resueltos - muestreo por conglomerados con probabilidades proporcionales al tamaño

Muestreo aleatorio estratificado del marco de datos

Question

Tengo un marco de datos en el formato:

head(subset)
# ants  0 1 1 0 1 
# age   1 2 2 1 3
# lc    1 1 0 1 0

Necesito crear un nuevo marco de datos con muestras aleatorias de acuerdo con la edad y el lc. Por ejemplo, quiero 30 muestras de la edad: 1 y lc: 1, 30 muestras de la edad: 1 y lc: 0 etc.

Me fijé en el método de muestreo aleatorio como;

newdata <- function(subset, age, 30)

Pero no es el código que quiero.

Answer 1

A menos que haya entendido mal la pregunta, esto es ridículamente fácil de hacer con funciones simples.

Paso 1: Crea un indicador de estrato usando la función de interaction .

Paso 2: Use tapply en una secuencia de indicadores de fila para identificar los índices de la muestra aleatoria.

Paso 3: Subcontrata los datos con esos índices.

Usando el ejemplo de datos de @Thomas:

set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE), 
                lc = rbinom(n,1,.5),
                ants = rbinom(n,1,.7))

## stratum indicator
d$group <- interaction(d[, c(''age'', ''lc'')])

## sample selection
indices <- tapply(1:nrow(d), d$group, sample, 30)

## obtain subsample
subsampd <- d[unlist(indices, use.names = FALSE), ]

Verificar la estratificación apropiada.

> table(subsampd$group)

1.0 2.0 3.0 4.0 5.0 1.1 2.1 3.1 4.1 5.1 
 30  30  30  30  30  30  30  30  30  30 

Answer 2

Aquí hay algunos datos:

set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE), 
                lc = rbinom(n,1,.5),
                ants = rbinom(n,1,.7))

Desea una estrategia de dividir-aplicar-combinar, en la que split su data.frame ( d en este ejemplo), muestras de filas / observaciones de cada submuestra y luego las combina y luego las une de nuevo con rbind . Así es como funciona:

sp <- split(d, list(d$age, d$lc))
samples <- lapply(sp, function(x) x[sample(1:nrow(x), 30, FALSE),])
out <- do.call(rbind, samples)

El resultado:

> str(out)
''data.frame'':   300 obs. of  3 variables:
 $ age : int  1 1 1 1 1 1 1 1 1 1 ...
 $ lc  : int  0 0 0 0 0 0 0 0 0 0 ...
 $ ants: int  1 1 0 1 1 1 1 1 1 1 ...
> head(out)
         age lc ants
1.0.2242   1  0    1
1.0.4417   1  0    1
1.0.389    1  0    0
1.0.4578   1  0    1
1.0.8170   1  0    1
1.0.5606   1  0    1

Answer 3

Ver la función strata del paquete de sampling . La función selecciona muestreo aleatorio simple estratificado y da una muestra como resultado. Se agregan dos columnas adicionales: probabilidades de inclusión ( Prob ) e indicador de estratos ( Stratum ). Vea el ejemplo.

require(data.table)
require(sampling)

set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T), 
                lc = rbinom(n, 1 , .5),
                ants = rbinom(n, 1, .7))

# Sort
setkey(d, age, lc)

# Population size by strata
d[, .N, keyby = list(age, lc)]
#     age lc    N
#  1:   1  0 1010
#  2:   1  1 1002
#  3:   2  0  993
#  4:   2  1 1026
#  5:   3  0 1021
#  6:   3  1  982
#  7:   4  0  958
#  8:   4  1  940
#  9:   5  0 1012
# 10:   5  1 1056

# Select sample
set.seed(2)
s <- data.table(strata(d, c("age", "lc"), rep(30, 10), "srswor"))

# Sample size by strata
s[, .N, keyby = list(age, lc)]
#     age lc  N
#  1:   1  0 30
#  2:   1  1 30
#  3:   2  0 30
#  4:   2  1 30
#  5:   3  0 30
#  6:   3  1 30
#  7:   4  0 30
#  8:   4  1 30
#  9:   5  0 30
# 10:   5  1 30

Answer 4

Yo sugeriría usar stratified de mi paquete "splitstackshape", o sample_n del paquete "dplyr":

## Sample data
set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T), 
                lc = rbinom(n, 1 , .5),
                ants = rbinom(n, 1, .7))
# table(d$age, d$lc)

Para stratified , básicamente especifica el conjunto de datos, las columnas de estratificación y un entero que representa el tamaño que desea de cada grupo O un decimal que representa la fracción que desea devolver (por ejemplo, .1 representa el 10% de cada grupo).

library(splitstackshape)
set.seed(1)
out <- stratified(d, c("age", "lc"), 30)
head(out)
#    age lc ants
# 1:   1  0    1
# 2:   1  0    0
# 3:   1  0    1
# 4:   1  0    1
# 5:   1  0    0
# 6:   1  0    1

table(out$age, out$lc)
#    
#      0  1
#   1 30 30
#   2 30 30
#   3 30 30
#   4 30 30
#   5 30 30

Para sample_n , primero crea una tabla agrupada (usando group_by ) y luego especifica el número de observaciones que desea. Si en su lugar deseaba un muestreo proporcional, debe usar sample_frac .

library(dplyr)
set.seed(1)
out2 <- d %>%
  group_by(age, lc) %>%
  sample_n(30)

# table(out2$age, out2$lc)