Simulação Bootstrap — Reamostragem Empírica para Inferência Estatística
- Proposto por
- Bradley Efron
- Ano
- 1979
- Tipo
- Simulation-based nonparametric inference
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A simulação bootstrap, introduzida por Bradley Efron em 1979, é um método de inferência baseado em simulação que deriva a distribuição amostral de praticamente qualquer estatística através de reamostragem repetida com reposição a partir dos dados observados.
Por não exigir suposições distribucionais paramétricas, ela oferece uma alternativa robusta e de propósito geral para intervalos de confiança analíticos e testes de hipóteses paramétricos em dados contínuos, ordinais, binários e de contagem.
A intuição por trás do método
Normalmente, para entender a variabilidade de uma estatística como a média ou a mediana, você coletaria muitas amostras independentes da população — mas você tem apenas uma amostra. A reamostragem bootstrap resolve isso tratando sua única amostra como se fosse a população e extraindo milhares de novas amostras dela com reposição. Cada nova extração é ligeiramente diferente e, juntas, elas constroem uma imagem empírica de como a estatística se comportaria em estudos repetidos — sem a necessidade de uma fórmula distribucional.
História
Bradley Efron introduziu o bootstrap em um artigo marcante de 1979 e expandiu a estrutura com Rob Tibshirani em seu livro de 1993, que permanece a referência definitiva. O método surgiu de ideias anteriores de reamostragem jackknife e foi revolucionário porque ofereceu um caminho computacionalmente tratável para inferência válida sem exigir distribuições amostrais em forma fechada. A monografia de Cambridge de Davison e Hinkley de 1997 estendeu a teoria bootstrap para modelos de regressão, séries temporais e dados censurados, consolidando o método como um pilar da estatística aplicada moderna.
Quando usar
A simulação bootstrap é apropriada sempre que a distribuição amostral de uma estatística não pode ser derivada analiticamente ou quando as suposições paramétricas (normalidade, homocedasticidade) não podem ser justificadas. Ela lida com variáveis contínuas, ordinais, binárias e de contagem e funciona com praticamente qualquer estimador estatístico — incluindo os complexos, como coeficientes de regressão, diferenças de correlação ou métricas de precisão de modelo. Um mínimo de cerca de 20 observações é geralmente necessário; com amostras muito pequenas, a distribuição bootstrap pode não representar adequadamente a população. Para dados correlacionados ou de séries temporais, use o block bootstrap em vez da versão i.i.d. padrão.
Limitações e considerações
- Computacionalmente intensivo quando B é grande (10.000+ reamostragens) ou a estatística é cara para calcular.
- Não pode corrigir uma amostra original enviesada ou não representativa — o bootstrap herda qualquer erro sistemático nos dados.
- Amostras originais pequenas (n < 20) podem não fornecer uma distribuição amostral empírica confiável, mesmo com muitas reamostragens.
- O bootstrap i.i.d. padrão é inválido para dados dependentes; o block bootstrap deve ser usado em vez disso, e a seleção do tamanho do bloco adiciona complexidade.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Não requer suposição distribucional paramétrica — válido sob amplas condições onde as fórmulas clássicas falham.
- Aplicável a praticamente qualquer estatística: médias, medianas, correlações, coeficientes de regressão, métricas de desempenho de modelo e estimadores personalizados.
- Fornece intervalos de confiança e testes de hipóteses sem derivações de distribuição amostral em forma fechada.
- Fácil de estender: o block bootstrap lida com dados dependentes; os intervalos BCa lidam com assimetria.
Aplicações
- Construção de intervalos de confiança para estimadores complexos (medianas, médias aparadas, precisão de modelo) onde fórmulas analíticas não estão disponíveis.
- Teste de hipóteses quando as suposições paramétricas não podem ser verificadas — por exemplo, comparar dois grupos em um resultado contínuo assimétrico.
- Estimativa de erro de previsão e estabilidade de modelo em aprendizado de máquina via amostragem bootstrap out-of-bag.
- Pesquisa biomédica: derivação de intervalos de confiança para curvas de sobrevivência, parâmetros de dose-resposta e características de testes diagnósticos.
- Pesquisa em ciências sociais e educação: inferência sobre diferenças de correlação, tamanhos de efeito e escores de escalas compostas.
