statistics-bootstrap

    0热度

    1回答

    可能重复: Bootstrap a large data set 我想引导它包含多个列和行变量的大型双向数据集。我必须保留行和列变量。结果应该是包含每个行变量的所有列变量的引导的列表。我提供了所需的代码来回答我的问题,但我认为这不是优雅。我将不胜感激一个更好,更快的代码。以下是双向数据集的简化再创造: rm(list=ls()) data <- 1:72 创建一个双向的矩阵数据: char

    12热度

    3回答

    我想加快我的引导功能,它本身工作得很好。我读到,自R 2.14以来有一个叫parallel的软件包,但我觉得它很难。对计算机科学知识的掌握程度低,难以真正实施。也许有人可以帮忙。 所以在这里我们有一个自举: n<-1000 boot<-1000 x<-rnorm(n,0,1) y<-rnorm(n,1+2*x,2) data<-data.frame(x,y) boot_b<-numeri

    1热度

    1回答

    我想为nls做残差引导适合在一个循环。我使用nlsBoot,为了减少计算时间,我希望并行执行此操作(目前在Windows 7系统上)。下面是一些代码,它再现了我的问题: #function for fitting Falge2000 <- function(GP2000,alpha,PAR) { (GP2000*alpha*PAR)/(GP2000+alpha*PAR-GP2000/2

    3热度

    2回答

    我是R新手,正在尝试对大量频率数据文件的标准错误进行一些自举估计。我的引导程序在单个数据点上工作正常,但我无法弄清楚如何保存输出。理想情况下,我想只将标准错误写入新文件。 这是我到目前为止已经试过: x = c(1,2,3,4,5,6,7,8,9,10) samplemean = function(x, d){return(mean(x[d]))} b = boot(x, samplemean

    2热度

    2回答

    我正在运行分位数回归(包quantreg)并使用texreg来创建我的模型的乳胶输出。 我感兴趣的是bootstrapped s.e.并在摘要 的选项中设置se =“boot”,但是当我使用texreg时,我得到“n.i.d.” S.E. 如何更改该选项? 下面是我在做什么: tm3 <- rq(nback ~ cara + mat + dut + e_brown + e_green + e_bl

    0热度

    1回答

    我试图高效地实现块引导技术,以从PROC MIXED获得回归系数的分布。主要大纲如下: 我有一个面板数据集,说firm和year是指数。对于bootstrap的每次迭代,我希望用替换的n个主题进行抽样。从这个示例中,我需要构建一个新的数据集,它是每个采样主体的所有观测数据的“堆栈”(连续行顶部)。有了这个新的数据集,我可以运行回归并提取感兴趣的系数。重复一堆迭代,比如2000. 每个公司都可能被多

    -2热度

    1回答

    我刚刚将R加载到我的Windows机器并包含引导程序和用于Deming回归的mcr例程。非常基本的问题。 如何在自举采样程序中嵌入Deming回归? 如何将数据输入到R?数据位于Excel电子表格中。 请尽量给我一个快速的方法。如果可能的话,我今天尝试这样做!

    4热度

    2回答

    我跑我的数据确切的回归设置使用包elrm 我比较它与普通的回归。 我能够在普通逻辑回归上运行bootstrap,我所抽取的兴趣的统计数据是估计的系数和p值。 但是,我无法运行我的elrm bootstrap,因为我无法从输出中获取所需的系数。 随着我的数据汇总给出打印出来: Results: estimate p-value p-value_se mc_size M 0.15116 0

    0热度

    2回答

    我正在分析一项研究,其中包含40个人,每个评级10个小插曲。 indiv vign score score2 gender 1 1 5 3 1 1 2 2 4 1 1 3 8 1 1 . . . . . . . . . . . . . . .

    5热度

    1回答

    我想将引导程序统计信息(原始值,偏差和错误)的值放入单独的列表中 - 但我无法弄清楚如何做到这一点。 下面是一个例子: > library(boot) > set.seed(123) > mean.fun <- function(data, idx) { mean(data[idx]) } > data <- boot(data=rnorm(100), statistic=mean.fun,