Se aplicará un bootstrap para establecer los intervalos de confianza de los coeficientes de regresión de un modelo lineal entre el éxito reproductivo de Turnera ulmifolia L. (medido como número de semillas) y características de sus flores (número de flores, producción de néctar y tamaño medio de la corola).
# complete la ruta al directorio en ...
ulm <- read.table(".../ulmifolia.txt", header = TRUE)
reg <- lm(semillas ~ flores + nectar + tamano, data = ulm)
summary(reg)
layout(matrix(1:4, 2, 2))
plot(reg)
layout(1)
# Guardamos los coeficientes observados
Bobs <- reg$coeff
Bobs
# BOOTSTRAP
library(boot)
# PASO 1: crear una función para "bootstrapear"
REG <- function(datos, indices) {
newdata <- datos[indices, ] # sobre esta línea actuará la función boot
fit <- lm(semillas ~ flores + nectar + tamano, data = newdata)
fit$coeff
}
# PASO 2: el bootstrap en sí
?boot
boot.reg <- boot(ulm, REG, 9999)
boot.reg
summary(boot.reg)
# histograma de los resultados
layout(matrix(1:4, 2, 2))
hist(boot.reg$t[, 1])
abline(v = Bobs[1], col="red")
hist(boot.reg$t[, 2])
abline(v = Bobs[2], col="red")
hist(boot.reg$t[, 3])
abline(v = Bobs[3], col = "red")
hist(boot.reg$t[,4])
abline(v = Bobs[4], col = "red")
layout(1)
## PASO 3: intervalos de confianza
?boot.ci # examinar la ayuda
# prueba, los 5 intervalos distintos que calcula R
int3.95<-boot.ci(boot.reg, conf = 0.90, type = "all", index = 3)
int3.95
# Examinamos que el intervalo de confianza NO incluya al 0
# (nos salteamos la significancia de la ordenada al origen)
# intervalos para la pendiente de "flores"
int2.90 <- boot.ci(boot.reg, conf = 0.90, type = "bca", index = 2)
int2.95 <- boot.ci(boot.reg, conf = 0.95, type = "bca", index = 2)
int2.99 <- boot.ci(boot.reg, conf = 0.99, type = "bca", index = 2)
int2.999 <- boot.ci(boot.reg, conf = 0.999, type = "bca", index = 2)
int2.90
int2.95
int2.99
int2.999
# intervalos para la pendiente de "nectar"
int3.90 <- boot.ci(boot.reg, conf = 0.90, type = "bca", index = 3)
int3.95 <- boot.ci(boot.reg, conf = 0.95, type = "bca", index = 3)
int3.99 <- boot.ci(boot.reg, conf = 0.99, type = "bca", index = 3)
int3.999 <- boot.ci(boot.reg, conf = 0.999, type = "bca", index = 3)
int3.90
int3.95
int3.99
int3.999
# intervalos para la pendiente de "tamaño"
int4.90 <- boot.ci(boot.reg, conf = 0.90, type = "bca", index = 4)
int4.95 <- boot.ci(boot.reg, conf = 0.95, type = "bca", index = 4)
int4.99 <- boot.ci(boot.reg, conf = 0.99, type = "bca", index = 4)
int4.999 <- boot.ci(boot.reg, conf = 0.999, type = "bca", index = 4)
int4.90
int4.95
int4.99
int4.999
# PASO 4: Un plot de diagnóstico: el jack.after.boot
# influencia de las observaciones individuales sobre la pendiente de
# "flores"
jack.after.boot(boot.reg, index = 2)
# ídem sobre la pendiente de "néctar"
jack.after.boot(boot.reg, index = 3)
# ídem sobre la pendiente de "tamaño"
jack.after.boot(boot.reg, index = 4)
# la línea horizontal es una medida de la influencia de cada observación
# la línea vertical presenta los percentiles 5, 10, 16, 50, 84, 90 y 95 de
# la distribución del coeficiente
# Otro plot de diagnóstico alternativo puede realizarse con plot
# esto nos puede ayudar a decidir el tipo de intervalo
plot(boot.reg, index = 2, jack = T)
plot(boot.reg, index = 3, jack = T)
plot(boot.reg, index = 4, jack = T)El número de ramas y el número de semillas en ulmifolia.txt no son variables de distribución normal. Obtenga intervalos de confianza del 95% utilizando bootstraps para el índice de correlación (r de Pearson) entre estas 2 variables. Comparar los resultados con el intervalo de confianza obtenido de aplicar la función cor.test, que asume normalidad de las variables.
Utilice un bootstrap para calcular un intervalo de confianza para el índice de diversidad de Shannon, obtenido en el práctico 8.