服务器之家

服务器之家 > 正文

R语言学习笔记缺失数据的Bootstrap与Jackknife方法

时间：2022-01-20 15:54     来源/作者：Kanny广小隶

一、题目

R语言学习笔记缺失数据的Bootstrap与Jackknife方法

下面再加入缺失的情况来继续深入探讨，同样还是如习题1.6的构造方式来加入缺失值，其中a=2， b = 0

R语言学习笔记缺失数据的Bootstrap与Jackknife方法

我们将进行如下几种操作：

R语言学习笔记缺失数据的Bootstrap与Jackknife方法

 

二、解答

a）Bootstrap与Jackknife进行估计

首先构建生成数据函数。

# 生成数据
# 生成数据
GenerateData <- function(a = 0, b = 0) {
y <- matrix(nrow = 3, ncol = 100)
z <- matrix(rnorm(300), nrow = 3)

y[1, ] <- 1 + z[1, ]
y[2, ] <- 5 + 2 * z[1, ] + z[2, ]

u <- a * (y[1, ] - 1) + b * (y[2, ] - 5) + z[3, ]
# m2 <- 1 * (u < 0)

y[3, ] <- y[2, ]
y[3, u < 0] <- NA

dat_comp <- data.frame(y1 = y[1, ], y2 = y[2, ])
dat_incomp <- data.frame(y1 = y[1, ], y2 = y[3, ])
# dat_incomp <- na.omit(dat_incomp)

return(list(dat_comp = dat_comp, dat_incomp = dat_incomp))
}

Bootstrap与Jackknife的函数：

Bootstrap1 <- function(Y, B = 200, fun) {
Y_len <- length(Y)
mat_boots <- matrix(sample(Y, Y_len * B, replace = T), nrow = B, ncol = Y_len)
statis_boots <- apply(mat_boots, 1, fun)
boots_mean <- mean(statis_boots)
boots_sd <- sd(statis_boots)
return(list(mean = boots_mean, sd = boots_sd))
}

Jackknife1 <- function(Y, fun) {
Y_len <- length(Y)
mat_jack <- sapply(1:Y_len, function(i) Y[-i])
redu_samp <- apply(mat_jack, 2, fun)
jack_mean <- mean(redu_samp)
jack_sd <- sqrt(((Y_len - 1) ^ 2 / Y_len) * var(redu_samp))
return(list(mean = jack_mean, sd = jack_sd))
}

进行重复试验所需的函数：

RepSimulation <- function(seed = 2018, fun) {
set.seed(seed)
dat <- GenerateData()
dat_comp_y2 <- dat$dat_comp$y2
boots_sd <- Bootstrap1(dat_comp_y2, B = 200, fun)$sd
jack_sd <- Jackknife1(dat_comp_y2, fun)$sd
return(c(boots_sd = boots_sd, jack_sd = jack_sd))
}

下面重复100次实验进行 Y2​的均值与变异系数标准差的估计：

nrep <- 100
## 均值
fun = mean
mat_boots_jack <- sapply(1:nrep, RepSimulation, fun)
apply(mat_boots_jack, 1, function(x) paste(round(mean(x), 3), '±', round(sd(x), 3)))

## 变异系数
fun = function(x) sd(x) / mean(x)
mat_boots_jack <- sapply(1:nrep, RepSimulation, fun)
apply(mat_boots_jack, 1, function(x) paste(round(mean(x), 3), '±', round(sd(x), 3)))

从上面可以发现，Bootstrap与Jackknife两者估计结果较为相近，其中对均值标准差的估计，Jackknife的方差更小。这其实较为符合常识：Jackknife估计每次只取出一个样本，用剩下的样本来作为样本整体；而Bootstrap每次都会比较随机地重抽样，随机性相对较高，所以重复100次模拟实验，导致其方差相对较大。

下面我们用计算公式来进行推导。

b）均值与变异系数（大样本）的标准差解析式推导与计算

均值

R语言学习笔记缺失数据的Bootstrap与Jackknife方法

变异系数（大样本近似）

## 变异系数
sd(sapply(1:10000, function(x) {
set.seed(x)
dat <- GenerateData(a = 0, b = 0)
sd(dat$dat_comp$y2) / mean(dat$dat_comp$y2)
}))

