如何用boot包实现基于聚类的自助抽样以计算中位数置信区间

我有一个包含聚类来源观测值的data.frame，目标是获取某测量值中位数的95%置信区间。示例里有50个聚类，每个聚类提供2条观测值，共100条。现有代码把所有观测值当作独立个体做自助抽样，但我的数据中聚类内观测值并非独立，需要保留聚类内的相关性，因此适合用基于聚类的抽样，但不确定怎么用boot包实现。其中value是观测值，cluster_id是聚类标识，希望生成基于自助抽样的value中位数95%CI。

初始代码：

library("boot")
val <- rnorm(n = 100, mean = 10, sd = 2)
id <- rep(1:50, 2)
dat <- data.frame("cluster_id" = id, "value" = val)

stat_fun<- function(data, indices){
  b <- data[indices, ]
  return(median(b$value))
}
boot.ci(boot(data = dat, stat_fun, R = 1000), type = "bca")

更新
我考虑让boot函数对cluster_id而非整个data.frame dat进行抽样，再通过统计函数返回自助样本的中位数，请问这个方法是否正确？

更新后的代码：

library("boot")
val <- rnorm(n = 100, mean = 10, sd = 2)
id <- rep(1:50, 2)
dat <- data.frame("cluster_id" = id, "value" = val)
    
statistic_function <- function(cluster_id, indices) {
  cluster_sample <- dat[dat$cluster_id %in% cluster_id[indices],]
  median_value <- median(cluster_sample$value)
  return(median_value)

bootstrap_results <- boot(data = dat$cluster_id, statistic_function, R = 1000)
boot.ci(bootstrap_results, type = "bca", index = 1)

你的思路完全正确，基于聚类的自助抽样核心就是对聚类ID进行有放回抽样，而非对单个观测值抽样，这样能完整保留聚类内观测值的相关性。不过你的代码有两个细节需要修正：

• 直接用dat$cluster_id作为抽样对象会包含重复的聚类ID（每个聚类出现2次），这会导致抽样概率偏差，应该先提取唯一的聚类ID集合作为抽样总体
• 统计函数的参数逻辑需要对应调整，确保抽样的是唯一聚类ID的子集

修正后的可运行代码如下：

library("boot")
set.seed(123) # 设置随机种子，保证结果可重复
val <- rnorm(n = 100, mean = 10, sd = 2)
id <- rep(1:50, 2)
dat <- data.frame("cluster_id" = id, "value" = val)

# 定义统计函数：输入唯一聚类ID和抽样索引，返回对应样本的中位数
statistic_function <- function(unique_clusters, indices) {
  # 获取抽样后的聚类ID
  sampled_clusters <- unique_clusters[indices]
  # 提取对应聚类的所有观测值
  cluster_sample <- dat[dat$cluster_id %in% sampled_clusters, ]
  # 返回中位数
  return(median(cluster_sample$value))
}

# 对唯一聚类ID进行自助抽样，R为抽样次数
bootstrap_results <- boot(
  data = unique(dat$cluster_id), 
  statistic = statistic_function, 
  R = 1000
)

# 计算BCA类型的95%置信区间（适合中位数这类非正态统计量）
boot.ci(bootstrap_results, type = "bca")

关键逻辑说明 #

1. 抽样对象调整：用unique(dat$cluster_id)获取50个不重复的聚类ID，作为自助抽样的总体，确保每个聚类被抽取的概率一致
2. 抽样方式：boot函数会对这50个ID进行有放回抽样，每次抽取50个ID（和原聚类数量相同），保证抽样后的样本结构与原数据匹配
3. 统计量计算：根据抽样得到的聚类ID，提取原数据中对应聚类的所有观测值，再计算中位数，保留了聚类内的相关性
4. 置信区间选择：BCA（偏置校正加速）置信区间是针对中位数这类非正态分布统计量的最优选择之一，比普通正态近似区间更准确

内容的提问来源于stack exchange，提问作者j1897