Muestra aleatoria estratificada proporcional en R

Problema

Necesitamos crear una muestra estratificada en R. Nuestro data frame contiene dos estratos con un 60% y 40% respectivamente del total de la población. Deseamos estraer una muestra de 10 en la que cada estrato esté representado proporcionalmente: 60% (6 elementos) del estrato 1 y un 40% (4 elementos) del estrato 2.

id <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20)
estrato<- c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2)
df <- data.frame(id, estrato)

df %>%
  group_by(estrato) %>%
  summarise (cuenta = n()) %>%
  mutate(porcentaje = cuenta / sum (cuenta ))

# A tibble: 2 x 3
  estrato cuenta porcentaje
            
1      1.     12      0.600
2      2.      8      0.400

Solución

Muestro tres soluciones diferentes. Las dos primeras son muy similares entre sí — con dplyr encadenamos las expresiones con el operador %>% — y arrojan el mismo resultado. Finalmente empleamos el paquete caret.

1. Paquete splitstackshape

library(splitstackshape)
set.seed(1)
stratified(df, "status", 10 / nrow(df))

    id estrato
 1:  4       1
 2:  5       1
 3:  6       1
 4:  9       1
 5:  2       1
 6:  7       1
 7: 20       2
 8: 17       2
 9: 16       2
10: 13       2

2. Paquete dplyr

library(dplyr)
set.seed(1)
df %>%
  group_by(estrato) %>%
  sample_frac(10 / nrow(df))

# A tibble: 10 x 2
# Groups:   estrato [2]
      id estrato
      
 1    4.      1.
 2    5.      1.
 3    6.      1.
 4    9.      1.
 5    2.      1.
 6    7.      1.
 7   20.      2.
 8   17.      2.
 9   16.      2.
10   13.      2.

3. Paquete caret

library(caret)
set.seed(1)
train.index <- createDataPartition(df$estrato,
                                   p = .5,
                                   list = FALSE)
df[train.index, ]

   id estrato
1   1       1
4   4       1
6   6       1
8   8       1
9   9       1
11 11       1
14 14       2
15 15       2
16 16       2
19 19       2

Referencias

• stackoverflow
• stackoverflow