bootstrap方法（bootstrap方法检验中介效应stata）

今天给各位分享bootstrap方法的知识，其中也会对bootstrap方法检验中介效应stata进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、如何使用Bootstrap自带图标
• 2、R语言实现bootstrap和jackknife检验方法
• 3、如何修改bootstrap默认导航条样式？
• 4、如何在stata中用bootstrap方法比较组间差异

如何使用Bootstrap自带图标

bootstrap引用图标的方法：

1、下载包并解压

在‘elegant_font’文件夹中会发现“HTML CSS”子文件夹，把它复制到你的项目中（注意，这里可以重命名哦）

2、将连接添加到‘style.css’，html里添加一个图标，内容如下：

span class="glyphicon glyphicon-search" aria-hidden="true"/span

link rel="stylesheet" href="path/to/elegant-font/style.css"

可以在你HTML里添加图标，并且使用CSS来更改它们的样式：

span aria-hidden="true" class="icon_pencil"/span

R语言实现bootstrap和jackknife检验方法

写在最前面：

首先需要说一下，本文的bootstrap和jackknife都算是蒙特卡罗方法(Monte Carlo method)的一种。应用广泛的的MCMC链(马尔可夫链蒙特卡洛方法;Markov chain Monte Carlo)也是蒙特卡罗与马尔可夫链的结合。简单来说，蒙特卡罗方法就是从已知样本的分布中随机抽取新的样本集进行评估，然后放回，再次抽取的方法。根据具体方法的不同，抽取样本集的手段也不同。

bootstrap抽样方法将观测到的样本视为一个有限的总体，是唯一的信息来源，从中有放回的随机抽样来评估总体特征，以及对抽样总体进行推断统计。bootstrap 也分参数bootstrap和非参数bootstrap，前者的分布已完全知道。但在生信领域一般没有这种情况。所以下面讨论的是非参数bootstrap。

直接上例子：

假设现在有bootstrap包中的law数据集如下，

现在我们要计算LSAT成绩（美国法学入学考试）和GPA之间的相关系数。但因为样本量太少了，所以我们使用bootstrap重复抽样评估其标准误。

200次循环抽样后，计算得se.R标准误为0.1474629

得到如下的图：

1e6次循环抽样后，计算得se.R标准误为0.1333802

得到如下的图：

如果用bootstrap包的bootstrap函数会快一些：

bootstrap函数的用法： bootstrap(抽取样本范围,重复次数,进行bootstrap的函数,bootstrap的数据集)

偏差定义为bootstrap结果（多个数值）与原数据统计结果（单个数值）的均值：

得到bias大约为0.001817608，比较小

换一个包，boot包

这里用了三种方法计算置信区间：basic、正态和百分数。样本相关系数分布接近正态，则正态置信区间接近百分数区间。此外还有“Better Bootstrap Confivendence Interval” 更好的bootstrap置信区间，称为BCa区间，使用偏差和偏度对百分数置信区间进行矫正。设置type="bca"即可。

简单的说，bootstrap是从原有真实样本中有放回地抽取n个。jacknife就是每次都抽取n-1个样本，也就是每次只剔除一个原样本。

同样地，如果以bootstrap包中的law数据进行演示：

Jackknife计算的bias为-0.006473623。 这里jackknife的偏差公式相比于bootstrap有一个(n-1)系数，推导就不写了。

标准误se为0.1425186，与bootstrap得出的比较接近。

当统计量不太平滑的时候，Jacknife有很大误差。比如说对中位数进行统计，其变化很大。在进行Jacknife之后最好再跑一次bootstrap，看看是否相差很大。

居然还能这么嵌套着玩，针对每次bootstrap形成的数列向量计算jackknife的标准差，这样可以看出bootstrap若干次取样之间的差异。

算出来分别为0.1344824和0.08545141。后者较小，表面bootstrap取样之间的variance较小。

简单来说就是一种数据分割检验的方法，将数据分割为K份，称为"K-fold"交叉检验，每次第i个子集作为测试集来评估模型，其余的用来构建模型。Admixture使用的就是这个原理。Jackknife也属于Cross Validation的应用之一。

现在我创建一个这样的alignment：

这棵树长这样，符合遗传距离：

进行bootstrap：

phylogeny的bootstrap是对每一个节点都进行bootstrap取样并建树，比如说在9号节点，查看其bootstrap子集建的树符合系统发育关系((human2,human4,human3)(human8,human1,human6,human7,human5))的百分比（不管内部怎么样，先看这个节点）。发现Node1支持率是100（1000次都符合）。而后移到下一个节点，并且只看节点内部的分支支持率是多少。

其实原理都比较简单，计算bootstrap也会有专门的软件。

参考资料：

1）中科大张伟平教授课件

2）

如何修改bootstrap默认导航条样式？

修改bootstrap默认导航条样式方法如下：

1、用浏览器的开发工具定位css的样式所在文件，然后新建一个样式文件覆盖掉原来的样式。如果项目中的导航栏都是固定样式的，可以修改bootstrap的less源文件，修改后编译一份。

2、用chrome打开网页，使用开发者工具，左上角有个鼠标箭头，点下，选中要改样式的代码，右侧提示样式表位置，打开，复制类名，再写入自己样式就可以了。

3、有个bootstrap.css直接去里面改就行，如果不想改变原始的，要自己定义一个css，引入时候注意顺序

如何在stata中用bootstrap方法比较组间差异

SE/Robust

vce(vcetype)

vcetype

may

be

conventional,

robust,

cluster

clustvar,

bootstrap,

or

jackknife

一般是用来产生稳健标准误的

常见是这样使用，vce(cluster，id)，id是截面识别符

关于bootstrap方法和bootstrap方法检验中介效应stata的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。