我需要找到一种方法来获得我使用自定义函数获得的估计值的自举置信区间。现在，问题在于我有一个大矩阵，我随机抽取行，然后计算所需的数量。
这是（希望）可重现的例子
生成类似的随机数据：
mat1 <- matrix(rnorm(300, 80, 20), nrow = 100)
计算所需数量的函数（其中R是相关矩阵）：
IIvar <- function(R) {
d <- eigen(R)$values
p <- length(d)
sum((d-1)^2)/(p*(p-1))}
我尝试解决方案的函数（其中omat是由一些mat1行组成的较小矩阵，freq是omat中的行数，numR是重复的数量）：
ciint <- function(omat, mat1, freq, numR) {
II <- IIvar(cor(omat))
n <- dim(mat1)[1]
b <- numeric(numR)
for (i in 1:numR) { b[i] <- IIvar(cor(mat1[sample(c(1:n),freq),]))}
hist(b)
abline(v = II, lty = 5, lwd = 3)
return(b) }
合成矢量b具有从mat1随机选择的行的矩阵（由freq确定的数量）获得的所有值，其可以与来自omat的IIvar（具有由群体隶属度选择的行的矩阵）进行比较。
在mat1中，我有5个群体（按行分组），我需要为所有这些群体分别计算IIvar，并为获得的值生成置信区间。
当我像这样运行我的ciint函数时
ciint(omat, mat1, 61, 1000)
我得到值的分布和“真实”IIvar值的位置，但我不知道如何从这一点产生95％的间隔。
答案 0 :(得分：1)
您只需要一个包含95％生成的b值的区间。你可以从贝叶斯估计得到最高的后验密度，就是这样。有许多软件包可以计算它，例如，来自emp.hpd的函数TeachingDemos。添加
require(TeachingDemos)
并将最后一行（return(b)）从ciint更改为
emp.hpd(b)
（无需使用return()。）
答案 1 :(得分：0)
我不确定您要使用您的函数完成什么，但如果您想进行boostrapping，请查看boot包中的boot函数。您可以将自定义函数传递给boot，它将获取引导样本，将它们传递给自定义函数，然后整理结果。然后它还有多个结果的置信区间选项。