我有一个lm对象，我只想引导它的标准错误。在实践中，我希望在每次复制时只使用部分样本(带替换(，并获得标准错误的分布。然后，如果可能的话，我想显示原始线性回归的摘要，但带有自举的标准误差和相应的p值(换句话说，相同的贝塔系数但不同的标准误差(。
编辑：总之，我想"修改"我的lm对象，使其具有与我在原始数据上运行的原始lm对象相同的贝塔系数，但具有通过在不同子样本上多次计算该lm回归而获得的自举标准误差(以及相关的t状态和p值((带替换(。
所以我的lm对象看起来像
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.812793 0.095282 40.016 < 2e-16 ***
x -0.904729 0.284243 -3.183 0.00147 **
z 0.599258 0.009593 62.466 < 2e-16 ***
x*z 0.091511 0.029704 3.081 0.00208 **
但相关的标准误差是错误的，我想通过在不同的子样本上复制这种线性回归1000次(复制(来估计它们(带替换(。
有办法做到这一点吗？有人能帮我吗？
谢谢你抽出时间。Marco
您的要求可以按照下面的代码行完成
由于您没有发布示例数据集，也没有发布适合的模型，我将使用内置数据集mtcars，这是一个具有两个连续预测因子的简单公式。
library(boot)
boot_function <- function(data, indices, formula){
d <- data[indices, ]
obj <- lm(formula, d)
coefs <- summary(obj)$coefficients
coefs[, "Std. Error"]
}
set.seed(8527)
fmla <- as.formula("mpg ~ hp * cyl")
seboot <- boot(mtcars, boot_function, R = 1000, formula = fmla)
colMeans(seboot$t)
##[1] 6.511530646 0.068694001 1.000101450 0.008804784
我相信，使用上面的代码可以满足大多数具有数字响应和预测因子的需求。