抽樣與點估計

R 的抽樣

Richie Cotton

Data Evangelist at DataCamp

估計法國人口

法國地圖。

人口普查會詢問每戶住了幾個人。

法國人口很多

法國地圖與人物圖示。

人口普查非常昂貴！

抽樣家庭

法國地圖與人物圖示，其中部分被反白。

用較少的家庭做調查，再用統計推估整體人口，成本更低。

只用整體的一部分來分析稱為「抽樣」。

母體 vs. 樣本

「母體」是完整的資料集。

不一定指人。
你通常不知道整個母體的全貌。

「樣本」是你實際計算用的資料子集。

咖啡評分資料集

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

每列代表 1 種咖啡。
共 1138 列。
我們把它視為母體。

總分 vs. 風味：母體

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

總分 vs. 風味：10 列樣本

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

Base R 抽樣

資料框用 slice_sample()，向量用 sample()。

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

母體參數與點估計

「母體參數」是對母體資料集做的計算。

mean(pts_vs_flavor_pop$total_cup_points)

82.15

「點估計」或「樣本統計量」是對樣本資料集做的計算。

mean(cup_points_samp)

82.82

用 dplyr 做點估計

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

一起來練習吧！

R 的抽樣