如何用R对小样本非正态数据进行Bootstrap抽样求均值95%置信区间

针对你提供的26个右偏分布数据，以下两种Bootstrap实现方案都能有效计算均值的95%置信区间，其中基于boot包的BCa法更适配偏态数据：

1. 手动实现Bootstrap（理解原理） #

手动实现可以清晰看到Bootstrap的核心逻辑：重复有放回抽样并计算统计量，最后取分位数得到置信区间。

代码示例 #

# 导入数据
data <- c(0, 1.6, 2, 2, 3.4, 3.6, 4.4, 4.9, 5, 6.8, 8.7, 10.3, 10.5, 14.5, 15.2, 17.1, 
          18, 20.9, 25, 25.8, 31.4, 31.9, 40.6, 59.9, 73.3, 85.5)

set.seed(123) # 设置随机种子保证结果可复现
n_boot <- 10000 # 抽样次数，建议≥1000次
boot_means <- replicate(n_boot, mean(sample(data, replace = TRUE)))

# 计算95%百分位数置信区间
ci_manual <- quantile(boot_means, c(0.025, 0.975))
print(ci_manual)

2. 使用boot包实现（推荐） #

boot包是R中专门用于Bootstrap分析的工具，支持BCa法（偏差校正加速法）——这种方法会校正抽样分布的偏差和偏斜，对于右偏数据的置信区间估计更准确。

代码示例 #

# 首次使用需安装包
# install.packages("boot")
library(boot)

# 导入数据
data <- c(0, 1.6, 2, 2, 3.4, 3.6, 4.4, 4.9, 5, 6.8, 8.7, 10.3, 10.5, 14.5, 15.2, 17.1, 
          18, 20.9, 25, 25.8, 31.4, 31.9, 40.6, 59.9, 73.3, 85.5)

# 定义计算均值的函数：参数为数据和抽样索引
mean_stat <- function(data, idx) {
  mean(data[idx])
}

# 运行Bootstrap抽样
boot_obj <- boot(data = data, statistic = mean_stat, R = 10000)

# 计算两种置信区间
# 百分位数法
ci_perc <- boot.ci(boot_obj, type = "perc")
# BCa法（推荐用于偏态数据）
ci_bca <- boot.ci(boot_obj, type = "bca")

# 输出结果
cat("百分位数法置信区间：\n")
print(ci_perc)
cat("\nBCa法置信区间：\n")
print(ci_bca)

关键说明 #

• 抽样次数R设置为10000次可在计算速度和结果稳定性间取得平衡；
• 右偏数据优先选择BCa法，它能针对分布偏态和抽样偏差做校正，结果比简单百分位数法更可靠；
• 设置set.seed()可以让你的分析结果可重复，便于后续验证或调整。

内容的提问来源于stack exchange，提问作者NickA