Free Statistics

of Irreproducible Research!

Author's title

Author*The author of this computation has been verified*
R Software Modulerwasp_autocorrelation.wasp
Title produced by software(Partial) Autocorrelation Function
Date of computationTue, 09 Dec 2008 03:08:43 -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/09/t12288174176p61vncdgi4v6sp.htm/, Retrieved Sun, 19 May 2024 11:13:28 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=31248, Retrieved Sun, 19 May 2024 11:13:28 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact176
Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
-     [Univariate Data Series] [data set] [2008-12-01 19:54:57] [b98453cac15ba1066b407e146608df68]
F RMP   [(Partial) Autocorrelation Function] [(P)ACF] [2008-12-09 10:03:45] [abc1badd8768b83426be5031c0f123a6]
F   P       [(Partial) Autocorrelation Function] [(P)ACF 2] [2008-12-09 10:08:43] [0bb3b56b7083c5944c3818446f605d68] [Current]
Feedback Forum
2008-12-10 17:00:07 [Natalie De Wilde] [reply
Goed, de seizoenale trend is inderdaad verdwenen. Het seizoenale patroon ook , maar er is toch nog een klein beetje een patroon in te zien, op en neer gaand. Misschien zijn de waarden voor D en d toch niet helemaal goed.
2008-12-10 19:45:44 [Natalie De Wilde] [reply
step 3: je hebt hier geen uitleg gegeven. Door D en d gelijk te stellen aan 1 zijn door seizoenale en niet-seizoenale transformatie, de lange termijn trend en het seizoenale patroon min of meer verdwenen.
2008-12-10 19:53:48 [Natalie De Wilde] [reply
step 4: Bij ACF: de eerste 4 à 5 coefficienten hebben allemaal samen een snel dalend patroon. Er is geen seizoenale trend te zien, er is geen sprake van een seizoenaal AR proces. P = 0. Bij PACF: de eerste en tweede coefficient zijn significant, als we trekken aan de derde, hebben we AR(3), misschien moeten we dit nog aanpassen naar AR(2). Voorlopig stellen we p=3.
Om MA af te lezen kijken we naar PACF, er is geen lange termijn trend te zien. We zien wel bij 12,24,36,48 zien we dat er negatieve coefficienten zijn. Bij ACF is alleen 12 significant. Q=1. Er is hier een MA(1) proces.
Er kan een voorlopige vergelijking opgesteld worden met p=3, P=0, q=0 en Q=1.
2008-12-11 18:43:03 [Loïque Verhasselt] [reply
Via ACF: Het is niet de bedoeling om de eerste tabel toe te voegen aan de output, deze heeft niet veel nut. Waarvoor staat de ACF?De autocorrelatie functie geeft alle scatterplots weer van ≠ perioden vertraagd met de correlatie. Er is duidelijk een lange termijn trend en een seizoenale trend aanwezig. Deze zien we aan de dalende pieken op lag 12,24,36,48,60. We zien ook duidelijk dat alle correlaties positief zijn en dus significant verschillen van 0.
2008-12-11 18:53:06 [Loïque Verhasselt] [reply
Step3: Het was hier de bedoeling om de voorwaarden van stationariteit te controleren via het spectrum en via de ACF. De student geeft alleen maar de output.Wanneer een reeks stationair is, moet ze voldoen aan twee voorwaarden:Eerste voorwaarde: de tijdreeks mag niet geïntegreerd zijn.
Dit wil zeggen dat de ACF (Auto Correlation Function) geen langzaam dalende
niet - seizoenale autocorrelatiecoëfficiënten of seizoenale autocorrelatiecoëfficiënten mag bevatten.Dit impliceert eveneens dat het spectrum geen aanwijzing geeft van (sterke) cyclische golven van lage frequentie (lange periodes)of het spectrum geen (sterke) cyclische golven van seizoenale frequentie vertoont.Tweede voorwaarde: de meest waarschijnlijke verandering door toeval is constant over de tijd. Dit betekent een constante standaardfout over de ganse tijdreeks. Dit impliceert een constante spreiding. Deze conditie is nodig om gemakkelijk te kunnen differentiëren tussen veranderingen te wijten aan toeval, en veranderingen die toegeschreven kunnen worden aan exogene factoren.De eerste voorwaarde is zoals gezegd in step 3, niet voldaan. De tijdreeks vertoont nog seizoenaliteit door de cyclusgebondenheid van werkloosheid.
De tweede voorwaarde is wel voldaan. We hebben door middel van de gevonden lambda - waarde in step 1 de spreiding constant gemaakt. De betrouwbare p – waarde zegt ons dat de regressie helling niet aan het toeval te wijten is, en zo dus significant is.
2008-12-11 18:53:54 [Loïque Verhasselt] [reply
Step4: De student geeft direct de conclusie zonder te verwijzen naar de theoretische patronen van de (S)AR en de (S)MA.De ACF kent enkele typische patronen waardoor we gemakkelijk een AR of een MA-proces kunnen vaststellen. Voor een AR proces kijken we naar de ACF. Wanneer deze een typisch patroon omvat voor een AR -proces gaan we kijken naar de PACF om de orde te bepalen. Daar moeten we kijken naar hoeveel staafjes er buiten het betrouwbaarheidsinterval liggen.We gaan dit patroon van de eerste 5 coëfficiënten onderzoeken. De eerste niet meegerekend omdat deze op lag 0 staat en niet meetelt. We bekijken de volgende 4. Als we aan het staafje van lag 1 een beetje zouden trekken naar boven krijgen we een patroon dat overeenkomt met een AR –proces. De seizoenale AR krijgt de letter P toegekend, de niet-seizoenale AR de letter p. We zien duidelijk dat de ACF eerste 5 coëfficiënten overeenkomen met de linkse patroon van het theoretische AR-patroon. We bepalen nu de orde door naar de partiële autocorrelatie functie te gaan kijken en hierbij hoeveel coëfficiënten er significant verschillend zijn van 0.We zien hier dat er 2 significant verschillend zijn van 0 maar als we aan de derde zouden trekken krijgen we een AR(3) proces. We kunnen onze parameter p dus al gelijk stellen aan 3 (p=3).
We gaan nu kijken of er een seizoenale AR of SAR aanwezig is. We onderzoeken in de ACF of er op lag 12,24,36 een trend waar te nemen is die overeenkomt met de theoretische patronen. We zien duidelijk geen patroon wat wil zeggen dat er geen seizoenaliteit aanwezig is in de ACF. Hierdoor krijgt onze parameter P van de SAR een orde 0 => P=0.
We onderzoeken nu of we te maken hebben met een MA –proces. Voor een MA proces te vinden draaien we de rollen om. Hier kijken we eerst naar de PACF. Dit is de partiële ACF, die alle coëfficiënten onafhankelijk van elkaar weergeeft. Wanneer de PACF een typisch patroon weergeeft moeten we gaan kijken op de ACF of er staafjes buiten het betrouwbaarheidsinterval liggen. De hoeveelheid geeft de orde van het MA -proces weer. De seizoenale MA krijgt de letter Q toegekend, de niet-seizoenale de letter q. We zien in de PACF totaal geen patroon dat overeenstemt. Daarom besluiten we dat de parameter van de MA gelijk wordt aan 0=> q=0.Nu gaan we de seizoenale MA of SMA patronen onderzoeken. Dit op lag 12,24,36 in de PACF. We zien hier duidelijk het patroon van de MA –proces, het linkse patroon. Dat volledig negatief is en stijgt! We gaan nu de orde van het SMA –proces onderzoeken. We zien duidelijk dat alleen de coëfficiënt op lag 12 significant verschillend is van 0. We hebben dus hier te maken met een SMA(1) –proces => Q=1.Samenvattend hebben we : p=3 , P=0 , q=0 , Q=1. De student vergeet dit ook aan te tonen met het cumulatieve periodogram.Om ARMA processen te identificeren via het spectrum gebruikt men de stationaire output van het cumulatie periodogram. De vuistregel zegt dat een afwijking aan de rechterbovenkant van de diagonaal = MA en een afwijking aan de linkeronderkant van de diagonaal = AR.We zien dus duidelijk een afwijking aan de linkeronderkant van de diagonaal dat inderdaad wijst op een AR proces!
2008-12-15 17:47:38 [Anna Hayan] [reply
De PACF grafiek toont geen MA proces, q=0, de seizoenale componenten zijn negatief, Q=1, er is een SAR proces zichtbaar.


