使用map_dbl()的两种R代码逻辑相似为何输出不同？

你在计算不同样本量的抽样误差时，两段逻辑看似一致的代码输出结果不同，核心原因在于随机数生成的状态未重置。

初始设置 #

set.seed(4)
parameter  <-  mean(houses$SalePrice) # parameter value = 180796.1
sample_sizes  <-  seq(from = 5, by=29, length.out=100)
library(purrr)

你的代码 #

sample_means <- map_dbl(sample_sizes, function(x) mean(sample(houses$SalePrice, size=x)))
sampling_errors_a <- parameter - sample_means

参考代码 #

sampling_errors <- map_dbl(sample_sizes, function(x) parameter - mean(sample(houses$SalePrice, size=x)))

关键原因 #

R的随机数生成器有一个内部状态，每次调用sample()（或其他随机函数）时，这个状态会向前推进，生成下一组随机数。如果在同一个会话中先运行你的代码，会调用100次sample()，消耗掉前100组随机数；之后运行参考代码时，sample()会从第101组随机数开始生成样本，自然得到不同的抽样结果，最终导致误差值不一致。

验证方法 #

在运行每一段代码前重新设置随机种子，让两者的随机数起点一致：

# 运行你的代码
set.seed(4)
sample_means <- map_dbl(sample_sizes, function(x) mean(sample(houses$SalePrice, size=x)))
sampling_errors_a <- parameter - sample_means

# 重置种子后运行参考代码
set.seed(4)
sampling_errors <- map_dbl(sample_sizes, function(x) parameter - mean(sample(houses$SalePrice, size=x)))

# 此时验证结果一致
identical(sampling_errors_a, sampling_errors) # 返回 TRUE

逻辑等价性 #

从数学计算上看，两段代码完全等价：

• 你的代码是先批量计算所有样本均值，再统一减去总体参数；
• 参考代码是在每次迭代中直接计算总体参数与样本均值的差值。
  两者的计算逻辑没有差异，差异仅来自随机抽样的随机性（随机数状态未重置导致的样本不同）。

内容的提问来源于stack exchange，提问作者Andrea