贝叶斯自举法BayesianBootstrap(7)

compare_boot(X, classic_boot, twolv_boot, np.median, "Sample Median")

可以看到，贝叶斯自举也比一般的自举更精确，因为α=4时的权重分布更密集。
3、逻辑回归和离群值
现在，看看一般的自举过程可能产生问题的案例。 假设我们观察到一个正态分布的特征X和二元结果y。 我们对两个变量之间的关系进行研究。
N = 100
np.random.seed(1)
x = np.random.normal(0, 1, N)
y = np.rint(np.random.normal(x, 1, N) > 2)
df = pd.DataFrame({"x": x, "y": y})
df.head()

在该样本中，我们仅在100个观察结果中的到真值结果。由于结果是二进制的，因此可以使用逻辑回归模型。
smf.logit("y ~ x", data=df).fit(disp=False).summary().tables[1]