$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Il termine "bootstrap" ha avuto origine nel XIX secolo come metafora per l'auto-miglioramento o il raggiungimento di qualcosa in modo indipendente, senza assistenza esterna. Lo stesso concetto si estende al bootstrapping in ambito statistico, cioè un metodo autonomo per stimare i parametri della popolazione tramite ricampionamento, anche se ciò, a volte, può essere richiedere grandi sforzi computazionali. Sviluppato dallo statistico americano Dr. Bradley Efron nel 1979, il metodo bootstrap fornisce un valido approccio per eseguire inferenze quando la dimensione del campione originale è piccola o i dati sono complessi.
Il bootstrap è una tecnica di ricampionamento casuale, che simula il processo di campionamento estraendo più campioni a caso da un set di dati esistente, con sostituzione. Qui, il campione originale funge da "popolazione" di partenza, e ogni ricampionamento viene derivato da questa “popolazione” e considerato come un campione indipendente. Il presupposto di base è che il campione originale sia una buona rappresentazione di una popolazione più ampia. Questo approccio è particolarmente utile quando le dimensioni del campione sono limitate, come negli studi con fossili rari, campioni genomici antichi, tessuti di malattie rare, studi su specie in via di estinzione ed esperimenti unici che non possono essere facilmente ripetuti.
Il processo di base del bootstrap include i seguenti passaggi:
- Si raccoglie un campione iniziale di dimensione n dalla popolazione per stimare un parametro di interesse.
- Si tratta questo campione come una "popolazione".
- Vengono estratti diversi nuovi campioni di dimensione n, con sostituzione, dal campione originale, utilizzando il campionamento casuale.
- Si utilizzano questi "ricampionamenti bootstrap" per l'analisi, al fine di stimare il parametro desiderato.
Poiché il ricampionamento è con sostituzione, ogni nuovo campione può includere valori ripetuti dai dati originali, riflettendo la casualità nel processo di ricampionamento. Il metodo bootstrap, in genere, richiede un numero elevato di ricampionamenti (spesso oltre 1.000) per ottenere stime stabili, che possono quindi essere utilizzate per calcolare statistiche come la media, la varianza, l'errore standard o gli intervalli di confidenza per i parametri della popolazione.
Il bootstrap è sia conveniente che accessibile, offrendo un modo semplice per fare inferenze senza bisogno di dati aggiuntivi. Tuttavia, si basa molto sul campione originale, il che significa che qualsiasi bias o errore nei dati originali sarà presente anche nei risultati ottenuti tramite metodo bootstrap.