Post a new message
Dataseries X:
235.1
280.7
264.6
240.7
201.4
240.8
241.1
223.8
206.1
174.7
203.3
220.5
299.5
347.4
338.3
327.7
351.6
396.6
438.8
395.6
363.5
378.8
357
369
464.8
479.1
431.3
366.5
326.3
355.1
331.6
261.3
249
205.5
235.6
240.9
264.9
253.8
232.3
193.8
177
213.2
207.2
180.6
188.6
175.4
199
179.6
225.8
234
200.2
183.6
178.2
203.2
208.5
191.8
172.8
148
159.4
154.5
213.2
196.4
182.8
176.4
153.6
173.2
171
151.2
161.9
157.2
201.7
236.4
356.1
398.3
403.7
384.6
365.8
368.1
367.9
347
343.3
292.9
311.5
300.9
366.9
356.9
329.7
316.2
269
289.3
266.2
253.6
233.8
228.4
253.6
260.1
306.6
309.2
309.5
271
279.9
317.9
298.4
246.7
227.3
209.1
259.9
266
320.6
308.5
282.2
262.7
263.5
313.1
284.3
252.6
250.3
246.5
312.7
333.2
446.4
511.6
515.5
506.4
483.2
522.3
509.8
460.7
405.8
375
378.5
406.8
467.8
469.8
429.8
355.8
332.7
378
360.5
334.7
319.5
323.1
363.6
352.1
411.9
388.6
416.4
360.7
338
417.2
388.4
371.1
331.5
353.7
396.7
447
533.5
565.4
542.3
488.7
467.1
531.3
496.1
444
403.4
386.3
394.1
404.1
462.1
448.1
432.3
386.3
395.2
421.9
382.9
384.2
345.5
323.4
372.6
376
462.7
487
444.2
399.3
394.9
455.4
414
375.5
347
339.4
385.8
378.8
451.8
446.1
422.5
383.1
352.8
445.3
367.5
355.1
326.2
319.8
331.8
340.9
394.1
417.2
369.9
349.2
321.4
405.7
342.9
316.5
284.2
270.9
288.8
278.8
324.4
310.9
299
273
279.3
359.2
305
282.1
250.3
246.5
257.9
266.5
315.9
318.4
295.4
266.4
245.8
362.8
324.9
294.2
289.5
295.2
290.3
272
307.4
328.7
292.9
249.1
230.4
361.5
321.7
277.2
260.7
251
257.6
241.8
287.5
292.3
274.7
254.2
230
339
318.2
287
295.8
284
271
262.7
340.6
379.4
373.3
355.2
338.4
466.9
451
422
429.2
425.9
460.7
463.6
541.4
544.2
517.5
469.4
439.4
549
533
506.1
484
457
481.5
469.5
544.7
541.2
521.5
469.7
434.4
542.6
517.3
485.7
465.8
447
426.6
411.6
467.5
484.5
451.2
417.4
379.9
484.7
455
420.8
416.5
376.3
405.6
405.8
500.8
514
475.5
430.1
414.4
538
526
488.5
520.2
504.4
568.5
610.6
818
830.9
835.9
782
762.3
856.9
820.9
769.6
752.2
724.4
723.1
719.5
817.4
803.3
752.5
689
630.4
765.5
757.7
732.2
702.6
683.3
709.5
702.2
784.8
810.9
755.6
656.8
615.1
745.3
694.1
675.7
643.7
622.1
634.6
588
689.7
673.9
647.9
568.8
545.7
632.6
643.8
593.1
579.7
546
562.9
572.5




Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 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=31248&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=31248&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31248&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 Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135







Autocorrelation Function
Time lag kACF(k)T-STATP-value
10.2101413.98164.1e-05
20.3251316.16030
30.1532752.90410.001955
40.1672523.1690.000831
50.0991561.87870.030545
60.0645131.22230.111191
7-0.057203-1.08380.13958
8-0.023244-0.44040.329956
9-0.085115-1.61270.053845
10-0.168424-3.19120.000771
11-0.075939-1.43880.075533
12-0.475334-9.00630
13-0.179215-3.39560.000381
14-0.162819-3.0850.001097
15-0.106644-2.02060.02203
16-0.147945-2.80320.002668
17-0.091478-1.73330.041954
18-0.089745-1.70040.044958
190.0273280.51780.302458
20-0.012913-0.24470.403425
210.0241990.45850.323437
22-0.018741-0.35510.361367
230.0095670.18130.42813
24-0.022226-0.42110.336957
250.0919741.74270.041125
26-0.045751-0.86680.193302
27-0.014979-0.28380.388362
280.0344830.65340.256968
290.0814741.54370.061769
300.0121170.22960.409275
310.0255520.48410.31429
32-0.054477-1.03220.151339
330.0086490.16390.434964
340.0161160.30540.380134
35-0.058412-1.10670.134573
36-0.022491-0.42610.335132
37-0.120582-2.28470.011456
380.0149740.28370.388394
39-0.025852-0.48980.312276
40-0.027437-0.51990.301741
41-0.10329-1.95710.025557
42-0.019216-0.36410.358002
43-0.134731-2.55280.00555
440.0030170.05720.477223
45-0.055783-1.05690.145624
460.0122860.23280.408029
470.0203670.38590.3499
480.1078962.04430.020825
490.1324432.50940.006266
500.1007761.90940.028501
510.0743631.4090.079853
520.0990641.8770.030665
530.1190782.25620.01233
540.0610261.15630.12417
550.1373932.60320.004809
560.0528911.00210.158474
570.0429540.81390.208131
580.039930.75660.224901
590.0675731.28030.100629
60-0.029187-0.5530.2903

\begin{tabular}{lllllllll}
\hline
Autocorrelation Function \tabularnewline
Time lag k & ACF(k) & T-STAT & P-value \tabularnewline
1 & 0.210141 & 3.9816 & 4.1e-05 \tabularnewline
2 & 0.325131 & 6.1603 & 0 \tabularnewline
3 & 0.153275 & 2.9041 & 0.001955 \tabularnewline
4 & 0.167252 & 3.169 & 0.000831 \tabularnewline
5 & 0.099156 & 1.8787 & 0.030545 \tabularnewline
6 & 0.064513 & 1.2223 & 0.111191 \tabularnewline
7 & -0.057203 & -1.0838 & 0.13958 \tabularnewline
8 & -0.023244 & -0.4404 & 0.329956 \tabularnewline
9 & -0.085115 & -1.6127 & 0.053845 \tabularnewline
10 & -0.168424 & -3.1912 & 0.000771 \tabularnewline
11 & -0.075939 & -1.4388 & 0.075533 \tabularnewline
12 & -0.475334 & -9.0063 & 0 \tabularnewline
13 & -0.179215 & -3.3956 & 0.000381 \tabularnewline
14 & -0.162819 & -3.085 & 0.001097 \tabularnewline
15 & -0.106644 & -2.0206 & 0.02203 \tabularnewline
16 & -0.147945 & -2.8032 & 0.002668 \tabularnewline
17 & -0.091478 & -1.7333 & 0.041954 \tabularnewline
18 & -0.089745 & -1.7004 & 0.044958 \tabularnewline
19 & 0.027328 & 0.5178 & 0.302458 \tabularnewline
20 & -0.012913 & -0.2447 & 0.403425 \tabularnewline
21 & 0.024199 & 0.4585 & 0.323437 \tabularnewline
22 & -0.018741 & -0.3551 & 0.361367 \tabularnewline
23 & 0.009567 & 0.1813 & 0.42813 \tabularnewline
24 & -0.022226 & -0.4211 & 0.336957 \tabularnewline
25 & 0.091974 & 1.7427 & 0.041125 \tabularnewline
26 & -0.045751 & -0.8668 & 0.193302 \tabularnewline
27 & -0.014979 & -0.2838 & 0.388362 \tabularnewline
28 & 0.034483 & 0.6534 & 0.256968 \tabularnewline
29 & 0.081474 & 1.5437 & 0.061769 \tabularnewline
30 & 0.012117 & 0.2296 & 0.409275 \tabularnewline
31 & 0.025552 & 0.4841 & 0.31429 \tabularnewline
32 & -0.054477 & -1.0322 & 0.151339 \tabularnewline
33 & 0.008649 & 0.1639 & 0.434964 \tabularnewline
34 & 0.016116 & 0.3054 & 0.380134 \tabularnewline
35 & -0.058412 & -1.1067 & 0.134573 \tabularnewline
36 & -0.022491 & -0.4261 & 0.335132 \tabularnewline
37 & -0.120582 & -2.2847 & 0.011456 \tabularnewline
38 & 0.014974 & 0.2837 & 0.388394 \tabularnewline
39 & -0.025852 & -0.4898 & 0.312276 \tabularnewline
40 & -0.027437 & -0.5199 & 0.301741 \tabularnewline
41 & -0.10329 & -1.9571 & 0.025557 \tabularnewline
42 & -0.019216 & -0.3641 & 0.358002 \tabularnewline
43 & -0.134731 & -2.5528 & 0.00555 \tabularnewline
44 & 0.003017 & 0.0572 & 0.477223 \tabularnewline
45 & -0.055783 & -1.0569 & 0.145624 \tabularnewline
46 & 0.012286 & 0.2328 & 0.408029 \tabularnewline
47 & 0.020367 & 0.3859 & 0.3499 \tabularnewline
48 & 0.107896 & 2.0443 & 0.020825 \tabularnewline
49 & 0.132443 & 2.5094 & 0.006266 \tabularnewline
50 & 0.100776 & 1.9094 & 0.028501 \tabularnewline
51 & 0.074363 & 1.409 & 0.079853 \tabularnewline
52 & 0.099064 & 1.877 & 0.030665 \tabularnewline
53 & 0.119078 & 2.2562 & 0.01233 \tabularnewline
54 & 0.061026 & 1.1563 & 0.12417 \tabularnewline
55 & 0.137393 & 2.6032 & 0.004809 \tabularnewline
56 & 0.052891 & 1.0021 & 0.158474 \tabularnewline
57 & 0.042954 & 0.8139 & 0.208131 \tabularnewline
58 & 0.03993 & 0.7566 & 0.224901 \tabularnewline
59 & 0.067573 & 1.2803 & 0.100629 \tabularnewline
60 & -0.029187 & -0.553 & 0.2903 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31248&T=1

