Perzentil-Effekte auf Bootstrap-Konfidenzintervalle

Die meisten Wissenschaftlerinnen und Wissenschaftler verwenden 95%-Intervalle, um ihre Unsicherheit über eine Schätzung zu quantifizieren. Das heißt, sie wissen, dass über ein Forscherleben hinweg nur 95% der von ihnen gebildeten Konfidenzintervalle den wahren Parameter enthalten, den sie schätzen wollen.

Es gibt jedoch Studien, für die strengere oder großzügigere Konfidenzintervalle (und entsprechende Fehlerraten) angebracht sind.

Die zuvor gebootstrappten Werte \(\hat{p}^*\) wurden für dich geladen und stehen in one_poll_boot zur Verfügung.

Diese Übung ist Teil des Kurses

Grundlagen der Inferenz in R

Kurs anzeigen

Anleitung zur Übung

Berechne ein 95%-Perzentilintervall, indem du get_confidence_interval() aufrufst und level auf 0.95 setzt.
Mach dasselbe für ein 99%-Intervall,
… und ein 90%-Intervall.
Die Ergebnisse, die du gerade erhalten hast, sind in einem Dataframe namens conf_int_data gespeichert. Erstelle mit diesem Datensatz ein Diagramm von ci_endpoints (vertikale Achse) gegen ci_percent (horizontale Achse) und füge mit geom_line() eine Linienebene hinzu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Calculate a 95% bootstrap percentile interval
one_poll_boot %>% 
  ___(___) 

# Calculate a 99% bootstrap percentile interval
___ %>% 
  ___(___) 

# Calculate a 90% bootstrap percentile interval
___ %>% 
  ___(___) 

# Plot ci_endpoints vs. ci_percent to compare the intervals
ggplot(conf_int_data, aes(___, ___)) +
  # Add a line layer
  ___()

Code bearbeiten und ausführen