Zusammenfassung
Bei der Inferenzstatistik interessiert man sich für die Verteilung von statistischen Kennwerten, um von einer Stichprobe auf die Grundgesamtheit zu schließen. Bei parametrischen Verfahren wird die interessierende Verteilung mathematisch hergeleitet, indem gewisse theoretische Annahmen über die Verteilungsform gemacht werden. Im Gegensatz hierzu wird bei nichtparametrischen Verfahren keine Grundannahme dieser Art getroffen. Die Verteilungsform wird stattdessen direkt aus der empirisch vorliegenden Stichprobe ermittelt. Während bereits verschiedene spezifische nichtparametrische Verfahren für einzelne statistische Kennwerte vorgeschlagen wurden, ist das Bootstrap-Verfahren gegenüber den anderen Verfahren überlegen, da es auf unterschiedlichste statistische Kennwerte anwendbar ist. Außerdem ist seine Vorgehensweise relativ einfach zu implementieren. Das Bootstrap-Verfahren rekonstruiert die Verteilung des interessierenden statistischen Kennwerts direkt aus einer Stichprobe, indem viele Bootstrap-Stichproben aus der untersuchten Stichprobe „mit Zurücklegen“ gezogen werden. Diese Bootstrap-Stichproben simulieren nämlich die potenziellen Stichproben aus der Grundgesamtheit. Für die gezogenen einzelnen Bootstrap-Stichproben kann man den interessierenden statistischen Kennwert berechnen. So lässt sich eine Verteilung der Kennwerte rekonstruieren. Daraus lassen sich der Standardfehler und/oder das Konfidenzintervall ermitteln. Die breite Anwendbarkeit des Verfahrens auf unterschiedliche statistische Kennwerte wird dadurch ermöglicht, dass für die Verwendung von Bootstrap in Bezug auf Stichprobe und Grundgesamtheit deutlich weniger Voraussetzungen erfüllt sein müssen als bei den üblichen parametritschen inferenzstatistischen Verfahren. Andererseits ist das Bootstrap-Verfahren stärker von der Stichprobe abhängig, sodass die Qualität der Stichprobe beachtet werden muss, bevor diese Methode eingesetzt werden kann.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Davison, A. C. & Hinkley, D. V. (1997). Bootstrap Methods and their Application. Cambridge: Cambridge University Press.
Efron, B. & Tibshirani, R. (1986). Bootstrap Methods for Standard Errors, Confidence Intervals, and Other Measures of Statistical Accuracy. Statistical Science, 1, 54–75.
Efron, B. & Tibshirani, R. (1993). An Introduction to the Bootstrap. New York: Chapman & Hall.
Hall, P. A. & Horowitz, J. L. (1996). Bootstrap Critical Values for Tests Based on Generalized-Method-of-Moments Estimators. Econometrica, 64, 891–916.
Lahiri, S. N. (2003). Resampling Methods for Dependent Data. New York: Springer.
McCarthy, P. J. & Snowden, C. B. (1985). The Bootstrap and Finite Population Sampling. Public Health Service Publication 85–1369. Washington: US Goverment Printing Office.
Mooney, C. Z. & Duval, R. D. (1993). Bootstrapping: A Nonparametric Approach to Statistical Inference. Newbury Park: Sage.
Mooney, C. Z. & Krause, G. A. (1997). Of Silicon and Political Science -Computationally Intensive Techniques of Statistical Estimation and Inference. British Journal of Political Science, 27, 83–110.
Rao, J. N. K. & Wu, C. F. J. (1988). Resampling Inference with Complex Survey Data. Journal of the American Statistical Association, 83, 231–41.
Rao, J. N. K., Wu, C. F. J., & Yue, K. (1992). Some Recent Work on Resampling Methods for Complex Surveys. Survey Methodology, 18, 209–17.
Saigo, H., Shao, J., & Sitter, R. R. (2001). A Repeated Halfsample Bootstrap and Balanced Repeated Replications for Randomly Imputed Data. Survey Methodology, 27, 189–196.
Shao, J. & Tu, D. (1995). The Jackknife and Bootstrap. New York: Springer.
Editor information
Rights and permissions
Copyright information
© 2010 VS Verlag fur Sozialwissenschaften | Springer Fachmedien Wiesbaden GmbH
About this chapter
Cite this chapter
Shikano, S. (2010). Einführung in die Inferenz durch den nichtparametrischen Bootstrap. In: Wolf, C., Best, H. (eds) Handbuch der sozialwissenschaftlichen Datenanalyse. VS Verlag für Sozialwissenschaften. https://doi.org/10.1007/978-3-531-92038-2_9
Download citation
DOI: https://doi.org/10.1007/978-3-531-92038-2_9
Publisher Name: VS Verlag für Sozialwissenschaften
Print ISBN: 978-3-531-16339-0
Online ISBN: 978-3-531-92038-2
eBook Packages: Humanities, Social Science (German Language)