Bootstrapping
In diesem Beitrag
Was versteht man unter Bootstrapping?
Bootstrapping ist ein computergestütztes Resampling-Verfahren, bei dem aus einem vorhandenen Datensatz wiederholt zufällige Stichproben mit Zurücklegen gezogen werden. Jede dieser sogenannten Bootstrap-Stichproben hat dabei dieselbe Größe wie der ursprüngliche Datensatz. Aus jeder Bootstrap-Stichprobe wird anschließend die interessierende Statistik – etwa der Mittelwert, der Median oder ein Regressionskoeffizient – berechnet. Die Verteilung dieser vielen berechneten Werte bildet die sogenannte Bootstrap-Verteilung, die als Schätzer für die Stichprobenkennwertverteilung dient.
Das Verfahren geht auf Bradley Efron zurück, der es 1979 vorstellte. Der Name ist angelehnt an die englische Redewendung „to pull oneself up by one’s bootstraps“ – sinnbildlich für das Schätzen einer Verteilung allein aus den vorhandenen Daten, ohne weitere Annahmen über die Grundgesamtheit zu machen.
Bootstrap-Konfidenzintervall (Perzentilmethode)
Warum ist Bootstrapping für statistische Analysen wichtig?
Viele klassische statistische Verfahren setzen bestimmte Voraussetzungen voraus – zum Beispiel, dass die Daten normalverteilt sind oder dass der Stichprobenumfang groß genug ist, damit der Zentrale Grenzwertsatz greift. Bootstrapping bietet hier einen wichtigen Vorteil: Es kommt weitgehend ohne Verteilungsannahmen aus und funktioniert auch bei kleinen Stichproben oder ungewöhnlich verteilten Daten zuverlässig.
Besonders nützlich ist das Verfahren in folgenden Situationen:
- Schätzung von Konfidenzintervallen für Statistiken, für die keine geschlossene analytische Formel existiert (z. B. Median, Korrelationskoeffizient, Verhältnisgrößen)
- Überprüfung der Stabilität von Modellen, etwa in der Regressionsanalyse oder im maschinellen Lernen
- Hypothesentests bei Verletzung von Testvoraussetzungen
- Schätzung des Standardfehlers komplexer Schätzer
Praxisbeispiel zu Bootstrapping
Eine Psychologiestudentin untersucht die Reaktionszeit von 30 Versuchspersonen und möchte ein 95-%-Konfidenzintervall für den Median der Reaktionszeit berechnen. Da für den Median keine einfache Standardfehler-Formel verfügbar ist und die Daten leicht rechtsschief verteilt sind, entscheidet sie sich für das Bootstrap-Verfahren.
Sie geht folgendermaßen vor:
- Aus den 30 Messwerten zieht sie 5.000 Bootstrap-Stichproben (jeweils n = 30, mit Zurücklegen).
- Für jede Bootstrap-Stichprobe berechnet sie den Median.
- Sie sortiert die 5.000 Bootstrap-Mediane und liest das 2,5-%-Perzentil sowie das 97,5-%-Perzentil ab.
| Kennwert | Wert |
|---|---|
| Beobachteter Median (Original) | 312 ms |
| Anzahl Bootstrap-Stichproben | 5.000 |
| 2,5-%-Perzentil der Bootstrap-Mediane | 289 ms |
| 97,5-%-Perzentil der Bootstrap-Mediane | 338 ms |
| 95-%-Konfidenzintervall | [289 ms, 338 ms] |
Die Studentin kann nun berichten: „Der Median der Reaktionszeit beträgt 312 ms (95-%-KI Bootstrap: [289, 338]).“ Dieses Konfidenzintervall wäre mit klassischen Methoden kaum zuverlässig zu berechnen gewesen – Bootstrapping löst das Problem elegant.
