Calculateur d'IC par bootstrap

Utilisez les intervalles de confiance bootstrap lorsque vous ne pouvez pas supposer la normalité, avez de petits échantillons, ou avez besoin d'intervalles pour des statistiques complexes comme les médianes, ratios ou percentiles. Le rééchantillonnage bootstrap ne fait aucune hypothèse distributionnelle.

Qu'est-ce que le bootstrap ?

Le bootstrap crée de nombreux jeux de données rééchantillonnés en tirant avec remise à partir de vos données originales, puis calcule votre statistique sur chaque rééchantillon :

1. Échantillon original : n observations
2. Tirer n observations avec remise → Échantillon bootstrap 1
3. Calculer la statistique sur l'échantillon bootstrap 1
4. Répéter B fois (typiquement 1000-10000)
5. Utiliser la distribution des statistiques bootstrap pour l'inférence

Méthodes d'IC bootstrap

Méthode des percentiles

L'approche la plus simple : utiliser les percentiles de la distribution bootstrap.

$IC_{95\%} = [B_{0,025}, B_{0,975}]$

Où $B_{p}$ est le p-ème percentile des statistiques bootstrap.

Avantages : Simple, intuitif Inconvénients : Peut être biaisé, mauvaise couverture pour les distributions asymétriques

Méthode basique (percentile inversé)

$IC_{95\%} = [2\hat{\theta} - B_{0,975}, 2\hat{\theta} - B_{0,025}]$

Où $\hat{\theta}$ est l'estimation de l'échantillon original.

Reflète la distribution bootstrap autour de l'estimation originale.

Corrigé du biais et accéléré (BCa)

La référence pour les IC bootstrap :

$IC_{BCa} = [B_{\alpha_1}, B_{\alpha_2}]$

Où : $\alpha_1 = \Phi\left(z_0 + \frac{z_0 + z_{\alpha/2}}{1 - a(z_0 + z_{\alpha/2})}\right)$

$\alpha_2 = \Phi\left(z_0 + \frac{z_0 + z_{1-\alpha/2}}{1 - a(z_0 + z_{1-\alpha/2})}\right)$

• $z_0$ = correction du biais (proportion des estimations bootstrap sous l'original)
• $a$ = accélération (mesure l'asymétrie)

Avantages : Meilleure couverture, gère le biais et l'asymétrie Inconvénients : Intensif en calcul, nécessite plus d'échantillons bootstrap

Studentisé (Bootstrap-t)

$IC = [\hat{\theta} - t^*_{1-\alpha/2} \cdot ES, \hat{\theta} - t^*_{\alpha/2} \cdot ES]$

Utilise la distribution des statistiques studentisées : $t^* = \frac{\hat{\theta}^* - \hat{\theta}}{ES^*}$

Nécessite l'estimation de l'ES pour chaque échantillon bootstrap.

Exemple : IC bootstrap pour la médiane

Données : 12, 15, 18, 22, 25, 28, 45, 52 (n = 8)

Médiane originale : 23,5

1000 échantillons bootstrap donnent des médianes :

• 2,5e percentile : 17,5
• 97,5e percentile : 38,5

IC 95% par percentiles : [17,5, 38,5]

À comparer : Aucune formule simple n'existe pour l'IC de la médiane avec la théorie normale !

Combien d'échantillons bootstrap ?

Plus d'échantillons = plus de précision, mais rendements décroissants après ~10 000.

Quand utiliser les IC bootstrap

Situations idéales

1. Données non normales : Distributions asymétriques, valeurs aberrantes
2. Petits échantillons : n < 30 où le TCL est discutable
3. Statistiques complexes : Médiane, moyenne tronquée, ratios, percentiles
4. Pas d'ES de forme fermée : Différences de corrélations, prédictions de régression
5. Données dépendantes : Séries temporelles (utiliser le bootstrap par blocs)

Quand NE PAS utiliser

1. Très petits échantillons : n < 10 peut ne pas capturer la variabilité de la population
2. Queues lourdes avec n minuscule : Le bootstrap peut être instable
3. Statistiques simples avec grand n : La théorie normale est correcte et plus rapide

Bootstrap pour différentes statistiques

Moyenne

$\bar{X}^* = \frac{1}{n}\sum_{i=1}^{n} X_i^*$

Le bootstrap est inutile pour grand n (utilisez la théorie normale), mais valide pour petit n ou données non normales.

Médiane

Pas de formule simple pour l'ES de la médiane. Le bootstrap est souvent la meilleure approche :

$\tilde{X}^* = \text{médiane}(X_1^*, ..., X_n^*)$

Corrélation

$r^* = \text{cor}(X^*, Y^*)$

Le bootstrap gère la distribution d'échantillonnage non normale de r.

