Ich bin daran interessiert, ein Bootstrap-Konfidenzintervall für die Menge X zu erhalten, wenn diese Menge bei jeder von 10 Personen zehnmal gemessen wird.
Ein Ansatz besteht darin, den Mittelwert pro Person zu ermitteln und dann die Mittelwerte zu booten (z. B. die Mittelwerte durch Ersetzen neu abzutasten).
Ein anderer Ansatz besteht darin, bei jeder Iteration des Bootstrapping-Verfahrens Folgendes zu tun: Innerhalb jedes Individuums die 10 Beobachtungen dieses Individuums durch Ersetzen erneut abtasten, dann einen neuen Mittelwert für dieses Individuum berechnen und schließlich einen neuen Gruppenmittelwert berechnen. Bei diesem Ansatz trägt jedes im Originaldatensatz beobachtete Individuum bei jeder Iteration der Bootstrap-Prozedur immer zum Gruppenmittelwert bei.
Schließlich besteht ein dritter Ansatz darin, die beiden oben genannten Ansätze zu kombinieren: Einzelpersonen erneut abtasten und dann innerhalb dieser Personen erneut abtasten. Dieser Ansatz unterscheidet sich vom vorhergehenden Ansatz darin, dass er es derselben Person ermöglicht, bei jeder Iteration einen Multiplikator zum Gruppenmittelwert beizutragen. Da jedoch jeder Beitrag über ein unabhängiges Resampling-Verfahren generiert wird, kann erwartet werden, dass diese Beiträge geringfügig voneinander abweichen.
In der Praxis stelle ich fest, dass diese Ansätze unterschiedliche Schätzungen für das Konfidenzintervall liefern (z. B. mit einem Datensatz finde ich, dass der dritte Ansatz viel größere Konfidenzintervalle liefert als die ersten beiden Ansätze), daher bin ich gespannt, was jeder sein könnte interpretiert, um darzustellen.
quelle