[TABLE]
[ROW][C]Autocorrelation Function[/C][/ROW]
[ROW][C]Time lag k[/C][C]ACF(k)[/C][C]T-STAT[/C][C]P-value[/C][/ROW]
[ROW][C]1[/C][C]0.210141[/C][C]3.9816[/C][C]4.1e-05[/C][/ROW]
[ROW][C]2[/C][C]0.325131[/C][C]6.1603[/C][C]0[/C][/ROW]
[ROW][C]3[/C][C]0.153275[/C][C]2.9041[/C][C]0.001955[/C][/ROW]
[ROW][C]4[/C][C]0.167252[/C][C]3.169[/C][C]0.000831[/C][/ROW]
[ROW][C]5[/C][C]0.099156[/C][C]1.8787[/C][C]0.030545[/C][/ROW]
[ROW][C]6[/C][C]0.064513[/C][C]1.2223[/C][C]0.111191[/C][/ROW]
[ROW][C]7[/C][C]-0.057203[/C][C]-1.0838[/C][C]0.13958[/C][/ROW]
[ROW][C]8[/C][C]-0.023244[/C][C]-0.4404[/C][C]0.329956[/C][/ROW]
[ROW][C]9[/C][C]-0.085115[/C][C]-1.6127[/C][C]0.053845[/C][/ROW]
[ROW][C]10[/C][C]-0.168424[/C][C]-3.1912[/C][C]0.000771[/C][/ROW]
[ROW][C]11[/C][C]-0.075939[/C][C]-1.4388[/C][C]0.075533[/C][/ROW]
[ROW][C]12[/C][C]-0.475334[/C][C]-9.0063[/C][C]0[/C][/ROW]
[ROW][C]13[/C][C]-0.179215[/C][C]-3.3956[/C][C]0.000381[/C][/ROW]
[ROW][C]14[/C][C]-0.162819[/C][C]-3.085[/C][C]0.001097[/C][/ROW]
[ROW][C]15[/C][C]-0.106644[/C][C]-2.0206[/C][C]0.02203[/C][/ROW]
[ROW][C]16[/C][C]-0.147945[/C][C]-2.8032[/C][C]0.002668[/C][/ROW]
[ROW][C]17[/C][C]-0.091478[/C][C]-1.7333[/C][C]0.041954[/C][/ROW]
[ROW][C]18[/C][C]-0.089745[/C][C]-1.7004[/C][C]0.044958[/C][/ROW]
[ROW][C]19[/C][C]0.027328[/C][C]0.5178[/C][C]0.302458[/C][/ROW]
[ROW][C]20[/C][C]-0.012913[/C][C]-0.2447[/C][C]0.403425[/C][/ROW]
[ROW][C]21[/C][C]0.024199[/C][C]0.4585[/C][C]0.323437[/C][/ROW]
[ROW][C]22[/C][C]-0.018741[/C][C]-0.3551[/C][C]0.361367[/C][/ROW]
[ROW][C]23[/C][C]0.009567[/C][C]0.1813[/C][C]0.42813[/C][/ROW]
[ROW][C]24[/C][C]-0.022226[/C][C]-0.4211[/C][C]0.336957[/C][/ROW]
[ROW][C]25[/C][C]0.091974[/C][C]1.7427[/C][C]0.041125[/C][/ROW]
[ROW][C]26[/C][C]-0.045751[/C][C]-0.8668[/C][C]0.193302[/C][/ROW]
[ROW][C]27[/C][C]-0.014979[/C][C]-0.2838[/C][C]0.388362[/C][/ROW]
[ROW][C]28[/C][C]0.034483[/C][C]0.6534[/C][C]0.256968[/C][/ROW]
[ROW][C]29[/C][C]0.081474[/C][C]1.5437[/C][C]0.061769[/C][/ROW]
[ROW][C]30[/C][C]0.012117[/C][C]0.2296[/C][C]0.409275[/C][/ROW]
[ROW][C]31[/C][C]0.025552[/C][C]0.4841[/C][C]0.31429[/C][/ROW]
[ROW][C]32[/C][C]-0.054477[/C][C]-1.0322[/C][C]0.151339[/C][/ROW]
[ROW][C]33[/C][C]0.008649[/C][C]0.1639[/C][C]0.434964[/C][/ROW]
[ROW][C]34[/C][C]0.016116[/C][C]0.3054[/C][C]0.380134[/C][/ROW]
[ROW][C]35[/C][C]-0.058412[/C][C]-1.1067[/C][C]0.134573[/C][/ROW]
[ROW][C]36[/C][C]-0.022491[/C][C]-0.4261[/C][C]0.335132[/C][/ROW]
[ROW][C]37[/C][C]-0.120582[/C][C]-2.2847[/C][C]0.011456[/C][/ROW]
[ROW][C]38[/C][C]0.014974[/C][C]0.2837[/C][C]0.388394[/C][/ROW]
[ROW][C]39[/C][C]-0.025852[/C][C]-0.4898[/C][C]0.312276[/C][/ROW]
[ROW][C]40[/C][C]-0.027437[/C][C]-0.5199[/C][C]0.301741[/C][/ROW]
[ROW][C]41[/C][C]-0.10329[/C][C]-1.9571[/C][C]0.025557[/C][/ROW]
[ROW][C]42[/C][C]-0.019216[/C][C]-0.3641[/C][C]0.358002[/C][/ROW]
[ROW][C]43[/C][C]-0.134731[/C][C]-2.5528[/C][C]0.00555[/C][/ROW]
[ROW][C]44[/C][C]0.003017[/C][C]0.0572[/C][C]0.477223[/C][/ROW]
[ROW][C]45[/C][C]-0.055783[/C][C]-1.0569[/C][C]0.145624[/C][/ROW]
[ROW][C]46[/C][C]0.012286[/C][C]0.2328[/C][C]0.408029[/C][/ROW]
[ROW][C]47[/C][C]0.020367[/C][C]0.3859[/C][C]0.3499[/C][/ROW]
[ROW][C]48[/C][C]0.107896[/C][C]2.0443[/C][C]0.020825[/C][/ROW]
[ROW][C]49[/C][C]0.132443[/C][C]2.5094[/C][C]0.006266[/C][/ROW]
[ROW][C]50[/C][C]0.100776[/C][C]1.9094[/C][C]0.028501[/C][/ROW]
[ROW][C]51[/C][C]0.074363[/C][C]1.409[/C][C]0.079853[/C][/ROW]
[ROW][C]52[/C][C]0.099064[/C][C]1.877[/C][C]0.030665[/C][/ROW]
[ROW][C]53[/C][C]0.119078[/C][C]2.2562[/C][C]0.01233[/C][/ROW]
[ROW][C]54[/C][C]0.061026[/C][C]1.1563[/C][C]0.12417[/C][/ROW]
[ROW][C]55[/C][C]0.137393[/C][C]2.6032[/C][C]0.004809[/C][/ROW]
[ROW][C]56[/C][C]0.052891[/C][C]1.0021[/C][C]0.158474[/C][/ROW]
[ROW][C]57[/C][C]0.042954[/C][C]0.8139[/C][C]0.208131[/C][/ROW]
[ROW][C]58[/C][C]0.03993[/C][C]0.7566[/C][C]0.224901[/C][/ROW]
[ROW][C]59[/C][C]0.067573[/C][C]1.2803[/C][C]0.100629[/C][/ROW]
[ROW][C]60[/C][C]-0.029187[/C][C]-0.553[/C][C]0.2903[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31248&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31248&T=1

