R语言与回归分析学习笔记（bootstrap method）

           Bootstrap方法在之前的博文《R语言与点估计学习笔记（EM算法与Bootstrap法）》里有提到过，简而言之，bootstrap方法就是重抽样。为什么需要bootstrap方法呢？因为bootstrap方法使得我们无需分布理论的知识也可以进行假设检验，获得置信区间。当数据来自未知分布，或者存在严重异常点，又或者样本量过小，没有参数方法解决问题时，bootstrap方法将是一个很棒的方法。

        对于回归分析而言，bootstrap无疑对回归的正态性假设做了极大地放松，使得回归推断越来越好用，也更具有说服力。

        从博文《R语言与点估计学习笔记（EM算法与Bootstrap法）》里可以看到，对于参数统计，特别是在已知分布的参数估计，bootstrap并没有多大的意义，它的结果和矩估计或者极大似然估计的结果并没有多大的差别（如果有差别会令人觉得很奇怪，不是吗？）

        Boot包中提供了做bootstrap的两个十分好用的函数：boot（），boot.ci（）。两者的调用格式与参数说明如下：

        Boot（）函数：

boot(data, statistic, R, sim ="ordinary", stype = c("i", "f", "w"),

     strata= rep(1,n), L = NULL, m = 0, weights = NULL,

    ran.gen = function(d, p) d, mle = NULL, simple = FALSE, ...,

    parallel = c("no", "multicore", "snow"),

    ncpus = getOption("boot.ncpus", 1L), cl = NULL)

     参数说明：

Data：数据，可以是向量，矩阵，数据框

Statistic：统计量，如均值，中位数，回归参数，回归里的R^2等

R：调用统计量函数次数

         Boot（）的返回值：

T0:从原始数据中得到的k个统计量的观测值

T:一个R*K的矩阵

       Boot.ci（）函数：

boot.ci(boot.out, conf = 0.95, type = "all", 

        index = 1:min(2,length(boot.out$t0)), var.t0 = NULL, 

        var.t = NULL, t0 = NULL, t = NULL, L = NULL,

        h = function(t) t, hdot = function(t) rep(1,length(t)),

        hinv = function(t) t, ...)

        参数说明：

Boot.out（）：boot函数的返回值

Type：返回置信区间的类型，R中提供的有"norm" ,"basic", "stud","perc", "bca"