20.500.12556/RUL-187571 Razširljivo statistično sklepanje z dvojnim bootstrapom Extensible statistical inference using the double bootstrap V diplomskem delu razvijemo knjižnico bootstrap-inference za programski jezik Python, ki ponuja razširljivo implementacijo metod sklepanja bootstrap s poudarkom na dvojnih percentilnih intervalih zaupanja. Knjižnica podpira tudi percentilne intervale zaupanja, ocenjevanje pristranskosti in variance, uporabniško definirane statistike, alternativne sheme ponovnega vzorčenja, vzporedno izvajanje na več procesorskih jedrih in ponovljivost rezultatov. Pravilnost implementacije dvojnih percentilnih intervalov preverimo s simulacijsko študijo, v kateri našo implementacijo primerjamo z referenčno implementacijo v knjižnici bootstrap-ci. Pri obravnavanih porazdelitvah, statističnih funkcionalih in velikostih vzorca se implementaciji glede verjetnosti pokritja dobro ujemata. Uporabnost razvite knjižnice dodatno utemeljimo s simulacijsko študijo na sintetičnih hierarhičnih podatkih, v kateri primerjamo pokritje različnih metod za konstrukcijo intervalov zaupanja ob kršitvi predpostavke normalnosti porazdelitve naključnih vplivov. Ob odstopanju od normalnosti ima neparametrična percentilna metoda pri standardnih odklonih naključnih vplivov boljše pokritje od parametričnih metod, dvojni bootstrap pa pokritja neparametrične percentilne metode ne izboljša vedno. In this undergraduate thesis, we develop the bootstrap-inference library for the Python programming language, which provides an extensible implementation of bootstrap inference methods with an emphasis on double-percentile confidence intervals. The library also supports percentile confidence intervals, estimation of bias and variance, user-defined statistics, alternative resampling schemes, parallel execution across multiple CPU cores, and reproducibility of results. We verify the correctness of the implementation of double-percentile confidence intervals through a simulation study in which we compare our implementation with the reference implementation provided by the bootstrap-ci library. Across the considered distributions, statistical functionals, and sample sizes, the two implementations agree closely in terms of coverage probability. We further demonstrate the applicability of the developed library through a simulation study on synthetic hierarchical data, in which we compare the coverage of different confidence interval procedures under violations of the normality assumption for the distribution of random effects. Under departures from normality, the nonparametric percentile method achieves better coverage for the standard deviations of the random effects than the parametric methods. The double bootstrap, however, does not always improve the coverage of the nonparametric percentile method. Bootstrap Dvojni bootstrap Intervali zaupanja Simulacijska študija Hierarhični podatki Python Bootstrap Double bootstrap Confidence intervals Simulation study Hierarchical data Python true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-09-11 11:45:07 2026-09-11 11:45:11 2026-09-14 03:37:38 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38730 Hudobreznik_Enej_-_Razsirljivo_statisticno_sklepanje_z_dvojnim_bootstrapom.pdf Hudobreznik_Enej_-_Razsirljivo_statisticno_sklepanje_z_dvojnim_bootstrapom.pdf 1 F4CAD9692A3659568EE8A6D0D8E9F2DD 7a0171df82246dde0ee473931f48c8fd47700fdc2e597a82d037697b8e9e5212 749d09a1-adc5-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=247248 Fakulteta za računalništvo in informatiko 0 0 0