As an alternative you can also use a QR Code:  

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

Autocorrelation Function
Time lag kACF(k)T-STATP-value
10.2101413.98164.1e-05
20.3251316.16030
30.1532752.90410.001955
40.1672523.1690.000831
50.0991561.87870.030545
60.0645131.22230.111191
7-0.057203-1.08380.13958
8-0.023244-0.44040.329956
9-0.085115-1.61270.053845
10-0.168424-3.19120.000771
11-0.075939-1.43880.075533
12-0.475334-9.00630
13-0.179215-3.39560.000381
14-0.162819-3.0850.001097
15-0.106644-2.02060.02203
16-0.147945-2.80320.002668
17-0.091478-1.73330.041954
18-0.089745-1.70040.044958
190.0273280.51780.302458
20-0.012913-0.24470.403425
210.0241990.45850.323437
22-0.018741-0.35510.361367
230.0095670.18130.42813
24-0.022226-0.42110.336957
250.0919741.74270.041125
26-0.045751-0.86680.193302
27-0.014979-0.28380.388362
280.0344830.65340.256968
290.0814741.54370.061769
300.0121170.22960.409275
310.0255520.48410.31429
32-0.054477-1.03220.151339
330.0086490.16390.434964
340.0161160.30540.380134
35-0.058412-1.10670.134573
36-0.022491-0.42610.335132
37-0.120582-2.28470.011456
380.0149740.28370.388394
39-0.025852-0.48980.312276
40-0.027437-0.51990.301741
41-0.10329-1.95710.025557
42-0.019216-0.36410.358002
43-0.134731-2.55280.00555
440.0030170.05720.477223
45-0.055783-1.05690.145624
460.0122860.23280.408029
470.0203670.38590.3499
480.1078962.04430.020825
490.1324432.50940.006266
500.1007761.90940.028501
510.0743631.4090.079853
520.0990641.8770.030665
530.1190782.25620.01233
540.0610261.15630.12417
550.1373932.60320.004809
560.0528911.00210.158474
570.0429540.81390.208131
580.039930.75660.224901
590.0675731.28030.100629
60-0.029187-0.5530.2903







Partial Autocorrelation Function
Time lag kPACF(k)T-STATP-value
10.2101413.98164.1e-05
20.2939525.56960
30.0495440.93870.174253
40.0495340.93850.174302
50.0127410.24140.404686
6-0.02095-0.39690.34582
7-0.124687-2.36250.009343
8-0.032709-0.61970.267912
9-0.045438-0.86090.194928
10-0.146092-2.7680.002966
110.0236310.44770.327306
12-0.42914-8.1310
13-0.0237-0.4490.326836
140.1508892.85890.002249
150.0297910.56450.286395
16-0.044612-0.84530.199257
17-0.012037-0.22810.40986
180.0046480.08810.464938
190.0113030.21420.415271
200.0098230.18610.426229
21-0.009818-0.1860.426268
22-0.15669-2.96890.001595
230.0121730.23060.408859
24-0.273087-5.17430
250.0532161.00830.156993
26-0.005528-0.10470.458322
27-0.053682-1.01710.15489
280.0462750.87680.190593
290.0910761.72560.042637
30-0.041044-0.77770.218636
310.0234520.44440.328528
32-0.066214-1.25460.105224
33-0.006987-0.13240.447376
34-0.075688-1.43410.076211
35-0.076212-1.4440.074803
36-0.234257-4.43856e-06
37-0.079056-1.49790.06752
380.0580531.09990.136046
39-0.065149-1.23440.108931
40-0.007132-0.13510.44629
410.0263770.49980.308768
42-0.0345-0.65370.256866
43-0.105199-1.99320.023496
44-0.043345-0.82130.20602
450.0086850.16460.434693
46-0.002039-0.03860.484604
47-0.029957-0.56760.285328
48-0.043935-0.83250.202852
490.0209810.39750.345603
500.0335180.63510.26289
51-0.048425-0.91750.17974
520.0202570.38380.350674
530.0172980.32770.371649
54-0.079249-1.50160.067046
550.0036890.06990.472155
56-0.027055-0.51260.304266
57-0.068417-1.29630.097849
580.0466520.88390.188663
590.0414090.78460.216604
60-0.038067-0.72130.235608

