Bootstrap por pares

Pensamiento estadístico en Python (Parte 2)

Justin Bois

Lecturer at the California Institute of Technology

Inferencia no paramétrica

No hagas supuestos sobre el modelo ni sobre la distribución subyacente

Resultados en estados bisagra de EE. UU., 2008

Resultados electorales de estados bisagra de EE. UU. en 2008

¹ Datos obtenidos de Data.gov (https://www.data.gov/)

Bootstrap por pares para regresión lineal

Remuestrea los datos por pares
Calcula pendiente e intercepto del remuestreo
Cada pendiente e intercepto es un replicado bootstrap
Calcula intervalos de confianza con percentiles de los replicados

Generar una muestra bootstrap por pares

np.arange(7)

array([0, 1, 2, 3, 4, 5, 6])

inds = np.arange(len(total_votes))

bs_inds = np.random.choice(inds, len(inds))

bs_total_votes = total_votes[bs_inds]
bs_dem_share = dem_share[bs_inds]

Calcular un replicado bootstrap por pares

bs_slope, bs_intercept = np.polyfit(bs_total_votes, 
                                    bs_dem_share, 1)

bs_slope, bs_intercept

(3.9053605692223672e-05, 40.387910131803025)

np.polyfit(total_votes, dem_share, 1)  # fit of original

array([  4.03707170e-05,   4.01139120e+01])

Resultados en estados bisagra de EE. UU., 2008

Resultados electorales de estados bisagra de EE. UU. en 2008

¹ Datos obtenidos de Data.gov (https://www.data.gov/)

¡Vamos a practicar!

Pensamiento estadístico en Python (Parte 2)