如何从 R 中的引导导出结果？

Question

我有一个包含 540 个观测值的时间序列，我使用以下代码对其进行了 999 次重新采样：

boot.mean = function(x,i){boot.mean = mean(x[i])}
z1 = boot(x1, boot.mean, R=999)
z1
ORDINARY NONPARAMETRIC BOOTSTRAP

Call:
boot(data = x1, statistic = boot.mean, R = 999)

Bootstrap Statistics :
        original        bias    std. error
t1* -0.009381397 -5.903801e-05 0.002524366

尝试导出结果给了我以下错误：

write.csv(z1, "z1.csv")

Error in as.data.frame.default(x[[i]], optional = TRUE, stringsAsFactors = stringsAsFactors) : 
  cannot coerce class ""boot"" to a data.frame

如何将结果导出到 .csv 文件？

我期望获得一个包含 540 个观察 999 次的文件，目标是应用包中的approx_entropy函数pracma，获得 999 个近似熵值并绘制 Latex 中的分布。

Answer 1

首先，请确保您的示例是可重现的。您可以通过生成一个小x1对象或生成一个随机x1向量来实现：

> x1 <- rnorm(540)

现在，从你的问题：

我期望获得一个包含 540 个观察 999 次的文件

然而，这不是你会得到的。您正在生成重采样数据平均值的999 次重复。这意味着每个引导复制实际上都是一个数字。

来自Heroka的评论：

提示：查看 str(z1)。

该函数str向您显示 z1 对象内的实际数据，没有漂亮的格式。

> str(z1)
 List of 11
 $ t0       : num 0.0899
 $ t        : num [1:999, 1] 0.1068 0.1071 0.0827 0.1413 0.0914 ...
 $ R        : num 999
 $ data     : num [1:540] 1.02 1.27 1.82 -2.92 0.68 ...
 (... lots of irrelevant stuff here ...)
 - attr(*, "class")= chr "boot"

因此，您的原始数据存储为z1$data，而您引导的数据（即每次重采样的平均值）存储在z1$t. 请注意它如何告诉您每个插槽的尺寸：z1$t是 999 x 1。

现在，您可能想要做的是boot.mean通过一个boot.identity函数更改函数，该函数仅返回重新采样的数据。它是这样的：

> boot.identity = function(x,i){x[i]}
> z1 = boot(x1, boot.identity, R=999)
> str(z1)
List of 11
 $ t0       : num [1:540] 1.02 1.27 1.82 -2.92 0.68 ...
 $ t        : num [1:999, 1:540] -0.851 -0.434 -2.138 0.935 -0.493 ...
 $ R        : num 999
 $ data     : num [1:540] 1.02 1.27 1.82 -2.92 0.68 ...
(... etc etc etc ...)

您可以使用write.csv(z1$t, "z1.csv").