In statistics, bootstrapping is a m

In statistics, bootstrapping is a method for assigning measures of accuracy (defined in terms of bias, variance, confidence intervals, prediction error or some other such measure) to sample estimates. This technique allows estimation of the sampling distribution of almost any statistic using only very simple methods (Efron, 1979; Varian, 2005). Generally, it falls in the broader class of resampling methods. Bootstrapping is the practice of estimating properties of an estimator (such as its variance) by measuring those properties when sampling from an approximating distribution. One standard choice for an approximating distribution is the empirical distribution of the observed data. In the case where a set of observations can be assumed to be from an independent and identically distributed population, this can be implemented by constructing a number of resample of the observed data set (and of equal size to the observed dataset), each of which is obtained by random sampling with replacement from the original data set. It may also be used for constructing hypothesis tests. It is often used as an alternative to inference based on parametric assumptions when those assumptions are in doubt, or where parametric inference is impossible or requires very complicated formulas for the calculation of standard errors (Efron, 1979). In this study bootstrap is chosen N=1000. Estimate result showed the Bias and SE (standard error) between model study (N=319) and bootstrap (N=1000) very small. So the estimation result showed the model study with 319 samples is credible (see table 17)
Multicollinearity of independent variables
The commonly used cut-off points as Pallant (2005) mentioned for determining the existence of multicollinearity among independent variables are 0.1 for Tolerance value or 2.0 for Variance inflation factor (VIF) value. Coefficients table (Table 17) showed that the tolerance values of all independent variables were bigger than the cut-off tolerance value (0.1), even VIF values of them were smaller than 2.0. This result proved that multicollinearity was not found.
Table 17: Coefficientsa

Kết quả (Việt) 1:

Trong thống kê, bootstrapping là một phương pháp để chỉ định các biện pháp chính xác (được định nghĩa trong điều khoản của thiên vị, phương sai, khoảng tin cậy, dự báo lỗi hoặc một số biện pháp khác như vậy) để ước tính mẫu. Kỹ thuật này cho phép dự toán phân phối lấy mẫu của hầu như bất kỳ số liệu thống kê bằng cách sử dụng phương pháp chỉ rất đơn giản (Efron, năm 1979; Varian, 2005). Nói chung, nó nằm trong lớp học rộng hơn của phương phương pháp. Bootstrapping là thực hành ước tính các thuộc tính của một ước tính (chẳng hạn như phương sai của nó) bằng cách đo lường các thuộc tính khi lấy mẫu từ một phân phối approximating. Một sự lựa chọn tiêu chuẩn cho một phân phối approximating là việc phân phối các dữ liệu quan sát thực nghiệm. Trong trường hợp mà một tập hợp các quan sát có thể được giả định là từ một dân số độc lập và phân phối giống nhau, điều này có thể được thực hiện bằng cách xây dựng một số resample của bộ dữ liệu quan sát (và các kích thước tương đương để quan sát bộ dữ liệu), mỗi trong số đó thu được bằng cách lấy mẫu ngẫu nhiên với các thay thế từ các thiết lập dữ liệu ban đầu. Nó cũng có thể được sử dụng để xây dựng các giả thuyết thử nghiệm. Nó thường được sử dụng như là một thay thế cho suy luận dựa trên tham số giả định khi những giả định nghi ngờ, hoặc trong trường hợp tham số suy luận là không thể hoặc đòi hỏi các công thức rất phức tạp để tính lỗi chuẩn (Efron, 1979). Trong nghiên cứu này khởi động được chọn N = 1000. Ước tính kết quả cho thấy thiên vị và SE (tiêu chuẩn lỗi) giữa nghiên cứu mô hình (N = 319) và bootstrap (N = 1000) rất nhỏ. Kết quả dự toán cho thấy việc nghiên cứu mô hình với 319 mẫu là đáng tin cậy (xem bảng 17)Multicollinearity biến độc lậpĐiểm cắt thường được sử dụng như là Pallant (2005) đã đề cập để xác định sự tồn tại của multicollinearity giữa các biến độc lập là 0,1 cho khoan dung giá trị hoặc 2.0 cho phương sai lạm phát yếu tố (VIF) giá trị. Hệ số bảng (bảng 17) cho thấy rằng các giá trị dung sai của tất cả các biến độc lập đã lớn hơn giá trị dung sai cắt (0,1), thậm chí VIF giá trị của họ đã nhỏ hơn 2.0. Kết quả này chứng minh rằng multicollinearity không tìm thấy.Bảng 17: Coefficientsa

Kết quả (Việt) 2:

Trong thống kê, bootstrapping là một phương pháp để phân công các biện pháp chính xác (được xác định trong các điều khoản của sự thiên vị, phương sai, khoảng tin, dự báo lỗi hoặc một số biện pháp khác như vậy) để lấy mẫu dự toán. Kỹ thuật này cho phép ước lượng của phân phối mẫu của hầu hết các số liệu thống kê chỉ sử dụng phương pháp rất đơn giản (Efron, 1979; Varian, 2005). Nói chung, nó rơi trong lớp rộng hơn về phương pháp lấy mẫu lại. Bootstrap là thực hành ước tính của một ước (như phương sai của nó) bằng cách đo những tính khi lấy mẫu từ một phân phối Tạo xấp xỉ. Một sự lựa chọn tiêu chuẩn cho một phân phối Tạo xấp xỉ là sự phân bố thực nghiệm của các dữ liệu quan sát. Trong trường hợp một tập hợp các quan sát có thể được giả định là từ một dân độc lập và phân phối giống nhau, điều này có thể được thực hiện bằng cách xây dựng một số đổi mẫu của các dữ liệu quan sát được thiết lập (và kích thước bằng nhau cho các số liệu quan sát), mỗi trong số đó thu được bằng cách lấy mẫu ngẫu nhiên với sự thay thế từ tập dữ liệu ban đầu. Nó cũng có thể được sử dụng để xây dựng các bài kiểm tra giả thuyết. Nó thường được sử dụng như là một thay thế cho suy luận dựa trên những giả định tham số khi những giả định là nghi ngờ, hoặc nơi mà suy luận tham số là không thể hoặc đòi hỏi công thức rất phức tạp cho việc tính toán sai số chuẩn (Efron, 1979). Trong bootstrap nghiên cứu này được chọn N = 1000. Kết quả ước lượng cho thấy các Bias và SE (sai số chuẩn) giữa các mô hình nghiên cứu (N = 319) và bootstrap (N = 1000) rất nhỏ. Vì vậy, các kết quả ước lượng cho thấy các nghiên cứu mô hình với 319 mẫu là đáng tin cậy (xem bảng 17)
đa cộng của các biến độc lập
The thường được sử dụng điểm cắt như Pallant (2005) đã đề cập để xác định sự tồn tại của đa cộng tuyến giữa các biến độc lập là 0,1 cho giá trị Tolerance hay 2.0 cho phương sai yếu tố lạm phát (VIF) giá trị. Hệ số bảng (Bảng 17) cho thấy rằng các giá trị khoan dung của tất cả các biến độc lập là lớn hơn giá trị khoan dung cut-off (0.1), thậm chí giá trị VIF của chúng nhỏ hơn 2,0. Kết quả này đã chứng minh rằng đa cộng tuyến không được tìm thấy.
Bảng 17: Coefficientsa