Autoinicialização
A autoinicialização é um método para derivação de estimativas robustas de erros padrão e intervalos de confiança para estimativas, como média, mediana, proporção, razão de chances, coeficiente de correlação ou coeficiente de regressão. Ela também pode ser usada para construir testes de hipótese. A autoinicialização é mais útil como uma alternativa para estimativas paramétricas quando as suposições desses métodos estão em dúvida (como no caso de modelos de regressão com ajuste de resíduos heteroscedásticos para pequenas amostras), ou onde a inferência paramétrica é impossível ou requer fórmulas muito complicadas para o cálculo dos erros padrão (como no caso de calcular intervalos de confiança para a mediana, quartis e outras percentis).
Exemplos
Uma firma de telecomunicações perde cerca de 27% de seus clientes para a migração para o concorrente a cada mês. A fim de concentrar os esforços na redução de migração adequada, o gerenciamento quer saber se esta porcentagem varia entre grupos de clientes predefinidos. Usando a autoinicialização, é possível determinar se uma única taxa de migração descreve adequadamente os quatro principais tipos de clientes.
Em uma revisão de registros de funcionários, o gerenciamento está interessado na experiência de trabalho anterior dos funcionários. A experiência de trabalho está inclunada para a direita, o que torna a média uma estimativa menos desejável da experiência de trabalho anterior "típíca" entre os funcionários do que a mediana. No entanto, os intervalos de confiança dos parâmetros não estão disponíveis para a mediana no produto.
O gerenciamento está também interessado em determinar quais fatores estão associados a aumentos de salário dos funcionários, ajustando um modelo linear à diferença entre os salários atual e inicial. Ao efetuar a autoinicialização de um modelo linear, é possível usar métodos especiais de re-amostragem (bootstrap residuais e brutos) para obter resultados mais precisos.
Muitos procedimentos suportam amostragem bootstrap e o agrupamento de resultados a partir da análise de amostras de bootstrap. Os controles para especificar as análises de autoinicialização são integradas diretamente como um subdiálogo comum em procedimentos que suportam a autoinicialização. As configurações no diálogo de bootstrap persistem nos procedimentos de modo que, se você executar uma análise Frequências com autoinicialização por meio dos diálogos, a autoinicialização será ativada por padrão para outros procedimentos que a suportam.
Obtendo uma análise de autoinicialização
- A partir dos menus, escolha um procedimento que suporta autoinicialização e clique em Autoinicialização.
- Selecione Executar autoinicialização.
Opcionalmente, é possível controlar as opções a seguir:
Número de amostras. Para os intervalos de percentil e BCa produzidos, é recomendável usar pelo menos 1.000 amostras bootstrap. Especifique um número inteiro positivo.
Configurar semente para Mersenne Twister. Configurar uma semente permite replicar análises. O uso desse controle é semelhante a configurar o Mersenne Twister como o gerador ativo e especificar um ponto inicial fixo no diálogo Geradores de Número Aleatório, com a diferença importante de que configurar a semente neste diálogo irá preservar o estado atual do gerador de número aleatório e restaurar esse estado após a análise ser concluída. Consulte o tópico Geradores de Número Aleatório para obter mais informações.
Intervalos de Confiança Especifique um nível de confiança maior que 50 e menor que 100. Os intervalos de percentil simplesmente usam os valores de bootstrap ordenados que correspondem aos percentis do intervalo de confiança. Por exemplo, um intervalo de confiança de percentil 95% usa os percentis 2.5º e 97.5º dos valores de bootstrap como os limites inferior e superior do intervalo (interpolando os valores de bootstrap, se necessário). Os intervalos de viés corrigido e acelerado (BCa) são intervalos ajustados que são mais precisos quanto ao custo de precisar de mais tempo para calcular.
Amostragem O Método Simples é a reamostragem de caso com substituição do conjunto de dados original. O método Estratificado é a reamostragem de caso com substituição do conjunto de dados original dentro do estrato definido pela classificação cruzada da variável de estrato. A amostragem estratificada de bootstrap pode ser útil quando as unidades dentro das camadas são relativamente homogêneas enquanto as unidades entre as camadas são muito diferentes.
Executar pastas de autoinicialização cola a sintaxe de comando BOOTSTRAP