La mia domanda è: quale tecnica di ricampionamento ha guadagnato maggiore popolarità
Bootstrap o test di permutazione?
Il bootstrap consiste principalmente nel generare errori standard di grandi dimensioni o intervalli di confidenza; i test di permutazione come suggerisce il nome riguardano principalmente i test. (Ognuno può essere adattato per essere utilizzato per l'altro compito.)
Come giudicheremmo la popolarità? Se guardiamo a campi come la psicologia e l'educazione possiamo trovare un ampio uso di test basati sui ranghi come Wilcoxon-Mann-Whitney, i test dei ranghi firmati, i test di correlazione dei ranghi e così via. Questi sono tutti test di permutazione (d'altra parte ci sono molti casi in cui invece potrebbero essere utilizzati test di permutazione dei dati originali ma di solito non lo sono). In alcune altre aree di applicazione, i test di permutazione sarebbero usati raramente, ma la popolarità variabile tra le aree di applicazione a volte dice più sulla cultura locale di qualsiasi area che utilità.
più facile da implementare?
In molti casi - soprattutto quelli più semplici - sono quasi ugualmente facili - è essenzialmente la differenza tra campionamento con sostituzione e campionamento senza sostituzione.
In alcuni dei casi più complessi, il bootstrap è più facile da fare perché (osservandolo dal punto di vista del test) opera in alternativa piuttosto che in null (almeno lo saranno le implementazioni ingenue - facendolo in modo che funzioni bene potrebbe essere molto più complicato).
I test di permutazione esatta possono essere difficili nei casi più complessi perché una quantità scambiabile adeguata può non essere osservabile - spesso una quantità quasi intercambiabile può essere sostituita al prezzo di esattezza (e di essere veramente esente da distribuzione).
Il bootstrap rinuncia essenzialmente al criterio di esattezza corrispondente (copertura esatta degli intervalli) fin dall'inizio, e si concentra invece sul tentativo di ottenere una copertura ragionevolmente buona in campioni di grandi dimensioni (a volte con meno successo di quanto si possa capire; se non hai controllato, don supponiamo che il tuo bootstrap dia la copertura che ti aspetti che sia).
I test di permutazione possono funzionare su piccoli campioni (sebbene la scelta limitata di livelli di significatività a volte possa essere un problema con campioni molto piccoli), mentre il bootstrap è una tecnica di campionamento di grandi dimensioni (se lo si utilizza con campioni piccoli, in molti casi i risultati potrebbero non essere essere molto utile).
Raramente li vedo come concorrenti sullo stesso problema e li ho usati su (diversi) problemi reali - spesso ci sarà una scelta naturale di quale guardare.
Ci sono benefici per entrambi, ma nessuno dei due in una panacaea. Se speri di ridurre lo sforzo di apprendimento concentrandoti solo su uno di essi, probabilmente rimarrai deluso: entrambi sono parti essenziali della cassetta degli attrezzi del ricampionamento.