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_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationThu, 13 Nov 2008 17:47:52 -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/14/t1226624038n98b8gb0xnmc8fg.htm/, Retrieved Sat, 18 May 2024 10:24:53 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24896, Retrieved Sat, 18 May 2024 10:24:53 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsbivariate density eigen tijdreeks
Estimated Impact646

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Bivariate Kernel Density Estimation] [Bivariate density...] [2008-11-14 00:47:52] [9f72e095d5529918bf5b0810c01bf6ce] [Current]
-  MPD    [Bivariate Kernel Density Estimation] [Paper - Wisselkoe...] [2010-11-28 15:16:48] [4a7069087cf9e0eda253aeed7d8c30d6]
-   PD      [Bivariate Kernel Density Estimation] [Paper - Werkloosh...] [2010-11-28 16:24:36] [4a7069087cf9e0eda253aeed7d8c30d6]
- RMPD        [Central Tendency] [Paper - Robustnes...] [2010-11-28 17:01:51] [4a7069087cf9e0eda253aeed7d8c30d6]
Feedback Forum
2008-11-15 09:24:43 [Maarten Van Gucht] [reply] 
De student heeft bij Q1 geen conclusie geschreven, De Bivariate Kernel Density geeft de correlatie tussen variabele X (dollarkoers) en variabele Y (goudkoers) weer. Naarmate de kleur lichter wordt, is er een hogere concentratie. de lijn die door de figuur loopt is de regressielijn en die wordt gemaakt door de meeste waarnemingen te benaderen. De hoogtelijnen hebben met de dichtheid te maken en de concentratie, NIET met de 3D vorm van de geprojecteerde kubus. een bivariate Kernel Density wordt gebruikt om scatterplots op een andere manier te bekijken. De hoogtelijnen kunnen een verband weergeven tussen 2 concentratiekernen. In de figuur van de student zie je bijvoorbeeld dat de bovenste 2 concentraties verbonden worden met 1 hoogtelijn (er is hier dus een stijgend verband). Je kan ook naar de vorm van de hoogtelijnen kijken. In de studente haar figuur hebben de hoogtelijnen rond de concentratie een ellipsvorm. dit wil zeggen dat er een correlatie is. Als de hoogtelijnen rond de concentratiekern een cirkelvorm hebben, dan is er geen correlatie.
  2008-11-19 11:54:37 [Sam De Cuyper] [reply] 
De studente heeft de juiste berekening gemaakt maar geen interpretatie gegeven. De bivariate density geeft de correlatie tussen variabele X (dollarkoers) en variabele Y (goudkoers) weer. De rechte lijn door de figuur is de regressiellijn die wordt gemaakt door de meeste waarnemingen te benaderen (gemiddelde). In de figuur is er een 3de dimensie die (onrechtstreeks) gesugerreerd wordt door de hoogtelijnen. De hoogtelijnen geven de concentratie en de dichtheid weer van de waarnemingen. Indien de clusters een ellipsvorm vertonen, is er sprake van een positief verband. Dit geld niet voor cirkels. In de figuur zijn de clusters cirkelvormig, dus is er sprake van correlatie. De bivariate density kan ja ook vergelijken met de matrix van de trivariate scatterplot.
    2008-11-19 11:56:55 [Sam De Cuyper] [reply] 
'In de figuur zijn de clusters cirkelvormig, dus is er sprake van correlatie.'
Ik bedoel ellipsvormig!
2008-11-23 12:34:11 [An Knapen] [reply] 
Bivariaat density plot is een scatterplot dat opnieuw wordt weergegeven, maar nu met hoogtelijnen.
De diagonale lijn geeft de bestmogelijke benadering van de puntenwolk weer.
De hoogtelijnen op de tekening hebben te maken met met de dichtheid(=concentratie). De cijfers die bij de hoogtelijnen genoteerd staan, geven de waarde weer van de concentratie.
De waarschijnlijkheid dat de waarden zich in het midden bevinden is veel groter dan de waarschijnlijkheid dat ze zich aan de buitenkant bevinden.Met andere woorden, de concentratie is het midden is groter dan aan de buitenkant.

