Przedział percentylowy bootstrapu

Główna idea poprzedniego ćwiczenia polegała na tym, że odległość między oryginalną próbką \(\hat{p}\) a wartościami \(\hat{p}^*\) uzyskanymi z resamplingowego (bootstrapowego) próbkowania jest miarą tego, jak daleko oryginalne \(\hat{p}\) odbiega od prawdziwej proporcji populacji.

Tę samą zmienność można zmierzyć innym sposobem. Podobnie jak wcześniej – jeśli \(\hat{p}\) jest wystarczająco blisko prawdziwego parametru, to bootstrapowe wartości \(\hat{p}^*\) będą się zmieniać w taki sposób, że będą pokrywać się z prawdziwym parametrem.

Zamiast korzystać z \(\pm 2 SE\) jako sposobu na wyznaczenie środkowych 95% próbkowanych wartości \(\hat{p}\), można wyznaczyć środek bootstrapowych wartości \(\hat{p}^*\), usuwając górne i dolne 2,5%. Warto zauważyć, że ta druga metoda konstruowania przedziałów bootstrapowych daje intuicyjny sposób na tworzenie przedziałów ufności na poziomie 90% lub 99%, a nie tylko 95%.

Bootstrapowe resamplowania one_poll_boot oraz proporcja głosów na „tak" p_hat są dostępne w twoim środowisku pracy.