrapping) — это непараметрический метод статистической инференции, основанный на resampling данных с возвращением для оценки распределения статистики, доверительных интервалов и стандартных ошибок.		'''Бутстрэп''' (англ. bootstrapping) — это непараметрический метод статистической инференции, основанный на resampling данных с возвращением для оценки распределения статистики, [[CI\|доверительных интервалов]] и стандартных ошибок.

	<math>\theta^* = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{b})</math> (<math>\theta^ = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{*b})</math>).		<math>\theta^* = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{b})</math> (<math>\theta^ = \frac{1}{B} \sum_{b=1}^B t(\mathbf{X}^{*b})</math>).

Patarakin: /* StatKey как инструмент анализа */

2026-01-08T16:47:03Z

StatKey как инструмент анализа

← Предыдущая версия		Версия от 19:47, 8 января 2026
Строка 33:		Строка 33:
	В образовании: анализ симуляций распределения учителей по школам Москвы, где бутстрэп проверяет влияние параметров на неравенство удовлетворенности (satisfaction_inequality).		В образовании: анализ симуляций распределения учителей по школам Москвы, где бутстрэп проверяет влияние параметров на неравенство удовлетворенности (satisfaction_inequality).

	=== StatKey как инструмент анализа ===		=== [[StatKey]] как инструмент анализа ===

	[[StatKey]] — онлайн-апплет для визуализации бутстрэпа и рандомизации, идеален для данных из ABM как поле для быстрого прототипирования интервалов без программирования. Загрузите колонку mean_satisfaction-all в StatKey (Theoretical Distribution → One Quantitative → Bootstrap CI for Mean), сгенерируйте 5000 сэмплов для перцентильного интервала.		[[StatKey]] — онлайн-апплет для визуализации бутстрэпа и рандомизации, идеален для данных из ABM как поле для быстрого прототипирования интервалов без программирования. Загрузите колонку mean_satisfaction-all в StatKey (Theoretical Distribution → One Quantitative → Bootstrap CI for Mean), сгенерируйте 5000 сэмплов для перцентильного интервала.