0

作为 RI 的新手,很难引导 ICC 输出。我首先设法使用包 ICC 计算“正常”ICC,没有任何问题(ICCbare(主题,变量,icc)),但是当我试图获得一些自举估计时,情况变得更糟......

我从

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?

这是我的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, 201) 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、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年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年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年2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005,2005,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,2006,1006,2006, 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、2007、2007、2007、2007、2007、2007,2007年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、2008、2008、2008、2008、2008、2008、2008、2008,2008年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年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、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、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、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、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、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、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年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、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、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, 6010,4,78,2,6,7,7,8,2,7,6 ,7311、7636、7015、7482、8860、6997、9034、9553、8326、10015、10252、8463、8612、8388、7648、7648、7648、9503、9978 , 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, 9329,7192,9250,8455,9013,8342,8889,7306,9580,9110,8256,8547,8547,8852,9636,8893,8893,5919 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、7429、8232、8232、11105、11105、9298、9894 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, 10233,7924,9788,7966,8258,8258,8052,8032,6406,9471,5572,8715,9241,8367,8131,8131,8436,8436,8436,6280 7785、7505、7725、8303、8562、10182、7215、7741、9008、7688、9240、9275、8710、6537、5577、5577、9483、9483、7891 8229,9448,7637,6615,7959,9973,7997,6366,6227,8287,8225,6409,7757,7847,7847,7847,8833,7231,7231,7231,9390,9390,8580,8580 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, 7496,8383,7928,8621,8909,6526,8412,6986,6430,6430,7060,6658,7318,7318,9233,7737,7737,6494,6525 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、6966、8747 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​​,7153,6338,9165,9165,9081,9906,10001,13219,6428,8828,8823,8823,8095,7829,7829,7829,6467,6490,9490 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、8656、8301、8301、8481 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, 6354,9649,7130,8179,6596,7122,7122,8357,7465,8471,7603,7603,9387,7391,6547,7959,7137,7137,8401 6143, 6586, 8742)), .Names = c("subject_id", "interval_0_epochs"), row.names = c(NA, 725L), class = "data.frame")名称= c(NA,725L),类=“data.frame”)名称= c(NA,725L),类=“data.frame”)

4

1 回答 1

0

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(必须有一种以长格式采样的方法)。

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)
于 2013-10-20T19:04:38.303 回答