Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*The author of this computation has been verified*

R Software Module

rwasp_smp.wasp

Title produced by software

Standard Deviation-Mean Plot

Date of computation

Tue, 09 Dec 2008 11:51:56 -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/09/t1228848874jk18roqef36cjm3.htm/, Retrieved Sun, 19 May 2024 09:37:01 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=31694, Retrieved Sun, 19 May 2024 09:37:01 +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

167

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     [Standard Deviation-Mean Plot] [Opdracht 1 - Blok...] [2008-12-09 18:51:56] [1351baa662f198be3bff32f9007a9a6d] [Current]

Feedback Forum

2008-12-11 19:05:55 [Nathalie Daneels] [reply] 
Evaluatie opdracht 1 - Blok 20 (Q1): 
 
De conclusie was correct, maar onvoldoende, dit zou nog bij aangevuld moeten worden: 
Door gebruik te maken van de module Standard Deviation-Mean plot gaan we een waarde voor lambda zoeken, opdat we de variantie kunnen stabiliseren. Deze module gaat de tijdreeks, die we gaan bestuderen, in perioden onderverdelen (hier: 12 maanden = seasonal periods). Zoals we in de eerste tabel kunnen zien, word er in elke maand het gemiddelde, de standaard deviatie en de range berekend.  
We moeten ons de vraag stellen of er een verband bestaat tussen het niveau en de standaardfout? Is de spreiding afhankelijk van het niveau?  
Als we naar de laatste grafiek gaan kijken, kunnen we een besluit trekken of er al dan niet een verband bestaat tussen het niveau en de standaardfout. Uit de grafiek kunnen we afleiden dat, zonder de outliers, het verband veel duidelijker positief zou zijn. Als we een regressielijn gebruiken om het verband te vinden, dan gaan die outliers daar een grote invloed op hebben.  
Maar als we kijken naar de outlier bovenaan, dan kunnen we opmerken dat deze niet echt links of rechts van de grafiek ligt, wat al een goed punt is. We kunnen er dus eigenlijk wel een regressielijn doortrekken. 
Uit de tweede tabel kunnen we afleiden of er een transformatie nodig is: Als de bèta een positieve waarde heeft en het is significant verschillend van 0 (als de p-waarde kleiner is dan 5%), dan is er een verband tussen de spreiding en de standaardfout enerzijds en het gemiddelde en het niveau anderzijds. We kunnen vaststellen dat zowel alpha als bèta positief zijn. Bovendien is er minder dan 1% kans dat we ons vergissen bij het verwerpen van de Ho: de p-waarde (0,4%) is kleiner dan 5%: Dit betekent dat de helling van de regressielijn niet aan het toeval kan worden toegeschreven en dat er dus inderdaad een verband bestaat tussen de standaardfout en het gemiddelde; Dit verband is significant. A.h.v. deze tabel gaan we onderzoeken of er een verband bestaat tussen het gemiddelde en de standaardfout. Als dit zo is, dan mogen we de waarde van lambda gebruiken. In dit geval kunnen we dus besluiten dat we de waarde van lambda mogen gebruiken, aangezien er een verband bestaat tussen het gemiddelde en de standaarddeviatie. 
Als we naar de derde tabel gaan kijken, dan kunnen we merken dat de regressierechte opnieuw wordt berekend, maar dan in een getransformeerde/logaritmische vorm. Uit deze tabel kunnen we ook de waarde van lambda afleiden. Als lambda = 0, dan gaan we de transformatie ‘log’ nemen van de tijdreeks. Als lambda niet gelijk is aan 0, dan gaan we de tijdreeks tot de exponent lambda transformeren. Uit deze tabel kunnen we dus afleiden dat lambda afgerond ongeveer 0,47 is. Nu kunnen we ons afvragen of we deze waarde mogen afronden: Om hier over te kunnen besluiten, moeten we gaan kijken naar de standaardfout. Deze is hier redelijk laag: 0,12: Lambda gaat met 95% zekerheid liggen tussen – 2 x 0,11 + lambda en + 2 x 0,11 + lambda: Dit is een redelijk breed interval. Dit betekent dat we dus de lambda mogen afronden naar een waarde van 0,5. 
We moeten bij deze laatste tabel wel het volgende opmerken: De computer berekent automatisch een waarde voor lambda, ook al is deze waarde niet zinvol. Als we kunnen concluderen dat we de waarde van lambda niet mogen gebruiken omdat er geen verband bestaat tussen de standaarddeviatie en het gemiddelde, dan moeten we de waarde 1 voor lambda hanteren (neutraal). 
2008-12-14 12:32:14 [Bénédicte Soens] [reply] 
Om te weten of we de lambda mogen gebruiken, moeten we inderdaad eerst onderzoeken wat de p-waarde in de 2de tabel weergeeft. Daaruit kunnen we dus afleiden of het nodig is om te transformeren. p-waarde hier is vrij klein, kleiner dat 5% dus kunnen we zeggen dat deze significant verschillend is van 0. Dus er is een verband tussen de standaardfout en het gemiddelde. De lambda hier bedraagt 0,5 en mag dus gebruikt worden. 
Er kan ook gekeken worden naar de scatterplot. Daarbij kunnen we zien dat er 1 waarde sterk afwijkt van de rest. Maar dit is eigenlijk niet zo erg aangezien deze niet bij het begin of het einde ligt. De lambda mag dus zeker toegepast worden. 
Het antwoord van de student was juist maar beknopt.
2008-12-16 09:25:54 [Katja van Hek] [reply] 
De p waarden zijn inderdaad in beide gevallen kleiner dan 5% en dus significant. We kunnen de lambda waarde dus accepteren. De grafiek laat ook een relatief positief verband zien

