Bootstrapový percentilový interval
Hlavní myšlenka předchozího cvičení spočívala v tom, že vzdálenost mezi původním vzorkovým \(\hat{p}\) a hodnotami \(\hat{p}^*\) získanými přesamplováním (bootstrappingem) nám říká, jak daleko je původní \(\hat{p}\) od skutečného populačního parametru.
Tuto proměnlivost lze měřit i jiným způsobem. Stejně jako dříve platí, že pokud je \(\hat{p}\) dostatečně blízko skutečnému parametru, budou hodnoty \(\hat{p}^*\) z přesamplování kolísat tak, že se s tímto parametrem překrývají.
Místo použití \(\pm 2 SE\) k vymezení středních 95 % vzorkových hodnot \(\hat{p}\) lze střed bootstrapových hodnot \(\hat{p}^*\) najít odstraněním horních a dolních 2,5 %. Tato druhá metoda konstrukce bootstrapových intervalů nabízí také intuitivní způsob, jak sestavit 90% nebo 99% intervaly spolehlivosti, nejen 95% intervaly.
Bootstrapové převzorkování one_poll_boot a podíl hlasů „ano" p_hat jsou dostupné v tvém pracovním prostoru.
Toto cvičení je součástí kurzu
Základy statistické inference v R
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# From previous exercise: bootstrap t-confidence interval
one_poll_boot %>%
summarize(
lower = p_hat - 2 * sd(stat),
upper = p_hat + 2 * sd(stat)
)
# Manually calculate a 95% percentile interval
one_poll_boot %>%
summarize(
lower = ___(stat, p = ___),
upper = ___
)