FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationMon, 01 Dec 2008 19:30:50 -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/Dec/02/t122818507201urf67jrtg5fay.htm/, Retrieved Sun, 19 May 2024 11:32:54 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27545, Retrieved Sun, 19 May 2024 11:32:54 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact243

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Law of Averages] [Random Walk Simul...] [2008-11-25 18:40:39] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [] [2008-12-02 02:30:50] [84e0ffed4a919a8e8c17f955a2802257] [Current]
Feedback Forum
2008-12-07 11:00:26 [Jan Van Riet] [reply] 
Dit kan je grondiger onderzoeken:

als je de berekening opnieuw uitvoert met d=0 en D=0, http://www.freestatistics.org/blog/index.php?v=date/2008/Dec/07/t1228647249b4v1txvovwfi64g.htm , dan zie je een grafiek met een sterk verhakkelde lijn (zowel op het spectrum als op de cumulative periodogram. Dit wijst op seizonaliteit. De grafiek ligt bovendien ver buiten het betrouwbaarheidsinterval, wat dan weer wijst op een trend.
Als we d=1 en D=1 invullen,http://www.freestatistics.org/blog/index.php?v=date/2008/Dec/07/t1228647587008eoly0ji8b1uo.htm
,krijgen we een totaal ander beeld: de grafiek ligt bijna mooi binnen het betrouwbaarheidsinterval, en de seizonale sprongen zijn serieus verminderd.
2008-12-07 17:00:54 [Inge Meelberghs] [reply] 
Aan de hand van de raw periodogram en de cumulatieve periodogram kunnen zien of er in de tijdreeks al dan niet een trend aanwezig is.

Op de raw periodogram grafiek vinden we op de x-as de frequentie terug en op de y –as de mate waarin deze frequentie voorkomt. Hier kunnen we dus zien hoe vaak de frequenties terugkomen.

Op de cumulatieve periodogram zien we dat de grafiek niet binnen de betrouwbaarheidsinterval ligt waardoor er sprake is van een significante trend.

Conclusie:
Op zowel de raw periodogram grafiek als de cumulatieve periodogram kunnen we zien dat er veel lage frequentiewaarden zijn. Dit duidt op een lange termijn trend.

Om deze lange termijn trend uit te zuiveren moeten we gebruik maken van de VRM techniek. Hierdoor zal de variantie hopelijk dalen. Zoals voorgaande student al zei krijgen we dan een heel ander beeld als d=1 en D=1 (als we dus 1keer gewoon en 1keer seizonaal gaan differentiëren). Dit kunnen we onder andere waarnemen op de cumulatieve periodogram doordat de grafiek nu wel tussen de betrouwbaarheidsintervallen ligt.
2008-12-08 18:36:26 [Jan Cavents] [reply] 
Zoals Inge al schreef, dienen de raw period. en cum. period. om trends te achterhalen.

Bij de raw. period zien we hoe vaak bepaalde frequencies voorkomen. op het cum. period. kunnen we zien of de grafiek al dan niet in het betrouwbaarheidsinterval ligt, voor dit geval niet. Op beide grafieken zien we dat er veel lage frequencies voorkomen wat op een LT-trend wijst.

Post a new message

Dataset

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time3 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 & 3 seconds \tabularnewline
R Server & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27545&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]3 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=27545&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27545&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 time3 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 0.5 ;
Parameters (R input):
par1 = 500 ; par2 = 0.5 ; 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):
n <- as.numeric(par1)
p <- as.numeric(par2)
heads=rbinom(n-1,1,p)
a=2*(heads)-1
b=diffinv(a,xi=0)
c=1:n
pheads=(diffinv(heads,xi=.5))/c
bitmap(file='test1.png')
op=par(mfrow=c(2,1))
plot(c,b,type='n',main='Law of Averages',xlab='Toss Number',ylab='Excess of Heads',lwd=2,cex.lab=1.5,cex.main=2)
lines(c,b,col='red')
lines(c,rep(0,n),col='black')
plot(c,pheads,type='n',xlab='Toss Number',ylab='Proportion of Heads',lwd=2,cex.lab=1.5)
lines(c,pheads,col='blue')
lines(c,rep(.5,n),col='black')
par(op)
dev.off()
b
x <- b
bitmap(file='test1.png')
r <- spectrum(x,main='Raw Periodogram')
dev.off()
r
bitmap(file='test2.png')
cpgram(x,main='Cumulative Periodogram')
dev.off()