Urval och punktskattningar

Urval i R

Richie Cotton

Data Evangelist at DataCamp

Uppskatta Frankrikes befolkning

En karta över Frankrike.

En folkräkning frågar varje hushåll hur många personer som bor där.

Det bor många människor i Frankrike

En karta över Frankrike med ikoner av människor.

Folkräkningar är väldigt dyra!

Sampla hushåll

En karta över Frankrike med ikoner av människor, där några är markerade.

Det är billigare att fråga ett litet antal hushåll och använda statistik för att skatta hela populationen.

Att arbeta med en delmängd av hela populationen kallas sampling.

Population vs. sampel

Populationen är den fullständiga datamängden.

Det behöver inte handla om personer.
Vanligtvis känner du inte till hela populationen.

Samplet är den delmängd av data du beräknar på.

Datamängd för kaffebetyg

total_cup_points	variety	country_of_origin	aroma	flavor	aftertaste	body	balance
90.58	NA	Ethiopia	8.67	8.83	8.67	8.50	8.42
89.92	Other	Ethiopia	8.75	8.67	8.50	8.42	8.42
...	...	...	...	...	...	...	...
73.75	NA	Vietnam	6.75	6.67	6.5	6.92	6.83

Varje rad representerar 1 kaffe.
1 138 rader.
Vi behandlar detta som populationen.

Poäng vs. smak: population

pts_vs_flavor_pop <- coffee_ratings %>% 
  select(total_cup_points, flavor)

dim(pts_vs_flavor_pop)

1338    2

     total_cup_points flavor
1               90.58   8.83
2               89.92   8.67
3               89.75   8.50
4               89.00   8.58
...              ...     ...
1335            78.08   7.67
1336            77.17   7.33
1337            75.08   6.83
1338            73.75   6.67

Poäng vs. smak: sampel på 10 rader

pts_vs_flavor_samp <- coffee_ratings %>% 
  select(total_cup_points, flavor) %>%
  slice_sample(n = 10)

dim(pts_vs_flavor_samp)

10  2

   total_cup_points flavor
1             82.25   7.58
2             83.50   7.67
3             80.50   7.17
4             79.33   7.17
5             83.83   7.58
6             84.17   7.75
7             83.67   8.17
8             81.92   7.50
9             82.67   7.58
10            83.42   7.67

Sampling med bas-R

Använd slice_sample() för dataramar och sample() för vektorer.

cup_points_samp <- sample(coffee_ratings$total_cup_points, size = 10)

88.25 83.83 83.17 82.67 84.67 83.42 73.67 86.00 81.58 80.92

Populationsparametrar och punktskattningar

En populationsparameter är en beräkning gjord på populationens datamängd.

mean(pts_vs_flavor_pop$total_cup_points)

82.15

En punktskattning eller stickprovsstatistik är en beräkning gjord på samplets datamängd.

mean(cup_points_samp)

82.82

Punktskattningar med dplyr

pts_vs_flavor_pop %>% 
  summarize(mean_flavor = mean(flavor))

  mean_flavor
1       7.526

pts_vs_flavor_samp %>% 
  summarize(mean_flavor = mean(flavor))

  mean_flavor
1       7.716

Nu kör vi en övning!

Urval i R