R中的引导ICC

Question

作为 R 新手，我很难引导 ICC 输出。我首先设法使用包 ICC 计算出“正常”ICC，没有任何问题（ICCbare(subject, variable, icc)），但是当我尝试进行一些自举估计时，情况变得更糟......

我开始于

icc_boot<-function(icc, i)ICCbare(subject [i], variable [i], icc)

并在bootstrap中输入icc_boot如下图：

testicc<-boot(icc, icc_boot, 1000)

但是我收到一条错误消息，说“选择了未定义的列”，我哪里出错了？

这是我数据的一小部分输出

结构(列表(subject_id = c(2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2008, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2009, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2014, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2016, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2023, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2024, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2025, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2028, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2029, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2030, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2031, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2032, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033, 2033), interval_0_epochs = c(7139, 7964, 7775, 6756、6075、7184、7965、4730、5957、7574、5649、6496、9266、5052、 7090、7680、6992、7151、6022、6592、7310、7785、6714、7311、7636、 7015、7482、8860、6997、9034、9553、8326、10015、10252、8463、 8612、8388、7648、9503、9978、8014、7125、8261、8818、7733、9518、 9099、9368、8468、8899、8984、10304、10064、10398、9193、9331、 6866、7423、7745、8525、7362、9115、9509、8804、8726、8668、8361、 8513、7670、9077、7375、8148、5897、5507、6321、7695、6222、9024、 7096、6490、6319、6142、5225、6081、6314、6391、7319、7598、7921、 7324、9289、8792、7980、6650、9045、7896、11727、5953、7087、 7624、9317、8086、8307、9486、7380、6613、7033、8647、8366、8418、 7721、7516、7337、9151、8360、8149、8172、8697、7589、7563、7780、 7108、8080、9582、8381、6790、7983、7047、8986、8643、8941、7422、 7403、8101、8563、8375、9329、7192、9250、8455、9013、8342、8889、 7306、9580、9110、8256、8547、8852、9636、8893、5919、9139、9146、 7476、8004、7755、6243、7804、8797、7330、9280、9893、9603、8839、 6793、9207、6338、8098、9792、8984、8139、7523、7976、7085、9578、 9935、5320、5766、5379、5486、8777、7699、8868、6066、7084、6751、 8531、8740、8666、8641、7429、8089、9053、9535、8384、8616、9236、 6682、9290、9121、7705、8984、7770、8059、7396、7239、7165、8142、 8547、8541、6333、6738、7727、6161、7610、9438、6989、9837、7362、 10216、7489、6298、7429、8232、11105、9298、9894、9979、7333、 7177、7931、7637、9569、7022、7950、8208、6622、8778、8957、6581、 5673、9307、9508、8102、8919、8062、7506、7336、8108、7289、7981、 7178、7832、8883、7385、7457、9251、7352、8616、8627、9424、8164、 8165、5929、8102、7898、5869、7621、7810、7036、9570、9641、9374、 9176、7041、8969、10233、7924、9788、7966、8258、8052、8032、 6406、9471、5572、8715、9241、8367、8131、8436、6280、7713、7611、 8414、9221、7105、8558、9015、9878、8586、7785、7505、7725、8303、 8562、10182、7215、7741、9008、7688、9240、9275、8710、6537、 5577、9483、7891、7567、9287、10318、6518、8174、9924、8830、 9662、8229、9448、7637、6615、7959、9973、7997、6366、6227、8287、 8225、6409、7757、7847、8833、7231、9390、8580、9323、9875、8365、 9464、9128、9569、8701、7740、8837、7505、6812、7441、8182、10256、 10006、10039、5824、7456、8994、8455、9557、9335、9455、9202、 6225、9778、8514、8623、7856、7466、6204、8513、8222、8059、8708、 8562、8495、9074、7950、5699、7206、6195、8916、5548、7735、6529、 6950、7749、6069、11814、9947、8095、5562、6545、7928、7363、 5744、8539、11186、9010、6770、6353、8728、6658、9627、7557、 9935、9522、8999、9101、8817、7560、7496、8383、7928、8621、8909、 6526、8412、6986、6430、7060、6658、7318、9233、7737、6494、6525、 7728、7632、7524、6598、6536、8352、7007、8486、7947、6545、7386、 8398、7715、7371、7020、7102、5490、7439、7970、8951、7907、8338、 6628、7355、7263、7143、6317、7054、8820、7769、8847、8375、7718、 7145、8409、7299、7330、6336、6645、8336、6615、8552、9186、7450、 8100、8839、9340、10206、8046、9019、7946、7132、8855、9794、 8526、6787、8849、8543、7010、8509、8985、10006、7851、7777、 7715、7654、8957、7865、9502、7920、7096、8862、8533、9430、8213、 10100、8090、6765、8363、8190、8202、7147、9803、8623、8018、 8007、8577、7853、9258、8648、6743、8122、7506、8103、8353、9713、 9234、8536、7996、7801、8101、7831、8615、5582、6412、7942、7756、 8055、7733、9139、6097、6522、8634、6966、8747、8775、8424、7336、 6315、9505、7881、9305、8351、9152、7036、6447、6842、7263、7933、 8341、8561、8260、7014、7736、7140、9504、8168、7849、7569、5815、 7675、8182、8645、8136、8825、7330、6910、8251、7572、7488、7942、 7405、8453、7153、6338、9165、9081、9906、10001、13219、6428、 8823、8095、7829、6467、9490、14308、6622、8723、7766、7510、 7786、10570、10981、7845、7492、8920、8471、9309、8894、10783、 6277、9295、8056、7700、8387、7652、8966、8037、6797、7036、8350、 8173、8377、8089、8515、8950、8549、6849、8293、6532、8928、7450、 8357、8742、8255、7542、8289、9325、7570、7743、7104、7844、8656、 8301、8481、8868、5067、5670、8848、7913、7782、8492、6021、5938、 4595、7965、8776、7360、8822、6776、4204、8615、7717、8500、7300、 4311、6504、7568、6402、8955、9376、9580、7262、6800、7713、8651、 8459、7432、7706、9216、8085、9191、8001、7503、8905、8036、8882、 6344、10359、5644、6319、7890、6502、6354、9649、7130、8179、 6596、7122、8357、7465、8471、7603、9387、7391、6547、7959、7137、 8401、9041、9833、8190、7886、8190、8406、8435、9415、8985、6143、 6586, 8742)), .Names = c("subject_id", "interval_0_epochs"), row.names = c(NA, 725L), class= "data.frame")

