R语言有放回自助抽样(bootstrapping)均值方差计算与可视化实现问题

问题1解答 #

R基础包没有直接计算bootstrap统计量的内置函数，CRAN官方推荐的boot包是该场景的标准实现。你提到的3.94是穷尽所有4^4=256种可能的有放回抽样得到的理想bootstrap方差，和随机抽样估计的结果会有微小误差，以下是验证和使用示例：
首先是全量bootstrap验证理论值的代码：

s <- c(2,4,9,12)
n <- length(s)
# 生成所有可能的4元素有放回抽样组合
all_boot <- expand.grid(rep(list(s), n))
# 计算每个bootstrap样本的均值
all_boot_mean <- apply(all_boot, 1, mean)
# 计算bootstrap方差
print(var(all_boot_mean)) # 输出结果约为3.94，和参考值一致

boot包的标准使用示例：

# 未安装可先执行 install.packages("boot")
library(boot)
# 定义统计量计算函数，第一个参数为原始样本，第二个为bootstrap抽样的索引
boot_fun <- function(data, idx) {
  return(mean(data[idx]))
}
# 执行bootstrap，R参数设置为256时即为全量抽样，和上述手动计算结果一致
boot_res <- boot(data = s, statistic = boot_fun, R = 256)
# 输出结果：原始样本均值、bootstrap方差
print(boot_res$t0) # 原始样本均值6.75
print(var(boot_res$t)) # 输出结果约为3.94

问题2解答 #

你之前的sample调用错误出在size参数，每次bootstrap抽样的样本量需要和原始样本量一致（即4），重复10000次该抽样即可得到你需要的样本集，完整实现代码如下（含CLT效果可视化）：

s <- c(2,4,9,12)
n_sim <- 10000
n <- length(s)
# 批量生成10000个长度为4的有放回抽样样本
boot_samples <- replicate(n_sim, sample(s, size = n, replace = TRUE))
# 计算每个样本的均值、方差
boot_means <- apply(boot_samples, 2, mean)
boot_vars <- apply(boot_samples, 2, var)

# 绘制分布图观测CLT效果
par(mfrow = c(1,2))
hist(boot_means, breaks = 30, col = "lightblue", main = "Bootstrap均值分布", xlab = "均值")
abline(v = mean(s), col = "red", lwd = 2) # 原始样本均值参考线
hist(boot_vars, breaks = 30, col = "lightgreen", main = "Bootstrap方差分布", xlab = "方差")
abline(v = var(s), col = "red", lwd = 2) # 原始样本方差参考线

运行代码后你会看到bootstrap均值分布近似正态，符合中心极限定理的预期，且var(boot_means)的计算结果会非常接近3.94的理论值。

bootstrap概念巩固建议 #

• 核心逻辑是用样本本身作为总体做抽样推断，不需要预先假设总体分布，这是bootstrap最核心的优势
• 每次bootstrap抽样的样本量必须和原始样本量一致，这是新手最常踩的坑
• 你提到的分母为n^n-1是穷尽所有可能bootstrap样本的理想方差计算方式，实际使用中不需要穷尽所有组合，只要做足够多次（通常1000次以上）随机抽样，得到的方差估计值就足够准确
• 注意区分两个方差的概念：你计算的var(s)=20.9167是原始样本的单观测方差，而bootstrap方差是你关心的统计量（本次为均值）的抽样方差，二者属于完全不同的统计量，不要混淆。

内容的提问来源于stack exchange，提问作者LoveMYMAth