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_variancereduction.wasp
Title produced by softwareVariance Reduction Matrix
Date of computationTue, 02 Dec 2008 10:06:25 -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/t1228237636oejp1yf7e3kjfl9.htm/, Retrieved Sun, 19 May 2024 11:29:19 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28083, Retrieved Sun, 19 May 2024 11:29:19 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact171

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [(Partial) Autocorrelation Function] [nsts Q8 (1)] [2008-12-02 16:54:05] [b1bd16d1f47bfe13feacf1c27a0abba5]
F   PD  [(Partial) Autocorrelation Function] [nsts Q8 (2)] [2008-12-02 16:58:46] [b1bd16d1f47bfe13feacf1c27a0abba5]
F RMP       [Variance Reduction Matrix] [nsts Q8 (4)] [2008-12-02 17:06:25] [e7b1048c2c3a353441b9143db4404b91] [Current]
Feedback Forum
2008-12-08 19:09:21 [Jasmine Hendrikx] [reply] 
Eigen evaluatie:
Het is goed dat men voor het oplossen van deze vraag ook gebruik maakt van VRM. Dit is nuttig, want zo kan je de gevonden resultaten bij de autocorrelatiefunctie nakijken. Het is inderdaad zo dat de conclusie bij de ACF bevestigd wordt. We moeten inderdaad differentiëren met D=1 en d=0, aangezien deze de kleinste variantie heeft. Wanneer dit niet het geval zou zijn (dus VRM en ACF geven niet dezelfde resultaten), dan moet je eerder de ACF gebruiken dan de VRM. Ook is het vrij logisch dat je kijkt naar de kleinste variantie in de tabel, aangezien de variantie van de tijdreeks het risico/ de volatiliteit aangeeft die in de tijdreeks zit. Je wilt zoveel mogelijk verklaren, dus je neemt de kleinste variantie.
Wat echter niet berekend is bij deze vraag is de spectrale analyse. Dit zou echter nuttig zijn aangezien we zo de resultaten van zowel ACF als van de VRM kunnen controleren. Vandaar dat ik hieronder de URL’s zet van de Spectral analysis.
Wanneer D=0 en d=0:
http://www.freestatistics.org/blog/index.php?v=date/2008/Dec/08/t1228762518ef3fvoyu77pdp20.htm
We kunnen zowel uit de tabel als uit de grafieken afleiden dat er sprake is van seizoenaliteit (bijvoorbeeld door de trappen bij het cumulatieve periodogram) en niet meteen van een opmerkelijke langtermijntrend, vandaar dat we D gelijkstellen aan 1 en d 0 laten. Hier is de URL: http://www.freestatistics.org/blog/index.php?v=date/2008/Dec/08/t12287628796lu6t9m3rdrwcd8.htm
We zien een hele verbetering. Zo is de seizoenaliteit zo goed als verdwenen. Wel is er aan de linkerkant van de grafiek duidelijk een korte steile stijgende lijn. De langetermijntrend zou hier nog ongeveer 20% van de tijdreeks verklaren. We zouden hier uit kunnen afleiden dat we misschien ook d zouden moeten gelijkstellen aan 1. Dit bevestigt niet meteen onze conclusies van zowel de ACF als van de VRM. Daar zouden we d eigenlijk moeten gelijk stellen aan 0 en D aan 1.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
78.4
114.6
113.3
117.0
99.6
99.4
101.9
115.2
108.5
113.8
121.0
92.2
90.2
101.5
126.6
93.9
89.8
93.4
101.5
110.4
105.9
108.4
113.9
86.1
69.4
101.2
100.5
98.0
106.6
90.1
96.9
125.9
112.0
100.0
123.9
79.8
83.4
113.6
112.9
104.0
109.9
99.0
106.3
128.9
111.1
102.9
130.0
87.0
87.5
117.6
103.4
110.8
112.6
102.5
112.4
135.6
105.1
127.7
137.0
91.0
90.5
122.4
123.3
124.3
120.0
118.1
119.0
142.7
123.6
129.6
151.6
110.4
99.2
130.5
136.2
129.7
128.0
121.6
135.8
143.8
147.5
136.2
156.6
123.3
100.4

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=28083&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=28083&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28083&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)308.259378151260Range87.2Trim Var.184.266216216216
V(Y[t],d=1,D=0)350.400218014917Range82.2Trim Var.206.561169937060
V(Y[t],d=2,D=0)869.564243314722Range123.2Trim Var.555.577237442922
V(Y[t],d=3,D=0)2524.78628876844Range221.1Trim Var.1492.24758802817
V(Y[t],d=0,D=1)99.0334893455099Range50.9Trim Var.50.5128990384615
V(Y[t],d=1,D=1)171.769287949922Range67.2Trim Var.96.8601587301587
V(Y[t],d=2,D=1)549.223798792756Range118.8Trim Var.294.497419354839
V(Y[t],d=3,D=1)1849.96142650103Range226.6Trim Var.993.141099947118
V(Y[t],d=0,D=2)215.820163934426Range77.9Trim Var.97.0283091436865
V(Y[t],d=1,D=2)459.63745480226Range118.8Trim Var.247.027229210342
V(Y[t],d=2,D=2)1434.09222676797Range216.4Trim Var.789.941306240929
V(Y[t],d=3,D=2)4707.49055353902Range402.4Trim Var.2540.34135746606

