这是一种方法。我将首先生成一些虚假数据：

ids <- rep(1:3,times = 10)
values <- rnorm(30)

dat <- data.frame(ids,values)

现在我们有了数据，我们可以生成集群自举功能。这将从每个群集中采样并返回一个新的数据帧。然后，您可以应用测试统计信息：

library(tidyverse)

cluster_boot_function <- function(x){

  clusted_boot <- dat %>% 
    group_by(ids) %>% 
    nest() %>%
    mutate(samps = map(data,~sample(.$values,size = 5,replace = T))) %>% 
    select(ids,samps) %>% 
    unnest(cols = samps)


  results <- clusted_boot %>% 
    group_by(ids) %>% 
    summarise(mu = mean(values))

  results
}

现在，您只需要重复应用它即可（还请注意，函数中的“ x”不会执行任何操作，下一步只需要在其中使用它即可。）

在这里，我使用map_dfr返回每次迭代的摘要统计信息：

out <- map_df(1:100,cluster_boot_function,.id = "iteration")

这将为您提供有关引导程序每次迭代的统计信息：

# A tibble: 300 x 3
   iteration   ids    mu
   <chr>     <int> <dbl>
 1 1             1 0.150
 2 1             2 0.150
 3 1             3 0.150
 4 2             1 0.150
 5 2             2 0.150
 6 2             3 0.150
 7 3             1 0.150
 8 3             2 0.150

由此，您可以将其扩展到需要进行的任何类型的建模。

我认为通过示例ID引导绝对是可以的。这是使用boot包的示例。我不确定我是否完全了解您正在引导的内容，因此该功能可能并不完全正确，但是您应该能够或多或少地了解其功能。这不是很有效；鉴于我不确定统计信息，我根本没有对其进行优化。

library("boot")
ids <- rep(1:3,times = 1000)
values <- rnorm(300)

dat <- data.frame(ids,values)

boot_fun <- function(ids,i) {
  sapply(ids[i],function(j) mean(dat[dat$ids == j,"values"]))
}


boot_res <- boot(
  dat$ids,statistic = boot_fun,R = 100
)
hist(boot_res$t)

^{由reprex package（v0.3.0）于2019-11-08创建}