如何从 R 中的引导导出结果？

Question

我有一个包含 540 个观测值的时间序列，我使用以下代码对其进行了 999 次重采样：

boot.mean = function(x,i){boot.mean = mean(x[i])}
z1 = boot(x1, boot.mean, R=999)
z1
ORDINARY NONPARAMETRIC BOOTSTRAP

Call:
boot(data = x1, statistic = boot.mean, R = 999)

Bootstrap Statistics :
        original        bias    std. error
t1* -0.009381397 -5.903801e-05 0.002524366

尝试导出结果时出现以下错误：

write.csv(z1, "z1.csv")

Error in as.data.frame.default(x[[i]], optional = TRUE, stringsAsFactors = stringsAsFactors) : 
  cannot coerce class ""boot"" to a data.frame

如何将结果导出到 .csv 文件？

我希望获得一个包含 540 个观测值 999 次的文件，目标是应用 pracma 包中的 approx_entropy 函数，以获得近似熵的 999 个值并绘制在乳胶中分布。

Answer 1

首先，请确保您的示例可重现。你可以通过生成一个小的 x1 对象，或者生成一个随机的 x1 向量来实现：

> x1 <- rnorm(540)

现在，根据你的问题：

I am expecting to obtain a file with 540 observations 999 times

但是，这不是您将得到的。您正在生成重采样数据的 mean 的 999 次重复。这意味着每个 bootstrap 复制实际上是一个数字。

来自 Heroka 的评论：

Hint: look at str(z1).

函数 str 显示了 z1 对象中的实际数据，没有漂亮的格式。

> str(z1)
 List of 11
 $ t0       : num 0.0899
 $ t        : num [1:999, 1] 0.1068 0.1071 0.0827 0.1413 0.0914 ...
 $ R        : num 999
 $ data     : num [1:540] 1.02 1.27 1.82 -2.92 0.68 ...
 (... lots of irrelevant stuff here ...)
 - attr(*, "class")= chr "boot"

因此您的原始数据存储为 z1$data，而您 bootstraped 的数据，即每次重采样的 mean，是存储在 z1$t 中。请注意它是如何告诉您每个插槽的尺寸的：z1$t 是 999 x 1。

现在，您可能想要做的是通过 boot.identity 函数更改 boot.mean 函数，这只是 returns 重采样数据。它是这样的：

> boot.identity = function(x,i){x[i]}
> z1 = boot(x1, boot.identity, R=999)
> str(z1)
List of 11
 $ t0       : num [1:540] 1.02 1.27 1.82 -2.92 0.68 ...
 $ t        : num [1:999, 1:540] -0.851 -0.434 -2.138 0.935 -0.493 ...
 $ R        : num 999
 $ data     : num [1:540] 1.02 1.27 1.82 -2.92 0.68 ...
(... etc etc etc ...)

并且您可以使用 write.csv(z1$t, "z1.csv") 保存此数据。

如何从 R 中的引导导出结果？

How to export results from bootstrapping in R?

r

export-to-csv

statistics-bootstrap