Jackknife ve bootstrap yöntemlerine ilişkin bir uygulama / An application on the jackknife and bootstrap method

Abstract

Örnekleme, ana kütle içerisinden ana kütleyi daha iyi temsil edecek şekilde tesadüfi olarak daha küçük örnek birimi seçme işlemine denir. Diğer bir ifadeyle örnekleme yapmaktaki amaç ana kütle hakkında tutarlı ve geçerli bir tahminde bulunmak için örnekleme hatasını minimuma indirgemektir. Örnekleme yöntemlerinin genel olarak iki grupta inceleyebiliriz. Bunlar tesadüfi örnekleme yöntemleri ve tesadüfi olmayan örnekleme yöntemleridir. Tesadüfi örnekleme yöntemlerinde ana kütledeki bütün birimlerin örneğe girme şansının olduğu ve bütün şansların birbirine eşit olduğu homojen bir durum söz konusudur. Bu yöntemlere basit tesadüfi örnekleme, tabakalı tesadüfi örnekleme, sistematik örnekleme ve küme örneklemesi verilebilir. Son yıllarda ilerleyen teknoloji ile birlikte temel örnekleme yöntemlerinde bir takım eksiklikler ortaya çıkmıştır. Bu temel örnekleme yöntemlerindeki eksiklikler nedeniyle yeniden örnekleme yöntemlerinin kullanılmasına ihtiyaç duyuldu. Bu yöntemlere duyulan ihtiyacın nedeni klasik yöntemleri kullanan araştırmacıların bu yöntemi sürekli normale yaklaştırmaları ve merkezi limit teoreminden faydalanmalarıdır. Bu nedenle yeniden örnekleme yöntemleri hem parametrik hem de parametrik olmayan dağılımlar için temel yöntemlerle sınırlı kalmayıp, daha büyük veri setleri kullanarak iadeli ve iadesiz işlemler yapabilen bilgisayar yoğun yöntemler olarak kullanılmaya başlanmıştır. Bu yöntemlere permütasyon yöntemi, cross-validation, jackknife ve bootstrap yöntemleri örnek verilebilir.