Effetti dei percentili sugli intervalli bootstrap

La maggior parte degli scienziati usa intervalli al 95% per quantificare l'incertezza di una stima. Cioè, sanno che, nell’arco della loro carriera, solo il 95% degli intervalli di confidenza che costruiscono conterrà davvero il parametro che intendono stimare.

Ci sono però studi che richiedono intervalli di confidenza (e quindi tassi di errore) più severi o più permissivi.

I precedenti valori bootstrap di \(\hat{p}^*\) sono già stati caricati e sono disponibili in one_poll_boot.

Questo esercizio fa parte del corso

Fondamenti di inferenza in R

Visualizza il corso

Istruzioni dell'esercizio

Calcola un intervallo percentile al 95% chiamando get_confidence_interval(), impostando level a 0.95.
Fai lo stesso per un intervallo al 99%,
… e per un intervallo al 90%.
I risultati che hai appena ottenuto sono salvati in un dataframe chiamato conf_int_data. Con questo insieme di dati, rappresenta ci_endpoints (asse verticale) rispetto a ci_percent (asse orizzontale) e aggiungi un layer di linea usando geom_line().

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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
  ___()

Modifica ed esegui il codice