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	'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=31694&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=31694&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31694&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	'George Udny Yule' @ 72.249.76.132

Standard Deviation-Mean Plot
Section	Mean	Standard Deviation	Range
1	227.733333333333	29.1940010442162	106
2	363.65	36.3267119348834	139.3
3	328.916666666667	93.5458451857438	273.6
4	205.45	30.3247123946491	89.5
5	188.333333333333	27.3773739803621	86
6	181.25	26.1571995999016	85.2
7	353.341666666667	36.2089506346236	110.8
8	285.308333333333	46.6051783766048	138.5
9	275.125	35.0509272345255	108.8
10	285.85	30.7409262296136	86.7
11	460.166666666667	56.0969831198748	147.3
12	373.95	53.1021228817215	150.3
13	385.1	35.1442999387072	115.5
14	471.358333333333	64.2130184808676	179.1
15	394.208333333333	40.6847628018454	138.7
16	407	46.6030432092544	147.6
17	378.575	49.9696839912143	132
18	336.633333333333	51.5290973993129	146.3
19	287.841666666667	33.2699826033054	112.7
20	297.566666666667	30.476438987082	117
21	281.666666666667	40.7140434412173	131.1
22	283.033333333333	28.4860837901065	109
23	408.85	48.934882520271	128.5
24	499.333333333333	37.5159925494408	109.6
25	484.008333333333	48.4390236808249	133.1
26	430.433333333333	37.4665022103584	108.4
27	507.583333333333	53.8722703730919	196.2
28	782.975	48.4555489832973	137.4
29	728.8	53.3077684940777	187
30	685.558333333333	72.5442618285032	222.9
31	604.716666666667	50.4040372360882	144

\begin{tabular}{lllllllll}
\hline
Standard Deviation-Mean Plot \tabularnewline
Section & Mean & Standard Deviation & Range \tabularnewline
1 & 227.733333333333 & 29.1940010442162 & 106 \tabularnewline
2 & 363.65 & 36.3267119348834 & 139.3 \tabularnewline
3 & 328.916666666667 & 93.5458451857438 & 273.6 \tabularnewline
4 & 205.45 & 30.3247123946491 & 89.5 \tabularnewline
5 & 188.333333333333 & 27.3773739803621 & 86 \tabularnewline
6 & 181.25 & 26.1571995999016 & 85.2 \tabularnewline
7 & 353.341666666667 & 36.2089506346236 & 110.8 \tabularnewline
8 & 285.308333333333 & 46.6051783766048 & 138.5 \tabularnewline
9 & 275.125 & 35.0509272345255 & 108.8 \tabularnewline
10 & 285.85 & 30.7409262296136 & 86.7 \tabularnewline
11 & 460.166666666667 & 56.0969831198748 & 147.3 \tabularnewline
12 & 373.95 & 53.1021228817215 & 150.3 \tabularnewline
13 & 385.1 & 35.1442999387072 & 115.5 \tabularnewline
14 & 471.358333333333 & 64.2130184808676 & 179.1 \tabularnewline
15 & 394.208333333333 & 40.6847628018454 & 138.7 \tabularnewline
16 & 407 & 46.6030432092544 & 147.6 \tabularnewline
17 & 378.575 & 49.9696839912143 & 132 \tabularnewline
18 & 336.633333333333 & 51.5290973993129 & 146.3 \tabularnewline
19 & 287.841666666667 & 33.2699826033054 & 112.7 \tabularnewline
20 & 297.566666666667 & 30.476438987082 & 117 \tabularnewline
21 & 281.666666666667 & 40.7140434412173 & 131.1 \tabularnewline
22 & 283.033333333333 & 28.4860837901065 & 109 \tabularnewline
23 & 408.85 & 48.934882520271 & 128.5 \tabularnewline
24 & 499.333333333333 & 37.5159925494408 & 109.6 \tabularnewline
25 & 484.008333333333 & 48.4390236808249 & 133.1 \tabularnewline
26 & 430.433333333333 & 37.4665022103584 & 108.4 \tabularnewline
27 & 507.583333333333 & 53.8722703730919 & 196.2 \tabularnewline
28 & 782.975 & 48.4555489832973 & 137.4 \tabularnewline
29 & 728.8 & 53.3077684940777 & 187 \tabularnewline
30 & 685.558333333333 & 72.5442618285032 & 222.9 \tabularnewline
31 & 604.716666666667 & 50.4040372360882 & 144 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31694&T=1

