Simulación Bootstrap — Remuestreo empírico para inferencia estadística
- Propuesto por
- Bradley Efron
- Año
- 1979
- Tipo
- Simulation-based nonparametric inference
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La simulación bootstrap, introducida por Bradley Efron en 1979, es un método de inferencia basado en simulación que deriva la distribución de muestreo de prácticamente cualquier estadístico remuestreando repetidamente con reemplazo de los datos observados.
Dado que no requiere supuestos de distribución paramétrica, proporciona una alternativa robusta y de propósito general a los intervalos de confianza analíticos y las pruebas de hipótesis paramétricas en datos continuos, ordinales, binarios y de conteo.
La intuición detrás del método
Normalmente, para comprender cuán variable es un estadístico como la media o la mediana, se recopilarían muchas muestras independientes de la población, pero solo se dispone de una muestra. El remuestreo bootstrap resuelve esto tratando su única muestra como si fuera la población y extrayendo miles de nuevas muestras de ella con reemplazo. Cada nueva extracción es ligeramente diferente y, juntas, construyen una imagen empírica de cómo se comportaría el estadístico en estudios repetidos, sin necesidad de una fórmula de distribución.
Historia
Construcción de intervalos de confianza para estimadores complejos (medianas, medias recortadas, precisión de modelos) donde las fórmulas analíticas no están disponibles.
Cuándo usarlo
La simulación bootstrap es apropiada siempre que la distribución de muestreo de un estadístico no pueda derivarse analíticamente o cuando los supuestos paramétricos (normalidad, homocedasticidad) no puedan justificarse. Maneja variables continuas, ordinales, binarias y de conteo, y funciona con prácticamente cualquier estimador estadístico, incluidos los complejos como coeficientes de regresión, diferencias de correlación o métricas de precisión de modelos. Se necesita una muestra mínima de alrededor de 20 observaciones; con muestras muy pequeñas, la distribución bootstrap puede no representar adecuadamente la población. Para datos correlacionados o series temporales, utilice el bootstrap de bloques en lugar de la versión estándar i.i.d.
Limitaciones y consideraciones
- Computacionalmente intensivo cuando B es grande (más de 10.000 remuestreos) o el cálculo del estadístico es costoso.
- No puede corregir una muestra original sesgada o no representativa: el bootstrap hereda cualquier error sistemático en los datos.
- Las muestras originales pequeñas (n < 20) pueden no proporcionar una distribución de muestreo empírica fiable, incluso con muchos remuestreos.
- El bootstrap i.i.d. estándar no es válido para datos dependientes; se debe usar el bootstrap de bloques, y la selección del tamaño del bloque añade complejidad.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- No requiere supuestos de distribución paramétrica — válido bajo amplias condiciones donde las fórmulas clásicas fallan.
- Aplicable a prácticamente cualquier estadístico: medias, medianas, correlaciones, coeficientes de regresión, métricas de rendimiento de modelos y estimadores personalizados.
- Proporciona intervalos de confianza y pruebas de hipótesis sin derivaciones de distribución de muestreo de forma cerrada.
- Fácil de extender: el bootstrap de bloques maneja datos dependientes; los intervalos BCa manejan la asimetría.
Aplicaciones
- Pruebas de hipótesis cuando los supuestos paramétricos no pueden verificarse, por ejemplo, al comparar dos grupos en un resultado continuo asimétrico.
- Estimación del error de predicción y la estabilidad del modelo en aprendizaje automático mediante el remuestreo bootstrap fuera de muestra (out-of-bag).
- Investigación biomédica: derivación de intervalos de confianza para curvas de supervivencia, parámetros de dosis-respuesta y características de pruebas diagnósticas.
- Ciencias sociales e investigación educativa: inferencia sobre diferencias de correlación, tamaños del efecto y puntuaciones de escalas compuestas.
- ¿Cuántos remuestreos bootstrap necesito?
Cómo funciona
Cómo funciona
Comience con el conjunto de datos observado de n observaciones. Verifique que la muestra sea representativa de la población objetivo: el bootstrap solo puede reproducir lo que está en los datos, por lo que una muestra sesgada o no representativa producirá estimaciones bootstrap sesgadas.
Extraiga B muestras aleatorias de tamaño n de los datos originales, cada vez muestreando con reemplazo. Efron y Tibshirani (1993) recomiendan B ≥ 1.000 como mínimo; para intervalos de confianza, B = 10.000 es la recomendación estándar. Para datos dependientes (series temporales, observaciones agrupadas) utilice el bootstrap de bloques para preservar la estructura de dependencia.
