【问题标题】：In R with clustered data, how would you bootstrap at the cluster level and keep the same observation when clusters are chosen repeatedly?在具有集群数据的 R 中，当重复选择集群时，您将如何在集群级别引导并保持相同的观察？
【发布时间】：2020-02-26 20:01:49
【问题描述】：

我正在尝试从纵向数据集中引导样本，每个人有多个观察值（即随着时间的推移在多个波中收集的数据）。所以数据看起来像这样：

id     wave   variable
101    1      15
101    2      17
101    3      18
102    1      13
102    2      14
102    3      14
103    1      13
103    2      15
103    3      17

我想做的是在 PERSON 级别进行采样，并且每人只保留一个随机选择的观察值（波），但如果/当一个人被多次采样时保持相同的观察值。因此，引导程序示例可能如下所示：

id     wave   variable
101    1      15
103    2      15
101    1      15

但从不这样：

id     wave   variable
101    1      15
103    2      15
101    2      17

我一直在为如何编写代码而苦苦挣扎，更不用说优雅地编写代码了。任何想法将不胜感激。

【问题讨论】：

标签： r statistics-bootstrap

【解决方案1】：

您可以为随机选择的每个 ID 获取一个包含一行的数据框，然后只需对该数据框进行替换采样：

set.seed(69)
dfs <- split(df, df$id)
dfs <- mapply(function(x, y) x[sample(y,1),], dfs, sapply(dfs, nrow), SIMPLIFY = FALSE)
result <- do.call(rbind, dfs)
result[sample(nrow(result), 9, TRUE), ]
#>        id wave variable
#> 101   101    1       15
#> 103   103    2       15
#> 103.1 103    2       15
#> 103.2 103    2       15
#> 102   102    3       14
#> 101.1 101    1       15
#> 103.3 103    2       15
#> 102.1 102    3       14
#> 102.2 102    3       14

^{由reprex package (v0.3.0) 于 2020 年 2 月 26 日创建}

【讨论】：

【解决方案2】：

你的例子：

x = structure(list(id = c(101L, 101L, 101L, 102L, 102L, 102L, 103L, 
103L, 103L), wave = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), variable = c(15L, 
17L, 18L, 13L, 14L, 14L, 13L, 15L, 17L)), class = "data.frame", row.names = c(NA, 
-9L))

如果你不介意 dplyr，也许是这样的：

set.seed(111)
x %>% group_by(id) %>% sample_n(1) %>%  
ungroup() %>% sample_n(n(),replace=TRUE)

# A tibble: 3 x 3
     id  wave variable
  <int> <int>    <int>
1   103     3       17
2   101     2       17
3   103     3       17

在第一行中，您按 id 分组，并采样 1。接下来您取消分组，因此您只有唯一的 id。然后就是用替换对这些行进行抽样。希望我做对了。

【讨论】：

【解决方案3】：

我们可以首先为每个id 采样一个wave 值，然后inner_join 原始数据。然后我们从这个“过滤”列表中引导样本......

创建更大的数据集以重现采样：

set.seed(13)
df <- data.frame(id = rep(101:103, each=9),
                 wave = rep(1:3, times=9),
                 variable = sample(1:20,9*3, TRUE))

head(df)

   id wave variable
1 101    1        4
2 101    2        2
3 101    3        1
4 101    1       19
5 101    2       19
6 101    3       17

使用dplyr的解决方案：

library(dplyr)

  boot_size = 1000

boot <- df %>% 
  inner_join(df %>% 
               group_by(id, ) %>% 
               sample_n(1) %>% 
               select(id, wave)) %>% 
  sample_n(boot_size, replace = TRUE)

测试它是否有效：

  head(boot)

   id wave variable
1 101    2        5
2 103    3        4
3 102    3       11
4 103    3        3
5 103    3        3
6 101    2        6

table(boot$id, boot$wave)

      2   3
101 323   0
102   0 353
103   0 324

看起来不错，每个id 的值都来自一个wave

编辑：

我不小心发布了一个有效但效率非常低且愚蠢的解决方案版本，其中我的连接 data.frame 是从 id、wave 和 variable 的所有组合中选择的。但是在这一步我们不需要所有这些组合。我用不那么愚蠢的那行代码交换了那行代码。对不起。

【讨论】：