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_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationTue, 02 Dec 2008 07:55:24 -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/t1228229772v0dvbp9l7eiuzqs.htm/, Retrieved Sun, 19 May 2024 09:25:57 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27901, Retrieved Sun, 19 May 2024 09:25:57 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact151

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 18:31:28] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [Q3] [2008-12-02 14:55:24] [3fc0b50a130253095e963177b0139835] [Current]
Feedback Forum
2008-12-04 17:17:54 [Loïque Verhasselt] [reply] 
Q3: De student gebruikt hier wel de juiste methode maar trekt een foute conclusie.Als ik de tijdreeks wil voorspellen, wat is dan de variantie?
Variantie= risico in de tijdreeks, de volatiliteit = men wil er zoveel mogelijk van verklaren. Hoe meer men verklaart, hoe kleiner de variantie.
Het is de bedoeling van de kleinste variantie te kiezen en zo te kijken welke differentiatie er nodig is. Hier is het d=1,D=0 met een variantie van ongeveer 1(0,9976 in het voorbeeld van de student).
2008-12-07 17:30:46 [Samira Zeroual] [reply] 
D en d hebben betrekking op het aantal keer dat je differentieert. d wordt gebruikt om de algemene trend eruit te halen en aan de hand van D gaan we de spreiding reduceren. Om een stationaire verdeling te bekomen moet de variantie zo klein mogelijk zijn. Dit doen we door de kleinste variantie van de tabel te kiezen en kijken we met welk aantal differentiaties(d) dit overeenkomt. Hier is dat d=1 met een variantie van 1.00197, wat logisch is omdat we dit immers zo simuleerden.
Hieruit kunnen we besluiten dat d=1 de meest geschikte waarde is om te differentiëren en dus de lange termijntrend de beste weg kan werken. We gaan bijgevolg 1 maal differentiëren. Vaak zal deze differentiatie niet voldoende zijn om alle slechte effecten van seizoenaliteit, lange termijntrends en spreiding weg te werken.
Om seizoenaliteit weg te werken, kunnen we vervolgens een differentiatie toepassen met d=1 en D=1. Als gevolg hiervan, verdwijnt eveneens de seizoenaliteit en verkrijgen we een stationaire verdeling.
2008-12-08 13:03:09 [Anouk Greeve] [reply] 
Bij de trim var kunnen we zien dat zowel de 3e als de 6e een waarde van nul hebben, maar de 3e heeft een lagere rangwaarde als de 6e. Als we enkel de range nemen dan kunnen we stellen dat de tweede de laagste is.

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 time1 seconds
R Server'George Udny Yule' @ 72.249.76.132

\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 & 1 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27901&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]1 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'George Udny Yule' @ 72.249.76.132[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27901&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27901&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 time1 seconds
R Server'George Udny Yule' @ 72.249.76.132






Variance Reduction Matrix
V(Y[t],d=0,D=0)104.040817635271Range39Trim Var.77.1023966452985
V(Y[t],d=1,D=0)0.997625773635625Range2Trim Var.NA
V(Y[t],d=2,D=0)1.87523534782995Range4Trim Var.0
V(Y[t],d=3,D=0)5.54030635425456Range8Trim Var.2.50505349572707
V(Y[t],d=0,D=1)12.6390244723466Range18Trim Var.6.69417182079676
V(Y[t],d=1,D=1)1.74478836582419Range4Trim Var.0
V(Y[t],d=2,D=1)3.2659793814433Range8Trim Var.0
V(Y[t],d=3,D=1)9.73553719008265Range16Trim Var.6.11598779754232
V(Y[t],d=0,D=2)22.0040689960195Range24Trim Var.10.1600703605981
V(Y[t],d=1,D=2)5.19824117255163Range8Trim Var.2.38286585021728
V(Y[t],d=2,D=2)9.78433733864997Range16Trim Var.2.51858044927504
V(Y[t],d=3,D=2)29.1100082416598Range26Trim Var.15.9632548671643

\begin{tabular}{lllllllll}
\hline
Variance Reduction Matrix \tabularnewline
V(Y[t],d=0,D=0) & 104.040817635271 & Range & 39 & Trim Var. & 77.1023966452985 \tabularnewline
V(Y[t],d=1,D=0) & 0.997625773635625 & Range & 2 & Trim Var. & NA \tabularnewline
V(Y[t],d=2,D=0) & 1.87523534782995 & Range & 4 & Trim Var. & 0 \tabularnewline
V(Y[t],d=3,D=0) & 5.54030635425456 & Range & 8 & Trim Var. & 2.50505349572707 \tabularnewline
V(Y[t],d=0,D=1) & 12.6390244723466 & Range & 18 & Trim Var. & 6.69417182079676 \tabularnewline
V(Y[t],d=1,D=1) & 1.74478836582419 & Range & 4 & Trim Var. & 0 \tabularnewline
V(Y[t],d=2,D=1) & 3.2659793814433 & Range & 8 & Trim Var. & 0 \tabularnewline
V(Y[t],d=3,D=1) & 9.73553719008265 & Range & 16 & Trim Var. & 6.11598779754232 \tabularnewline
V(Y[t],d=0,D=2) & 22.0040689960195 & Range & 24 & Trim Var. & 10.1600703605981 \tabularnewline
V(Y[t],d=1,D=2) & 5.19824117255163 & Range & 8 & Trim Var. & 2.38286585021728 \tabularnewline
V(Y[t],d=2,D=2) & 9.78433733864997 & Range & 16 & Trim Var. & 2.51858044927504 \tabularnewline
V(Y[t],d=3,D=2) & 29.1100082416598 & Range & 26 & Trim Var. & 15.9632548671643 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27901&T=1

