Python

HOME
Python
【少ないデータを多く見せる】ブートストラップ法について|R

05/31/2022 / 最終更新日時 : 01/20/2023 bluest Python

【少ないデータを多く見せる】ブートストラップ法について|R

今回は、ブートストラップ法について解説します。

ブートストラップ法(bootstrap method)

ブートストラップ法とは、乱数を使って何らかの確率分布を予測する方法です。大事なのは、「重複を許し」てデータセットを複数作るということです。

【例】1000人の日本人女性が就業したかどうかがわかるデータが手元にあります。このデータを使って、日本人女性全体の就業率を調べたいです。

まず、

$$ε(A,B)$$

A：学習データ

B：テストデータ

これは、Bに対するAの逸脱度だとします。

逸脱度に関しては、【良いモデルとは】AIC(赤池情報量基準)について。をご覧ください。

$$ε(学習データ,母集団)$$

求めたい逸脱度は、母集団に対する学習データの誤り率です。

$$ε(学習データ,母集団) \leftrightarrow ε(学習データ,学習データ)$$

求められる逸脱度は上の図で言う右の誤り率です。右と左の差が分かれば、目的である「母集団に対する学習データの逸脱度」に近づきそうです。

ここで、ブートストラップサンプルを作ります。ただ復元抽出を行うだけです。

重複を許して、繰り返しサンプルを取ります。

例で言うと、集めた1000人の女性の就業状況データ(学習データ)を復元抽出し、1000人の女性のサンプルデータセットを複数作る(ブートストラップサンプル)ことができます。

学習データからn個復元抽出を行うと、n個のブートストラップサンプルを作ることができます。

$$ε(学習データ,学習データ) \leftrightarrow ε(BSサンプル,学習データ)$$

この学習データにおける学習データの逸脱度と、学習データにおけるブートストラップサンプルデータの逸脱度の差が分かれば、先ほどの求めたい差に近似できそうです。

なぜ近似できるかというと、復元抽出だとしても母集団と属性の割合は似てくるからです。

ただし無作為ならと言う条件は付きます。

母集団：大卒3000万人、高卒3000万人、その他500万人

学習データ/BSサンプル：大卒約450人、高卒約450人、その他約75人

この差を標準誤差と言います。

標準誤差について詳しく知りたい方は、【Standard Error】標準誤差を例題を通して解説。をご覧ください。

この逸脱度の差を1000回ほど繰り返して得てみると、逸脱度の差の分布がわかります。

なぜブートストラップ法で予測が改善されるのか

社会科学の分野では、上記のように復元抽出を繰り返すことで、標準誤差を把握することにブートストラップ法は使われます。

一方で、主に機械学習の分野では「データセットを複数作り、そこから作られるモデルを複数作成し、中間予測値を平均して、予測の改善を行う」と言う手法にも、ブートストラップ法は使われます。

統計の基本的な知識があれば、復元抽出の回数を増やせば増やすほど、予測が改善することが理解できるはずです。

ここでは、同じ確率分布から抽出される確率変数を$x_{b}$とおいています。

$$x_{ave}={\frac{\sum_{b}x_{b}}{B}}$$

上は、ブートストラップ法によって算出した実現値の平均値です。

平均値の分散は以下のように表すことができます。

$$E[(x_{ave}-E[x_{ave}])^2] = {\frac{Var(x_{b})}{B}}+{\frac{B-1}{B}}×corr(x_{b},x_{b’})×Var(x_{b})$$

第1項は分散をブートストラップ回数でスケールしたものです。

$X_{b}$に関しては、同一分布から発生していますが、独立であるとは限らないので、相関が発生します。これが第2項です。

ブートストラップ法による復元抽出を繰り返すと、第1項は0に近づくことがわかりますね。これは大数の弱法則です。

ただし、第2項は残ったままです。つまり特徴量同士の相関は残ると言うことです。

よく金融の分野では、分散投資をいくら行なっても、リスクは0にはならない理由として、各銘柄の株価が独立ではないことが挙げられます。

ブートストラップ法は分散には対処できますが、バイアスには大した対処はできないと言うことです。

【実践】Parametric Bootstrap法

今回は、パラメトリックなブートストラップ法をRで実践します。

パラメトリックとは、事前に母集団の確率分布がわかっている状態のことを指します。その分布を決定するパラメーターがわかれば、母集団分布について知ることができます。このパラメーターのことを「母数」と呼んでいます。また、逆の事前に母集団の確率分布がわかっていない状態のことを「ノンパラメトリック」と呼びます。

こちらのデータを使います。→【汎用性抜群】尤度比検定を解説します

「高卒と大卒、就業年数は年収と関係があるのか」という話です。

年収のデータは100個しかありません。

data <- read.csv("income.csv")
data$y

これをブートストラップ法で復元抽出しまくりましょう。

パラメーター数が少ない「大卒高卒かどうか考慮しないモデル」を帰無仮説としましょう。

$$logλ_{i} = β_{0}+β_{2}x_{i}+β_{2}c$$

β2=0と仮定されていることになります。

get.dd <- function(data){

  data$y.random <- rpois(nrow(data),lambda = mean(data$y))
  #平均が観測データの平均である、100個のポアソン乱数を生成します。
  
  fit1 <- glm(y.random ~ x, data=data, family = poisson)
  #帰無仮説のモデル
  
  fit2 <- glm(y.random ~ x+c, data=data, family = poisson)
  #対立仮説のモデル
  
  fit1$deviance - fit2$deviance
  #帰無仮説のモデルの残差から、対立仮説のモデルの残差を除く
  #逸脱度の差
  
}

get.dd

nrow(data)は、列数です。今回は100個です。

devianceはモデルの残差を表します。

帰無仮説と対立仮説の残差の差が、今回求めたかった逸脱度の差になります。

> fit1$deviance - fit2$deviance
[1] 0.5556915

出力結果は

0.05556915でした。これを1000回ほど繰り返していきましょう。

boots <- function(data,n.strap){

  replicate(n.strap,get.dd(data))

}
#boots：ブートストラップサンプルを作る関数を複製する関数

dd<-boots(data,n.strap = 1000)
#dd：bootsを1000回繰り返す

dd
#ddを出力

summary(dd)