Effect van percentielen op bootstrap-BI's

De meeste wetenschappers gebruiken 95%-intervallen om hun onzekerheid rond een schatting te kwantificeren. Met andere woorden: ze begrijpen dat over een hele loopbaan van betrouwbaarheidsintervallen maken, slechts 95% daarvan daadwerkelijk de parameter bevat die ze willen schatten.

Er zijn echter studies die striktere of juist ruimere betrouwbaarheidsintervallen (en bijbehorende foutmarges) vereisen.

De eerder gebootstrapte \(\hat{p}^*\)-waarden zijn voor je geladen en beschikbaar in one_poll_boot.

Deze oefening maakt deel uit van de cursus

Basis van inferentie in R

Cursus bekijken

Oefeninstructies

Bereken een percentiel-interval van 95% door get_confidence_interval() aan te roepen met level op 0.95.
Doe hetzelfde voor een 99%-interval,
… en een 90%-interval.
De resultaten die je net hebt gekregen, staan in een dataframe conf_int_data. Gebruik deze gegevensset om ci_endpoints (verticale as) uit te zetten tegen ci_percent (horizontale as), en voeg een lijnlaag toe met geom_line().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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 bewerken en uitvoeren