Bootstrapping  (بوت استراپینگ) چیست؟

 Bootstrapping  (بوت استراپینگ) چیست؟

محققین عزیز که بصورت جدی تری درگیر نرم افزار های آماری مثل spss، amos،  smart pls، lisrel و …..هستند صد در صد در صفحات مختلف با گزینه ای به نام Bootstrap برخورد کرده اند. دانشجویان کلاس های آکادمی تحلیل آماری ایران که در در دوره های smart pls عملا با آن درگیر بوده و آن را مورد بحث قرار داده اند. اما براستی Bootstrapping (بوت استراپینگ)  چیست؟

ترجمه ای که برای آن در ادبیات آماری صورت گرفته است دستور خودگردان یا خودکار و یا خودگردان سازی بوده است. اما خودگردان سازی چیست؟ خودگردان سازی یا Bootstrap را می توان انجام نمونه گیری با جایگذاری از یک نمونه اصلی به دفعات زیاد دانست. یعنی ما از یک نمونه ثابت با حجم محدود به دفعات زیاد نمونه گیری مجدد البته با جایگذاری انجام می دهیم تا در نهایت بتوان با استفاده از نتایج کلیه ی دفعات نمونه گیری، در مجموع به یک توزیع نمونه ای دست یافت. دقت شود که هدف از نمونه گیری با جایگذاری این است که اقلام نمونه گیری شده پس از انتخاب به جامعه بازگردند تا بتوانند شانس حضور در نمونه های دیگر را پیدا کنند. در نهایت توزیع نمونه ای ایجاد شده مبنایی برای انجام تخمین ها، بویژه تخمین خطای معیار برای پارامتر های مختلف است.

در خودگردان سازی به جای آن که بر مبنای یک نمونه(نمونه اصلی) به تخمین خطای معیار دست بزنیم با انجام نمونه گیری های فرعی متعدد که اغلب بیشتر از 200 بار است به یک توزیع نمونه ای تجربی دست میابیم که مبنای محاسبه خطای معیار قرار داده می شود. به این توزیع نمونه ای تجربی ، توزیع نمونه ای خودگردان یا Bootstrap گفته می شود(ژو، 1997)

مهمترین تفاوتی که باید گفته شود این است که در روش بدون  Bootstrap شرط نرمال بودن توزیع داده ها وجود دارد اما در استنباط از طریق نمونه گیری خودگردان یا Bootstrap چنین شرطی وجود ندارد. یعنی اگر توزیع داده های ما نرمال نبود می توانیم از این روش برای استنباط و بررسی معناداری ضرایب آماری خود بهره ببریم(مرادی، 1395)

فراموش نشود که براین در مقاله خود در سال 2014 پیرامون مقایسه روش های مختلف با روش خودگردان سازی بحث نموده است و بیان کرده در نرم افزار های کواریانس محور مثل لیزرل و ایموس علی رغم وجود روش های خودگردان سازی بهتر است از قلب تپنده روش های کواریانس محور یعنی حداکثر درست نمایی که نیاز به حجم نمونه بالا و توزیع داده های نرمال است استفاده شود و روش خودگردان سازی را برای تحقیقات خاص با حجم نمونه کم و توزیع غیر نرمال و در جهت رویکرد های واریانس محور پیشنهاد می نماید(مرادی، 1395)