[TABLE]
[ROW][C]Variance Reduction Matrix[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=0)[/C][C]104.040817635271[/C][C]Range[/C][C]39[/C][C]Trim Var.[/C][C]77.1023966452985[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=0)[/C][C]0.997625773635625[/C][C]Range[/C][C]2[/C][C]Trim Var.[/C][C]NA[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=0)[/C][C]1.87523534782995[/C][C]Range[/C][C]4[/C][C]Trim Var.[/C][C]0[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=0)[/C][C]5.54030635425456[/C][C]Range[/C][C]8[/C][C]Trim Var.[/C][C]2.50505349572707[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=1)[/C][C]12.6390244723466[/C][C]Range[/C][C]18[/C][C]Trim Var.[/C][C]6.69417182079676[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=1)[/C][C]1.74478836582419[/C][C]Range[/C][C]4[/C][C]Trim Var.[/C][C]0[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=1)[/C][C]3.2659793814433[/C][C]Range[/C][C]8[/C][C]Trim Var.[/C][C]0[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=1)[/C][C]9.73553719008265[/C][C]Range[/C][C]16[/C][C]Trim Var.[/C][C]6.11598779754232[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=2)[/C][C]22.0040689960195[/C][C]Range[/C][C]24[/C][C]Trim Var.[/C][C]10.1600703605981[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=2)[/C][C]5.19824117255163[/C][C]Range[/C][C]8[/C][C]Trim Var.[/C][C]2.38286585021728[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=2)[/C][C]9.78433733864997[/C][C]Range[/C][C]16[/C][C]Trim Var.[/C][C]2.51858044927504[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=2)[/C][C]29.1100082416598[/C][C]Range[/C][C]26[/C][C]Trim Var.[/C][C]15.9632548671643[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27901&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27901&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:

Variance Reduction Matrix
V(Y[t],d=0,D=0)104.040817635271Range39Trim Var.77.1023966452985
V(Y[t],d=1,D=0)0.997625773635625Range2Trim Var.NA
V(Y[t],d=2,D=0)1.87523534782995Range4Trim Var.0
V(Y[t],d=3,D=0)5.54030635425456Range8Trim Var.2.50505349572707
V(Y[t],d=0,D=1)12.6390244723466Range18Trim Var.6.69417182079676
V(Y[t],d=1,D=1)1.74478836582419Range4Trim Var.0
V(Y[t],d=2,D=1)3.2659793814433Range8Trim Var.0
V(Y[t],d=3,D=1)9.73553719008265Range16Trim Var.6.11598779754232
V(Y[t],d=0,D=2)22.0040689960195Range24Trim Var.10.1600703605981
V(Y[t],d=1,D=2)5.19824117255163Range8Trim Var.2.38286585021728
V(Y[t],d=2,D=2)9.78433733864997Range16Trim Var.2.51858044927504
V(Y[t],d=3,D=2)29.1100082416598Range26Trim Var.15.9632548671643


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 0.5 ;
Parameters (R input):
par1 = 500 ; par2 = 0.5 ;
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
par1 <- as.numeric(12)
x <- as.array(b)
n <- length(x)
sx <- sort(x)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Variance Reduction Matrix',6,TRUE)
a<-table.row.end(a)
for (bigd in 0:2) {
for (smalld in 0:3) {
mylabel <- 'V(Y[t],d='
mylabel <- paste(mylabel,as.character(smalld),sep='')
mylabel <- paste(mylabel,',D=',sep='')
mylabel <- paste(mylabel,as.character(bigd),sep='')
mylabel <- paste(mylabel,')',sep='')
a<-table.row.start(a)
a<-table.element(a,mylabel,header=TRUE)
myx <- x
if (smalld > 0) myx <- diff(x,lag=1,differences=smalld)
if (bigd > 0) myx <- diff(myx,lag=par1,differences=bigd)
a<-table.element(a,var(myx))
a<-table.element(a,'Range',header=TRUE)
a<-table.element(a,max(myx)-min(myx))
a<-table.element(a,'Trim Var.',header=TRUE)
smyx <- sort(myx)
sn <- length(smyx)
a<-table.element(a,var(smyx[smyx>quantile(smyx,0.05) & smyxa<-table.row.end(a)
}
}
a<-table.end(a)
table.save(a,file='mytable.tab')