变异系数大样本近似值为：0.03717648，说明前面的Bootstrap与Jackknife两种方法估计的都较为准确。

c）缺失插补后的Bootstrap与Jackknife

构造线性填补的函数，并进行线性填补。

DatImputation <- function(dat_incomp) {
dat_imp <- dat_incomp
lm_model = lm(y2 ~ y1, data = na.omit(dat_incomp))

# 找出y2缺失对应的那部分data
na_ind = is.na(dat_incomp$y2)
na_dat = dat_incomp[na_ind, ]

# 将缺失数据进行填补
dat_imp[na_ind, 'y2'] = predict(lm_model, na_dat)
return(dat_imp)
}

dat <- GenerateData(a = 2, b = 0)
dat_imp <- DatImputation(dat$dat_incomp)

fun = mean
Bootstrap1(dat_imp$y2, B = 200, fun)$sd

Jackknife1(dat_imp$y2, fun)$sd

fun = function(x) sd(x) / mean(x)
Bootstrap1(dat_imp$y2, B = 200, fun)$sd

Jackknife1(dat_imp$y2, fun)$sd

Bootstrap与Jackknife的填补结果，很大一部分是由于数据的缺失会造成距离真实值较远。但单从两种方法估计出来的值比较接近。

c）缺失插补前的Bootstrap与Jackknife

先构建相关的函数：

Array2meancv <- function(j, myarray) {
dat_incomp <- as.data.frame(myarray[, j, ])
names(dat_incomp) <- c('y1', 'y2')
dat_imp <- DatImputation(dat_incomp)
y2_mean <- mean(dat_imp$y2)
y2_cv <- sd(dat_imp$y2) / y2_mean
return(c(mean = y2_mean, cv = y2_cv))
}

Bootstrap_imp <- function(dat_incomp, B = 200) {
n <- nrow(dat_incomp)
array_boots <- array(dim = c(n, B, 2))
mat_boots_ind <- matrix(sample(1:n, n * B, replace = T), nrow = B, ncol = n)

array_boots[, , 1] <- sapply(1:B, function(i) dat_incomp$y1[mat_boots_ind[i, ]])
array_boots[, , 2] <- sapply(1:B, function(i) dat_incomp$y2[mat_boots_ind[i, ]])

mean_cv_imp <- sapply(1:B, Array2meancv, array_boots)
boots_imp_mean <- apply(mean_cv_imp, 1, mean)
boots_imp_sd <- apply(mean_cv_imp, 1, sd)
return(list(mean = boots_imp_mean, sd = boots_imp_sd))
}

Jackknife_imp <- function(dat_incomp) {
n <- nrow(dat_incomp)
array_jack <- array(dim = c(n - 1, n, 2))

array_jack[, , 1] <- sapply(1:n, function(i) dat_incomp[-i, 'y1'])
array_jack[, , 2] <- sapply(1:n, function(i) dat_incomp[-i, 'y2'])

mean_cv_imp <- sapply(1:n, Array2meancv, array_jack)
jack_imp_mean <- apply(mean_cv_imp, 1, mean)
jack_imp_sd <- apply(mean_cv_imp, 1, function(x) sqrt(((n - 1) ^ 2 / n) * var(x)))
return(list(mean = jack_imp_mean, sd = jack_imp_sd))
}

然后看看两种方式估计出来的结果：

Bootstrap_imp(dat$dat_incomp)$sd

Jackknife_imp(dat$dat_incomp)$sd

缺失插补前进行Bootstrap与Jackknife也还是有一定的误差，标准差都相对更大，表示波动会比较大。具体表现情况下面我们多次重复模拟实验，通过90%置信区间来看各个方法的优劣。

d）比较各种方式的90%置信区间情况（重复100次实验）

RepSimulationCI <- function(seed = 2018, stats = 'mean') {
mean_true <- 5
cv_true <- sqrt(5) / 5

myjudge <- function(x, value) {
  return(ifelse((x$mean - qnorm(0.95) * x$sd < value) & (x$mean + qnorm(0.95) * x$sd > value), 1, 0))
}

