Interval persentil bootstrap
Gagasan utama pada latihan sebelumnya adalah bahwa jarak antara sampel asli \(\hat{p}\) dan nilai \(\hat{p}^*\) hasil resampling (atau bootstrap) memberikan ukuran seberapa jauh \(\hat{p}\) asli dari proporsi populasi yang sebenarnya.
Variabilitas yang sama dapat diukur dengan mekanisme lain. Seperti sebelumnya, jika \(\hat{p}\) cukup dekat dengan parameter sebenarnya, maka nilai \(\hat{p}^*\) hasil resampling (bootstrap) akan bervariasi sedemikian rupa sehingga tumpang tindih dengan parameter sebenarnya.
Alih-alih menggunakan \(\pm 2 SE\) untuk mengukur 95% tengah dari nilai \(\hat{p}\) yang disampel, Anda dapat menemukan bagian tengah dari nilai \(\hat{p}^*\) hasil resampling dengan membuang 2,5% bagian atas dan bawah. Perhatikan bahwa metode kedua untuk membangun interval bootstrap ini juga memberikan cara intuitif untuk membuat interval kepercayaan 90% atau 99% serta 95%.
Hasil resampling bootstrap, one_poll_boot, dan proporsi suara ya, p_hat, tersedia di ruang kerja Anda.
Latihan ini adalah bagian dari kursus
Dasar-dasar Inferensi di R
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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 = ___
)