Wpływ poziomu ufności na bootstrapowe przedziały ufności

Większość naukowców używa przedziałów 95-procentowych do określenia niepewności swoich szacunków. Rozumieją oni, że przez całą swoją karierę naukową – tworząc kolejne przedziały ufności – tylko 95% z nich będzie rzeczywiście zawierać szacowany parametr.

Istnieją jednak badania, które wymagają albo bardziej rygorystycznych, albo bardziej liberalnych przedziałów ufności (a co za tym idzie – różnych dopuszczalnych poziomów błędu).

Wcześniej obliczone wartości bootstrapowe \(\hat{p}^*\) zostały wczytane i są dostępne w obiekcie one_poll_boot.

To ćwiczenie jest częścią kursu

Podstawy wnioskowania statystycznego w R

Zobacz kurs

Instrukcje do ćwiczenia

Oblicz 95-procentowy przedział percentylowy, wywołując get_confidence_interval() z argumentem level ustawionym na 0.95.
Zrób to samo dla przedziału 99-procentowego,
… i 90-procentowego.
Wyniki, które właśnie uzyskasz, są przechowywane w ramce danych conf_int_data. Korzystając z tego zbioru, utwórz wykres ci_endpoints (oś pionowa) w zależności od ci_percent (oś pozioma) i dodaj warstwę liniową za pomocą geom_line().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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
  ___()

Edytuj i uruchom kod