R语言Bootstrap、MSE、功效、Jackknife、非参数自抽样可视化，如何一网打尽？

本文共计1884个文字，预计阅读时间需要8分钟。

相关视频：什么是Bootstrap自绘样式及应用R语言线性回归预测置信区间实例+什么是Bootstrap自绘样式和R语言Bootstrap线性回归预测置信区间，时长05:38

参数引导：估计+MSE+统计学术语：等级（k）

相关视频：什么是Bootstrap自抽样及应用R语言线性回归预测置信区间实例

什么是Bootstrap自抽样及R语言Bootstrap线性回归预测置信区间

，时长05:38

参数引导：估计 MSE

统计学问题：级别(k\)修剪后的平均值的MSE是多少？

我们如何回答它：估计从标准柯西分布（t 分布 w/df = 1）生成的大小为 20 的随机样本的水平 \(k\) 修剪均值的 MSE。目标参数 \(\theta\) 是中心或中位数。柯西分布不存在均值。在表中总结 MSE 的估计值 \(k = 1, 2, ... 9\)。

1.
2. result=rep(0,9)
3. for(j in 1:9){
4. n<-20
5.
6. for(i in 1:m){
7. x<-sort(rcauchy(n))
8.

参数自抽样法：经验功效计算

统计问题：随着零假设与现实之间的差异发生变化，功效如何变化？

我们如何回答：绘制 t 检验的经验功效曲线。

t 检验的原假设是

。另一种选择是

。

您将从具有

的正态分布总体中抽取大小为 20 的样本。