\begin{tabular}{lllllllll}
\hline
Variance Reduction Matrix \tabularnewline
V(Y[t],d=0,D=0) & 308.259378151260 & Range & 87.2 & Trim Var. & 184.266216216216 \tabularnewline
V(Y[t],d=1,D=0) & 350.400218014917 & Range & 82.2 & Trim Var. & 206.561169937060 \tabularnewline
V(Y[t],d=2,D=0) & 869.564243314722 & Range & 123.2 & Trim Var. & 555.577237442922 \tabularnewline
V(Y[t],d=3,D=0) & 2524.78628876844 & Range & 221.1 & Trim Var. & 1492.24758802817 \tabularnewline
V(Y[t],d=0,D=1) & 99.0334893455099 & Range & 50.9 & Trim Var. & 50.5128990384615 \tabularnewline
V(Y[t],d=1,D=1) & 171.769287949922 & Range & 67.2 & Trim Var. & 96.8601587301587 \tabularnewline
V(Y[t],d=2,D=1) & 549.223798792756 & Range & 118.8 & Trim Var. & 294.497419354839 \tabularnewline
V(Y[t],d=3,D=1) & 1849.96142650103 & Range & 226.6 & Trim Var. & 993.141099947118 \tabularnewline
V(Y[t],d=0,D=2) & 215.820163934426 & Range & 77.9 & Trim Var. & 97.0283091436865 \tabularnewline
V(Y[t],d=1,D=2) & 459.63745480226 & Range & 118.8 & Trim Var. & 247.027229210342 \tabularnewline
V(Y[t],d=2,D=2) & 1434.09222676797 & Range & 216.4 & Trim Var. & 789.941306240929 \tabularnewline
V(Y[t],d=3,D=2) & 4707.49055353902 & Range & 402.4 & Trim Var. & 2540.34135746606 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28083&T=1

[TABLE]
[ROW][C]Variance Reduction Matrix[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=0)[/C][C]308.259378151260[/C][C]Range[/C][C]87.2[/C][C]Trim Var.[/C][C]184.266216216216[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=0)[/C][C]350.400218014917[/C][C]Range[/C][C]82.2[/C][C]Trim Var.[/C][C]206.561169937060[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=0)[/C][C]869.564243314722[/C][C]Range[/C][C]123.2[/C][C]Trim Var.[/C][C]555.577237442922[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=0)[/C][C]2524.78628876844[/C][C]Range[/C][C]221.1[/C][C]Trim Var.[/C][C]1492.24758802817[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=1)[/C][C]99.0334893455099[/C][C]Range[/C][C]50.9[/C][C]Trim Var.[/C][C]50.5128990384615[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=1)[/C][C]171.769287949922[/C][C]Range[/C][C]67.2[/C][C]Trim Var.[/C][C]96.8601587301587[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=1)[/C][C]549.223798792756[/C][C]Range[/C][C]118.8[/C][C]Trim Var.[/C][C]294.497419354839[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=1)[/C][C]1849.96142650103[/C][C]Range[/C][C]226.6[/C][C]Trim Var.[/C][C]993.141099947118[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=2)[/C][C]215.820163934426[/C][C]Range[/C][C]77.9[/C][C]Trim Var.[/C][C]97.0283091436865[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=2)[/C][C]459.63745480226[/C][C]Range[/C][C]118.8[/C][C]Trim Var.[/C][C]247.027229210342[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=2)[/C][C]1434.09222676797[/C][C]Range[/C][C]216.4[/C][C]Trim Var.[/C][C]789.941306240929[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=2)[/C][C]4707.49055353902[/C][C]Range[/C][C]402.4[/C][C]Trim Var.[/C][C]2540.34135746606[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28083&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28083&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)308.259378151260Range87.2Trim Var.184.266216216216
V(Y[t],d=1,D=0)350.400218014917Range82.2Trim Var.206.561169937060
V(Y[t],d=2,D=0)869.564243314722Range123.2Trim Var.555.577237442922
V(Y[t],d=3,D=0)2524.78628876844Range221.1Trim Var.1492.24758802817
V(Y[t],d=0,D=1)99.0334893455099Range50.9Trim Var.50.5128990384615
V(Y[t],d=1,D=1)171.769287949922Range67.2Trim Var.96.8601587301587
V(Y[t],d=2,D=1)549.223798792756Range118.8Trim Var.294.497419354839
V(Y[t],d=3,D=1)1849.96142650103Range226.6Trim Var.993.141099947118
V(Y[t],d=0,D=2)215.820163934426Range77.9Trim Var.97.0283091436865
V(Y[t],d=1,D=2)459.63745480226Range118.8Trim Var.247.027229210342
V(Y[t],d=2,D=2)1434.09222676797Range216.4Trim Var.789.941306240929
V(Y[t],d=3,D=2)4707.49055353902Range402.4Trim Var.2540.34135746606


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 12 ;
Parameters (R input):
par1 = 12 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
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')