Answer 1

在定义引导函数的统计数据时，传递的第一个参数将始终是原始数据。第二个将是索引向量..' 见 ?boot

一个例子：

library(ICC)
library(MASS)
library(boot)

# Data
Sigma <- matrix(c(10,3,3,2),2,2)
df <- data.frame(mvrnorm(n=20, rep(0, 2), Sigma))

#ICC on data
m.df <- reshape(df , dir = "long" , varying = list(1:2))
ICCbare(id , X1 , data = m.df)

# Bootstrap function ---------------------------------------------
boot.fun <- function(dat , i) {
  newdf <- dat[i , ]
  m.newdf <- reshape(newdf , dir = "long" , varying = list(1:2) , new.row.names=1:40)  
  ICCbare(id , X1 , data = m.newdf)$ICC
}

boo1 <- boot(df , boot.fun , 2000)
boot.ci(boo1)

编辑：根据您的数据，这将是我的方法。希望有人会提出一个更好的解决方案。由于您的数据已经是长格式，我会将其转换为宽格式，以便在重新采样时保留对象内的相关性（必须有一种方法可以以长格式进行采样）。

If your data is df.

#ICC on your data
ICCbare(subject_id , interval_0_epochs , data = df)

# Reshape your data to wide - preserve wothin subject correlation when resampling
df$time <- ave(df$subject_id, list(df$subject_id), FUN=seq_along)
w.df <- reshape(df , timevar = "time" , idvar = "subject_id"  , direction = "wide" )  

# Quick check ---------------------------------------------------------
l.df <- reshape(w.df , direction = "long")
# Define new grouping factor for repeat id's when resamples (later)
l.df$grp <- 1:27
ICCbare(grp , interval_0_epochs.1 , data = l.df)$ICC #same as before

# Bootstrap function ---------------------------------------------
boot.fun <- function(dat , i) {
 newdf <- dat[i , ]
 m.newdf <- reshape(newdf , dir = "long", new.row.names = seq((ncol(dat)-1)*nrow(dat))) 
 m.newdf$grp <- seq(nrow(dat))
 ICCbare(grp , interval_0_epochs.1 , data = m.newdf)$ICC
}

boo1 <- boot(w.df , boot.fun , 2000)
boot.ci(boo1)