R control 控制变量计算

说明

该函数将从引导输出对象中找到控制变量估计。它可以使用 post-simulation 平衡找到调整后的偏差估计，也可以使用线性近似作为控制变量来估计偏差、方差、第三累积量和分位数。

用法

control(boot.out, L = NULL, distn = NULL, index = 1, t0 = NULL,
        t = NULL, bias.adj = FALSE, alpha = NULL, ...)

参数

boot.out	从 boot 返回的引导输出对象。引导程序复制必须是使用通常的非参数引导程序生成的。
L	感兴趣统计的经验影响值。如果未提供 L ，则调用 empinf 从 boot.out 计算它们。
distn	如果存在，这必须是 smooth.spline 的输出，给出线性近似的分布函数。仅当 bias.adj 为 FALSE 时才使用此选项。通常这可以使用鞍点近似来找到。如果在这种情况下未提供，则由 saddle.distn 计算。
index	boot.out$statistic 输出中感兴趣的变量的索引。
t0	原始数据集 boot.out$data 上感兴趣的统计量的观测值。仅当 bias.adj 为 FALSE 时才使用此参数。如果未提供t，则忽略输入值。默认值为 boot.out$t0[index] 。
t	引导程序复制感兴趣的统计数据的值。仅当 bias.adj 为 FALSE 时才使用此参数。如果未提供t0，则输入将被忽略。默认值为boot.out$t[,index]。
bias.adj	一个逻辑变量，如果 TRUE 指定使用 post-simulation 平衡调整后的偏差估计就足够了。如果 bias.adj 是 FALSE(默认)，则计算统计量的线性近似值，并将其用作偏差、方差和第三累积量以及分位数估计中的控制变量。
alpha	如果 bias.adj 为 FALSE ，则所需分位数的 alpha 级别。
...	boot.out$statistic 需要的任何其他参数。每次调用 boot.out$statistic 时，它们都会不变地传递。如果 bias.adj 是 TRUE ，则 boot.out$statistic 被调用一次，否则，如果 L 未提供，则可能被 empinf 调用以进行经验影响计算。

细节

如果 bias.adj 是 FALSE，则在每次引导复制时找到并评估统计量的线性近似值。然后使用方程 T* = Tl*+(T*-Tl*)，可以找到矩估计。对于分位数估计，通过鞍点方法非常准确地近似 t 的线性近似分布，然后将其与引导复制相结合以近似 t 的引导分布，从而估计 t 的引导分位数。

值

如果bias.adj 是TRUE，则返回值是调整后的偏差估计。

如果 bias.adj 是 FALSE，则返回的值是包含以下组件的列表

L	使用的经验影响值。如果提供的话，这些是输入值，否则它们是 empinf 计算的值。
tL	自举的线性近似复制了感兴趣的统计量的t。
bias	使用 t 的线性近似作为控制变量来控制偏差估计。
var	使用t 的线性近似作为控制变量来控制方差估计。
k3	使用 t 的线性近似作为控制变量的第三累积量的控制估计。
quantiles	具有两列的矩阵；第一列是用于分位数的 alpha 水平，第二列使用 t 的线性近似作为控制变量给出相应的分位数控制估计。
distn	smooth.spline 的输出对象，说明 t 线性近似的自举分布的鞍点近似。如果在输入上提供了 distn ，则这与输入相同，否则它是通过调用 saddle.distn 来计算的。

例子

# Use of control variates for the variance of the air-conditioning data
mean.fun <- function(d, i)
{    m <- mean(d$hours[i])
     n <- nrow(d)
     v <- (n-1)*var(d$hours[i])/n^2
     c(m, v)
}
air.boot <- boot(aircondit, mean.fun, R = 999)
control(air.boot, index = 2, bias.adj = TRUE)
air.cont <- control(air.boot, index = 2)
# Now let us try the variance on the log scale.
air.cont1 <- control(air.boot, t0 = log(air.boot$t0[2]),
                     t = log(air.boot$t[, 2]))

参考

Davison, A.C. and Hinkley, D.V. (1997) Bootstrap Methods and Their Application. Cambridge University Press.

Davison, A.C., Hinkley, D.V. and Schechtman, E. (1986) Efficient bootstrap simulation. Biometrika, 73, 555-566.

Efron, B. (1990) More efficient bootstrap computations. Journal of the American Statistical Association, 55, 79-89.

也可以看看

boot , empinf , k3.linear , linear.approx , saddle.distn , smooth.spline , var.linear