用tidyverse在r中进行蒙特卡罗模拟
以下是我的数据:用tidyverse在r中进行蒙特卡罗模拟,r,simulation,R,Simulation,以下是我的数据: df1一个很酷的方法是使用推断包 library(tidyverse) library(infer) df1 %>% specify(y ~ x) %>% generate(reps = 100, type = "bootstrap") %>% calculate(stat = "correlation") %>% summarise(odds = stat %>% mean(),sd = stat %>% sd) d
df1一个很酷的方法是使用推断包
library(tidyverse)
library(infer)
df1 %>%
specify(y ~ x) %>%
generate(reps = 100, type = "bootstrap") %>%
calculate(stat = "correlation") %>%
summarise(odds = stat %>% mean(),sd = stat %>% sd)
df1 %>%
specify(y ~ x) %>%
generate(reps = 100, type = "bootstrap") %>%
calculate(stat = "slope") %>%
summarise(beta = stat %>% mean,sd = stat %>% sd)
这是另一个不太清楚的答案
library(tidymodels)
set.seed(42)
bootstrap_data <- df1 %>%
rsample::bootstraps(100)
fit_lm_on_bootstrap <- function(split) {
lm(y ~ x,data= split)
}
boot_models <- bootstrap_data %>%
mutate(model = map(.x = splits,fit_lm_on_bootstrap),
tidy_results = map(model,tidy)) %>%
unnest(tidy_results)
boot_models %>%
filter(term == "(Intercept)") %>%
summarise_at(vars(estimate:p.value),mean)
# A tibble: 1 x 4
estimate std.error statistic p.value
<dbl> <dbl> <dbl> <dbl>
1 4.07 3.77 1.23 0.298
boot_models %>%
filter(term == "x") %>%
summarise_at(vars(estimate:p.value),mean)
# A tibble: 1 x 4
estimate std.error statistic p.value
<dbl> <dbl> <dbl> <dbl>
1 10.4 1.16 9.25 0.000000136
通过这样做,您试图从数据中学到什么,这看起来有点像自举。你说做得更好是什么意思?更快,更正确?您对tidyverse代码的限制有多大,因为better通常意味着对于better的某些值,更多的基本R代码和更少的tidyverse?也许您可以详细说明您试图通过Monte Carlo模拟实现的目标。蒙特卡罗模拟本身是一种技术,而不是一种分析方法。我试图展示一些平均结果,但正如其他人所说,蒙特卡罗只是一种技术,你想用它来分析什么完全取决于你,我想如果你想分析某种差异,你可以计算统计列的sd,我不知道,我想这个软件包没有一个简单的方法,我想你不需要截距,毕竟是的,x是斜率,它很棒now@User20100如果它解决了你的问题,请考虑投票和检查问题。回答:你可以把answes和bind_row结合起来
library(tidymodels)
set.seed(42)
bootstrap_data <- df1 %>%
rsample::bootstraps(100)
fit_lm_on_bootstrap <- function(split) {
lm(y ~ x,data= split)
}
boot_models <- bootstrap_data %>%
mutate(model = map(.x = splits,fit_lm_on_bootstrap),
tidy_results = map(model,tidy)) %>%
unnest(tidy_results)
boot_models %>%
filter(term == "(Intercept)") %>%
summarise_at(vars(estimate:p.value),mean)
# A tibble: 1 x 4
estimate std.error statistic p.value
<dbl> <dbl> <dbl> <dbl>
1 4.07 3.77 1.23 0.298
boot_models %>%
filter(term == "x") %>%
summarise_at(vars(estimate:p.value),mean)
# A tibble: 1 x 4
estimate std.error statistic p.value
<dbl> <dbl> <dbl> <dbl>
1 10.4 1.16 9.25 0.000000136