《匆匆那年，如一场不真实的梦。》中提到的文章，为了画下面这张图，当时现学现用，做了这个笔记。
bootstrap是对观测数据集进行有放回（replacement）的随机抽样，以评估总体的各项统计指标。可以用于假设检验、参数估计。好处是并不要求大样本，也不要求正态数据，并且对于不同的统计指标使用的是同样的计算方法。结果也更为可靠，坏处是计算量大。
统计推断(statistical inference)是基于样本统计值的抽样分布来计算的，抽样分布需要从总体中许多的样本来计算，在只有一个样本的情况下，bootstrap对这一随机样本进行有放回的重复抽样，每一个重抽样本与原始随机样本一样大，每次计算相应的抽样的统计值，重复了N次之后，就可以计算统计值的bootstrap分布。
下面做一个小小的试验：
a <- c(seq(1:10), rnorm(50))
#创建一个样本，60个数据，非正态分布的，如下图
b <- rep(0, 1000)
for (i in 1:1000) {
b[i] <- mean(sample(a, replace=TRUE))
}对它进行1000次有放回重复抽样，计算均值，均值分布的柱状图和qq图如下：
分布是正态的。
> mean(a) #样本均值
[1] 0.947186
> mean(b) #重抽样1000个样本均值的均值
[1] 0.9358049
> sd(b)
[1] 0.3245479
> sd(a)/sqrt(60)
[1] 0.3318863由bootstrap方法得到的标准误是0.325，而由原先随机样本所估算的是0.332，两者是相当接近的。由此可见呢，bootstrap方法与理论上的从总体中抽样所得到的样本分布是一致的，这样子就可以基于一个样本来计算样本的分布，而不是要从总体中抽N个样本。
还用上面的例子，使用样本均值\bar{x}去估算总体的均值mu，虽然我们的样本不是正态的，但如果bootstrap distribution是正态的话，就可以使用类似于单样本t置信区间（要求样本是正态的）的公式:
相应的bootstrap t置信区间是：
上面例子，总体均值mu 95%的置信度，就会落在：
可以使用它，计算所有统计指标的置信区间。
用于层次聚类分析的一个例子，使用Pvclust这个包，用于层次聚类，并通过multiscale bootstrap resampling给出相应的p-value用于评估聚类结果的不确定性。提供了两种p-values，AU（approximately unbiased p-value, 通过multiscale bootstrap resampling计算）和BP（bootstrap probability, 通过normal bootstrap resampling计算），AU比BP较为unbiased。
Pvclust使用hclust（来自于stats包）进行层次聚类，并自动计算所有的子类的p-value。
library(pvclust) # loads package
a <- matrix(rnorm(1000), 100, 10, dimnames=list(paste(“g”, 1:100, sep=””), paste(“t”,1:10, sep=””))) # creats sample data
at <- t(a) # transposes of a
cl <- pvclust(at, nboot=1000) #performs hierarchical cluster analysis with multiscale bootstrap with 1000 repetitions.
pvrect(cl, alpha=0.95) #highlights with red rectangles all clusters in the dendrogram which have an AU value above 95%, AU p-value > 0.95, the hypothesis that “the cluster does not exist” is rejected with significance level 0.05;
#pick significant clusters.
clsig <- pvpick(cl, alpha=0.95, pv="au", type="geq", max.only=TRUE)
往期精彩
文章评论