卫生统计学（教学讲义）Bootstrap 方法介绍.docVIP

Bootstrap 方法介绍 Boostrap方法是一种通过重抽样技术进行统计学推断的方法。它可以分为参数的Bootstrap和非参数的Bootstrap。参数的Bootstrap适用于已知资料服从某总体分布或已知资料符合某个模型，然后借助Bootstrap方法对总体参数或模型参数进行统计推断；非参数的Bootstrap对资料没有特殊要求，但要求Bootstrap进行参数估计的统计量近似正态分布。以下将介绍这两种Boostrap方法。 参数的Bootstrap是指利用样本资料对某个概率模型或回归模型进行拟合，得到该模型的一组参数估计值，然后利用该模型进行反复随机模拟产生n个样本资料，每个样本的样本量与原样本相同，由随机模拟产生的样本称为Boostrap样本。通过对每个Bootstrap样本拟合模型，得到相应的参数估计值，因此对于n个Bootstrap样本就有n组模型参数的估计值，然后视n组模型参数估计值为新的数据，计算其95％的参考范围作为这些参数的95％可信区间，其中Bootstrap的样本个数n要足够大，使这些参数的95％范围的上下限的随机误差波动控制在容许接受的范围内，理论上称为收敛。 非参数的Bootstrap是借助经验分布理论，直接在样本中进行有放回的抽样，即：对于n个对象的观察资料，Bootstrap抽样时，每抽取一个对象的资料都从这n个对象中独立地随机抽取并且机会均等，抽样的样本量一般与原样本的样本量相同（可以低于原样本的样本量，但一般不能高于原样本的样本量），每次Bootstrap抽取的样本均成为Bootstrap样本。根据研究目的，对每个Bootstrap样本计算某个评价指标的样本值，对于n个Bootstrap样本就有n个评价指标的样本值，然后对n个评价指标的样本值计算其95％的参考值范围作为这个总体评价指标的95％可信区间，Bootstrap的样本个数n要足够大，使这些参数的95％范围的上下限的随机误差波动控制在容许接受的范围内。 由于参数的Bootstrap需要知道资料符合某个模型以及需要估计模型的参数等，在实际应用中的价值不太大，所以大多数情况下都是应用非参数的Bootstrap进行统计推断。为了帮助初学者能较快地掌握Bootstrap方法，本文将通过一个实例介绍具体如何实现Bootstrap的方法。 实例1 　　在药物溶解研究的分析中，常常需要通过建立回归方程，然后利用回归方程求解最大溶解能力的条件的参数估计值，但这些最大溶解能力的参数估计值存在抽样误差，需要计算95％可信区间，通常可以采用Hansen方法进行计算，但Hansen方法非常复杂，故本文介绍用Bootstrap方法解决最大溶解能力参数的95％可信区间计算问题。 某药理学在研究药物在26 种溶剂的溶解能力中，通过实验得到下列实验数据,试作药物的溶解参数的点值估计和区间估计,实验原始数据如表1。 表1 　药物溶解参数的实验数据 序号 药物溶解能力 药物在溶剂中 的弥散程度 溶剂分子的 极性 药物与溶剂中 的氢健结合力 Y X1 X2 X3 1 0.222 7.3 0.0 0.0 2 0.395 8.7 0.0 0.3 3 0.422 8.8 0.7 1.0 4 0.437 8.1 4.0 0.2 5 0.428 9.0 0.5 1.0 6 0.467 8.7 1.5 2.8 7 0.444 8.3 2.1 1.0 8 0.378 7.6 5.1 3.4 9 0.494 10.0 0.0 0.3 10 0.456 8.4 3.7 4.1 11 0.452 9.3 3.6 2.0 12 0.112 7.7 2.8 7.1 13 0.432 9.8 4.2 2.0 14 0.101 7.3 2.5 6.8 15 0.232 8.5 2.0 6.6 16 0.306 9.5 2.5 5.0 17 0.0923 7.4 2.8 7.8 18 0.116 7.8 2.8 7.7 19 0.0764 7.7 3.0 8.0 20 0.439 10.3 1.7 4.2 21 0.0944 7.8 3.3 8.5 22 0.117 7.1 3.9 6.6 23 0.0726 7.7 4.3 9.5 24 0.0412 7.4 6.0 10.9 25 0.251 7.3 2.0 5.2 26 0.0000176 7.6 7.8 20.7 分子溶解能力的参数估计方法 为了保证分析数据服从正态分布，需对药物溶解能力Y 值先进行负对数转换,根据分子溶解能力Y1的背景理论可知：分子溶解能力y1近似满足下列回归模型： （1）服从均数为0方差为的正态分布。对应的总体回归方程为