[TABLE]
[ROW][C]Standard Deviation-Mean Plot[/C][/ROW]
[ROW][C]Section[/C][C]Mean[/C][C]Standard Deviation[/C][C]Range[/C][/ROW]
[ROW][C]1[/C][C]227.733333333333[/C][C]29.1940010442162[/C][C]106[/C][/ROW]
[ROW][C]2[/C][C]363.65[/C][C]36.3267119348834[/C][C]139.3[/C][/ROW]
[ROW][C]3[/C][C]328.916666666667[/C][C]93.5458451857438[/C][C]273.6[/C][/ROW]
[ROW][C]4[/C][C]205.45[/C][C]30.3247123946491[/C][C]89.5[/C][/ROW]
[ROW][C]5[/C][C]188.333333333333[/C][C]27.3773739803621[/C][C]86[/C][/ROW]
[ROW][C]6[/C][C]181.25[/C][C]26.1571995999016[/C][C]85.2[/C][/ROW]
[ROW][C]7[/C][C]353.341666666667[/C][C]36.2089506346236[/C][C]110.8[/C][/ROW]
[ROW][C]8[/C][C]285.308333333333[/C][C]46.6051783766048[/C][C]138.5[/C][/ROW]
[ROW][C]9[/C][C]275.125[/C][C]35.0509272345255[/C][C]108.8[/C][/ROW]
[ROW][C]10[/C][C]285.85[/C][C]30.7409262296136[/C][C]86.7[/C][/ROW]
[ROW][C]11[/C][C]460.166666666667[/C][C]56.0969831198748[/C][C]147.3[/C][/ROW]
[ROW][C]12[/C][C]373.95[/C][C]53.1021228817215[/C][C]150.3[/C][/ROW]
[ROW][C]13[/C][C]385.1[/C][C]35.1442999387072[/C][C]115.5[/C][/ROW]
[ROW][C]14[/C][C]471.358333333333[/C][C]64.2130184808676[/C][C]179.1[/C][/ROW]
[ROW][C]15[/C][C]394.208333333333[/C][C]40.6847628018454[/C][C]138.7[/C][/ROW]
[ROW][C]16[/C][C]407[/C][C]46.6030432092544[/C][C]147.6[/C][/ROW]
[ROW][C]17[/C][C]378.575[/C][C]49.9696839912143[/C][C]132[/C][/ROW]
[ROW][C]18[/C][C]336.633333333333[/C][C]51.5290973993129[/C][C]146.3[/C][/ROW]
[ROW][C]19[/C][C]287.841666666667[/C][C]33.2699826033054[/C][C]112.7[/C][/ROW]
[ROW][C]20[/C][C]297.566666666667[/C][C]30.476438987082[/C][C]117[/C][/ROW]
[ROW][C]21[/C][C]281.666666666667[/C][C]40.7140434412173[/C][C]131.1[/C][/ROW]
[ROW][C]22[/C][C]283.033333333333[/C][C]28.4860837901065[/C][C]109[/C][/ROW]
[ROW][C]23[/C][C]408.85[/C][C]48.934882520271[/C][C]128.5[/C][/ROW]
[ROW][C]24[/C][C]499.333333333333[/C][C]37.5159925494408[/C][C]109.6[/C][/ROW]
[ROW][C]25[/C][C]484.008333333333[/C][C]48.4390236808249[/C][C]133.1[/C][/ROW]
[ROW][C]26[/C][C]430.433333333333[/C][C]37.4665022103584[/C][C]108.4[/C][/ROW]
[ROW][C]27[/C][C]507.583333333333[/C][C]53.8722703730919[/C][C]196.2[/C][/ROW]
[ROW][C]28[/C][C]782.975[/C][C]48.4555489832973[/C][C]137.4[/C][/ROW]
[ROW][C]29[/C][C]728.8[/C][C]53.3077684940777[/C][C]187[/C][/ROW]
[ROW][C]30[/C][C]685.558333333333[/C][C]72.5442618285032[/C][C]222.9[/C][/ROW]
[ROW][C]31[/C][C]604.716666666667[/C][C]50.4040372360882[/C][C]144[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31694&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31694&T=1

