Resampling-Verfahren: Unterschied zwischen den Versionen

Version vom 15. März 2020, 19:00 Uhr

Parametrische Tests wie beispielsweise der t-Test basieren auf bestimmten Voraussetzungen wie z.B. einer Normalverteilung der Modellfehler. Liegen nur sehr wenige Datenpunkte vor, kann oftmals keine Aussage über die vorliegende Verteilung getroffen werden. Die Ergebnisse eines parametrischen Tests sind somit nicht zuverlässig interpretierbar.

Eine Lösung für dieses Problem bietet die Anwendung eines Resampling-Verfahrens. Ein Resampling-Verfahren basiert auf dem Monte-Carlo Prinzip, d.h. das Problem der fehlenden Verteilungsannahme wird numerisch gelöst. Dazu simuliert man die Nullhypothesenverteilung anhand der vorhandenen Datenpunkte.

Man unterscheidet verschiedene Arten von Resampling-Vefahren, dazu gehören zum Beispiel:

@@ Zeile 1: / Zeile 1: @@
 {{Nav|Navigation|Statistik|Hauptseite}}
-Parametrische Test wie beispielsweise der t-Test basieren auf bestimmten Voraussetzungen wie z.B. einer Normalverteilung der Modellfehler. Liegen nur sehr wenige Datenpunkte vor, kann oftmals keine Aussage über die vorliegende Verteilung getroffen werden. Die Ergebnisse eines parametrischen Tests sind somit nicht zuverlässig interpretierbar.
+Parametrische Tests wie beispielsweise der t-Test basieren auf bestimmten Voraussetzungen wie z.B. einer Normalverteilung der Modellfehler. Liegen nur sehr wenige Datenpunkte vor, kann oftmals keine Aussage über die vorliegende Verteilung getroffen werden. Die Ergebnisse eines parametrischen Tests sind somit nicht zuverlässig interpretierbar.
 Eine Lösung für dieses Problem bietet die Anwendung eines Resampling-Verfahrens. Ein Resampling-Verfahren basiert auf dem Monte-Carlo Prinzip, d.h. das Problem der fehlenden Verteilungsannahme wird numerisch gelöst. Dazu simuliert man die Nullhypothesenverteilung anhand der vorhandenen Datenpunkte.

Resampling-Verfahren: Unterschied zwischen den Versionen

Version vom 15. März 2020, 19:00 Uhr

Navigationsmenü

Suche