Örnek oranın bootstrap GA'lara etkisi
Güven aralığının genişliğini etkileyen ek bir unsur, örnek parametre değeri \(\hat{p}\)'dir.
Genel olarak, gerçek parametre 0.5'e yakın olduğunda, \(\hat{p}\)'nin standart hatası, gerçek parametre 0 veya 1'e daha yakın olduğundakinden daha büyüktür. Bootstrap t-güven aralığı hesaplanırken, standart hata GA'nın genişliğini belirler ve burada (gerçek parametrenin 0.8 olduğu verilmişken) örnek oran önceki egzersizlere göre daha yüksektir; bu yüzden güven aralığının genişliği daha dar olacaktır.
Bu egzersiz, kursun bir parçasıdır
R ile Çıkarımın Temelleri
Egzersiz talimatları
- Örnek oranları hesaplamak için betikte
calc_p_hat()gösterilmiştir. Önceki egzersizdekicalc_t_conf_int()artık argüman olarak herhangi birp_hatdeğeri kullanacak şekilde güncellendi. Tanımlarını oku ve mantığını anlamaya çalış. - Orijinal anakitle için bootstrap t-güven aralığını hesaplamak üzere kodu çalıştır.
- Gerçek parametrenin 0.8 olduğu yeni bir anakitleyi,
one_poll_0.8'i düşün. Bu yeni örneğin \(\hat{p}\) değerini, orijinal veri kümesinde yaptığınla aynı teknikle hesapla. Adınıp_hat_0.8koy. - Yeni önyüklenmiş verileri (
one_poll_boot_0.8) ve yeni \(\hat{p}\)'yi kullanarak bootstrap t-güven aralığını bul. Öncekine göre daha dar olduğuna dikkat et.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
calc_p_hat <- function(dataset) {
dataset %>%
summarize(stat = mean(vote == "yes")) %>%
pull()
}
calc_t_conf_int <- function(resampled_dataset, p_hat) {
resampled_dataset %>%
summarize(
lower = p_hat - 2 * sd(stat),
upper = p_hat + 2 * sd(stat)
)
}
# Find proportion of yes votes from original population
p_hat <- calc_p_hat(one_poll)
# Review the value
p_hat
# Calculate bootstrap t-confidence interval (original 0.6 param)
calc_t_conf_int(one_poll_boot, p_hat)
# Find proportion of yes votes from new population
p_hat_0.8 <- ___
# Review the value
p_hat_0.8
# Calculate the bootstrap t-confidence interval (new 0.8 param)
___