As an alternative you can also use a QR Code:

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

Standard Deviation-Mean Plot
Section	Mean	Standard Deviation	Range
1	227.733333333333	29.1940010442162	106
2	363.65	36.3267119348834	139.3
3	328.916666666667	93.5458451857438	273.6
4	205.45	30.3247123946491	89.5
5	188.333333333333	27.3773739803621	86
6	181.25	26.1571995999016	85.2
7	353.341666666667	36.2089506346236	110.8
8	285.308333333333	46.6051783766048	138.5
9	275.125	35.0509272345255	108.8
10	285.85	30.7409262296136	86.7
11	460.166666666667	56.0969831198748	147.3
12	373.95	53.1021228817215	150.3
13	385.1	35.1442999387072	115.5
14	471.358333333333	64.2130184808676	179.1
15	394.208333333333	40.6847628018454	138.7
16	407	46.6030432092544	147.6
17	378.575	49.9696839912143	132
18	336.633333333333	51.5290973993129	146.3
19	287.841666666667	33.2699826033054	112.7
20	297.566666666667	30.476438987082	117
21	281.666666666667	40.7140434412173	131.1
22	283.033333333333	28.4860837901065	109
23	408.85	48.934882520271	128.5
24	499.333333333333	37.5159925494408	109.6
25	484.008333333333	48.4390236808249	133.1
26	430.433333333333	37.4665022103584	108.4
27	507.583333333333	53.8722703730919	196.2
28	782.975	48.4555489832973	137.4
29	728.8	53.3077684940777	187
30	685.558333333333	72.5442618285032	222.9
31	604.716666666667	50.4040372360882	144

Regression: S.E.(k) = alpha + beta * Mean(k)
alpha	25.0818554501784
beta	0.0488516650103526
S.D.	0.0155384837695400
T-STAT	3.14391453728042
p-value	0.00382792717820021

\begin{tabular}{lllllllll}
\hline
Regression: S.E.(k) = alpha + beta * Mean(k) \tabularnewline
alpha & 25.0818554501784 \tabularnewline
beta & 0.0488516650103526 \tabularnewline
S.D. & 0.0155384837695400 \tabularnewline
T-STAT & 3.14391453728042 \tabularnewline
p-value & 0.00382792717820021 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31694&T=2

[TABLE]
[ROW][C]Regression: S.E.(k) = alpha + beta * Mean(k)[/C][/ROW]
[ROW][C]alpha[/C][C]25.0818554501784[/C][/ROW]
[ROW][C]beta[/C][C]0.0488516650103526[/C][/ROW]
[ROW][C]S.D.[/C][C]0.0155384837695400[/C][/ROW]
[ROW][C]T-STAT[/C][C]3.14391453728042[/C][/ROW]
[ROW][C]p-value[/C][C]0.00382792717820021[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31694&T=2

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31694&T=2

As an alternative you can also use a QR Code:

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

Regression: S.E.(k) = alpha + beta * Mean(k)
alpha	25.0818554501784
beta	0.0488516650103526
S.D.	0.0155384837695400
T-STAT	3.14391453728042
p-value	0.00382792717820021

