Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*Unverified author*

R Software Module

rwasp_spectrum.wasp

Title produced by software

Spectral Analysis

Date of computation

Wed, 03 Dec 2008 03:18:50 -0700

Cite this page as follows

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2008/Dec/03/t1228299666fxyiaiiena71fym.htm/, Retrieved Sun, 19 May 2024 06:08:11 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28600, Retrieved Sun, 19 May 2024 06:08:11 +0000

QR Codes:

Paste this QR Code to cite your computation.

Original text written by user:

IsPrivate?

No (this computation is public)

User-defined keywords

Estimated Impact

201

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)

F     [Univariate Data Series] [Airline data] [2007-10-18 09:58:47] [42daae401fd3def69a25014f2252b4c2]
- RMPD  [(Partial) Autocorrelation Function] [question 6] [2008-12-01 14:18:51] [379d6c32f73e3218fd773d79e4063d07]
F RMP       [Spectral Analysis] [] [2008-12-03 10:18:50] [ba8414dd214a21fbd6c7bde748ac585f] [Current]

Feedback Forum

2008-12-06 11:22:11 [Carole Thielens] [reply] 
De student is nogal warrig in zijn antwoord en gebruikt verschillende methoden door elkaar zonder erbij te vermelden wat hij gaat toepassen en wat daaruit de conclusies zijn. Eigenlijk formuleerde de student enkel een uiterst kort besluit omtrent de spectraalanalyse. Daarbovenop voerde hij de analyse eigenlijk niet uit. Hij plotte alle grafieken en tabellen bij de 3 methoden voor de differentiatie en voerde geen differentiatie uit. 
Het was eigenlijk de bedoeling om via de  3 methoden die er zijn om een gepaste differentiatie te zoeken, te komen tot een stationaire verdeling. De methoden zijn de partial autocorrelation function, de variance reduction matrix, en de spectraalanalyse. 
 
1. De partial autocorrelation function : Een stationaire tijdsreeks maken gebeurt via de eerste methode aan de hand van de partial autocorrelation function. We weten al dat D en d betrekking hebben 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. Wanneer we via de partial autocorrelation function de tijdsreeks invoegen en uittekenen, verkrijgen we een autocorrelation- en partial autocorrelation function. Hieruit bleek dat er sprake is van seizonaliteit en een lange termijn trend en we dus de differentiatie d=1 en D=1 moeten doorvoeren. 
 
2. Variance reduction matrix: In deze tabel kunnen we aflezen welke variantie en getrimde variantie verkregen worden bij de verscheidene waarden die d en D tegelijk aannemen. Wanneer gezocht wordt naar de waarden voor d en D die leiden tot de kleinste variantie wanneer differentiatie toegepast wordt, kan duidelijk afgelezen worden dat deze V(Y[t],d=1,D=1) is.  We zoeken immers naar de kleinste waarde voor de variantie omdat deze leidt tot de beste stationaire verdeling. De variantie is bij d=1 en D=1 gelijk aan 152.68, wat dus de kleinste waarde uit de kolom vormt. Toevallig is de getrimde variantie met een waarde van 73,11 ook de kleinste waarde uit zijn kolom. Natuurlijk zal dit niet altijd het geval zijn, maar deze reeks bevat geen uitzonderingen.  
 
3.Spectraalanalyse:  
TABEL: 
Aan de hand van een spectraalanalyse wordt de tijdsreeks ontbonden in regelmatige golfbewegingen. Uit bovenstaande tabel kunnen we aan de hand van de frequentie en bijhorende spectrumwaarden afleiden of er sprake is van een lange termijn trend of seizonaliteit. 
*Spectrum= de intensiteit waarmee de golfbeweging voorkomt in de tijdsreeks. Dit geeft een indicatie over wat wel en niet sterk voorkomt. 
* Ook moet vermeld worden dat de meest dominante frequentie gekenmerkt wordt door de langste periode. 
* Bovendien kan gesteld worden dat indien de eerste waarde, deze met de meest dominante frequentie(0.0069), ook een zeer hoge spectrumwaarde heeft, dan is er duidelijk sprake van een lange termijn trend. Dit is ook duidelijk af te lezen uit de tabel. De eerste frequentie 0.0069(144) heeft een spectrumwaarde van 3792, wat opmerkelijk hoger is dan de andere waarden uit de kolom. 
* Seizonaliteit kan vastgesteld worden wanneer de spectrumwaarde bij de periodes 4,6 en 12 het hoogst zijn. Dit is hier eveneens overduidelijk het geval. 
 