\begin{tabular}{lllllllll}
\hline
Partial Autocorrelation Function \tabularnewline
Time lag k & PACF(k) & T-STAT & P-value \tabularnewline
1 & 0.210141 & 3.9816 & 4.1e-05 \tabularnewline
2 & 0.293952 & 5.5696 & 0 \tabularnewline
3 & 0.049544 & 0.9387 & 0.174253 \tabularnewline
4 & 0.049534 & 0.9385 & 0.174302 \tabularnewline
5 & 0.012741 & 0.2414 & 0.404686 \tabularnewline
6 & -0.02095 & -0.3969 & 0.34582 \tabularnewline
7 & -0.124687 & -2.3625 & 0.009343 \tabularnewline
8 & -0.032709 & -0.6197 & 0.267912 \tabularnewline
9 & -0.045438 & -0.8609 & 0.194928 \tabularnewline
10 & -0.146092 & -2.768 & 0.002966 \tabularnewline
11 & 0.023631 & 0.4477 & 0.327306 \tabularnewline
12 & -0.42914 & -8.131 & 0 \tabularnewline
13 & -0.0237 & -0.449 & 0.326836 \tabularnewline
14 & 0.150889 & 2.8589 & 0.002249 \tabularnewline
15 & 0.029791 & 0.5645 & 0.286395 \tabularnewline
16 & -0.044612 & -0.8453 & 0.199257 \tabularnewline
17 & -0.012037 & -0.2281 & 0.40986 \tabularnewline
18 & 0.004648 & 0.0881 & 0.464938 \tabularnewline
19 & 0.011303 & 0.2142 & 0.415271 \tabularnewline
20 & 0.009823 & 0.1861 & 0.426229 \tabularnewline
21 & -0.009818 & -0.186 & 0.426268 \tabularnewline
22 & -0.15669 & -2.9689 & 0.001595 \tabularnewline
23 & 0.012173 & 0.2306 & 0.408859 \tabularnewline
24 & -0.273087 & -5.1743 & 0 \tabularnewline
25 & 0.053216 & 1.0083 & 0.156993 \tabularnewline
26 & -0.005528 & -0.1047 & 0.458322 \tabularnewline
27 & -0.053682 & -1.0171 & 0.15489 \tabularnewline
28 & 0.046275 & 0.8768 & 0.190593 \tabularnewline
29 & 0.091076 & 1.7256 & 0.042637 \tabularnewline
30 & -0.041044 & -0.7777 & 0.218636 \tabularnewline
31 & 0.023452 & 0.4444 & 0.328528 \tabularnewline
32 & -0.066214 & -1.2546 & 0.105224 \tabularnewline
33 & -0.006987 & -0.1324 & 0.447376 \tabularnewline
34 & -0.075688 & -1.4341 & 0.076211 \tabularnewline
35 & -0.076212 & -1.444 & 0.074803 \tabularnewline
36 & -0.234257 & -4.4385 & 6e-06 \tabularnewline
37 & -0.079056 & -1.4979 & 0.06752 \tabularnewline
38 & 0.058053 & 1.0999 & 0.136046 \tabularnewline
39 & -0.065149 & -1.2344 & 0.108931 \tabularnewline
40 & -0.007132 & -0.1351 & 0.44629 \tabularnewline
41 & 0.026377 & 0.4998 & 0.308768 \tabularnewline
42 & -0.0345 & -0.6537 & 0.256866 \tabularnewline
43 & -0.105199 & -1.9932 & 0.023496 \tabularnewline
44 & -0.043345 & -0.8213 & 0.20602 \tabularnewline
45 & 0.008685 & 0.1646 & 0.434693 \tabularnewline
46 & -0.002039 & -0.0386 & 0.484604 \tabularnewline
47 & -0.029957 & -0.5676 & 0.285328 \tabularnewline
48 & -0.043935 & -0.8325 & 0.202852 \tabularnewline
49 & 0.020981 & 0.3975 & 0.345603 \tabularnewline
50 & 0.033518 & 0.6351 & 0.26289 \tabularnewline
51 & -0.048425 & -0.9175 & 0.17974 \tabularnewline
52 & 0.020257 & 0.3838 & 0.350674 \tabularnewline
53 & 0.017298 & 0.3277 & 0.371649 \tabularnewline
54 & -0.079249 & -1.5016 & 0.067046 \tabularnewline
55 & 0.003689 & 0.0699 & 0.472155 \tabularnewline
56 & -0.027055 & -0.5126 & 0.304266 \tabularnewline
57 & -0.068417 & -1.2963 & 0.097849 \tabularnewline
58 & 0.046652 & 0.8839 & 0.188663 \tabularnewline
59 & 0.041409 & 0.7846 & 0.216604 \tabularnewline
60 & -0.038067 & -0.7213 & 0.235608 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31248&T=2

