自助法简介

R 中的抽样

Richie Cotton

Data Evangelist at DataCamp

放回还是不放回

不放回抽样

赌场桌上的扑克牌。

放回抽样（"重抽样"）

四个掷出的骰子。

简单随机抽样（不放回）

总体

整齐排列的咖啡豆。

样本

整齐排列的咖啡豆，其中大部分为灰色。

简单随机抽样（放回）

总体

整齐排列的咖啡豆。

样本

随机抽取的咖啡豆，其中一些重复。

为何要放回抽样？

将 coffee_ratings 视为所有咖啡这一总体的一个样本。
把样本中的每款咖啡看作代表总体中许多未被抽到的咖啡。
放回抽样相当于把这些组的不同成员纳入样本。

咖啡数据准备

coffee_focus <- coffee_ratings %>%
  select(variety, country_of_origin, flavor) %>%
  rowid_to_column()

glimpse(coffee_focus)

Rows: 1,338
Columns: 4
$ rowid             <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, ...
$ variety           <chr> NA, "Other", "Bourbon", NA, "Other", NA, "Other", N...
$ country_of_origin <chr> "Ethiopia", "Ethiopia", "Guatemala", "Ethiopia", "E...
$ flavor            <dbl> 8.83, 8.67, 8.50, 8.58, 8.50, 8.42, 8.50, 8.33, 8.6...

用 slice_sample() 重抽样

coffee_resamp <- coffee_focus %>%
  slice_sample(prop = 1, replace = TRUE)

# A tibble: 1,338 x 4
   rowid variety country_of_origin flavor
   <int> <chr>   <chr>              <dbl>
 1  1253 Bourbon Guatemala           6.92
 2   186 Caturra Colombia            7.58
 3  1185 Bourbon Guatemala           7.42
 4  1273 NA      Philippines         6.5 
 5  1042 Caturra Honduras            7.33
 6   195 Caturra Guatemala           7.75
 7  1219 Typica  Mexico              7   
 8   952 Caturra Honduras            7.5 
 9    41 Caturra Thailand            8.33
10   460 Caturra Honduras            7.67
# ... with 1,328 more rows

重复出现的咖啡

coffee_resamp %>% 
  count(rowid, sort = TRUE)

# A tibble: 844 x 2
   rowid     n
   <int> <int>
 1   704     5
 2   913     5
 3  1070     5
 4    16     4
 5   180     4
 6   230     4
 7   234     4
 8   342     4
 9   354     4
10   423     4
# ... with 834 more rows

缺失的咖啡

coffee_resamp %>% 
  summarize(
    coffees_included = n_distinct(rowid),
    coffees_not_included = n() - coffees_included
  )

# A tibble: 1 x 2
  coffees_included coffees_not_included
             <int>                <int>
1              844                  494

自助法（Bootstrapping）

与从总体抽样相反。

抽样：从总体到较小的样本。

自助法：用你的样本构建一个理论"总体"。

自助法用途

用单个样本认识抽样变异性。

一只牛仔靴。

自助法流程

生成与原样本同样大小的重抽样。
计算该自助样本的目标统计量。
多次重复步骤 1 和 2。

得到的统计量称为"自助统计量"，其变异性的分布称为"自助分布"。

咖啡风味均值的自助法

# Step 3. Repeat many times
mean_flavors_1000 <- replicate(
  n = 1000,
  expr = {

    coffee_focus %>%
      # Step 1. Resample
      slice_sample(prop = 1, replace = TRUE) %>%

      # Step 2. Calculate statistic
      summarize(mean_flavor = mean(flavor, na.rm = TRUE)) %>% 
      pull(mean_flavor)

})

自助分布直方图

bootstrap_distn <- tibble(
  resample_mean = mean_flavors_1000
)

ggplot(bootstrap_distn, aes(resample_mean)) +
  geom_histogram(binwidth = 0.0025)

样本均值自助分布的直方图。

让我们来练习！

R 中的抽样