Raw Periodogram 
Op dit periodogram is duidelijk een dalende lange termijn trend en seizonaliteit vast te stellen. 
Cumulative Periodogram 
Een cumulatief periodogram dat steil stijgt duidt op een lange termijn trend. Daarbovenop zien we dat er zich een trapverloop/trapfunctie voordoet. Zo’n trapverloop wijst dan weer op seizonaliteit. Ook zien we duidelijk dat de functie buiten het betrouwbaarheidsinterval van 95% valt, wat betekent dat er nog steeds sprake is van voorspelbaarheid.  
 
Na differentiatie met d=1 en D=1 zien we duidelijk dat de seizonaliteit en lange termijn trend verdwenen zijn. Het cumulative periodogram toont mooi aan dat de trapfunctie, welke wees op seizonaliteit’ niet meer voorkomt. Eveneens is er een geleidelijkere stijging en dus geen lange termijn trend meer. Tot slot zien we dat de lijn goed tussen het 95% betrouwbaarheidsinterval ligt. Er is echter nog wel een bepaalde mate van voorspelbaarheid, gezien de curve nog voor een klein stukje buiten het betrouwbaarheidsinterval ligt.

Post a new message

Dataseries X:

Download CSV

Histogram

Boxplots

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 seconds
R Server	'Gwilym Jenkins' @ 72.249.127.135

\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 & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28600&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]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28600&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28600&T=0

As an alternative you can also use a QR Code:

The GUIDs for individual cells are displayed in the table below:

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 seconds
R Server	'Gwilym Jenkins' @ 72.249.127.135

Raw Periodogram
Parameter	Value
Box-Cox transformation parameter (lambda)	1
Degree of non-seasonal differencing (d)	0
Degree of seasonal differencing (D)	0
Seasonal Period (s)	12
Frequency (Period)	Spectrum
0.0069 (144)	3792.028873
0.0139 (72)	1238.009494
0.0208 (48)	1826.626686
0.0278 (36)	201.90456
0.0347 (28.8)	331.907846
0.0417 (24)	695.956872
0.0486 (20.5714)	189.838038
0.0556 (18)	632.668292
0.0625 (16)	287.593613
0.0694 (14.4)	1791.509224
0.0764 (13.0909)	9958.986159
0.0833 (12)	68001.700911
0.0903 (11.0769)	6339.30519
0.0972 (10.2857)	1529.925619
0.1042 (9.6)	854.106417
0.1111 (9)	454.283437
0.1181 (8.4706)	125.530203
0.125 (8)	30.347246
0.1319 (7.5789)	70.029431
0.1389 (7.2)	204.158401
0.1458 (6.8571)	203.994506
0.1528 (6.5455)	348.864801
0.1597 (6.2609)	1597.138661
0.1667 (6)	18608.352793
0.1736 (5.76)	2154.647278
0.1806 (5.5385)	608.650096
0.1875 (5.3333)	615.202265
0.1944 (5.1429)	120.078527
0.2014 (4.9655)	130.147126
0.2083 (4.8)	121.85189
0.2153 (4.6452)	40.141534
0.2222 (4.5)	217.826943
0.2292 (4.3636)	68.288003
0.2361 (4.2353)	214.055484
0.2431 (4.1143)	331.595519
0.25 (4)	3179.724197
0.2569 (3.8919)	203.863339
0.2639 (3.7895)	64.50686
0.2708 (3.6923)	3.43721
0.2778 (3.6)	31.782121
0.2847 (3.5122)	6.688219
0.2917 (3.4286)	16.986738
0.2986 (3.3488)	42.173804
0.3056 (3.2727)	29.803217
0.3125 (3.2)	33.804933
0.3194 (3.1304)	60.212446
0.3264 (3.0638)	379.911387
0.3333 (3)	2005.72132
0.3403 (2.9388)	75.434588
0.3472 (2.88)	140.072127
0.3542 (2.8235)	9.294066
0.3611 (2.7692)	15.430795
0.3681 (2.717)	10.698128
0.375 (2.6667)	4.21834
0.3819 (2.6182)	35.411804
0.3889 (2.5714)	16.11576
0.3958 (2.5263)	11.881808
0.4028 (2.4828)	183.988521
0.4097 (2.4407)	159.788028
0.4167 (2.4)	1276.34537
0.4236 (2.3607)	113.356981
0.4306 (2.3226)	208.3604
0.4375 (2.2857)	105.674799
0.4444 (2.25)	48.09594
0.4514 (2.2154)	10.461349
0.4583 (2.1818)	50.391079
0.4653 (2.1493)	26.292831
0.4722 (2.1176)	29.647284
0.4792 (2.087)	24.120557
0.4861 (2.0571)	8.778387
0.4931 (2.0282)	8.689016
0.5 (2)	25.907638

