Effet du percentile sur les IC par bootstrap

La plupart des scientifiques utilisent des intervalles à 95 % pour quantifier l’incertitude autour d’une estimation. Autrement dit, ils comprennent que, sur toute une carrière à construire des intervalles de confiance, seulement 95 % d’entre eux contiendront effectivement le paramètre qu’ils cherchent à estimer.

Cependant, certaines études justifient des intervalles de confiance plus stricts ou plus souples (et donc des taux d’erreur différents).

Les valeurs bootstrap précédentes de \(\hat{p}^*\) ont été chargées pour vous et sont disponibles dans one_poll_boot.

Cet exercice fait partie du cours

Bases de l’inférence en R

Afficher le cours

Instructions

Calculez un intervalle percentile à 95 % en appelant get_confidence_interval() avec level défini à 0.95.
Faites de même pour un intervalle à 99 %,
… et pour un intervalle à 90 %.
Les résultats que vous venez d’obtenir sont stockés dans un dataframe nommé conf_int_data. Avec ce jeu de données, tracez ci_endpoints (axe vertical) en fonction de ci_percent (axe horizontal) et ajoutez une couche de ligne avec geom_line().

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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
  ___()

Modifier et exécuter le code