Bootstrap-percentilintervall
Huvudtanken i föregående övning var att avståndet mellan det ursprungliga urvalets \(\hat{p}\) och de omsamplade (eller bootstrappade) \(\hat{p}^*\)-värdena ger ett mått på hur långt det ursprungliga \(\hat{p}\) befinner sig från den sanna populationsproporten.
Samma variabilitet kan mätas på ett annat sätt. Precis som tidigare: om \(\hat{p}\) är tillräckligt nära den sanna parametern, kommer de omsamplade (bootstrappade) \(\hat{p}^*\)-värdena att variera på ett sätt som överlappar med den sanna parametern.
I stället för att använda \(\pm 2 SE\) för att mäta de mittersta 95 % av de samplade \(\hat{p}\)-värdena kan du hitta mitten av de bootstrappade \(\hat{p}^*\)-värdena genom att ta bort de övre och undre 2,5 %. Observera att denna andra metod för att konstruera bootstrap-intervall även ger ett intuitivt sätt att skapa 90 %- eller 99 %-konfidensintervall, förutom 95 %-intervall.
De bootstrappade omsamplena, one_poll_boot, och andelen ja-röster, p_hat, finns tillgängliga i din arbetsyta.
Den här övningen är en del av kursen
Grundläggande inferens i R
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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 = ___
)