1 Bootstrap en regresión logística

Vamos a calcular, utilizando bootstrap, el standard error y los intervalos de confianza para los parámetros del modelo:

d = read.csv("datos/MichelinNY.csv")
str(d)

## 'data.frame':    164 obs. of  6 variables:
##  $ InMichelin     : int  0 0 0 1 0 0 1 1 1 0 ...
##  $ Restaurant.Name: chr  "14 Wall Street" "212" "26 Seats" "44" ...
##  $ Food           : int  19 17 23 19 23 18 24 23 27 20 ...
##  $ Decor          : int  20 17 17 23 12 17 21 22 27 17 ...
##  $ Service        : int  19 16 21 16 19 17 22 21 27 19 ...
##  $ Price          : int  50 43 35 52 24 36 51 61 179 42 ...

Bootstap:

set.seed(99)
B = 500
n = nrow(d)
beta_e = matrix(0, nrow = B, ncol = 5)
for (b in 1:B){
  pos_b = sample(1:n, n, replace = T)
  d_b = d[pos_b,]
  m_b = glm(InMichelin ~ Food + Decor + Service + Price, data = d_b, family = binomial)
  beta_e[b,] = coef(m_b)
}

Standard errors calculados con bootstrap:

apply(beta_e,2,sd)

## [1] 3.20370046 0.14221078 0.10042618 0.13469161 0.04590046

Invervalos de confianza calculados con bootstrap:

alfa = 0.05
apply(beta_e,2,quantile, probs = c(alfa/2,1-alfa/2))

##             [,1]      [,2]        [,3]        [,4]       [,5]
## 2.5%  -19.322348 0.1867948 -0.08561463 -0.50060459 0.02105848
## 97.5%  -6.269294 0.7423821  0.30084908  0.04150634 0.20071627

Se puede comprobar que los resultados de bootstrap concuerdan con los obtenidos mediante la distribuciones asintóticas.

Bootstrap en el modelo de regresión logística

1 Bootstrap en regresión logística