\begin{tabular}{lllllllll}
\hline
Raw Periodogram \tabularnewline
Parameter & Value \tabularnewline
Box-Cox transformation parameter (lambda) & 1 \tabularnewline
Degree of non-seasonal differencing (d) & 0 \tabularnewline
Degree of seasonal differencing (D) & 0 \tabularnewline
Seasonal Period (s) & 12 \tabularnewline
Frequency (Period) & Spectrum \tabularnewline
0.0069 (144) & 3792.028873 \tabularnewline
0.0139 (72) & 1238.009494 \tabularnewline
0.0208 (48) & 1826.626686 \tabularnewline
0.0278 (36) & 201.90456 \tabularnewline
0.0347 (28.8) & 331.907846 \tabularnewline
0.0417 (24) & 695.956872 \tabularnewline
0.0486 (20.5714) & 189.838038 \tabularnewline
0.0556 (18) & 632.668292 \tabularnewline
0.0625 (16) & 287.593613 \tabularnewline
0.0694 (14.4) & 1791.509224 \tabularnewline
0.0764 (13.0909) & 9958.986159 \tabularnewline
0.0833 (12) & 68001.700911 \tabularnewline
0.0903 (11.0769) & 6339.30519 \tabularnewline
0.0972 (10.2857) & 1529.925619 \tabularnewline
0.1042 (9.6) & 854.106417 \tabularnewline
0.1111 (9) & 454.283437 \tabularnewline
0.1181 (8.4706) & 125.530203 \tabularnewline
0.125 (8) & 30.347246 \tabularnewline
0.1319 (7.5789) & 70.029431 \tabularnewline
0.1389 (7.2) & 204.158401 \tabularnewline
0.1458 (6.8571) & 203.994506 \tabularnewline
0.1528 (6.5455) & 348.864801 \tabularnewline
0.1597 (6.2609) & 1597.138661 \tabularnewline
0.1667 (6) & 18608.352793 \tabularnewline
0.1736 (5.76) & 2154.647278 \tabularnewline
0.1806 (5.5385) & 608.650096 \tabularnewline
0.1875 (5.3333) & 615.202265 \tabularnewline
0.1944 (5.1429) & 120.078527 \tabularnewline
0.2014 (4.9655) & 130.147126 \tabularnewline
0.2083 (4.8) & 121.85189 \tabularnewline
0.2153 (4.6452) & 40.141534 \tabularnewline
0.2222 (4.5) & 217.826943 \tabularnewline
0.2292 (4.3636) & 68.288003 \tabularnewline
0.2361 (4.2353) & 214.055484 \tabularnewline
0.2431 (4.1143) & 331.595519 \tabularnewline
0.25 (4) & 3179.724197 \tabularnewline
0.2569 (3.8919) & 203.863339 \tabularnewline
0.2639 (3.7895) & 64.50686 \tabularnewline
0.2708 (3.6923) & 3.43721 \tabularnewline
0.2778 (3.6) & 31.782121 \tabularnewline
0.2847 (3.5122) & 6.688219 \tabularnewline
0.2917 (3.4286) & 16.986738 \tabularnewline
0.2986 (3.3488) & 42.173804 \tabularnewline
0.3056 (3.2727) & 29.803217 \tabularnewline
0.3125 (3.2) & 33.804933 \tabularnewline
0.3194 (3.1304) & 60.212446 \tabularnewline
0.3264 (3.0638) & 379.911387 \tabularnewline
0.3333 (3) & 2005.72132 \tabularnewline
0.3403 (2.9388) & 75.434588 \tabularnewline
0.3472 (2.88) & 140.072127 \tabularnewline
0.3542 (2.8235) & 9.294066 \tabularnewline
0.3611 (2.7692) & 15.430795 \tabularnewline
0.3681 (2.717) & 10.698128 \tabularnewline
0.375 (2.6667) & 4.21834 \tabularnewline
0.3819 (2.6182) & 35.411804 \tabularnewline
0.3889 (2.5714) & 16.11576 \tabularnewline
0.3958 (2.5263) & 11.881808 \tabularnewline
0.4028 (2.4828) & 183.988521 \tabularnewline
0.4097 (2.4407) & 159.788028 \tabularnewline
0.4167 (2.4) & 1276.34537 \tabularnewline
0.4236 (2.3607) & 113.356981 \tabularnewline
0.4306 (2.3226) & 208.3604 \tabularnewline
0.4375 (2.2857) & 105.674799 \tabularnewline
0.4444 (2.25) & 48.09594 \tabularnewline
0.4514 (2.2154) & 10.461349 \tabularnewline
0.4583 (2.1818) & 50.391079 \tabularnewline
0.4653 (2.1493) & 26.292831 \tabularnewline
0.4722 (2.1176) & 29.647284 \tabularnewline
0.4792 (2.087) & 24.120557 \tabularnewline
0.4861 (2.0571) & 8.778387 \tabularnewline
0.4931 (2.0282) & 8.689016 \tabularnewline
0.5 (2) & 25.907638 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28600&T=1

