设 x 是一个具有 5 个变量和 15 个观测值的数据集:
age gender height weight fitness
17 M 5.34 68 medium
23 F 5.58 55 medium
25 M 5.96 64 high
25 M 5.25 60 medium
18 M 5.57 60 low
17 F 5.74 61 low
17 M 5.96 71 medium
22 F 5.56 75 high
16 F 5.02 56 medium
21 F 5.18 63 low
20 M 5.24 57 medium
15 F 5.47 72 medium
16 M 5.47 61 high
22 F 5.88 73 low
18 F 5.73 62 medium
适应度变量值的频率如下:
低 = 4，中 = 8，高 = 3。
假设我有另一个数据集 y 具有相同的 5 个变量但有 100 个观察值。该数据集中适应度变量值的频率如下:
低 = 42，中 = 45，高 = 13。
使用 R，我如何从 y 中获取代表性样本，以使样本适应度与 x 中的适应度分布紧密匹配？
我最初的想法是在 R 中使用样本函数并为 prob 参数分配加权概率。然而，使用概率会强制频率分布精确匹配。我的目标是在最大化样本大小的同时获得足够接近的匹配。
此外，假设我希望添加另一个约束，其中性别的分布也必须与 x 的分布紧密匹配？
最佳答案
y 中的最小频率为 13，对应于“高”健康水平。所以你不能采样超过这个数字。这是你的第一个限制。您想最大化您的样本量，因此您对所有 13 个样本进行了抽样。要匹配 x 中的比例，13 个应占总数的 20%，这意味着您的总数必须为 65 (13/0.2)。因此，其他频率必须是 17(低)和 35(中)。由于您的 y 中有足够多的这些健康水平，您可以以此为样本。如果任何其他采样频率超过 y 中的数量，那么您将有另一个约束，并且必须相应地调整这些。
对于抽样，您首先选择所有具有“高”适应度的记录(确定性抽样)。接下来，分别从其他级别抽样(分层随机抽样)。最后，将三者结合起来。
例子:
rm(list=ls())
# set-up the data (your "y"):
df <- data.frame(age=round(rnorm(100, 20, 5)),
gender=factor(gl(2,50), labels=LETTERS[c(6, 13)]),
height=round(rnorm(100, 12, 3)),
fitness=factor(c(rep("low", 42), rep("medium", 45), rep("high", 13)),
levels=c("low","medium","high")))
创建子集进行抽样:
fit.low <- subset(df, subset=fitness=="low")
fit.medium <- subset(df, subset=fitness=="medium")
fit.high <- subset(df, subset=fitness=="high")
从低适应度组中抽取 17 个样本(占总数的 40.5% 或 26.7%)。
fit.low_sam <- fit.low[sample(1:42, 17),]
从中等健康组中抽取 35 个样本(占总数的 77.8% 或 53.8%)。
fit.med_sam <- fit.medium[sample(1:45, 35),]
将它们全部结合起来。
fit.sam <- rbind(fit.low_sam, fit.med_sam, fit.high)
我尝试使用
sample_n 来做到这一点和 sample_frac来自 dplyr 的函数，但我认为这些函数不允许您进行不同比例的分层抽样。library(dplyr)
df %>%
group_by(fitness) %>%
sample_n(size=c(17,35,13), weight=c(0.27, 0.53, 0.2))
# Error
但是采样包当然可以做到这一点。
Stratified random sampling from data frame
library(sampling)
s <- strata(df, "fitness", size=c(17,35,13), "srswor")
getdata(df, s)
关于r - 选择一个样本以匹配另一个数据集中的变量分布，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/60556408/