6.4 Bootstrap en R
Es común crear nuestras porpias funciones cuando usamos bootstrap, sin embargo, en R también hay alternativas que pueden resultar convenientes, mencionamos 3:
- El paquete
rsample(forma parte de la colección tidymodels) y tiene una funciónbootsrtraps()que regresa un arreglo cuadrangular (tibble,data.frame) que incluye una columna con las muestras bootstrap y un identificador del número y tipo de muestra.
Veamos un ejemplo donde seleccionamos muestras del conjunto de datos
muestra_computos que contiene 10,000 observaciones.
library(rsample)
#>
#> Attaching package: 'rsample'
#> The following object is masked from 'package:tidyr':
#>
#> fill
muestra_computos <- read_csv("data/muestra_computos_2012.csv")
#> Parsed with column specification:
#> cols(
#> .default = col_double(),
#> TIPO_CASILLA = col_character()
#> )
#> See spec(...) for full column specifications.
muestra_computos
#> # A tibble: 10,000 x 36
#> ID_ESTADO D_DISTRITO SECCION ID_CASILLA TIPO_CASILLA EXT_CONTIGUA
#> <dbl> <dbl> <dbl> <dbl> <chr> <dbl>
#> 1 15 14 324 1 C 0
#> 2 20 3 207 3 C 0
#> 3 19 9 275 1 B 0
#> 4 8 7 2422 1 B 0
#> 5 30 11 4665 1 C 0
#> 6 13 3 199 1 E 0
#> 7 20 11 2014 1 B 0
#> 8 2 6 739 1 C 0
#> 9 30 12 4348 1 C 0
#> 10 21 11 1121 1 B 0
#> # ... with 9,990 more rows, and 30 more variables: TIPO_CANDIDATURA <dbl>,
#> # CASILLA <dbl>, ESTATUS_ACTA <dbl>, ORDEN <dbl>,
#> # LISTA_NOMINAL_CASILLA <dbl>, ID_GRUPO <dbl>, TIPO_RECUENTO <dbl>,
#> # NUM_VOTOS_NULOS <dbl>, NUM_VOTOS_CAN_NREG <dbl>,
#> # NUMERO_VOTOS_VALIDOS <dbl>, TOTAL_VOTOS <dbl>,
#> # BOLETAS_INUTILIZADAS <dbl>, PAN <dbl>, PRI <dbl>, PRD <dbl>,
#> # PVEM <dbl>, PT <dbl>, MC <dbl>, PANAL <dbl>, PRI_PVEM <dbl>,
#> # PRD_PT_MC <dbl>, PRD_PT <dbl>, PRD_MC <dbl>, PT_MC <dbl>,
#> # ID_MUNICIPIO <dbl>, LISTA_NOMINAL <dbl>, VOTOS_RESERVADOS <dbl>,
#> # pan <dbl>, pri <dbl>, prd <dbl>Generamos 100 muestras bootstrap, y la función nos regresa un arreglo con 100 renglones, cada uno corresponde a una muestra bootstrap.
set.seed(839287482)
computos_boot <- bootstraps(muestra_computos, times = 100)
computos_boot
#> # Bootstrap sampling
#> # A tibble: 100 x 2
#> splits id
#> <list> <chr>
#> 1 <split [10K/3.7K]> Bootstrap001
#> 2 <split [10K/3.7K]> Bootstrap002
#> 3 <split [10K/3.7K]> Bootstrap003
#> 4 <split [10K/3.6K]> Bootstrap004
#> 5 <split [10K/3.7K]> Bootstrap005
#> 6 <split [10K/3.7K]> Bootstrap006
#> 7 <split [10K/3.7K]> Bootstrap007
#> 8 <split [10K/3.7K]> Bootstrap008
#> 9 <split [10K/3.7K]> Bootstrap009
#> 10 <split [10K/3.7K]> Bootstrap010
#> # ... with 90 more rowsLa columna splits tiene información de las muestras seleccionadas, para la
primera vemos que de 10,000 observaciones en la muestra original la primera
muestra bootstrap contiene 10000-3709=6291.
