La pregunta: Bootstrapping es superior a jackknifing; Sin embargo, me pregunto si hay casos en los que la navaja es la única o al menos una opción viable para caracterizar la incertidumbre a partir de las estimaciones de los parámetros. Además, en situaciones prácticas, ¿qué tan sesgado / inexacto es el navajo en relación con el arranque, y pueden los resultados del navaja proporcionar información preliminar antes de que se desarrolle un arranque más complicado?
Algún contexto: un amigo está utilizando un algoritmo de aprendizaje automático de caja negra ( MaxEnt ) para clasificar datos geográficos que son "solo presencia" o "solo positivos". La evaluación general del modelo generalmente se realiza mediante validación cruzada y curvas ROC. Sin embargo, ella está utilizando la salida del modelo para derivar una descripción numérica única de la salida del modelo y le gustaría un intervalo de confianza alrededor de ese número; Jackknifing parece ser una forma razonable de caracterizar la incertidumbre en torno a este valor. Bootstrapping no parece relevante porque cada punto de datos es una ubicación única en un mapa que no se puede volver a muestrear con reemplazo. El programa de modelado en sí podría proporcionarle lo que necesita; Sin embargo, estoy interesado en general si / cuando jackknifing puede ser útil.