Calcule el estadístico de interés —media, mediana, coeficiente de regresión, correlación o cualquier otro estimador— en cada una de las B muestras bootstrap. Esto produce una distribución bootstrap de B valores del estadístico.
Asemble los B valores del estadístico bootstrap en una distribución de muestreo empírica. Resúmala con el error estándar bootstrap y un intervalo de confianza bootstrap. Para distribuciones asimétricas, se prefiere el intervalo corregido por sesgo y aceleración (BCa); el intervalo de percentiles es la alternativa más sencilla.
Utilice la distribución bootstrap agregada para hacer inferencias: informe el intervalo de confianza para el parámetro de interés o calcule un valor p para una prueba de hipótesis comparando el estadístico observado con la distribución nula bootstrap. Dado que no se necesitó ningún supuesto paramétrico para llegar a este punto, la inferencia es válida bajo amplias condiciones.
Errores comunes
- Usar muy pocos remuestreos (B < 1.000) produce intervalos de confianza inestables: siempre use al menos B = 1.000 y B = 10.000 para los IC reportados finales.
- Aplicar el bootstrap i.i.d. estándar a datos de series temporales o agrupados viola el supuesto de independencia; use el bootstrap de bloques para observaciones dependientes.
- Confundir los intervalos de confianza bootstrap con la desviación estándar de la población: el error estándar bootstrap estima la variabilidad del estimador, no la variabilidad de los datos brutos.
- Bradley Efron introdujo el bootstrap en un artículo histórico de 1979 y amplió el marco con Rob Tibshirani en su libro de texto de 1993, que sigue siendo la referencia definitiva. El método surgió de ideas anteriores de remuestreo jackknife y fue revolucionario porque ofrecía una ruta computacionalmente tratable a la inferencia válida sin requerir distribuciones de muestreo de forma cerrada. La monografía de Davison y Hinkley de 1997 en Cambridge extendió la teoría bootstrap a modelos de regresión, series temporales y datos censurados, consolidando el método como una piedra angular de la estadística aplicada moderna.
Preguntas frecuentes
Se requiere un mínimo de B = 1.000 remuestreos para errores estándar bootstrap e intervalos de confianza aproximados. Para los intervalos de confianza reportados finales, B = 10.000 es la recomendación estándar (Efron & Tibshirani, 1993). Menos de 1.000 remuestreos producen resultados inestables y no deben reportarse.
¿Qué método de intervalo de confianza debo usar: percentil, BCa o básico?
El intervalo BCa (corregido por sesgo y aceleración) se prefiere en la mayoría de las situaciones, particularmente cuando la distribución de muestreo del estadístico es asimétrica o el estimador está sesgado. El intervalo de percentiles es más simple pero puede ser inexacto bajo asimetría. BCa ajusta tanto el sesgo como la asimetría, lo que lo convierte en la opción más fiable de propósito general.
¿Se puede usar bootstrap con datos de series temporales o de panel?
Sí, pero el bootstrap i.i.d. estándar (que remuestrea observaciones individuales) no es válido para datos dependientes porque rompe la estructura de dependencia. Los métodos de bootstrap de bloques, que remuestrean bloques contiguos de observaciones, preservan la dependencia serial y deben usarse siempre que los datos estén correlacionados a lo largo del tiempo o dentro de clústeres.
¿Funciona el bootstrap con muestras pequeñas?
La inferencia bootstrap es generalmente fiable cuando n ≥ 20. Con muestras muy pequeñas, los datos observados pueden no representar adecuadamente la población, por lo que la distribución bootstrap hereda esta limitación: ninguna cantidad de remuestreo compensa una muestra que es demasiado pequeña para capturar la forma de la población. En tales casos, considere pruebas de permutación exactas o métodos bayesianos.
Ejecute la simulación bootstrap en su propio conjunto de datos directamente en el ecosistema MethodMind: cargue sus datos, seleccione el estadístico de interés, establezca el número de remuestreos (predeterminado 10.000) y reciba intervalos de confianza bootstrap (percentil y BCa) y errores estándar con un gráfico completo de la distribución de muestreo empírica.
Métodos relacionados
Fuentes
Efron, B. & Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman & Hall/CRC.
Abrir referencia DOICopiado.Davison, A.C. & Hinkley, D.V. (1997). Bootstrap Methods and their Application. Cambridge University Press.
Abrir referencia DOICopiado.