[TABLE]
[ROW][C]Raw Periodogram[/C][/ROW]
[ROW][C]Parameter[/C][C]Value[/C][/ROW]
[ROW][C]Box-Cox transformation parameter (lambda)[/C][C]1[/C][/ROW]
[ROW][C]Degree of non-seasonal differencing (d)[/C][C]0[/C][/ROW]
[ROW][C]Degree of seasonal differencing (D)[/C][C]0[/C][/ROW]
[ROW][C]Seasonal Period (s)[/C][C]12[/C][/ROW]
[ROW][C]Frequency (Period)[/C][C]Spectrum[/C][/ROW]
[ROW][C]0.0069 (144)[/C][C]3792.028873[/C][/ROW]
[ROW][C]0.0139 (72)[/C][C]1238.009494[/C][/ROW]
[ROW][C]0.0208 (48)[/C][C]1826.626686[/C][/ROW]
[ROW][C]0.0278 (36)[/C][C]201.90456[/C][/ROW]
[ROW][C]0.0347 (28.8)[/C][C]331.907846[/C][/ROW]
[ROW][C]0.0417 (24)[/C][C]695.956872[/C][/ROW]
[ROW][C]0.0486 (20.5714)[/C][C]189.838038[/C][/ROW]
[ROW][C]0.0556 (18)[/C][C]632.668292[/C][/ROW]
[ROW][C]0.0625 (16)[/C][C]287.593613[/C][/ROW]
[ROW][C]0.0694 (14.4)[/C][C]1791.509224[/C][/ROW]
[ROW][C]0.0764 (13.0909)[/C][C]9958.986159[/C][/ROW]
[ROW][C]0.0833 (12)[/C][C]68001.700911[/C][/ROW]
[ROW][C]0.0903 (11.0769)[/C][C]6339.30519[/C][/ROW]
[ROW][C]0.0972 (10.2857)[/C][C]1529.925619[/C][/ROW]
[ROW][C]0.1042 (9.6)[/C][C]854.106417[/C][/ROW]
[ROW][C]0.1111 (9)[/C][C]454.283437[/C][/ROW]
[ROW][C]0.1181 (8.4706)[/C][C]125.530203[/C][/ROW]
[ROW][C]0.125 (8)[/C][C]30.347246[/C][/ROW]
[ROW][C]0.1319 (7.5789)[/C][C]70.029431[/C][/ROW]
[ROW][C]0.1389 (7.2)[/C][C]204.158401[/C][/ROW]
[ROW][C]0.1458 (6.8571)[/C][C]203.994506[/C][/ROW]
[ROW][C]0.1528 (6.5455)[/C][C]348.864801[/C][/ROW]
[ROW][C]0.1597 (6.2609)[/C][C]1597.138661[/C][/ROW]
[ROW][C]0.1667 (6)[/C][C]18608.352793[/C][/ROW]
[ROW][C]0.1736 (5.76)[/C][C]2154.647278[/C][/ROW]
[ROW][C]0.1806 (5.5385)[/C][C]608.650096[/C][/ROW]
[ROW][C]0.1875 (5.3333)[/C][C]615.202265[/C][/ROW]
[ROW][C]0.1944 (5.1429)[/C][C]120.078527[/C][/ROW]
[ROW][C]0.2014 (4.9655)[/C][C]130.147126[/C][/ROW]
[ROW][C]0.2083 (4.8)[/C][C]121.85189[/C][/ROW]
[ROW][C]0.2153 (4.6452)[/C][C]40.141534[/C][/ROW]
[ROW][C]0.2222 (4.5)[/C][C]217.826943[/C][/ROW]
[ROW][C]0.2292 (4.3636)[/C][C]68.288003[/C][/ROW]
