Der grundlegende Prozess f\u00fcr das Bootstrapping ist wie folgt:<\/span><\/p>\n Wir k\u00f6nnen in R mit den folgenden Funktionen aus der Bootstrap-Bibliothek<\/a> booten:<\/span><\/p>\n 1. Bootstrap-Beispiele generieren.<\/span><\/p>\n boot(Daten, Statistiken, R, \u2026)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n 2. Generieren Sie ein Bootstrap-Konfidenzintervall.<\/span><\/p>\n boot.ci(Boot-Objekt, Konfiguration, Typ)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Die folgenden Beispiele zeigen, wie Sie diese Funktionen in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Der folgende Code zeigt, wie der Standardfehler f\u00fcr dasR-Quadrat<\/a> eines einfachen linearen Regressionsmodells berechnet wird:<\/span><\/p>\n Aus den Ergebnissen k\u00f6nnen wir sehen:<\/span><\/p>\n Wir k\u00f6nnen die Verteilung der Bootstrapping-Beispiele auch schnell visualisieren:<\/span> <\/p>\n Wir k\u00f6nnen auch den folgenden Code verwenden, um das 95 %-Konfidenzintervall f\u00fcr das gesch\u00e4tzte R-Quadrat des Modells zu berechnen:<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir ersehen, dass das Bootstrapping-Konfidenzintervall von 95 % f\u00fcr die wahren R-Quadrat-Werte (0,5350, 0,8188) betr\u00e4gt.<\/span><\/p>\n Der folgende Code zeigt, wie der Standardfehler f\u00fcr jeden Koeffizienten in einem multiplen linearen Regressionsmodell berechnet wird:<\/span><\/p>\n Aus den Ergebnissen k\u00f6nnen wir sehen:<\/span><\/p>\n Wir k\u00f6nnen die Verteilung der Bootstrapping-Beispiele auch schnell visualisieren:<\/span> <\/p>\n Wir k\u00f6nnen auch den folgenden Code verwenden, um die 95 %-Konfidenzintervalle f\u00fcr jeden Koeffizienten zu berechnen:<\/span><\/p>\n Aus den Ergebnissen k\u00f6nnen wir ersehen, dass die Bootstrapping-95-%-Konfidenzintervalle f\u00fcr die Modellkoeffizienten wie folgt lauten:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in R durch<\/a> Bootstrapping ist eine Methode, mit der der Standardfehler jeder Statistik gesch\u00e4tzt und einKonfidenzintervall f\u00fcr die Statistik erstellt werden kann. Der grundlegende Prozess f\u00fcr das Bootstrapping ist wie folgt: Nehmen Sie k Replikatproben mit Ersetzung aus einem bestimmten Datensatz. Berechnen Sie f\u00fcr jede Stichprobe die interessierende Statistik. Dies ergibt k verschiedene Sch\u00e4tzungen f\u00fcr eine bestimmte Statistik, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
\n
Beispiel 1: Bootstrap einer einzelnen Statistik<\/strong><\/span><\/h3>\n
set.seed(0)\nlibrary<\/span> (boot)\n\n#define function to calculate R-squared\n<\/span>rsq_function <- function<\/span> (formula, data, indices) {\n d <- data[indices,] #allows boot to select sample<\/span>\n fit <- lm(formula, data=d) #fit regression model<\/span>\n return<\/span> (summary(fit)$r.square) #return R-squared of model<\/span>\n}\n#perform bootstrapping with 2000 replications\n<\/span>reps <- boot(data=mtcars, statistic=rsq_function, R=2000, formula=mpg~disp)\n\n#view results of boostrapping\n<\/span>reps\n\nORDINARY NONPARAMETRIC BOOTSTRAP\n\n\nCall:\nboot(data = mtcars, statistic = rsq_function, R = 2000, formula = mpg ~ \n available)\n\n\nBootstrap Statistics:\n original bias std. error\nt1* 0.7183433 0.002164339 0.06513426<\/strong><\/pre>\n\n
plot(reps)\n<\/strong><\/pre>\n
![\"Histogramm](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/demarrage1.png\")
<\/p>\n #calculate adjusted bootstrap percentile (BCa) interval\n<\/span>boot.ci(reps, type=\" bca<\/span> \")\n\nCALL: \nboot.ci(boot.out = reps, type = \"bca\")\n\nIntervals: \nLevel BCa \n95% (0.5350, 0.8188) \nCalculations and Intervals on Original Scale<\/strong><\/pre>\n Beispiel 2: Bootstrap mehrerer Statistiken<\/strong><\/span><\/h3>\n
set.seed(0)\nlibrary<\/span> (boot)\n\n#define function to calculate fitted regression coefficients\n<\/span>coef_function <- function<\/span> (formula, data, indices) {\n d <- data[indices,] #allows boot to select sample<\/span>\n fit <- lm(formula, data=d) #fit regression model<\/span>\n return<\/span> (coef(fit)) #return coefficient estimates of model<\/span>\n}\n\n#perform bootstrapping with 2000 replications\n<\/span>reps <- boot(data=mtcars, statistic=coef_function, R=2000, formula=mpg~disp)\n\n#view results of boostrapping\n<\/span>reps\n\nORDINARY NONPARAMETRIC BOOTSTRAP\n\n\nCall:\nboot(data = mtcars, statistic = coef_function, R = 2000, formula = mpg ~ \n available)\n\n\nBootstrap Statistics:\n original bias std. error\nt1* 29.59985476 -5.058601e-02 1.49354577\nt2* -0.04121512 6.549384e-05 0.00527082<\/strong><\/pre>\n\n
plot(reps, index=1) #intercept of model<\/span>\nplot(reps, index=2) #disp predictor variable\n<\/span><\/strong><\/pre>\n![\"Bootstrapping](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/demarrage2.png\")
<\/p>\n #calculate adjusted bootstrap percentile (BCa) intervals\n<\/span>boot.ci(reps, type=\" bca<\/span> \", index=1) #intercept of model<\/span>\nboot.ci(reps, type=\" bca<\/span> \", index=2) #disp predictor variable\n<\/span>\nCALL: \nboot.ci(boot.out = reps, type = \"bca\", index = 1)\n\nIntervals: \nLevel BCa \n95% (26.78, 32.66) \nCalculations and Intervals on Original Scale\nBOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS\nBased on 2000 bootstrap replicates\n\nCALL: \nboot.ci(boot.out = reps, type = \"bca\", index = 2)\n\nIntervals: \nLevel BCa \n95% (-0.0520, -0.0312) \nCalculations and Intervals on Original Scale<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a>
Einf\u00fchrung in Konfidenzintervalle<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"