Bootstrap: tahmin, güven aralığının dışında

Karışık bir model ile bir önyükleme yaptım (etkileşimli birkaç değişken ve bir rastgele değişken). Bu sonucu aldım (sadece kısmi):

> boot_out

ORDINARY NONPARAMETRIC BOOTSTRAP

Call:
boot(data = a001a1, statistic = bootReg, R = 1000)

Bootstrap Statistics :
          original        bias     std. error
t1*   4.887383e+01 -1.677061e+00 4.362948e-01
t2*   3.066825e+01  1.264024e+00 5.328387e-01
t3*   8.105422e+01  2.368599e+00 6.789091e-01
t4*   1.620562e+02  4.908711e+00 1.779522e+00
......

Şimdi, müdahale için güven aralıklarını almak istedim:

> boot.ci(boot_out,type=c("norm","basic","perc"), index=1)
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 1000 bootstrap replicates

CALL : 
boot.ci(boot.out = boot_out, type = c("norm", "basic", 
"perc"), index = 1)

Intervals : 
Level      Normal              Basic              Percentile     
95%   (49.70, 51.41 )   (49.70, 51.41 )   (46.34, 48.05 )  
Calculations and Intervals on Original Scale

Düzeltilen önyargı:

48.873 -1.677
1 47.196

Benim sorunum normal ve temel CI tahminin dışında (orijinal ve düzeltilmiş) olmasıdır. Sadece bununla nasıl başa çıkacağımı merak ediyorum.

Güncelleme 1:
İşte çok sayıda yanıtı olan benzer bir soru.

r confidence-interval bootstrap bias

— giordano
kaynak

Sadece bir yorum: Klasik kitaptaki Efron & Tibshirani (1993), standart hataya yol açabilecek "tehlikeli" ve "sorunlu" bir uygulama olduğunu söyleyerek önyargı düzeltmesine karşı olduğunu savunuyorlardı.

— Tim

@Tim Yorumunuz için teşekkürler. Kitaba bir göz atacağım. Belki de bir çözüm, güven aralıklarını hesaplamak için tahminleri ve bootstrap se * 'yi kullanmaktır. Benim durumumda, önyargı tahminleri sadece biraz etkiliyor.

— giordano

Karşılaştığınız zorluk, zımni matematikten kaynaklanmaktadır. Bir konum merkezi tahmincisi veya bir aralık tahmincisi, bir dağıtım üzerinde bir maliyet fonksiyonunun en aza indirilmesi olarak düşünülebilir. Gauss üzerindeki örnek ortalaması ikinci dereceden kaybı en aza indirirken, medyan Gauss üzerinde mutlak doğrusal kayıp işlevini en aza indirir. Popülasyonda aynı noktada olmalarına rağmen, farklı maliyet fonksiyonları kullanılarak keşfedilirler.

Size bir algoritma veriyoruz ve "bunu yap" diyoruz ama algoritma geliştirilmeden önce birisi bir optimizasyon problemini çözdü.

Size üç aralık ve bir nokta tahmincisi veren dört farklı maliyet fonksiyonu uyguladınız. Maliyet fonksiyonları farklı olduğundan, size farklı noktalar ve aralıklar sağlarlar. Metodolojiyi manuel olarak birleştirmek dışında yapılacak hiçbir şey yoktur.

Hangi makaleleri hangi tür problemlerle eşleştirdiğini anlamak için altta yatan kağıtları bulmanız ve altta yatan koda bakmanız gerekir.

Bunu söylediğim için üzgünüm, ama yazılıma ihanet ettin. İşini yaptı ve ortalama olarak bu harika çalışıyor, ancak yazılımın çalışmadığı bir örnek aldınız. Ya da daha doğrusu, mükemmel çalışıyor ve gerçekten ne yaptığını belirlemek için literatürde geriye doğru gitmeniz gerekiyor.

— Dave Harris
kaynak

Bu iş için teşekkürler ve ortalama olarak bu harika çalışıyor, ancak yazılımın çalışmadığı örnek ve diğer bilgiler var. Aslında, örnek garip, bu yüzden CI hesaplamak için Bootsstrap kullanmak istedim. Açıkçası, bu yöntem göründüğü kadar basit görünmüyor.

— giordano