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 23:58:43 -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/t1228201146w9b5r63m9hg9hgw.htm/, Retrieved Sun, 19 May 2024 08:51:44 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27552, Retrieved Sun, 19 May 2024 08:51:44 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact256

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 18:05:16] [b98453cac15ba1066b407e146608df68]
F       [Law of Averages] [Q2 - non stationa...] [2008-11-30 23:29:17] [57850c80fd59ccfb28f882be994e814e]
F         [Law of Averages] [Q2] [2008-12-01 18:28:24] [6816386b1f3c2f6c0c9f2aa1e5bc9362]
F             [Law of Averages] [] [2008-12-02 06:58:43] [d41d8cd98f00b204e9800998ecf8427e] [Current]
Feedback Forum
2008-12-06 09:17:24 [Siem Van Opstal] [reply] 
De student zou iets meer uitleg moeten geven. De autocorrelatiecoëfficiënten dalen omdat het een random-walk model is en dat is een niet stationaire tijdreeks er is geen seizonaliteit aanwezig.
Een stationaire tijdreeks is een tijdreeks waar het gemiddelde, de spreiding (variantie) en de ACF niet wijzigen in de tijd, dus constant blijven. Daarom is deze tijdreeks niet-stationair.

2008-12-08 18:22:17 [Bonifer Spillemaeckers] [reply] 
Ook hier heb ik een goede reproductie gemaakt, maar mijn conclusie was ook weer te beknopt.

Als we kijken naar de autocorrelatie, zien we dat de verticale lijnen allemaal buiten het betrouwbaarheidsinterval liggen. Het betrouwbaarheidsinterval wordt aangeduid door de 2 blauwe stippellijnen. We kunnen de autocorrelatie hier ook zeker significant noemen. Op basis van het verleden zal een voorspelling kunnen worden gemaakt dat we niet kunnen toeschrijven aan het toeval. Het neerwaartse patroon in de grafiek kunnen we verklaren door de formule Yt = Yt – 1 + et. In deze formule is Yt de dataset en et de LT-trend. De student bemerkt hier correct op dat het hier gaat om een niet-stationaire tijdreeks.

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'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 & 3 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=27552&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]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27552&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27552&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'Herman Ole Andreas Wold' @ 193.190.124.10:1001


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
bitmap(file='pic1.png')
racf <- acf(b,n/10,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
racf