Regression: ln S.E.(k) = alpha + beta * ln Mean(k)
alpha	0.596066412617842
beta	0.532942026074986
S.D.	0.115396834084912
T-STAT	4.61834183148243
p-value	7.31833172336408e-05
Lambda	0.467057973925014

\begin{tabular}{lllllllll}
\hline
Regression: ln S.E.(k) = alpha + beta * ln Mean(k) \tabularnewline
alpha & 0.596066412617842 \tabularnewline
beta & 0.532942026074986 \tabularnewline
S.D. & 0.115396834084912 \tabularnewline
T-STAT & 4.61834183148243 \tabularnewline
p-value & 7.31833172336408e-05 \tabularnewline
Lambda & 0.467057973925014 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31694&T=3

[TABLE]
[ROW][C]Regression: ln S.E.(k) = alpha + beta * ln Mean(k)[/C][/ROW]
[ROW][C]alpha[/C][C]0.596066412617842[/C][/ROW]
[ROW][C]beta[/C][C]0.532942026074986[/C][/ROW]
[ROW][C]S.D.[/C][C]0.115396834084912[/C][/ROW]
[ROW][C]T-STAT[/C][C]4.61834183148243[/C][/ROW]
[ROW][C]p-value[/C][C]7.31833172336408e-05[/C][/ROW]
[ROW][C]Lambda[/C][C]0.467057973925014[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31694&T=3

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31694&T=3

As an alternative you can also use a QR Code:

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

Regression: ln S.E.(k) = alpha + beta * ln Mean(k)
alpha	0.596066412617842
beta	0.532942026074986
S.D.	0.115396834084912
T-STAT	4.61834183148243
p-value	7.31833172336408e-05
Lambda	0.467057973925014

Figure 1

PNG link

Postscript link

PDF link

Figure 2

PNG link

Postscript link

PDF link

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))
(np <- floor(n / par1))
arr <- array(NA,dim=c(par1,np))
j <- 0
k <- 1
for (i in 1:(np*par1))
{
j = j + 1
arr[j,k] <- x[i]
if (j == par1) {
j = 0
k=k+1
}
}
arr
arr.mean <- array(NA,dim=np)
arr.sd <- array(NA,dim=np)
arr.range <- array(NA,dim=np)
for (j in 1:np)
{
arr.mean[j] <- mean(arr[,j],na.rm=TRUE)
arr.sd[j] <- sd(arr[,j],na.rm=TRUE)
arr.range[j] <- max(arr[,j],na.rm=TRUE) - min(arr[,j],na.rm=TRUE)
}
arr.mean
arr.sd
arr.range
(lm1 <- lm(arr.sd~arr.mean))
(lnlm1 <- lm(log(arr.sd)~log(arr.mean)))
(lm2 <- lm(arr.range~arr.mean))
bitmap(file='test1.png')
plot(arr.mean,arr.sd,main='Standard Deviation-Mean Plot',xlab='mean',ylab='standard deviation')
dev.off()
bitmap(file='test2.png')
plot(arr.mean,arr.range,main='Range-Mean Plot',xlab='mean',ylab='range')
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Standard Deviation-Mean Plot',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Section',header=TRUE)
a<-table.element(a,'Mean',header=TRUE)
a<-table.element(a,'Standard Deviation',header=TRUE)
a<-table.element(a,'Range',header=TRUE)
a<-table.row.end(a)
for (j in 1:np) {
a<-table.row.start(a)
a<-table.element(a,j,header=TRUE)
a<-table.element(a,arr.mean[j])
a<-table.element(a,arr.sd[j] )
a<-table.element(a,arr.range[j] )
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,'Regression: S.E.(k) = alpha + beta * Mean(k)',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'alpha',header=TRUE)
a<-table.element(a,lm1$coefficients[[1]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'beta',header=TRUE)
a<-table.element(a,lm1$coefficients[[2]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,summary(lm1)$coefficients[2,2])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,summary(lm1)$coefficients[2,3])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'p-value',header=TRUE)
a<-table.element(a,summary(lm1)$coefficients[2,4])
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable1.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Regression: ln S.E.(k) = alpha + beta * ln Mean(k)',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'alpha',header=TRUE)
a<-table.element(a,lnlm1$coefficients[[1]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'beta',header=TRUE)
a<-table.element(a,lnlm1$coefficients[[2]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,summary(lnlm1)$coefficients[2,2])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,summary(lnlm1)$coefficients[2,3])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'p-value',header=TRUE)
a<-table.element(a,summary(lnlm1)$coefficients[2,4])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Lambda',header=TRUE)
a<-table.element(a,1-lnlm1$coefficients[[2]])
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable2.tab')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code