first_computos_boot <- computos_boot$splits[[1]]
first_computos_boot
#> <10000/3709/10000>Y podemos obtener los datos de la muestra bootstrap con la función
as.data.frame()
as.data.frame(first_computos_boot)
#> # A tibble: 10,000 x 36
#> ID_ESTADO D_DISTRITO SECCION ID_CASILLA TIPO_CASILLA EXT_CONTIGUA
#> <dbl> <dbl> <dbl> <dbl> <chr> <dbl>
#> 1 20 3 1246 3 C 0
#> 2 21 7 9 1 B 0
#> 3 30 2 3609 1 B 0
#> 4 15 3 433 2 C 0
#> 5 7 3 861 1 B 0
#> 6 32 2 565 1 B 0
#> 7 15 36 4402 1 B 0
#> 8 5 5 542 2 C 0
#> 9 16 9 2213 1 C 0
#> 10 5 4 1006 1 E 2
#> # ... with 9,990 more rows, and 30 more variables: TIPO_CANDIDATURA <dbl>,
#> # CASILLA <dbl>, ESTATUS_ACTA <dbl>, ORDEN <dbl>,
#> # LISTA_NOMINAL_CASILLA <dbl>, ID_GRUPO <dbl>, TIPO_RECUENTO <dbl>,
#> # NUM_VOTOS_NULOS <dbl>, NUM_VOTOS_CAN_NREG <dbl>,
#> # NUMERO_VOTOS_VALIDOS <dbl>, TOTAL_VOTOS <dbl>,
#> # BOLETAS_INUTILIZADAS <dbl>, PAN <dbl>, PRI <dbl>, PRD <dbl>,
#> # PVEM <dbl>, PT <dbl>, MC <dbl>, PANAL <dbl>, PRI_PVEM <dbl>,
#> # PRD_PT_MC <dbl>, PRD_PT <dbl>, PRD_MC <dbl>, PT_MC <dbl>,
#> # ID_MUNICIPIO <dbl>, LISTA_NOMINAL <dbl>, VOTOS_RESERVADOS <dbl>,
#> # pan <dbl>, pri <dbl>, prd <dbl>Una de las principales ventajas de usar este paquete es que es eficiente en el uso de memoria.
library(pryr)
#>
#> Attaching package: 'pryr'
#> The following objects are masked from 'package:purrr':
#>
#> compose, partial
object_size(muestra_computos)
#> 2.89 MB
object_size(computos_boot)
#> 6.98 MB
# tamaño por muestra
object_size(computos_boot)/nrow(computos_boot)
#> 69.8 kB
# el incremento en tamaño es << 100
as.numeric(object_size(computos_boot)/object_size(muestra_computos))
#> [1] 2.4133- El paquete
bootestá asociado al libro Bootstrap Methods and Their Applications (Davison and Hinkley (1997)) y tiene, entre otras, funciones para calcular replicaciones bootstrap y para construir intervalos de confianza usando bootstrap:- calculo de replicaciones bootstrap con la función
boot(), - intervalos normales, de percentiles y \(BC_a\) con la función
boot.ci(), - intevalos ABC con la función `abc.ci().
- calculo de replicaciones bootstrap con la función
- El paquete
bootstrapcontiene datos usados en Efron and Tibshirani (1993), y la implementación de funciones para calcular replicaciones y construir intervalos de confianza:- calculo de replicaciones bootstrap con la función
bootstrap(), - intervalos \(BC_a\) con la función
bcanon(), - intevalos ABC con la función `abcnon().
- calculo de replicaciones bootstrap con la función
Referencias
Davison, A. C., and D. V. Hinkley. 1997. Bootstrap Methods and Their Applications. Cambridge: Cambridge University Press. http://statwww.epfl.ch/davison/BMA/.
Efron, Bradley, and Robert J. Tibshirani. 1993. An Introduction to the Bootstrap. Monographs on Statistics and Applied Probability 57. Boca Raton, Florida, USA: Chapman & Hall/CRC.