Sobremuestreo y pesos a las observaciones. Ahora con R

De nuevo volvemos a la entrada de ayer para replicar el código SAS utilizado en R. Se trata de realizar 3 modelos de regresión logística con R para estudiar como influyen en los parámetros el uso de un conjunto de datos con sobremuestreo o el uso de un conjunto de datos donde asignamos pesos a las observaciones. El programa es sencillo pero tiene un uso interesante de la librería de R sampling. Aquí tenéis el código:

#Regresión logística perfecta

num = 100000

x = rnorm(num); y=rnorm(num)

p=1/(1+exp(-(-5.5+2.55*x-1.2*y)))

z=rbinom(num,1,p)

datos_ini=data.frame(cbind(x,y,z))

table(datos_ini$z)

modelo.1 = glm(z~x+y,data=datos_ini,family=binomial)

summary(modelo.1)

El mismo modelo que planteamos con SAS en la anterior entrada nos permite realizar una regresión logística perfecta. Veamos como se plantea la realización del sobremuestreo con R:

#Realizamos el sobremuestreo con la librería sampling

library( sampling )

selec <- strata( datos_ini,
stratanames = c("z"),
size = c(50000,50000), method = "srswr" )
table(selec$z)

modelo.2 = glm(z~x+y,data=datos_ini[selec$ID_unit,],

family=binomial)

summary(modelo.2)

Habrá que volver sobre el tema del muestreo para analizar las posibilidades de la librería sampling, en este caso realizamos muestreo estratificado con la función strata y muestreo aleatorio con reemplazamiento. Replicamos el proceso asignando pesos:

#Realizamos el proceso asignando pesos

pct=sum(datos_iniz)/num

datos_inipeso = ifelse(datos_iniz==1, 0.5/pct, 0.5/(1-pct))

tapply(datos_inipeso,datos_ini$z,sum)

modelo.3 = glm(z~x+y,data=datos_ini,

family=binomial, weights=peso)

summary(modelo.3)

Y obtenemos los mismos resultados (que sorpresa). Saludos.