[ROW][C]0.2361 (4.2353)[/C][C]214.055484[/C][/ROW]
[ROW][C]0.2431 (4.1143)[/C][C]331.595519[/C][/ROW]
[ROW][C]0.25 (4)[/C][C]3179.724197[/C][/ROW]
[ROW][C]0.2569 (3.8919)[/C][C]203.863339[/C][/ROW]
[ROW][C]0.2639 (3.7895)[/C][C]64.50686[/C][/ROW]
[ROW][C]0.2708 (3.6923)[/C][C]3.43721[/C][/ROW]
[ROW][C]0.2778 (3.6)[/C][C]31.782121[/C][/ROW]
[ROW][C]0.2847 (3.5122)[/C][C]6.688219[/C][/ROW]
[ROW][C]0.2917 (3.4286)[/C][C]16.986738[/C][/ROW]
[ROW][C]0.2986 (3.3488)[/C][C]42.173804[/C][/ROW]
[ROW][C]0.3056 (3.2727)[/C][C]29.803217[/C][/ROW]
[ROW][C]0.3125 (3.2)[/C][C]33.804933[/C][/ROW]
[ROW][C]0.3194 (3.1304)[/C][C]60.212446[/C][/ROW]
[ROW][C]0.3264 (3.0638)[/C][C]379.911387[/C][/ROW]
[ROW][C]0.3333 (3)[/C][C]2005.72132[/C][/ROW]
[ROW][C]0.3403 (2.9388)[/C][C]75.434588[/C][/ROW]
[ROW][C]0.3472 (2.88)[/C][C]140.072127[/C][/ROW]
[ROW][C]0.3542 (2.8235)[/C][C]9.294066[/C][/ROW]
[ROW][C]0.3611 (2.7692)[/C][C]15.430795[/C][/ROW]
[ROW][C]0.3681 (2.717)[/C][C]10.698128[/C][/ROW]
[ROW][C]0.375 (2.6667)[/C][C]4.21834[/C][/ROW]
[ROW][C]0.3819 (2.6182)[/C][C]35.411804[/C][/ROW]
[ROW][C]0.3889 (2.5714)[/C][C]16.11576[/C][/ROW]
[ROW][C]0.3958 (2.5263)[/C][C]11.881808[/C][/ROW]
[ROW][C]0.4028 (2.4828)[/C][C]183.988521[/C][/ROW]
[ROW][C]0.4097 (2.4407)[/C][C]159.788028[/C][/ROW]
[ROW][C]0.4167 (2.4)[/C][C]1276.34537[/C][/ROW]
[ROW][C]0.4236 (2.3607)[/C][C]113.356981[/C][/ROW]
[ROW][C]0.4306 (2.3226)[/C][C]208.3604[/C][/ROW]
[ROW][C]0.4375 (2.2857)[/C][C]105.674799[/C][/ROW]
[ROW][C]0.4444 (2.25)[/C][C]48.09594[/C][/ROW]
[ROW][C]0.4514 (2.2154)[/C][C]10.461349[/C][/ROW]
[ROW][C]0.4583 (2.1818)[/C][C]50.391079[/C][/ROW]
[ROW][C]0.4653 (2.1493)[/C][C]26.292831[/C][/ROW]
[ROW][C]0.4722 (2.1176)[/C][C]29.647284[/C][/ROW]
[ROW][C]0.4792 (2.087)[/C][C]24.120557[/C][/ROW]
[ROW][C]0.4861 (2.0571)[/C][C]8.778387[/C][/ROW]
[ROW][C]0.4931 (2.0282)[/C][C]8.689016[/C][/ROW]
[ROW][C]0.5 (2)[/C][C]25.907638[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28600&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28600&T=1