if(stats == 'mean') {
  fun = mean
  value = mean_true
} else if(stats == 'cv') {
  fun = function(x) sd(x) / mean(x)
  value = cv_true
}

set.seed(seed)
boots_after_ind <- boots_before_ind <- jack_after_ind <- jack_before_ind <- 0

dat <- GenerateData(a = 2, b = 0)
dat_incomp <- dat$dat_incomp

# after imputation
dat_imp <- DatImputation(dat_incomp)

boots_after <- Bootstrap1(dat_imp$y2, B = 200, fun)
boots_after_ind <- myjudge(boots_after, value)
jack_after <- Jackknife1(dat_imp$y2, fun)
jack_after_ind <- myjudge(jack_after, value)

# before imputation
boots_before <- Bootstrap_imp(dat_incomp)
jack_before <- Jackknife_imp(dat_incomp)

if(stats == 'mean') {
  
  boots_before$mean <- boots_before$mean[1]
  boots_before$sd <- boots_before$sd[1]
  jack_before$mean <- jack_before$mean[1]
  jack_before$sd <- jack_before$sd[1]
  
} else if(stats == 'cv') {
  
  boots_before$mean <- boots_before$mean[2]
  boots_before$sd <- boots_before$sd[2]
  jack_before$mean <- jack_before$mean[2]
  jack_before$sd <- jack_before$sd[2]
  
}

boots_before_ind <- myjudge(boots_before, value)
jack_before_ind <- myjudge(jack_before, value)

return(c(boots_after = boots_after_ind,
         boots_before = boots_before_ind,
         jack_after = jack_after_ind,
         jack_before = jack_before_ind))
}

重复100次实验，均值情况：

nrep <- 100
result_mean <- apply(sapply(1:nrep, RepSimulationCI, 'mean'), 1, sum)
names(result_mean) <- c('boots_after', 'boots_before', 'jack_after', 'jack_before')
result_mean

变异系数情况：

result_cv <- apply(sapply(1:nrep, RepSimulationCI, 'cv'), 1, sum)
names(result_cv) <- c('boots_after', 'boots_before', 'jack_after', 'jack_before')
result_cv

上面的数字越表示90%置信区间覆盖真实值的个数，数字越大表示覆盖的次数越多，也就说明该方法会相对更好。

填补之前进行Bootstrap或Jackknife

无论是均值还是变异系数，通过模拟实验都能看出，在填补之前进行Bootstrap或Jackknife，其估计均会远优于在填补之后进行Bootstrap或Jackknife。而具体到Bootstrap或Jackknife，这两种方法相差无几。

填补之后进行Bootstrap或Jackknife

在填补之后进行Bootstrap或Jackknife，效果都会很差，其实仔细思考后也能够理解，本身缺失了近一半的数据，然后填补会带来很大的偏差，此时我们再从中抽样，有很大可能抽出来的绝大多数都是原本填补的有很大偏差的样本，这样估计就会更为不准了。

当然，从理论上说，填补之前进行Bootstrap或Jackknife是较为合理的，这样对每个Bootstrap或Jackknife样本，都可以用当前的观测值去填补当前的缺失值，这样每次填补可能花费的时间将对较长，但实际却更有效。

以上就是R语言学习笔记缺失数据的Bootstrap与Jackknife方法的详细内容，更多关于R语言学习笔记的资料请关注服务器之家其它相关文章！

原文链接：https://kanny.blog.csdn.net/article/details/83216997

标签：
R语言 Jackknife bootstrap 缺失数据 

相关文章

热门资讯

蜘蛛侠3英雄无归3正片免费播放 蜘蛛侠3在线观看免费高清完整
蜘蛛侠3英雄无归3正片免费播放 蜘蛛侠3在线观看免费高清完整 2021-08-24
yue是什么意思 网络流行语yue了是什么梗
yue是什么意思 网络流行语yue了是什么梗 2020-10-11
背刺什么意思 网络词语背刺是什么梗
背刺什么意思 网络词语背刺是什么梗 2020-05-22
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
2021年耽改剧名单 2021要播出的59部耽改剧列表
2021年耽改剧名单 2021要播出的59部耽改剧列表 2021-03-05
返回顶部