statistics-bootstrap

0熱度

1回答

model.frame.default中的錯誤...變量長度不同R中的線性模型驗證

我正嘗試使用引導包中的函數cv.glm（）來驗證線性模型。首先我運行模式和正常工作： > linear_model_red<-glm(red_wine_data$quality~.,data=red_wine_data) 然後，我想做的驗證： cv.glm(red_wine_data,linear_model_red) ，並擊掌我的錯誤： Error in model.frame.def

0熱度

1回答

自舉以獲得置信區間使用R

我試圖使用非參數引導來引導可靠性估計我已經寫了下面的代碼創建模型，然後引導1000次以獲得兩個可靠性統計信息Alpha和Omega 我是能夠與置信區間得到Alpha和歐米茄爲第一構建：visual =~ x1 + x2 + x3但看到沒有辦法訪問它的其他結構textual和speed 當我運行的引導功能，我看到的結果爲所有的 # bootstrapping with 1000 replicati

1熱度

2回答

引導R中

加權平均我知道如何引導向量的平均值： library(boot) samplemean <- function(x, d) { return(mean(x[d])) } results_qsec <- boot(data=mtcars$qsec, statistic = samplemean, R=1000) ，但我怎麼引導的加權平均值，考慮到例如值在mtcars$qsec和這

1熱度

1回答

如何從經驗分佈函數中製作樣本

我試圖在Python上實現非參數引導。它需要採樣，從中建立一個經驗分佈函數，然後從這個edf生成一堆樣本。我該怎麼做？在scipy中，我發現如果你知道描述它的確切公式，只有如何使你自己的分佈函數，但我只有一個edf。

0熱度

2回答

從K倍中挑選哪個模型交叉驗證

我在閱讀關於交叉驗證以及如何使用它來選擇最佳模型和估計參數，但我並沒有真正理解它的含義。假設我建立一個線性迴歸模型並進行10倍交叉驗證，我認爲這10個系統中的每一個都有不同的係數值，現在來自10個不同的系統值，我應該選擇它作爲我的最終模型或估計參數。或者我們是否僅使用交叉驗證來尋找平均誤差（本例中爲10個模型的平均值）並與另一個模型進行比較？

1熱度

1回答

plyr + simpleboot：NA在概率向量

我使用simpleboot包（https://cran.r-project.org/web/packages/simpleboot/index.html），以獲得置信區間。這是我的函數： lb_weighted_median_dplyr <- function(x,v) { set.seed(1234) b <- one.boot(x, weights = v, FUN =

0熱度

1回答

生成摺疊取樣過程中產生的數據幀對象

本文已被編輯以更準確地描述情況。我正在爲我的工作使用一種折刀取樣。 jackknifed數據將用於校準模型，未使用的數據將用於驗證。不是立即進行分析，我想保存jackknifed樣本作爲dataframes，以及其對每個樣品中刪除的數據... 這很難解釋，所以我會用一個例子以說明：該示例的目的是創建數據集4次。每次應該有兩個數據集 - 一個長度爲9（校準一個）和一個長度爲3（驗證一個）。 df

1熱度

1回答

使用R Bootstrap獲取迴歸係數名稱

我在R中使用boot包來計算自舉SE和置信區間。我試圖找到一個優雅而有效的方法來獲取我的參數的名稱以及它們的估計值的引導程序分佈。例如，考慮給予here簡單的例子： # Bootstrap 95% CI for regression coefficients library(boot) # function to obtain regression weights bs = function

1熱度

1回答

如何繪製自舉置信區間

我正在運行一些自舉置信區間，我想用均值繪製置信區間。類似這樣的：這是我的模型。正如你可以看到DISTANCE和POS是因素。 lmm1 <- lmer((total) ~ DISTANCE+POS + (1|NO_UNIT),data=TURN) TURN$POS<-as.factor(TURN$POS)#Change position and distance to factors TUR

1熱度

1回答

如何將自舉CI添加到此函數R

我想計算這兩個估計的90％置信區間（Bootstrap）。 Harrell-Davis無分佈分位數估計器。我認爲這個函數是估計平均值和標準差的非參數分位數的引導版本。現在我想知道如何計算90％CI？ library(Hmisc) x <- runif(100) hdquantile(x, probs = seq(0.025, 0.975,0.95), se=TRUE,names = TRUE,