r - 如何对组内的特定尺寸进行抽样？

Question

我有一个特定的使用问题。我想从组内抽取确切的尺寸。我应该使用什么方法来构建基于组数的精确子集？

我的用例是我正在经历一个两阶段的样本设计。首先，对于我的人群中的每一组，我想确保 60% 的受试者不会被选中。所以我正在尝试构建一个抽样数据框，排除每组 60% 的可用主题。此外，这是一个功能，其中用户指定不得使用的主题的最小比例，因此1-用户已指示不能选择每组中至少 60% 的主题进行采样的构造。

在这段代码之后，我将完全随机抽样，以获得我的最终样本。

代码示例：

testing <- data.frame(ID = c(seq_len(50)), Age = c(rep(18, 10), rep(19, 9), rep(20,15), rep(21,16)))

testing <- testing %>%
slice_sample(ID, prop=1-.6)

如您所见，按组划分的数字不是我想要的。我应该只有4个18岁的科目，3个19岁的科目，6个20岁的科目，6个21岁的科目。在没有固定种子的情况下，我最终得到的数字是 6 个 18 岁、1 个 19 岁、6 个 20 岁和 7 个 21 岁。

但是，总体样本量 20 是正确的。

我如何强制组内的样本量成为我需要的？

数据框中还有其他变量，所以我需要从每个年龄组中随机抽样。

编辑：搞砸了试图举个例子。在我的真实数据中，我在命令集中按年龄分组dplyr。但既没有group-by([Age variable)提前也没有slice_sample()做内部slice_sample()工作的分组。在我的真实数据中，我既没有得到按年龄划分的正确样本集，也没有得到正确的总体样本量。

我使用 asemi_join将年龄限制为在进行比例测试后总剩余的年龄。对于无法抽取样本的年龄，在进行比例抽样之前，使用 semi_join 从总体中删除这些年龄。我不知道是否semi_join导致了问题。

也就是说，提供和接受的答案使我不再依赖于semi_join我认为是对我的真实代码的整体重大改进。

标签： rdplyrsampling

Answer 1

您尚未定义分组变量。

尝试以下操作：

set.seed(1)
x <- testing %>% group_by(Age) %>% slice_sample(prop = .4)
x %>% count()
# # A tibble: 4 x 2
# # Groups:   Age [4]
#     Age     n
#   <dbl> <int>
# 1    18     4
# 2    19     3
# 3    20     6
# 4    21     6

或者，stratified从我的“splitstackshape”包中尝试：

library(splitstackshape)
set.seed(1)
y <- stratified(testing, "Age", .4)
y[, .N, Age]
#    Age N
# 1:  18 4
# 2:  19 4
# 3:  20 6
# 4:  21 6