As an alternative you can also use a QR Code:

The GUIDs for individual cells are displayed in the table below:

Raw Periodogram
Parameter	Value
Box-Cox transformation parameter (lambda)	1
Degree of non-seasonal differencing (d)	0
Degree of seasonal differencing (D)	0
Seasonal Period (s)	12
Frequency (Period)	Spectrum
0.0069 (144)	3792.028873
0.0139 (72)	1238.009494
0.0208 (48)	1826.626686
0.0278 (36)	201.90456
0.0347 (28.8)	331.907846
0.0417 (24)	695.956872
0.0486 (20.5714)	189.838038
0.0556 (18)	632.668292
0.0625 (16)	287.593613
0.0694 (14.4)	1791.509224
0.0764 (13.0909)	9958.986159
0.0833 (12)	68001.700911
0.0903 (11.0769)	6339.30519
0.0972 (10.2857)	1529.925619
0.1042 (9.6)	854.106417
0.1111 (9)	454.283437
0.1181 (8.4706)	125.530203
0.125 (8)	30.347246
0.1319 (7.5789)	70.029431
0.1389 (7.2)	204.158401
0.1458 (6.8571)	203.994506
0.1528 (6.5455)	348.864801
0.1597 (6.2609)	1597.138661
0.1667 (6)	18608.352793
0.1736 (5.76)	2154.647278
0.1806 (5.5385)	608.650096
0.1875 (5.3333)	615.202265
0.1944 (5.1429)	120.078527
0.2014 (4.9655)	130.147126
0.2083 (4.8)	121.85189
0.2153 (4.6452)	40.141534
0.2222 (4.5)	217.826943
0.2292 (4.3636)	68.288003
0.2361 (4.2353)	214.055484
0.2431 (4.1143)	331.595519
0.25 (4)	3179.724197
0.2569 (3.8919)	203.863339
0.2639 (3.7895)	64.50686
0.2708 (3.6923)	3.43721
0.2778 (3.6)	31.782121
0.2847 (3.5122)	6.688219
0.2917 (3.4286)	16.986738
0.2986 (3.3488)	42.173804
0.3056 (3.2727)	29.803217
0.3125 (3.2)	33.804933
0.3194 (3.1304)	60.212446
0.3264 (3.0638)	379.911387
0.3333 (3)	2005.72132
0.3403 (2.9388)	75.434588
0.3472 (2.88)	140.072127
0.3542 (2.8235)	9.294066
0.3611 (2.7692)	15.430795
0.3681 (2.717)	10.698128
0.375 (2.6667)	4.21834
0.3819 (2.6182)	35.411804
0.3889 (2.5714)	16.11576
0.3958 (2.5263)	11.881808
0.4028 (2.4828)	183.988521
0.4097 (2.4407)	159.788028
0.4167 (2.4)	1276.34537
0.4236 (2.3607)	113.356981
0.4306 (2.3226)	208.3604
0.4375 (2.2857)	105.674799
0.4444 (2.25)	48.09594
0.4514 (2.2154)	10.461349
0.4583 (2.1818)	50.391079
0.4653 (2.1493)	26.292831
0.4722 (2.1176)	29.647284
0.4792 (2.087)	24.120557
0.4861 (2.0571)	8.778387
0.4931 (2.0282)	8.689016
0.5 (2)	25.907638

Figure 1

PNG link

Postscript link

PDF link

Figure 2

PNG link

Postscript link

PDF link

Parameters (Session):

par1 = 1 ; par2 = 0 ; par3 = 0 ; par4 = 12 ;

Parameters (R input):

par1 = 1 ; par2 = 0 ; par3 = 0 ; par4 = 12 ;

R code (references can be found in the software module):

par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
par3 <- as.numeric(par3)
par4 <- as.numeric(par4)
if (par1 == 0) {
x <- log(x)
} else {
x <- (x ^ par1 - 1) / par1
}
if (par2 > 0) x <- diff(x,lag=1,difference=par2)
if (par3 > 0) x <- diff(x,lag=par4,difference=par3)
bitmap(file='test1.png')
r <- spectrum(x,main='Raw Periodogram')
dev.off()
bitmap(file='test2.png')
cpgram(x,main='Cumulative Periodogram')
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Raw Periodogram',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Parameter',header=TRUE)
a<-table.element(a,'Value',header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Box-Cox transformation parameter (lambda)',header=TRUE)
a<-table.element(a,par1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Degree of non-seasonal differencing (d)',header=TRUE)
a<-table.element(a,par2)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Degree of seasonal differencing (D)',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Seasonal Period (s)',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Frequency (Period)',header=TRUE)
a<-table.element(a,'Spectrum',header=TRUE)
a<-table.row.end(a)
for (i in 1:length(r$freq)) {
a<-table.row.start(a)
mylab <- round(r$freq[i],4)
mylab <- paste(mylab,' (',sep='')
mylab <- paste(mylab,round(1/r$freq[i],4),sep='')
mylab <- paste(mylab,')',sep='')
a<-table.element(a,mylab,header=TRUE)
a<-table.element(a,round(r$spec[i],6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable.tab')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code