选择bootstrap样本量：如何用R的boot()抽取7个观测匹配总体加权均值

问题分析 #

你原有代码的逻辑冲突点在于：boot()默认会自动生成与原数据集等长的重抽样索引i，你既在自定义统计量里手动抽了7条样本，又用boot生成的长索引去二次索引7条的子样本，属于逻辑错误，自然无法得到你要的7条样本的计算结果。

你可以选择两种方案实现需求，优先推荐更灵活的自定义重抽样方案，无需依赖boot包的规则限制。

方案1：自定义重抽样实现（推荐） #

# 第一步：先计算全量数据的基准加权均值，作为后续逼近的目标
pop_SAM <- weighted.mean(datamatrix[,3], datamatrix[,1])
pop_CAM <- weighted.mean(datamatrix[,4], datamatrix[,1])
# 如果29个变量都要匹配，可以批量计算所有变量的总体加权均值

# 第二步：定义单次抽样+误差计算函数
sample_7_metric <- function(data, replace = FALSE) {
  # 无放回抽7条不重复观测，允许重复的话把replace改成TRUE
  idx <- sample(nrow(data), size = 7, replace = replace)
  sub_data <- data[idx,]
  sam <- weighted.mean(sub_data[,3], sub_data[,1])
  cam <- weighted.mean(sub_data[,4], sub_data[,1])
  # 计算和总体均值的误差，这里用平方和，可根据需求替换为其他误差指标
  error <- (sam - pop_SAM)^2 + (cam - pop_CAM)^2
  return(list(subset_idx = idx, SAM = sam, CAM = cam, error = error))
}

# 第三步：批量跑重抽样，R可根据精度需求调整
set.seed(123) # 设随机种子保证结果可复现
R <- 1000
res_list <- lapply(1:R, function(x) sample_7_metric(datamatrix))

# 第四步：提取误差最小的最优7条观测组合
errors <- sapply(res_list, function(x) x$error)
best_res <- res_list[[which.min(errors)]]
best_subset <- datamatrix[best_res$subset_idx,]

方案2：适配boot包的实现 #

如果你坚持要使用boot包，可以修改sim参数跳过默认的等长抽样逻辑，自定义抽样规则：

library(boot)

# 提前计算总体基准值
pop_SAM <- weighted.mean(datamatrix[,3], datamatrix[,1])
pop_CAM <- weighted.mean(datamatrix[,4], datamatrix[,1])

# 重写统计量函数，不使用boot自动生成的索引，手动控制抽样
functionWAM <- function(data, p) {
  idx <- sample(nrow(data), size = p, replace = FALSE)
  sub_data <- data[idx,]
  sam <- weighted.mean(sub_data[,3], sub_data[,1])
  cam <- weighted.mean(sub_data[,4], sub_data[,1])
  error <- (sam - pop_SAM)^2 + (cam - pop_CAM)^2
  return(c(SAM = sam, CAM = cam, error = error, subset_idx = idx))
}

# 调用boot，指定参数跳过默认抽样逻辑
WAMresults <- boot(
  data = datamatrix,
  statistic = functionWAM,
  R = 1000,
  sim = "parametric",
  ran.gen = function(data, ...) data,
  p = 7
)

# 提取最优结果
best_idx <- which.min(WAMresults$t[,3])
best_subset_idx <- WAMresults$t[best_idx, 4:10]
best_subset <- datamatrix[best_subset_idx,]

优化建议 #

• 如果需要匹配全部29个变量的加权均值，把误差计算逻辑改为所有变量加权均值差的平方和即可
• 对结果精度要求更高的话，可以把重抽样次数R调大到10000，1700行的数据集运算量完全可承受
• 若要求7条观测不可重复，抽样时保持replace = FALSE即可

内容的提问来源于stack exchange，提问作者User3101