Coefficients de régression

Rééchantillonner les paires (X, Y) ensemble :

$\hat{\beta}^* = (X^{*T}X^*)^{-1}X^{*T}Y^*$

Tient compte de l'hétéroscédasticité sans la supposer.

Différence de moyennes

Rééchantillonner chaque groupe séparément :

$D^* = \bar{X}_1^* - \bar{X}_2^*$

Valide même avec des variances inégales et de la non-normalité.

Bootstrap paramétrique vs non paramétrique

Bootstrap non paramétrique

Rééchantillonne à partir des données elles-mêmes. Ne fait aucune hypothèse distributionnelle.

Bootstrap paramétrique

1. Ajuster un modèle aux données (ex : estimer μ, σ)
2. Générer des échantillons à partir du modèle ajusté
3. Calculer la statistique sur chaque échantillon généré

À utiliser quand : Vous êtes confiant dans la forme distributionnelle mais incertain des paramètres.

Bootstrap par blocs pour les données dépendantes

Pour les séries temporelles ou les données spatiales, les observations ne sont pas indépendantes. Le bootstrap par blocs préserve la dépendance locale :

1. Diviser les données en blocs chevauchants
2. Rééchantillonner les blocs (pas les observations individuelles)
3. Concaténer pour former l'échantillon bootstrap

La taille de bloc nécessite un réglage — trop petit ignore la dépendance, trop grand réduit la variabilité.

Vérification des résultats bootstrap

Convergence

Augmenter B jusqu'à ce que l'ES de l'ES bootstrap se stabilise :

$ES_{bootstrap}(ES) \approx \frac{ES}{\sqrt{2B}}$

Biais

$\text{Biais} = \bar{\theta^*} - \hat{\theta}$

Si le biais est grand par rapport à l'ES, considérez la méthode BCa.

Normalité de la distribution bootstrap

Si la distribution bootstrap est très non normale, la méthode des percentiles peut avoir une mauvaise couverture. Utilisez BCa.

Erreurs courantes

Rééchantillonner les mauvaises unités

Pour les données groupées, rééchantillonner les groupes, pas les observations. Pour les données appariées, rééchantillonner les paires.

Ignorer la dépendance

Le bootstrap standard suppose l'indépendance. Utilisez le bootstrap par blocs pour les séries temporelles.

Trop peu d'échantillons bootstrap

B = 100 est trop peu pour les IC. Utilisez au moins 1000.

Attendre des miracles avec n minuscule

Le bootstrap ne peut pas créer d'information qui n'est pas dans votre échantillon. Avec n = 5, votre IC sera large quoi qu'il arrive.

Comparaison avec d'autres méthodes

Rapporter les résultats bootstrap

Format standard : « Le temps de réponse médian était de 23,5 ms (IC 95% BCa bootstrap : 17,5–38,5 ms, B = 5000). »

Inclure :

• Estimation originale
• Méthode d'IC (percentile, BCa, etc.)
• Nombre d'échantillons bootstrap
• Considérations spéciales (taille de bloc pour séries temporelles)

Considérations computationnelles

Conseils d'efficacité

1. Vectoriser les opérations
2. Utiliser le traitement parallèle pour grand B
3. Ne stocker que les statistiques nécessaires, pas les rééchantillons complets
4. Considérer le sous-échantillonnage pour les très grands jeux de données

Reproductibilité

Fixer la graine aléatoire avant le bootstrap pour des résultats reproductibles.

Contexte historique

Bradley Efron a introduit le bootstrap en 1979, révolutionnant l'inférence statistique. La méthode BCa (1987) a amélioré les propriétés de couverture. Les avancées en informatique ont rendu le bootstrap pratique, changeant fondamentalement la façon dont les statisticiens abordent les problèmes d'inférence complexes.

Calculs associés

• Calculateur d'intervalle de confiance — Intervalles paramétriques
• Calculateur de test t — Tests d'hypothèse
• Calculateur d'erreur standard — Estimation de l'ES
• Calculateur de médiane — Tendance centrale

Résumé

Les intervalles de confiance bootstrap fonctionnent en rééchantillonnant vos données avec remise, calculant la statistique d'intérêt de nombreuses fois, et utilisant la distribution résultante pour l'inférence. La méthode des percentiles est la plus simple mais BCa est préférée pour ses meilleures propriétés de couverture. Utilisez le bootstrap quand la normalité est discutable, les échantillons sont petits, ou pour des statistiques sans erreurs standard de forme fermée. Choisissez au moins 1000 rééchantillons pour les IC, 2000+ pour BCa. Rapportez la méthode utilisée et le nombre d'échantillons bootstrap.