Como funciona
Como funciona
Comece com o conjunto de dados observado de n observações. Verifique se a amostra é representativa da população-alvo — o bootstrap só pode reproduzir o que está nos dados, portanto, uma amostra enviesada ou não representativa produzirá estimativas bootstrap enviesadas.
Extraia B amostras aleatórias de tamanho n dos dados originais, sempre amostrando com reposição. Efron e Tibshirani (1993) recomendam B ≥ 1.000 no mínimo; para intervalos de confiança, B = 10.000 é a recomendação padrão. Para dados dependentes (séries temporais, observações agrupadas), use o block bootstrap para preservar a estrutura de dependência.
Calcule a estatística de interesse — média, mediana, coeficiente de regressão, correlação ou qualquer outro estimador — em cada uma das B amostras bootstrap. Isso produz uma distribuição bootstrap de B valores da estatística.
Reúna os B valores da estatística bootstrap em uma distribuição amostral empírica. Resuma-a com o erro padrão bootstrap e um intervalo de confiança bootstrap. Para distribuições assimétricas, o intervalo acelerado corrigido por viés (BCa) é preferido; o intervalo percentil é a alternativa mais simples.
Use a distribuição bootstrap agregada para fazer inferências: relate o intervalo de confiança para o parâmetro de interesse ou calcule um p-valor para um teste de hipóteses comparando a estatística observada com a distribuição nula bootstrap. Como nenhuma suposição paramétrica foi necessária para chegar a este ponto, a inferência é válida sob amplas condições.
Erros comuns
- Usar poucas reamostragens (B < 1.000) produz intervalos de confiança instáveis — sempre use pelo menos B = 1.000 e B = 10.000 para ICs finais relatados.
- Aplicar o bootstrap i.i.d. padrão a dados de séries temporais ou agrupados viola a suposição de independência; use o block bootstrap para observações dependentes.
- Tratar os intervalos de confiança bootstrap como equivalentes independentemente do método — o intervalo percentil pode ser enviesado quando a estatística é assimétrica; prefira BCa nesses casos.
- Confundir o erro padrão bootstrap com o desvio padrão da população — o EP bootstrap estima a variabilidade do estimador, não a variabilidade dos dados brutos.
Perguntas frequentes
Quantas reamostragens bootstrap eu preciso?
Um mínimo de B = 1.000 reamostragens é necessário para erros padrão bootstrap e intervalos de confiança aproximados. Para intervalos de confiança finais relatados, B = 10.000 é a recomendação padrão (Efron & Tibshirani, 1993). Menos de 1.000 reamostragens produzem resultados instáveis e não devem ser relatados.
Qual método de intervalo de confiança devo usar — percentil, BCa ou básico?
O intervalo BCa (acelerado corrigido por viés) é preferido na maioria das situações, particularmente quando a distribuição amostral da estatística é assimétrica ou o estimador é enviesado. O intervalo percentil é mais simples, mas pode ser impreciso sob assimetria. O BCa ajusta tanto para viés quanto para assimetria, tornando-o a escolha de propósito geral mais confiável.
O bootstrap pode ser usado com dados de séries temporais ou painel?
Sim, mas o bootstrap i.i.d. padrão (que reamostra observações individuais) é inválido para dados dependentes porque quebra a estrutura de dependência. Métodos de block bootstrap, que reamostram blocos contíguos de observações, preservam a dependência serial e devem ser usados sempre que os dados forem correlacionados ao longo do tempo ou dentro de clusters.
O bootstrap funciona com amostras pequenas?
A inferência bootstrap é geralmente confiável quando n ≥ 20. Com amostras muito pequenas, os dados observados podem não representar adequadamente a população, então a distribuição bootstrap herda essa limitação — nenhuma quantidade de reamostragem compensa uma amostra que é muito pequena para capturar a forma da população. Nesses casos, considere testes de permutação exatos ou métodos Bayesianos.
Métodos relacionados
Fontes
Efron, B. & Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman & Hall/CRC.
Abrir referência DOICopiado.Davison, A.C. & Hinkley, D.V. (1997). Bootstrap Methods and their Application. Cambridge University Press.
Abrir referência DOICopiado.