超级会员免费看
本文介绍了Bootstrap方法的基本原理，包括非参数和参数Bootstrap方法，并通过池塘捕鱼的例子直观解释其概念。接着，文章展示了如何使用R语言进行Bootstrap估计，以women数据集为例，计算weight变量均值的95%可信区间。文章还提到了在估计多个参数时的注意事项，如在urine数据集上构建线性模型，并讨论了重抽样次数的选择和可信区间的计算方法。最后，指出不同计算方法可能导致可信区间差异，并提供了相关参考资料。
bootstrap方法的原理：当总体分布未知时，我们可以通过对总体进行反复的、有放回的抽样，从而组建多个样本并利用这些样本对总体进行推断，这个方法被称为非参数bootstrap方法。
当我们已经知道总体的分布函数，但其中含有待估参数时，我们也可以使用这种方法对参数进行估计，此时可以称为参数bootstrap方法。因此与上一讲提到的置换检验相比，bootstrap方法很适合来解决参数估计的问题。
网上有一个例子对bootstrap方法解释的很好。这个例子说为了测量池塘中有多少鱼，我们可以首先在池塘中放入100尾带有标记的鱼，过一段时间后当池塘中的鱼混合均匀后，我们可以进行反复的有放回的捕捞，看看每次捞出的鱼当中有多少带有标记，从而对池塘中鱼的总量进行估计。这个例子很形象的解释了bootstrap方法的原理。
接下来我们使用bootstrap方法来估计women数据集中weight变量均值的95%可信区间。
> library(boot)
> dt=women
> #Step1 构造一个函数,这个函数必须能输出重抽样的结果
> hs
订阅专栏 解锁全文
6821
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
