R jack.after.boot 自举后折刀图

说明

此函数从引导程序输出对象计算折刀影响值并绘制相应的 jackknife-after-bootstrap 图。

用法

jack.after.boot(boot.out, index = 1, t = NULL, L = NULL,
                useJ = TRUE, stinf = TRUE, alpha = NULL,
                main = "", ylab = NULL, ...)

参数

boot.out	类 "boot" 的对象，通常通过调用 boot 创建。它应该代表一个非参数引导程序。为了获得可靠的结果，boot.out$R 应该相当大。
index	boot.out$statistic 输出中感兴趣的统计数据的索引。
t	长度为 boot.out$R 的向量，给出感兴趣的统计数据的引导复制。如果感兴趣的统计量是计算的引导程序输出的函数，则这非常有用。如果未提供，则默认为 boot.out$t[,index] 。
L	感兴趣统计的经验影响值。仅当 useJ 为 FALSE 时才使用这些。如果未提供但需要它们，则通过调用 empinf 来计算它们。如果提供L，则假定它们是无穷小的折刀值。
useJ	一个逻辑变量，指示是否应使用从引导重复计算得出的折刀影响值。如果FALSE 使用经验影响值。默认为 TRUE 。
stinf	一个逻辑变量，指示在绘制折刀值之前是否对其进行标准化。如果TRUE，则使用的折刀值除以其标准误差。
alpha	需要绘图的分位数。默认为 c(0.05, 0.1, 0.16, 0.5, 0.84, 0.9, 0.95) 。
main	给出情节主标题的字符串。
ylab	Y 轴的标签。如果使用 alpha 的默认值并且未提供 ylab，则使用指示绘制哪些百分位数的标签。如果提供alpha，则默认标签不会说明使用了哪些百分位数。
...	boot.out$statistic 所需的任何额外参数。仅当useJ 是FALSE 并且未提供L 时才需要这些，在这种情况下，它们将传递到empinf 以用于计算经验影响值。

细节

每个观测值的居中折刀分位数是根据未出现特定观测值的引导样本估计的。然后根据影响值绘制这些结果。如果useJ 是TRUE，则影响值的查找方式与排除观测值的样本中的统计平均值与所有样本中的平均值之间的差值相同。如果useJ 是FALSE，则通过调用empinf 计算经验影响值。

生成的图是有用的诊断工具，可用于查看各个观察结果影响引导程序输出的方式。

该图将由许多水平虚线组成，这些虚线对应于中心引导分布的分位数。对于每个数据点，通过省略该点计算出的引导分布的分位数根据(可能是标准化的)折刀值绘制。观察编号打印在图下方。为了更容易看到省略分位数上的点的效果，绘制的分位数由线段连接。这些图提供了一个有用的诊断工具，用于确定个体观察对引导分布的影响。请参阅下面的引用，了解有关绘图解释的一些指南。

值

没有返回值，但在当前图形显示上生成绘图。

副作用

在当前图形设备上创建绘图。

例子

#  To draw the jackknife-after-bootstrap plot for the head size data as in
#  Example 3.24 of Davison and Hinkley (1997)
frets.fun <- function(data, i) {
    pcorr <- function(x) { 
    #  Function to find the correlations and partial correlations between
    #  the four measurements.
         v <- cor(x)
         v.d <- diag(var(x))
         iv <- solve(v)
         iv.d <- sqrt(diag(iv))
         iv <- - diag(1/iv.d) %*% iv %*% diag(1/iv.d)
         q <- NULL
         n <- nrow(v)
         for (i in 1:(n-1)) 
              q <- rbind( q, c(v[i, 1:i], iv[i,(i+1):n]) )
         q <- rbind( q, v[n, ] )
         diag(q) <- round(diag(q))
         q
    }
    d <- data[i, ]
    v <- pcorr(d)
    c(v[1,], v[2,], v[3,], v[4,])
}
frets.boot <- boot(log(as.matrix(frets)), frets.fun, R = 999)
#  we will concentrate on the partial correlation between head breadth
#  for the first son and head length for the second.  This is the 7th
#  element in the output of frets.fun so we set index = 7
jack.after.boot(frets.boot, useJ = FALSE, stinf = FALSE, index = 7)

参考

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

Efron, B. (1992) Jackknife-after-bootstrap standard errors and influence functions (with Discussion). Journal of the Royal Statistical Society, B, 54, 83-127.

也可以看看

boot , empinf