Effets du percentile sur les IC bootstrap
La plupart des scientifiques utilisent des intervalles à 95 % pour quantifier leur incertitude à propos d'une estimation. Autrement dit, ils comprennent que, sur toute une carrière à construire des intervalles de confiance, seulement 95 % d'entre eux contiendront réellement le paramètre qu'ils cherchent à estimer.
Cependant, certaines études exigent des intervalles de confiance plus stricts ou plus souples (et des taux d'erreur correspondants).
Les valeurs bootstrap précédentes de \(\hat{p}^*\) ont été chargées pour vous et sont disponibles dans one_poll_boot.
Cette activité fait partie du cours
Fondements de l'inférence en R
Instructions de l’exercice
- Calculez un intervalle de percentile à 95 % en appelant
get_confidence_interval()et en fixantlevelà0.95. - Faites de même pour un intervalle à 99 %,
- … et un intervalle à 90 %.
- Les résultats que vous venez d'obtenir sont stockés dans une trame de données appelée
conf_int_data. Avec cet ensemble de données, tracezci_endpoints(axe vertical) en fonction deci_percent(axe horizontal), et ajoutez une couche de ligne avecgeom_line().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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
___()