[TABLE]
[ROW][C]Partial Autocorrelation Function[/C][/ROW]
[ROW][C]Time lag k[/C][C]PACF(k)[/C][C]T-STAT[/C][C]P-value[/C][/ROW]
[ROW][C]1[/C][C]0.210141[/C][C]3.9816[/C][C]4.1e-05[/C][/ROW]
[ROW][C]2[/C][C]0.293952[/C][C]5.5696[/C][C]0[/C][/ROW]
[ROW][C]3[/C][C]0.049544[/C][C]0.9387[/C][C]0.174253[/C][/ROW]
[ROW][C]4[/C][C]0.049534[/C][C]0.9385[/C][C]0.174302[/C][/ROW]
[ROW][C]5[/C][C]0.012741[/C][C]0.2414[/C][C]0.404686[/C][/ROW]
[ROW][C]6[/C][C]-0.02095[/C][C]-0.3969[/C][C]0.34582[/C][/ROW]
[ROW][C]7[/C][C]-0.124687[/C][C]-2.3625[/C][C]0.009343[/C][/ROW]
[ROW][C]8[/C][C]-0.032709[/C][C]-0.6197[/C][C]0.267912[/C][/ROW]
[ROW][C]9[/C][C]-0.045438[/C][C]-0.8609[/C][C]0.194928[/C][/ROW]
[ROW][C]10[/C][C]-0.146092[/C][C]-2.768[/C][C]0.002966[/C][/ROW]
[ROW][C]11[/C][C]0.023631[/C][C]0.4477[/C][C]0.327306[/C][/ROW]
[ROW][C]12[/C][C]-0.42914[/C][C]-8.131[/C][C]0[/C][/ROW]
[ROW][C]13[/C][C]-0.0237[/C][C]-0.449[/C][C]0.326836[/C][/ROW]
[ROW][C]14[/C][C]0.150889[/C][C]2.8589[/C][C]0.002249[/C][/ROW]
[ROW][C]15[/C][C]0.029791[/C][C]0.5645[/C][C]0.286395[/C][/ROW]
[ROW][C]16[/C][C]-0.044612[/C][C]-0.8453[/C][C]0.199257[/C][/ROW]
[ROW][C]17[/C][C]-0.012037[/C][C]-0.2281[/C][C]0.40986[/C][/ROW]
[ROW][C]18[/C][C]0.004648[/C][C]0.0881[/C][C]0.464938[/C][/ROW]
[ROW][C]19[/C][C]0.011303[/C][C]0.2142[/C][C]0.415271[/C][/ROW]
[ROW][C]20[/C][C]0.009823[/C][C]0.1861[/C][C]0.426229[/C][/ROW]
[ROW][C]21[/C][C]-0.009818[/C][C]-0.186[/C][C]0.426268[/C][/ROW]
[ROW][C]22[/C][C]-0.15669[/C][C]-2.9689[/C][C]0.001595[/C][/ROW]
[ROW][C]23[/C][C]0.012173[/C][C]0.2306[/C][C]0.408859[/C][/ROW]
[ROW][C]24[/C][C]-0.273087[/C][C]-5.1743[/C][C]0[/C][/ROW]
[ROW][C]25[/C][C]0.053216[/C][C]1.0083[/C][C]0.156993[/C][/ROW]
[ROW][C]26[/C][C]-0.005528[/C][C]-0.1047[/C][C]0.458322[/C][/ROW]
[ROW][C]27[/C][C]-0.053682[/C][C]-1.0171[/C][C]0.15489[/C][/ROW]
[ROW][C]28[/C][C]0.046275[/C][C]0.8768[/C][C]0.190593[/C][/ROW]
[ROW][C]29[/C][C]0.091076[/C][C]1.7256[/C][C]0.042637[/C][/ROW]
[ROW][C]30[/C][C]-0.041044[/C][C]-0.7777[/C][C]0.218636[/C][/ROW]
[ROW][C]31[/C][C]0.023452[/C][C]0.4444[/C][C]0.328528[/C][/ROW]
[ROW][C]32[/C][C]-0.066214[/C][C]-1.2546[/C][C]0.105224[/C][/ROW]
[ROW][C]33[/C][C]-0.006987[/C][C]-0.1324[/C][C]0.447376[/C][/ROW]
[ROW][C]34[/C][C]-0.075688[/C][C]-1.4341[/C][C]0.076211[/C][/ROW]
[ROW][C]35[/C][C]-0.076212[/C][C]-1.444[/C][C]0.074803[/C][/ROW]
[ROW][C]36[/C][C]-0.234257[/C][C]-4.4385[/C][C]6e-06[/C][/ROW]
[ROW][C]37[/C][C]-0.079056[/C][C]-1.4979[/C][C]0.06752[/C][/ROW]
[ROW][C]38[/C][C]0.058053[/C][C]1.0999[/C][C]0.136046[/C][/ROW]
[ROW][C]39[/C][C]-0.065149[/C][C]-1.2344[/C][C]0.108931[/C][/ROW]
[ROW][C]40[/C][C]-0.007132[/C][C]-0.1351[/C][C]0.44629[/C][/ROW]
[ROW][C]41[/C][C]0.026377[/C][C]0.4998[/C][C]0.308768[/C][/ROW]
[ROW][C]42[/C][C]-0.0345[/C][C]-0.6537[/C][C]0.256866[/C][/ROW]
[ROW][C]43[/C][C]-0.105199[/C][C]-1.9932[/C][C]0.023496[/C][/ROW]
[ROW][C]44[/C][C]-0.043345[/C][C]-0.8213[/C][C]0.20602[/C][/ROW]
[ROW][C]45[/C][C]0.008685[/C][C]0.1646[/C][C]0.434693[/C][/ROW]
[ROW][C]46[/C][C]-0.002039[/C][C]-0.0386[/C][C]0.484604[/C][/ROW]
[ROW][C]47[/C][C]-0.029957[/C][C]-0.5676[/C][C]0.285328[/C][/ROW]
[ROW][C]48[/C][C]-0.043935[/C][C]-0.8325[/C][C]0.202852[/C][/ROW]
[ROW][C]49[/C][C]0.020981[/C][C]0.3975[/C][C]0.345603[/C][/ROW]
[ROW][C]50[/C][C]0.033518[/C][C]0.6351[/C][C]0.26289[/C][/ROW]
[ROW][C]51[/C][C]-0.048425[/C][C]-0.9175[/C][C]0.17974[/C][/ROW]
[ROW][C]52[/C][C]0.020257[/C][C]0.3838[/C][C]0.350674[/C][/ROW]
[ROW][C]53[/C][C]0.017298[/C][C]0.3277[/C][C]0.371649[/C][/ROW]
[ROW][C]54[/C][C]-0.079249[/C][C]-1.5016[/C][C]0.067046[/C][/ROW]
[ROW][C]55[/C][C]0.003689[/C][C]0.0699[/C][C]0.472155[/C][/ROW]
[ROW][C]56[/C][C]-0.027055[/C][C]-0.5126[/C][C]0.304266[/C][/ROW]
[ROW][C]57[/C][C]-0.068417[/C][C]-1.2963[/C][C]0.097849[/C][/ROW]
[ROW][C]58[/C][C]0.046652[/C][C]0.8839[/C][C]0.188663[/C][/ROW]
[ROW][C]59[/C][C]0.041409[/C][C]0.7846[/C][C]0.216604[/C][/ROW]
[ROW][C]60[/C][C]-0.038067[/C][C]-0.7213[/C][C]0.235608[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31248&T=2

