使用 boot::boot() function 和 R 中的分组变量

Question

这是一个关于使用带有分组变量的 boot() function 的问题，也是关于将多列数据传递到引导中的问题。 boot() function 的几乎所有示例似乎都传递了单列数据来计算平均值的简单引导。

我的具体分析是尝试使用 stats::weighted.mean(x,w) function 来计算权重的平均值和第二个向量“w”。 重点是我需要两个输入到这个 function - 我希望该解决方案能够推广到任何需要多个 arguments 的 function。

我还在寻找一种解决方案来使用这个 weighted.means function 在 dplyr 风格的工作流程中使用 group_by() 变量。 如果答案是“它不能用 dplyr 完成” ，那很好，我只是想弄清楚。

下面我模拟了一个包含三组（A、B、C）的数据集，每组都有不同的计数范围。 我还尝试提出一个 function “my.function”，用于引导加权平均值。 这可能是我的第一个错误：这是我将如何设置 function 以将数据的“计数”和“重量”列传递到每个引导样本中？ 还有其他方法可以索引数据吗？

在 summarise() 调用中，我用“。”引用原始数据。 - 可能是另一个错误？

最终结果表明，我能够使用 mean() 和 weighted.mean() 实现适当的分组计算，但是使用 boot() 调用置信区间反而计算了数据集全局平均值周围的 95% 置信区间。

关于我做错了什么的建议？ 为什么 boot() function 引用整个数据集而不是分组子集？

library(tidyverse)
library(boot)


set.seed(20)

sample.data = data.frame(letter = rep(c('A','B','C'),each = 50) %>% as.factor(),
                         counts = c(runif(50,10,30), runif(50,40,60), runif(50,60,100)),
                         weights = sample(10,150, replace = TRUE))



##Define function to bootstrap
  ##I'm using stats::weighted.mean() which needs to take in two arguments

##############
my.function = function(data,index){

  d = data[index,]  #create bootstrap sample of all columns of original data?
  return(weighted.mean(d$counts, d$weights))  #calculate weighted mean using 'counts' and 'weights' columns
  
}

##############

## group by 'letter' and calculate weighted mean, and upper/lower 95% CI limits

## I pass data to boot using "." thinking that this would only pass each grouped subset of data 
  ##(e.g., only letter "A") to boot, but instead it seems to pass the entire dataset. 

sample.data %>% 
  group_by(letter) %>% 
  summarise(avg = mean(counts),
            wtd.avg = weighted.mean(counts, weights),
            CI.LL = boot.ci(boot(., my.function, R = 100), type = "basic")$basic[4],
            CI.UL = boot.ci(boot(., my.function, R = 100), type = "basic")$basic[5])

下面我粗略估计了围绕全局平均值的 95% 置信区间，以表明这就是我上面的 summarise() 调用中的 boot() 所发生的情况

#Here is a rough 95% confidence interval estimate as +/-  1.96* Standard Error


mean(sample.data$counts) + c(-1,1) * 1.96 * sd(sample.data$counts)/sqrt(length(sample.data[,1]))

Answer 1

以下基本 R 解决方案解决了按组引导的问题。 注意boot::boot只被调用一次。

library(boot)

sp <- split(sample.data, sample.data$letter)
y <- lapply(sp, function(x){
  wtd.avg <- weighted.mean(x$counts, x$weights)
  basic <- boot.ci(boot(x, my.function, R = 100), type = "basic")$basic
  CI.LL <- basic[4]
  CI.UL <- basic[5]
  data.frame(wtd.avg, CI.LL, CI.UL)
})

do.call(rbind, y)
#   wtd.avg    CI.LL    CI.UL
#A 19.49044 17.77139 21.16161
#B 50.49048 48.79029 52.55376
#C 82.36993 78.80352 87.51872

最后清理：

rm(sp)

---

dplyr解决方案可能如下。 它还从 package purrr map_dfr

library(boot)
library(dplyr)

sample.data %>%
  group_split(letter) %>% 
  purrr::map_dfr(
    function(x){
      wtd.avg <- weighted.mean(x$counts, x$weights)
      basic <- boot.ci(boot(x, my.function, R = 100), type = "basic")$basic
      CI.LL <- basic[4]
      CI.UL <- basic[5]
      data.frame(wtd.avg, CI.LL, CI.UL)
    }
  )
#   wtd.avg    CI.LL    CI.UL
#1 19.49044 17.77139 21.16161
#2 50.49048 48.79029 52.55376
#3 82.36993 78.80352 87.51872