Bootstrap

O que o bloco faz

models/bootstrap faz o bootstrap de casos: sorteia as linhas do ajuste com reposição, reajusta o modelo e recalcula a quantidade escolhida, tantas vezes quanto o número de Reamostras. O espalhamento das estimativas obtidas mede a incerteza delas. Recebe um models/fit e devolve um gráfico, uma tabela e a distribuição completa.

A quantidade pode ser os coeficientes do modelo, as médias marginais de um fator (as mesmas do models/emmeans) ou as diferenças entre todos os pares de médias. Nas médias e nas diferenças, a reamostragem é feita dentro de cada nível do fator, para que o número de repetições de cada tratamento fique fixo, como no experimento. Reamostras que perdem um nível ou ficam com posto incompleto são descartadas, e a tabela informa quantas foram.

Antes de continuar

Termos que esta página usa, em poucas palavras. As definições completas estão no glossário.

Erro padrão

O desvio padrão de uma estimativa: quanto ela variaria se o estudo fosse repetido com outra amostra. Diminui quando a amostra cresce e é a base dos intervalos de confiança e dos testes.

Intervalo de confiança

Uma faixa de valores calculada a partir da amostra. Com 95% de confiança, o procedimento produz intervalos que contêm o valor verdadeiro em 95% das amostras possíveis; não quer dizer que um intervalo específico tenha 95% de probabilidade de acertar.

Bootstrap e reamostragem

Técnicas que repetem a análise muitas vezes sobre versões modificadas da própria amostra (sorteios com reposição, omissão de observações, embaralhamento) para medir a incerteza de uma estimativa ou obter um p-valor sem depender de uma fórmula pronta.

Fator

Uma variável explicativa categórica cujo efeito se quer estudar, como adubo, cultivar ou dose. Num experimento fatorial, dois ou mais fatores são combinados.

Nível

Cada valor que um fator assume no estudo: as doses 0, 50 e 100 kg/ha são três níveis do fator dose.

Quando usar

Quando a pergunta é quão estável é uma estimativa, e os intervalos teóricos dependem de pressupostos que não se sustentam bem, como normalidade dos erros com amostra pequena. Para perguntar se há efeito, o bloco indicado é o models/permutation.

Pressupostos

• As linhas são unidades independentes (dentro de cada estrato): o bootstrap de casos não serve para medidas repetidas, parcelas subdivididas ou séries.

Configuração

• Quantidade — coeficientes, médias ou diferenças.
• Fator das médias — em branco, usa o primeiro fator do modelo.
• Reamostrar dentro de — estratos da reamostragem; em branco, o fator das médias (médias e diferenças) ou nenhum (coeficientes).
• Reamostras — o número B de reamostras (padrão 1999).
• Confiança — o nível dos intervalos.

O resultado depende do sorteio; a semente é a do card, e o mesmo card repete a mesma distribuição.

Exemplo

library(trama)

reg <- tr_registry()
tr_use("trama.models", registry = reg)

tr_flow(reg) |>
  tr_add("dados", "models/example", dataset = "PlantGrowth") |>
  tr_add("ajuste", "models/anova_dic", resposta = "weight", tratamento = "group", from = "dados") |>
  tr_add("boot", "models/bootstrap", quantidade = "diferenças", from = "ajuste")

Como interpretar

A tabela traz, para cada quantidade, a estimativa, o viés e o erro-padrão bootstrap, o intervalo percentil e o BCa, que corrige viés e assimetria. O BCa fica instável com poucas reamostras: use 1999 ou mais. Nos coeficientes, mesmo_sinal é a fração de reamostras em que o coeficiente manteve o sinal da estimativa; perto de 1, o sentido do efeito é estável. A saída distribuicao tem um valor por reamostra e pode ir para um view/histogram ou para um data/group_summarise, se outro quantil interessar.