R jack.after.boot 自舉後折刀圖

說明

此函數從引導程序輸出對象計算折刀影響值並繪製相應的 jackknife-after-bootstrap 圖。

用法

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

參數

boot.out	類 "boot" 的對象，通常通過調用 boot 創建。它應該代表一個非參數引導程序。為了獲得可靠的結果，boot.out$R 應該相當大。
index	boot.out$statistic 輸出中感興趣的統計數據的索引。
t	長度為 boot.out$R 的向量，給出感興趣的統計數據的引導複製。如果感興趣的統計量是計算的引導程序輸出的函數，則這非常有用。如果未提供，則默認為 boot.out$t[,index] 。
L	感興趣統計的經驗影響值。僅當 useJ 為 FALSE 時才使用這些。如果未提供但需要它們，則通過調用 empinf 來計算它們。如果提供L，則假定它們是無窮小的折刀值。
useJ	一個邏輯變量，指示是否應使用從引導重複計算得出的折刀影響值。如果FALSE 使用經驗影響值。默認為 TRUE 。
stinf	一個邏輯變量，指示在繪製折刀值之前是否對其進行標準化。如果TRUE，則使用的折刀值除以其標準誤差。
alpha	需要繪圖的分位數。默認為 c(0.05, 0.1, 0.16, 0.5, 0.84, 0.9, 0.95) 。
main	給出情節主標題的字符串。
ylab	Y 軸的標簽。如果使用 alpha 的默認值並且未提供 ylab，則使用指示繪製哪些百分位數的標簽。如果提供alpha，則默認標簽不會說明使用了哪些百分位數。
...	boot.out$statistic 所需的任何額外參數。僅當useJ 是FALSE 並且未提供L 時才需要這些，在這種情況下，它們將傳遞到empinf 以用於計算經驗影響值。

細節

每個觀測值的居中折刀分位數是根據未出現特定觀測值的引導樣本估計的。然後根據影響值繪製這些結果。如果useJ 是TRUE，則影響值的查找方式與排除觀測值的樣本中的統計平均值與所有樣本中的平均值之間的差值相同。如果useJ 是FALSE，則通過調用empinf 計算經驗影響值。

生成的圖是有用的診斷工具，可用於查看各個觀察結果影響引導程序輸出的方式。

該圖將由許多水平虛線組成，這些虛線對應於中心引導分布的分位數。對於每個數據點，通過省略該點計算出的引導分布的分位數根據(可能是標準化的)折刀值繪製。觀察編號打印在圖下方。為了更容易看到省略分位數上的點的效果，繪製的分位數由線段連接。這些圖提供了一個有用的診斷工具，用於確定個體觀察對引導分布的影響。請參閱下麵的引用，了解有關繪圖解釋的一些指南。

值

沒有返回值，但在當前圖形顯示上生成繪圖。

副作用

在當前圖形設備上創建繪圖。

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)

參考

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