求助：在R中通过有放回抽样估计分布MLE参数θ的方法

首先，咱们先拆解你代码里的几个关键错误，再一步步实现你需要的MLE估计、bootstrap抽样和可视化需求：

1. 正确读取带索引标记的txt数据 #

你的数据文件里有[1]、[7]这类索引标记，直接用read.table会把这些标记当成无效数据或者错误列。咱们可以先按行读取，再提取所有数值：

# 读取文件内容为字符串向量
raw_lines <- readLines(file.choose())
# 提取所有数值（去掉非数字的部分，包括[]和索引）
data_values <- as.numeric(unlist(strsplit(raw_lines, "\\D+")))
# 去掉NA（拆分后可能产生的空值转成的NA）
data_values <- na.omit(data_values)
# 确认数据长度应该是100
length(data_values)

2. 代码里的核心错误修正 #

你的原代码有几个致命问题：

• numeric(data)：numeric()需要传入长度值，比如你要存1000次抽样的结果，应该用numeric(B)而不是numeric(data)，后者会把数据框/向量转成数值向量，完全不符合你的需求。
• sample(data, ...)：如果data是数据框，sample会抽样列而不是单个数值，所以必须先把数据转换成单一数值向量（就是上面的data_values）。
• 初始化sample.means和sample.sd时，你一开始就给了错误的长度，后面用c()追加会导致向量长度混乱，应该直接初始化长度为B的空向量。

3. 实现指定分布的MLE参数θ估计 #

你提到要从指定分布估计MLE，但没说具体是什么分布，这里举两个常见的非正态分布例子，你可以根据实际分布替换：

例子1：假设数据服从均匀分布U(0, θ) #

均匀分布U(0,θ)的MLE是样本的最大值：

# 定义MLE计算函数
mle_theta_unif <- function(x) {
  max(x)
}

例子2：假设数据服从指数分布Exp(θ) #

指数分布的MLE是样本均值的倒数（如果θ是率参数），或者样本均值（如果θ是尺度参数，注意定义）：

# 率参数θ的MLE：1/样本均值
mle_theta_exp <- function(x) {
  1 / mean(x)
}

4. 1000次Bootstrap抽样、保存样本与绘制直方图 #

现在把这些整合起来，完成抽样、计算MLE、保存和可视化：

# 设置抽样次数
B <- 1000
# 初始化存储MLEθ结果的向量
bootstrap_thetas <- numeric(B)

# 开始循环抽样
for (i in 1:B) {
  # 有放回抽样（从数值向量中抽，长度和原数据一致）
  boot_sample <- sample(data_values, size = length(data_values), replace = TRUE)
  # 计算本次抽样的MLEθ（这里用均匀分布的例子，替换成你需要的函数）
  bootstrap_thetas[i] <- mle_theta_unif(boot_sample)
}

# 保存抽样得到的θ样本到txt文件
write.table(bootstrap_thetas, file = "bootstrap_thetas.txt", row.names = FALSE, col.names = FALSE)

# 绘制直方图
hist(bootstrap_thetas, main = "Bootstrap抽样得到的MLEθ直方图", 
     xlab = "θ的MLE估计值", col = "lightblue", border = "white")
# 可以添加原数据的MLE作为参考线
abline(v = mle_theta_unif(data_values), col = "red", lwd = 2, lty = 2)

额外说明 #

• 如果你的指定分布不是上面的例子，只需要修改mle_theta_xxx函数，按照该分布的MLE公式编写即可。比如泊松分布的MLE是样本均值，伽马分布的MLE需要用fitdistr函数（来自MASS包）来计算。
• 原代码里的sample.means和sample.sd如果是你需要额外计算的，也可以用同样的方式初始化向量并循环赋值，不要用c()追加，因为效率很低且容易出错。

内容的提问来源于stack exchange，提问作者John John