使用各种方法计算引导程序置信区间。
用法
int_pctl(.data, ...)
# S3 method for bootstraps
int_pctl(.data, statistics, alpha = 0.05, ...)
int_t(.data, ...)
# S3 method for bootstraps
int_t(.data, statistics, alpha = 0.05, ...)
int_bca(.data, ...)
# S3 method for bootstraps
int_bca(.data, statistics, alpha = 0.05, .fn, ...)
参数
- .data
-
包含使用
bootstraps()
创建的引导重采样的数据帧。对于 t- 和 BCa-intervals,apparent
参数应设置为TRUE
。即使对于百分位数方法将apparent
参数设置为TRUE
,表观数据也不会用于计算百分位数置信区间。 - ...
-
要传递给
.fn
的参数(仅限int_bca()
)。 - statistics
-
不带引号的列名称或
dplyr
选择器,用于标识包含各个引导估计的数据集中的单个列。这必须是整齐的 tibbles 列表列(包含term
和estimate
列)。对于t-intervals,需要一个标准的整齐列(通常称为std.err
)。请参阅下面的示例。 - alpha
-
重要性程度。
- .fn
-
计算兴趣统计量的函数。该函数应采用
rsplit
作为第一个参数,并且需要...
。
值
每个函数返回一个包含列 .lower
、 .estimate
、 .upper
、 .alpha
、 .method
和 term
的 tibble。 .method
是间隔类型(例如"percentile"、"student-t" 或"BCa")。 term
是估计的名称。请注意从 int_pctl()
返回的 .estimate
是引导重采样的估计值的平均值,而不是表观模型的估计值。
细节
百分位数间隔是获得置信区间的标准方法,但需要数千次重采样才能准确。 T-intervals 可能需要更少的重采样,但需要相应的方差估计。偏差校正和加速间隔需要用于创建感兴趣的统计数据的原始函数,并且计算量很大。
参考
https://rsample.tidymodels.org/articles/Applications/Intervals.html
戴维森,A. 和欣克利,D. (1997)。 Bootstrap 方法及其应用。剑桥:剑桥大学出版社。号码:10.1017/CBO9780511802843
例子
# \donttest{
library(broom)
library(dplyr)
library(purrr)
library(tibble)
lm_est <- function(split, ...) {
lm(mpg ~ disp + hp, data = analysis(split)) %>%
tidy()
}
set.seed(52156)
car_rs <-
bootstraps(mtcars, 500, apparent = TRUE) %>%
mutate(results = map(splits, lm_est))
int_pctl(car_rs, results)
#> Warning: Recommend at least 1000 non-missing bootstrap resamples for terms: `(Intercept)`, `disp`, `hp`.
#> # A tibble: 3 × 6
#> term .lower .estimate .upper .alpha .method
#> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
#> 1 (Intercept) 27.5 30.7 33.6 0.05 percentile
#> 2 disp -0.0440 -0.0300 -0.0162 0.05 percentile
#> 3 hp -0.0572 -0.0260 -0.00840 0.05 percentile
int_t(car_rs, results)
#> # A tibble: 3 × 6
#> term .lower .estimate .upper .alpha .method
#> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
#> 1 (Intercept) 28.1 30.7 34.6 0.05 student-t
#> 2 disp -0.0446 -0.0300 -0.0170 0.05 student-t
#> 3 hp -0.0449 -0.0260 -0.00337 0.05 student-t
int_bca(car_rs, results, .fn = lm_est)
#> Warning: Recommend at least 1000 non-missing bootstrap resamples for terms: `(Intercept)`, `disp`, `hp`.
#> # A tibble: 3 × 6
#> term .lower .estimate .upper .alpha .method
#> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
#> 1 (Intercept) 27.7 30.7 33.7 0.05 BCa
#> 2 disp -0.0446 -0.0300 -0.0172 0.05 BCa
#> 3 hp -0.0576 -0.0260 -0.00843 0.05 BCa
# putting results into a tidy format
rank_corr <- function(split) {
dat <- analysis(split)
tibble(
term = "corr",
estimate = cor(dat$sqft, dat$price, method = "spearman"),
# don't know the analytical std.err so no t-intervals
std.err = NA_real_
)
}
set.seed(69325)
data(Sacramento, package = "modeldata")
bootstraps(Sacramento, 1000, apparent = TRUE) %>%
mutate(correlations = map(splits, rank_corr)) %>%
int_pctl(correlations)
#> # A tibble: 1 × 6
#> term .lower .estimate .upper .alpha .method
#> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
#> 1 corr 0.737 0.768 0.796 0.05 percentile
# }
相关用法
- R rsample initial_split 简单的训练/测试集分割
- R rsample initial_validation_split 创建初始训练/验证/测试拆分
- R rsample validation_set 创建验证拆分以进行调整
- R rsample populate 添加评估指标
- R rsample vfold_cv V 折交叉验证
- R rsample rset_reconstruct 使用新的 rset 子类扩展 rsample
- R rsample group_mc_cv 小组蒙特卡罗交叉验证
- R rsample group_vfold_cv V 组交叉验证
- R rsample rolling_origin 滚动原点预测重采样
- R rsample reverse_splits 反转分析和评估集
- R rsample group_bootstraps 团体自举
- R rsample labels.rset 从 rset 对象中查找标签
- R rsample get_fingerprint 获取重采样的标识符
- R rsample bootstraps 引导抽样
- R rsample validation_split 创建验证集
- R rsample reg_intervals 具有线性参数模型的置信区间的便捷函数
- R rsample clustering_cv 集群交叉验证
- R rsample get_rsplit 从 rset 中检索单个 rsplit 对象
- R rsample loo_cv 留一交叉验证
- R rsample complement 确定评估样本
- R rsample slide-resampling 基于时间的重采样
- R rsample as.data.frame.rsplit 将 rsplit 对象转换为 DataFrame
- R rsample labels.rsplit 从 rsplit 对象中查找标签
- R rsample mc_cv 蒙特卡罗交叉验证
- R rsample tidy.rsplit 整洁的重采样对象
注:本文由纯净天空筛选整理自Hannah Frick等大神的英文原创作品 Bootstrap confidence intervals。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。