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31248&T=2

As an alternative you can also use a QR Code:  

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

Partial Autocorrelation Function
Time lag kPACF(k)T-STATP-value
10.2101413.98164.1e-05
20.2939525.56960
30.0495440.93870.174253
40.0495340.93850.174302
50.0127410.24140.404686
6-0.02095-0.39690.34582
7-0.124687-2.36250.009343
8-0.032709-0.61970.267912
9-0.045438-0.86090.194928
10-0.146092-2.7680.002966
110.0236310.44770.327306
12-0.42914-8.1310
13-0.0237-0.4490.326836
140.1508892.85890.002249
150.0297910.56450.286395
16-0.044612-0.84530.199257
17-0.012037-0.22810.40986
180.0046480.08810.464938
190.0113030.21420.415271
200.0098230.18610.426229
21-0.009818-0.1860.426268
22-0.15669-2.96890.001595
230.0121730.23060.408859
24-0.273087-5.17430
250.0532161.00830.156993
26-0.005528-0.10470.458322
27-0.053682-1.01710.15489
280.0462750.87680.190593
290.0910761.72560.042637
30-0.041044-0.77770.218636
310.0234520.44440.328528
32-0.066214-1.25460.105224
33-0.006987-0.13240.447376
34-0.075688-1.43410.076211
35-0.076212-1.4440.074803
36-0.234257-4.43856e-06
37-0.079056-1.49790.06752
380.0580531.09990.136046
39-0.065149-1.23440.108931
40-0.007132-0.13510.44629
410.0263770.49980.308768
42-0.0345-0.65370.256866
43-0.105199-1.99320.023496
44-0.043345-0.82130.20602
450.0086850.16460.434693
46-0.002039-0.03860.484604
47-0.029957-0.56760.285328
48-0.043935-0.83250.202852
490.0209810.39750.345603
500.0335180.63510.26289
51-0.048425-0.91750.17974
520.0202570.38380.350674
530.0172980.32770.371649
54-0.079249-1.50160.067046
550.0036890.06990.472155
56-0.027055-0.51260.304266
57-0.068417-1.29630.097849
580.0466520.88390.188663
590.0414090.78460.216604
60-0.038067-0.72130.235608



Parameters (Session):
par1 = 60 ; par2 = 1 ; par3 = 1 ; par4 = 1 ; par5 = 12 ;
Parameters (R input):
par1 = 60 ; par2 = 1 ; par3 = 1 ; par4 = 1 ; par5 = 12 ;
R code (references can be found in the software module):
if (par1 == 'Default') {
par1 = 10*log10(length(x))
} else {
par1 <- as.numeric(par1)
}
par2 <- as.numeric(par2)
par3 <- as.numeric(par3)
par4 <- as.numeric(par4)
par5 <- as.numeric(par5)
if (par2 == 0) {
x <- log(x)
} else {
x <- (x ^ par2 - 1) / par2
}
if (par3 > 0) x <- diff(x,lag=1,difference=par3)
if (par4 > 0) x <- diff(x,lag=par5,difference=par4)
bitmap(file='pic1.png')
racf <- acf(x,par1,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
bitmap(file='pic2.png')
rpacf <- pacf(x,par1,main='Partial Autocorrelation',xlab='lags',ylab='PACF')
dev.off()
(myacf <- c(racf$acf))
(mypacf <- c(rpacf$acf))
lengthx <- length(x)
sqrtn <- sqrt(lengthx)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Autocorrelation Function',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Time lag k',header=TRUE)
a<-table.element(a,hyperlink('basics.htm','ACF(k)','click here for more information about the Autocorrelation Function'),header=TRUE)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,'P-value',header=TRUE)
a<-table.row.end(a)
for (i in 2:(par1+1)) {
a<-table.row.start(a)
a<-table.element(a,i-1,header=TRUE)
a<-table.element(a,round(myacf[i],6))
mytstat <- myacf[i]*sqrtn
a<-table.element(a,round(mytstat,4))
a<-table.element(a,round(1-pt(abs(mytstat),lengthx),6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Partial Autocorrelation Function',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Time lag k',header=TRUE)
a<-table.element(a,hyperlink('basics.htm','PACF(k)','click here for more information about the Partial Autocorrelation Function'),header=TRUE)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,'P-value',header=TRUE)
a<-table.row.end(a)
for (i in 1:par1) {
a<-table.row.start(a)
a<-table.element(a,i,header=TRUE)
a<-table.element(a,round(mypacf[i],6))
mytstat <- mypacf[i]*sqrtn
a<-table.element(a,round(mytstat,4))
a<-table.element(a,round(1-pt(abs(mytstat),lengthx),6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable1.tab')