Memahami output dari bootstrap yang dilakukan di R (tsboot, MannKendall)

Saya punya pertanyaan tentang interpretasi panggilan tsboot di R. Saya memeriksa dokumentasi paket Kendall dan paket boot, tetapi saya tidak lebih pintar dari sebelumnya.

Ketika saya menjalankan bootstrap menggunakan misalnya contoh dalam paket Kendall, di mana statistik uji adalah tau Kendall:

library(Kendall)
# Annual precipitation entire Great Lakes
# The Mann-Kendall trend test confirms the upward trend.
data(PrecipGL)
MannKendall(PrecipGL)

yang mengkonfirmasi tren kenaikan:

tau = 0.265, 2-sided pvalue =0.00029206

Contoh kemudian terus menggunakan blok bootstrap:

#
#Use block bootstrap 
library(boot)
data(PrecipGL)
MKtau<-function(z) MannKendall(z)$tau
tsboot(PrecipGL, MKtau, R=500, l=5, sim="fixed")

Saya menerima hasil berikut:

BLOCK BOOTSTRAP FOR TIME SERIES
Fixed Block Length of 5 
Call:
tsboot(tseries = PrecipGL, statistic = MKtau, R = 500, l = 5, 
sim = "fixed")


Bootstrap Statistics :
 original     bias    std. error
t1* 0.2645801 -0.2670514  0.09270585

Jika saya mengerti dengan benar, "t1 * asli" adalah MKtau asli, "bias" adalah rata-rata dari MKtau dari seri waktu bootstrapped R = 500, dan "std. Error" adalah standar deviasi dari MKtaus dari 500 sampel.

Saya mengalami kesulitan memahami apa artinya ini - ini pada dasarnya memberitahu saya bahwa semua 500 MKTaus lebih rendah dari aslinya, dan bahwa t1 * asli berada dalam kisaran 3 sd dari MKtaus yang di-boot-boot. Ergo itu sangat berbeda?

Atau saya akan mengatakan MKtau untuk set data adalah 0,26 plus / minus standard error?

Saya minta maaf untuk pertanyaan yang panjang, tapi saya seorang pemula statistik dan saya belajar melalui belajar mandiri, tidak memiliki seseorang untuk bangkit ini masalah yang mungkin sangat sederhana bolak-balik dengan.

r bootstrap

— Maria
sumber

Dalam outputnya biashanyalah perbedaan antara rata - rata dari 500 sampel bootstrap yang disimpan dan perkiraan aslinya. Ini std. erroradalah standar deviasi dari 500 sampel bootstrap dan merupakan perkiraan kesalahan standar. Output memberitahu Anda bahwa perkiraan awal Anda lebih tinggi dari rata-rata 500 estimasi bootstrap (jadi tidak semua MKtaus bootstrap lebih rendah). Bootstrap sering digunakan untuk menghitung kesalahan standar / interval kepercayaan tanpa membuat asumsi tentang distribusi. Gunakan boot.cifungsi ini untuk menghitung interval kepercayaan.

— COOLSerdash

@COOLSerdash, terima kasih untuk ini! Jadi jika statistik asli saya adalah 3 sd lebih tinggi dari rata-rata statistik bootstrap, dapatkah saya menyimpulkan sesuatu secara langsung (katakan: statistik signifikan pada 0,99)? Saya juga menggunakan boot.ciuntuk menghitung interval kepercayaan, dan sekali lagi, statistik awalnya dihitung berada di luar interval ini.

— Maria

Tidak, Anda tidak membandingkan statistik bootstrap dengan statistik asli dengan tes hipotesis. Saya hanya akan menggunakan / melaporkan interval standar kesalahan dan kepercayaan diri dalam kasus Anda.

— COOLSerdash

Setelah mengalami pertanyaan yang sama dan menjelajahinya dengan set data terkontrol - model y = ax + b dengan kesalahan N (0, sig), saya menemukan bahwa paket Kendall mungkin tidak berfungsi seperti yang diiklankan. The x dalam kasus saya adalah 1:100, dan y = x , dengan sig = 100 (varians dari error term).

Regresi terlihat bagus, dan begitu juga Kendall's tau. Tidak ada autokorelasi di sini selain yang disebabkan oleh model linier. Menjalankan uji Kendall seperti yang diiklankan dengan panjang blok 1, 3, 5 dan 10 menghasilkan nilai bias yang sangat besar, dan boot.citidak melaporkan tren.

Selanjutnya, saya memberi kode pada bootstrap data dengan panjang blok ini, dan dengan seri kontrol saya, saya mendapatkan hasil yang masuk akal mengenai rata-rata sampel bootstrap dan penyebarannya. Oleh karena itu, ada kemungkinan bahwa ada sesuatu yang salah dengan paket Kendall sehubungan dengan blok bootstrap.

— pengguna46157
sumber