Door middel van een kernal density plot gaan we kijken of de wetmatigheid enkel geldig is voor een bepaalde periode. Dit kunnen we zien aan de hand van clusters. We kunnen op de tekening duidelijk twee verschillende clusters opmerken. De hoogtelijnen zijn ellipsvormig,wat wijst op een verband.
2008-11-23 14:30:51 [c97d2ae59c98cf77a04815c1edffab5a] [reply] 
de student heeft de grafieken juist geproduceerd, mr geen conclusie gevormd.
uitleg over de bivariate kernel density: Deze wordt gevormd door de puntenwolk van de scatterplot, rechte lijn = regressielijn(benadert puntenwolk zo dicht mogelijk) en hoogtelijnen (die hebben niet rechtstreeks iets te maken met de 3e dimensie, maar met de dichtheid/concentratie van de scatterplot). De hoogtelijnen geven de waarschijnlijkheid, d.m.v. de dichtheid/concentratie , aan dat een bepaald verband tussen variabelen (= de punten) zich daar bevindt, waar de hoogtelijnen de hoogste waarde aannemen (het rode-witte vlekje). Verschillende groepen met hoge hoogtelijnen geven clustering weer. We stellen ons hierbij de vraag of er een wetmatigheid bestaan tussen 2 variabelen dat hier voor elke periode geldt?
conclusie bij deze tijdsreeks: er worden 2 hoge concentraties van punten weergegeven(zie 2 rode vlekken) dit wijst op clustering. De reden voor deze clustering zal verder onderzocht moetn worden. De hoogtelijnen zijn eerder ellipsvorig wat wijst op een positieve correlatie. hier lopen de lijnen van links-onder naar rechts-boven, wat een positieve correlatie weergeeft.
2008-11-24 02:10:50 [Anna Hayan] [reply] 
De studente heeft bij Q1 geen conclusie vermeld en er ontbreken veel interpretaties. Maar de berekeningen zijn grotendeelsjuist. Om die reden vul ik het nog eens aan met een stukje theorie.
De Bivariate Kernel Density geeft het verband weer tussen variabele X en variabele Y weer. ( x –dollarkoers, y=goudkoers) door middel van de puntenwolk in scatterplot, regressielijnen en hoogtelijnen. Naarmate de kleur lichter wordt, is er een hogere concentratie. De hoogtelijnen kunnen een verband weergeven tussen 2 concentratiekernen. De diagonale lijn benadert de meeste waarnemingen in het puntenwolk het best. De getallen boven de lijnen weerspiegelen de waarde van de concentratie. Verschillende groepen met grote waarden van hoogtelijnen geven clustering weer. We zoeken dus uit of er wetmatigheid bestaat tussen 2 variabelen voor elke periode.
In het voorbeeld van de studente zien we dat de hoogtelijnen een ellipsvorm aannemen. Dit wijst op de positieve correlatie uit want de hoogtelijnen lopen van linksonder naar rechtsboven.
De concentratie in het midden is veel groter dan aan de buitenkant en het is te verklaren doordat de waarschijnlijkheid dat de waarden zich in het midden bevinden is veel groter dan de waarschijnlijkheid dat ze zich aan de buitenkant bevinden.
2008-11-24 22:01:20 [Jessica Alves Pires] [reply] 
Juist berekend, maar ik heb er echter geen interpretatie bij gegeven. Ik wist niet hoe ik de figuren moest analyseren. De bivariate kernel density geeft dus de correlatie weer tussen de dollarkoers en de goudkoers. Men ziet 2 duidelijke clusters (de rode vlekken). Ze wijzen ongeveer in dezelfde richting, dit wijst op een positief verband. Ook hebben de hoogtelijnen een ellipsvorm, dit wil zeggen dat er een correlatie bestaat.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
1.1372
1.1139
1.1222
1.1692
1.1702
1.2286
1.2613
1.2646
1.2262
1.1985
1.2007
1.2138
1.2266
1.2176
1.2218
1.249
1.2991
1.3408
1.3119
1.3014
1.3201
1.2938
1.2694
1.2165
1.2037
1.2292
1.2256
1.2015
1.1786
1.1856
1.2103
1.1938
1.202
1.2271
1.277
1.265
1.2684
1.2811
1.2727
1.2611
1.2881
1.3213
1.2999
1.3074
1.3242
1.3516
1.3511
1.3419
1.3716
1.3622
1.3896
1.4227
1.4684
1.457
1.4718
1.4748
1.5527
1.575
1.5557
1.5553
1.577
Dataseries Y:
Download CSV
Histogram 
9924
10371
10846
10413
10709
10662
10570
10297
10635
10872
10296
10383
10431
10574
10653
10805
10872
10625
10407
10463
10556
10646
10702
11353
11346
11451
11964
12574
13031
13812
14544
14931
14886
16005
17064
15168
16050
15839
15137
14954
15648
15305
15579
16348
15928
16171
15937
15713
15594
15683
16438
17032
17696
17745
19394
20148
20108
18584
18441
18391
19178

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time2 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 2 seconds \tabularnewline
R Server & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24896&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]2 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24896&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24896&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 time2 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Bandwidth
x axis0.0383302037809314
y axis696.517781531493
Correlation
correlation used in KDE0.766134886509516
correlation(x,y)0.766134886509516

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 0.0383302037809314 \tabularnewline
y axis & 696.517781531493 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.766134886509516 \tabularnewline
correlation(x,y) & 0.766134886509516 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24896&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]0.0383302037809314[/C][/ROW]
[ROW][C]y axis[/C][C]696.517781531493[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.766134886509516[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.766134886509516[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24896&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24896&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:

Bandwidth
x axis0.0383302037809314
y axis696.517781531493
Correlation
correlation used in KDE0.766134886509516
correlation(x,y)0.766134886509516


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
R code (references can be found in the software module):
par1 <- as(par1,'numeric')
par2 <- as(par2,'numeric')
par3 <- as(par3,'numeric')
par4 <- as(par4,'numeric')
par5 <- as(par5,'numeric')
library('GenKern')
if (par3==0) par3 <- dpik(x)
if (par4==0) par4 <- dpik(y)
if (par5==0) par5 <- cor(x,y)
if (par1 > 500) par1 <- 500
if (par2 > 500) par2 <- 500
bitmap(file='bidensity.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=par5, xbandwidth=par3, ybandwidth=par4)
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main=main,xlab=xlab,ylab=ylab)
if (par6=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par7=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Bandwidth',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'x axis',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'y axis',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation used in KDE',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation(x,y)',header=TRUE)
a<-table.element(a,cor(x,y))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')