R语言如何用boot包计算矩阵行均值及95%bootstrap置信区间

实现思路 #

你初始用apply按行调用boot的思路完全可行，当前代码已经完成了每一行的bootstrap重抽样计算，只需要补充逐对象计算置信区间、提取目标值、合并结果三个步骤即可得到要求的data.frame结果。

完整可运行代码 #

# 加载boot包
library(boot)

# 示例测试矩阵
foo <- matrix(rnorm(1000), nrow = 10)

# 定义bootstrap统计函数：输入重抽样索引，返回对应样本的均值
getMean <- function(x, ind) {
  mean(x[ind], na.rm = TRUE)
}

# 按行执行bootstrap重抽样，返回结果为列表，每个元素对应一行的boot对象
meanBoot <- apply(
  X = foo,
  MARGIN = 1,
  FUN = boot,
  statistic = getMean,
  R = 200 # 重抽样次数，正式分析建议设为1000及以上
)

# 逐行提取均值、计算95%置信区间
result_ls <- lapply(meanBoot, function(boot_obj) {
  # 计算95%置信区间，type可选"perc"(百分位法)、"bca"(偏差校正加速法)、"norm"(正态近似法)
  ci <- boot.ci(boot_obj, conf = 0.95, type = "perc")
  data.frame(
    mean = boot_obj$t0, # 原始样本的行均值
    ci_lower = ci$perc[4], # 95%CI下限
    ci_upper = ci$perc[5]  # 95%CI上限
  )
})

# 合并为最终数据框，行数与原矩阵完全一致
final_df <- do.call(rbind, result_ls)
rownames(final_df) <- paste0("row", seq_len(nrow(foo)))

注意事项 #

• 正式分析时建议将重抽样次数R设置为1000以上，能有效降低置信区间的计算误差，使用BCa法计算区间时也能减少报错概率。
• 如果需要换用其他类型的置信区间，只需要修改boot.ci的type参数即可，对应提取CI值的位置要和输出结构匹配：比如type="norm"时，CI值存储在ci$norm[2:3]位置。
• 如果矩阵行中存在缺失值，当前getMean函数已经设置na.rm=TRUE，可以自动跳过缺失值计算，不需要额外调整。

内容的提问来源于stack exchange，提问作者user111024