FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*The author of this computation has been verified*
R Software Modulerwasp_bootstrapplot.wasp
Title produced by softwareBlocked Bootstrap Plot - Central Tendency
Date of computationMon, 03 Nov 2008 15:03:10 -0700
Cite this page as followsStatistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2008/Nov/03/t1225749828skt7vgq4ts94ofs.htm/, Retrieved Tue, 14 May 2024 19:43:42 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=21348, Retrieved Tue, 14 May 2024 19:43:42 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact182

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Blocked Bootstrap Plot - Central Tendency] [workshop 3] [2007-10-26 12:36:24] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F    D  [Blocked Bootstrap Plot - Central Tendency] [Q4: Blocked boots...] [2008-10-30 15:02:36] [1ce0d16c8f4225c977b42c8fa93bc163]
F           [Blocked Bootstrap Plot - Central Tendency] [Q4] [2008-11-03 22:03:10] [d96f761aa3e94002e7c05c3c847d2c79] [Current]
Feedback Forum
2008-11-06 13:32:24 [Joren Nuyts] [reply] 
Q4:
Student geeft een duidelijke uitleg maar in dit geval kunnen we 2 keuzes maken.
1) We kiezen voor de midrange als beste estimator => hier is er een kleine spreiding van de observaties maar indien we een observatie nemen die buiten het 95% betrouwbaarheidsinterval, ligt deze er ook ver buiten zoals we kunnen zien op de grafiek van de notched boxplots.

2) We kunnen ook kiezen voor de mean => Hier is er een grotere spreiding van de observaties maar men heeft wel meer zekerheid dat deze tussen het betrouwbaarheidsinterval liggen.

Verder moet er ook gezegd worden dat de outliers berekeningen zijn van de gemiddeldes en wel relevant zijn in dit gegeven.
2008-11-10 10:59:29 [339a57d8a4d5d113e4804fc423e4a59e] [reply] 
De student gebruikt dezelfde berekeningssoftware als de voorbeeldstudent. Dit is inderdaad correct. Bij deze berekening worden er steeds een waarde weggenomen, waarna er een nieuw gemiddelde wordt berekend. Dan zet men de waarde terug, pakt men er een andere waarde uit en berekent men opnieuw het gemiddelde. Dit doet men een bepaald aantal keer. Men doet dit om te kijken hoe nauwkeurig het gemiddelde is, hoe kleiner de spreiding van de nieuw berekende gemiddeldes, hoe nauwkeuriger het gemiddelde.

De student zegt dat de midrange het beste gemiddelde is omdat de spreiding daar het kleinst is. Bij de midrange zijn er echter veel outliers. Bij de mean is er een grotere spreiding maar slechts een paar outliers. Men kan hier beide gemiddeldes kiezen, maar meestal wordt er geopteerd voor het rekenkundig gemiddelde.
2008-11-11 13:41:43 [Thomas Baken] [reply] 
Dit is een moeilijk geval waarbij er niet bepaald een juiste oplossing mogelijk is. De midrange heeft inderdaad een kleinere spreiding maar de kans dat de waarneming buiten het betrouwbaarheidsinterval ligt is ook groter. De mediaan daarentegen heeft een grotere spreiding maar er is een zekerheid dat deze wel binnen het betrouwbaarheidsinterval te vinden is. Ouliers zijn dus wel van belang binnen deze oefening.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
109.20
88.60
94.30
98.30
86.40
80.60
104.10
108.20
93.40
71.90
94.10
94.90
96.40
91.10
84.40
86.40
88.00
75.10
109.70
103.00
82.10
68.00
96.40
94.30
90.00
88.00
76.10
82.50
81.40
66.50
97.20
94.10
80.70
70.50
87.80
89.50
99.60
84.20
75.10
92.00
80.80
73.10
99.80
90.00
83.10
72.40
78.80
87.30
91.00
80.10
73.60
86.40
74.50
71.20
92.40
81.50
85.30
69.90
84.20
90.70
100.30

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time6 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\begin{tabular}{lllllllll}
\hline
Summary of computational transaction \tabularnewline
Raw Input & view raw input (R code)  \tabularnewline
Raw Output & view raw output of R engine  \tabularnewline
Computing time & 6 seconds \tabularnewline
R Server & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21348&T=0

[TABLE]
[ROW][C]Summary of computational transaction[/C][/ROW]
[ROW][C]Raw Input[/C][C]view raw input (R code) [/C][/ROW]
[ROW][C]Raw Output[/C][C]view raw output of R engine [/C][/ROW]
[ROW][C]Computing time[/C][C]6 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21348&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21348&T=0

As an alternative you can also use a QR Code:  
QR Code


The GUIDs for individual cells are displayed in the table below:

Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time6 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24






Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.625409836065686.893442622950887.97172131147541.635326200014612.34631147540985
median86.487.3881.853618364735351.59999999999999
midrange88.188.188.850.9339149555974470.75

\begin{tabular}{lllllllll}
\hline
Estimation Results of Blocked Bootstrap \tabularnewline
statistic & Q1 & Estimate & Q3 & S.D. & IQR \tabularnewline
mean & 85.6254098360656 & 86.8934426229508 & 87.9717213114754 & 1.63532620001461 & 2.34631147540985 \tabularnewline
median & 86.4 & 87.3 & 88 & 1.85361836473535 & 1.59999999999999 \tabularnewline
midrange & 88.1 & 88.1 & 88.85 & 0.933914955597447 & 0.75 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21348&T=1

[TABLE]
[ROW][C]Estimation Results of Blocked Bootstrap[/C][/ROW]
[ROW][C]statistic[/C][C]Q1[/C][C]Estimate[/C][C]Q3[/C][C]S.D.[/C][C]IQR[/C][/ROW]
[ROW][C]mean[/C][C]85.6254098360656[/C][C]86.8934426229508[/C][C]87.9717213114754[/C][C]1.63532620001461[/C][C]2.34631147540985[/C][/ROW]
[ROW][C]median[/C][C]86.4[/C][C]87.3[/C][C]88[/C][C]1.85361836473535[/C][C]1.59999999999999[/C][/ROW]
[ROW][C]midrange[/C][C]88.1[/C][C]88.1[/C][C]88.85[/C][C]0.933914955597447[/C][C]0.75[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21348&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21348&T=1

As an alternative you can also use a QR Code:  
QR Code


The GUIDs for individual cells are displayed in the table below:

Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.625409836065686.893442622950887.97172131147541.635326200014612.34631147540985
median86.487.3881.853618364735351.59999999999999
midrange88.188.188.850.9339149555974470.75


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 12 ;
Parameters (R input):
par1 = 500 ; par2 = 12 ; par3 = ; par4 = ; par5 = ; par6 = ; par7 = ; par8 = ; par9 = ; par10 = ; par11 = ; par12 = ; par13 = ; par14 = ; par15 = ; par16 = ; par17 = ; par18 = ; par19 = ; par20 = ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
if (par1 < 10) par1 = 10
if (par1 > 5000) par1 = 5000
if (par2 < 3) par2 = 3
if (par2 > length(x)) par2 = length(x)
library(lattice)
library(boot)
boot.stat <- function(s)
{
s.mean <- mean(s)
s.median <- median(s)
s.midrange <- (max(s) + min(s)) / 2
c(s.mean, s.median, s.midrange)
}
(r <- tsboot(x, boot.stat, R=par1, l=12, sim='fixed'))
bitmap(file='plot1.png')
plot(r$t[,1],type='p',ylab='simulated values',main='Simulation of Mean')
grid()
dev.off()
bitmap(file='plot2.png')
plot(r$t[,2],type='p',ylab='simulated values',main='Simulation of Median')
grid()
dev.off()
bitmap(file='plot3.png')
plot(r$t[,3],type='p',ylab='simulated values',main='Simulation of Midrange')
grid()
dev.off()
bitmap(file='plot4.png')
densityplot(~r$t[,1],col='black',main='Density Plot',xlab='mean')
dev.off()
bitmap(file='plot5.png')
densityplot(~r$t[,2],col='black',main='Density Plot',xlab='median')
dev.off()
bitmap(file='plot6.png')
densityplot(~r$t[,3],col='black',main='Density Plot',xlab='midrange')
dev.off()
z <- data.frame(cbind(r$t[,1],r$t[,2],r$t[,3]))
colnames(z) <- list('mean','median','midrange')
bitmap(file='plot7.png')
boxplot(z,notch=TRUE,ylab='simulated values',main='Bootstrap Simulation - Central Tendency')
grid()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Estimation Results of Blocked Bootstrap',6,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'statistic',header=TRUE)
a<-table.element(a,'Q1',header=TRUE)
a<-table.element(a,'Estimate',header=TRUE)
a<-table.element(a,'Q3',header=TRUE)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,'IQR',header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'mean',header=TRUE)
q1 <- quantile(r$t[,1],0.25)[[1]]
q3 <- quantile(r$t[,1],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[1])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,1])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'median',header=TRUE)
q1 <- quantile(r$t[,2],0.25)[[1]]
q3 <- quantile(r$t[,2],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[2])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,2])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'midrange',header=TRUE)
q1 <- quantile(r$t[,3],0.25)[[1]]
q3 <- quantile(r$t[,3],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[3])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,3])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')