چگونه بازنمونه‌گیری با جایگذاری، توزیع نمونه‌گیری هر آماره‌ای را تخمین می‌زند؟

کل ساختار آمار ناپارامتریک مدرن بر یک عمل فیزیکی واحد و غیرشهودی استوار است: استخراج یک نقطه داده از یک نمونه، ثبت مقدار آن، و قرار دادن دقیق آن در جای اولیه قبل از استخراج مجدد. این مرحله—بازنمونه‌گیری با جایگذاری—موتور محرک روش بوت‌استرپ است. تحلیلگران با در نظر گرفتن یک نمونه مشاهده شده با اندازه N به عنوان کل جامعه آماری، و استخراج مکرر N آیتم از آن برای ایجاد هزاران «شبه‌نمونه»، می‌توانند قابلیت اطمینان یک آماره را بدون دانستن توزیع ریاضی زیربنایی آن اندازه‌گیری کنند.[2][5]

قبل از سال ۱۹۷۹، تخمین واریانس یا بازه اطمینان یک آماره پیچیده مستلزم مفروضات ریاضی سختگیرانه‌ای بود. اگر داده‌ها از منحنی زنگوله‌ای نرمال پیروی نمی‌کردند، یا اگر آماره بسیار غیرخطی بود—مانند میانه یا ضریب همبستگی—محققان اغلب مجبور بودند به تقریب‌های مجانبی تکیه کنند که در نمونه‌های کوچک کارایی نداشتند. بوت‌استرپ با استفاده از قدرت محاسباتی خام، این مانع جبری را دور زد.[6]

یک بازنگری در مجله «ساینیفیکنس» در سال ۲۰۱۸ توضیح می‌دهد: «بوت‌استرپ یک روش مبتنی بر کامپیوتر برای تخصیص معیارهای دقت به تخمین‌های آماری است.» این الگوریتم به جای استخراج فرمول‌ها، شواهد تجربی تولید می‌کند. اگر یک کارآزمایی بالینی داده‌های ۵۰ بیمار را ارائه دهد، الگوریتم بوت‌استرپ ۵۰ بیمار را از همان مجموعه داده استخراج می‌کند و تکرار را مجاز می‌شمارد. ممکن است یک بیمار سه بار انتخاب شود؛ و بیمار دیگری اصلاً انتخاب نشود.[6]

این فرآیند هزاران بار تکرار می‌شود. برای هر مجموعه داده بازنمونه‌گیری شده، آماره مورد نظر مجدداً محاسبه می‌شود. هیستوگرام حاصل از این هزاران تخمین، توزیع نمونه‌گیری تجربی را تشکیل می‌دهد. از این توزیع، محققان می‌توانند خطای استاندارد یا بازه اطمینان ۹۵٪ را مستقیماً با مشاهده صدک‌های ۲.۵ و ۹۷.۵ نتایج مرتب شده بخوانند، و به طور کامل نیاز به یک فرمول نظری را دور بزنند.[1][3]

هنگامی که بردلی افرون، آمارشناس دانشگاه استنفورد، این تکنیک را برای اولین بار در مقاله‌ای در سال ۱۹۷۹ معرفی کرد، قدرت محاسباتی یک گلوگاه جدی بود. کاربردهای اولیه اغلب تعداد بازنمونه‌ها را به ۵۰ یا ۱۰۰ محدود می‌کردند. امروزه، همانطور که در کتاب «روش‌های بوت‌استرپ: راهنمای عملی» وایلی اشاره شده است، رویه استاندارد بر اساس هدف استنباطی خاصی که محقق در پی دستیابی به آن است، دو شاخه شده است.[6][7]

تخمین خطای استاندارد عموماً به سرعت تثبیت می‌شود و تنها به حدود ۲۰۰ تکرار نیاز دارد. با این حال، ساخت بازه‌های اطمینان قابل اعتماد، کار محاسباتی بسیار بیشتری می‌طلبد. از آنجایی که بازه‌های اطمینان به دُم‌های انتهایی توزیع متکی هستند، دستورالعمل‌های مدرن علوم زیستی—مانند مواردی که توسط «کوانتیکس بایواستاتیستیکس» در سال ۲۰۲۴ ارائه شده‌اند—حداقل ۱۰۰۰ تا ۱۰۰۰۰ تکرار را توصیه می‌کنند تا اطمینان حاصل شود که این دُم‌ها به اندازه کافی پر و پایدار هستند.[3][7][8]

ریاضیات بازنمونه‌گیری با جایگذاری، یک ویژگی خاص را در ساختار داده حاصل دیکته می‌کند. همانطور که راهنمای فنی «دیتاکمپ» تشریح می‌کند، با بزرگ شدن اندازه نمونه، احتمال حذف هر نقطه داده اصلی خاص از یک نمونه بوت‌استرپ معین، تقریباً به ۳۶.۸٪ همگرا می‌شود. در نتیجه، هر نمونه بوت‌استرپ تقریباً ۶۳.۲٪ مشاهدات منحصربه‌فرد از مجموعه داده اصلی را در خود جای می‌دهد، در حالی که ۳۶.۸٪ باقیمانده شامل موارد تکراری است.[2]

با وجود انعطاف‌پذیری، بوت‌استرپ کیمیای آماری نیست؛ نمی‌تواند اطلاعاتی را که در نمونه اصلی وجود ندارد، خلق کند. اگر مجموعه داده اولیه ۵۰ بیمار اساساً سوگیرانه باشد یا یک گروه جمعیتی حیاتی را از دست داده باشد، بازنمونه‌گیری آن برای ۱۰۰۰۰ بار تنها واریانس آن تخمین سوگیرانه را با دقت کمی‌سازی می‌کند. بررسی روش‌شناختی «سنتر استت» در سال ۲۰۲۵ تأکید می‌کند که بوت‌استرپ فرض می‌کند توزیع تجربی نمونه، تقریباً یک نماینده کامل برای توزیع واقعی جامعه آماری است.[4]

این تکنیک همچنین تحت شرایط ریاضی خاصی شکست می‌خورد. بوت‌استرپ با آماره‌های ترتیبی شدید، مانند حداکثر یا حداقل مقدار یک جامعه، که فرآیند بازنمونه‌گیری نمی‌تواند مقادیری فراتر از آنچه قبلاً مشاهده شده تولید کند، مشکل دارد. علاوه بر این، در تحلیل سری‌های زمانی یا داده‌های مکانی که مشاهدات به شدت همبسته هستند، بازنمونه‌گیری تصادفی ساده ساختار ذاتی را از بین می‌برد. در این موارد، محققان باید از انواع تخصصی مانند «بوت‌استرپ بلوکی» استفاده کنند که تکه‌های متوالی داده را بازنمونه‌گیری می‌کند تا همبستگی خودکار (اتوکورلیشن) حفظ شود.[4][7]

گذار از استخراج نظری به شبیه‌سازی محاسباتی، تحلیل پیشرفته داده‌ها را دموکراتیزه کرده است. بوت‌استرپ با جایگزین کردن حساب دیفرانسیل و انتگرال با الگوریتم‌های حلقه‌ای، به محققان در رشته‌های مختلف—از ژنومیک گرفته تا یادگیری ماشین—اجازه می‌دهد تا عدم قطعیت را به طور دقیق کمی‌سازی کنند. محدودیت تعیین‌کننده دیگر توانایی حل یک انتگرال پیچیده نیست، بلکه صرفاً کیفیت نمونه اصلی و قدرت پردازشی برای بازنمونه‌گیری آن برای ۱۰۰۰۰ بار است.[1][5]