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_bootstrapplot.wasp
Title produced by softwareBlocked Bootstrap Plot - Central Tendency
Date of computationSat, 01 Nov 2008 09:32:43 -0600
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/Nov/01/t1225553612m8sqon3irhwvi5a.htm/, Retrieved Sun, 19 May 2024 10:41:43 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20442, Retrieved Sun, 19 May 2024 10:41:43 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact155

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Notched Boxplots] [workshop 3] [2007-10-26 13:31:48] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F RMPD    [Blocked Bootstrap Plot - Central Tendency] [blocked bootstrap...] [2008-11-01 15:32:43] [b5110a3ab194da7214bdf478e0a05dbd] [Current]
Feedback Forum
2008-11-05 16:35:47 [Ciska Tanghe] [reply] 
Dit antwoord klopt niet.
Er is geen duidelijk antwoord bij deze vraag, deze hangt af van je keuze en verantwoording daarvoor.

Kijken we naar de midrange, dan zien we dat deze plot het kleinst is, wat met zich meebrengt dat de mediaan daar het minst kan flucteren en de betrouwbaarheid dus heel groot is.
Kijken we naar de mediaan, dan zien we dat er daar een grotere spreiding is.
Kijken we naar de mean, dan zien we dat deze de grootste spreiding heeft.

We zien echter dat bij de midrange de meeste ouliers aanwezig zijn. Dit houdt in dat er een groter risico is, wanneer een berekend gemiddelde buiten de plot valt. Bij de mean kan je zekerder van het gemiddelde zijn, omdat er minder outliers zijn en deze dus minder risico's met zich meebrengen.

Afhankelijk van wat je kiest, zal de redenering bij je antwoord van belang zijn. We mogen niet vergeten dat outliers zeker relevant zijn!
2008-11-07 14:44:58 [Stijn Van de Velde] [reply] 
Op deze vraag is er geen juist antwoord.

Je kan de midrange nemen, hier is het plot het kleinst. De betrouwbaarheid is hier dus het grootst, want de mediaan kan minder sterk fluctueren.
De midrange heeft wel als nadeel dat er veel outliers aanwezig zijn.

Daarom kan je ook de mean nemen, deze heeft weliswaar de grootste spreiding, maar heeft het ook kleinst risico op outliers.
2008-11-11 14:13:34 [Ellen Smolders] [reply] 
Eigen verbetering:

Voor deze vraag moeten we zelf een keuze maken en realiseren dat outliers zeer relevant zijn.

- Wanneer we ons baseren op de midrange, dan zal het betrouwbaarheidsinterval zeer groot (doordat de mediaan het minst fluctureert) zijn en de spreiding het kleinst. Maar bij de midrange zijn er meer grote outliers, wat een risico met zich meebrengt.
- We kunnen ons ook baseren op de man, dit betekent dat het betrouwbaarheidsinterval kleiner is en de spreiding groter. Maar deze heeft de minste outliers.


Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
109,20
88,60
94,30
98,30
86,40
80,60
104,10
108,20
93,40
71,90
94,10
94,90
96,40
91,10
84,40
86,40
88,00
75,10
109,70
103,00
82,10
68,00
96,40
94,30
90,00
88,00
76,10
82,50
81,40
66,50
97,20
94,10
80,70
70,50
87,80
89,50
99,60
84,20
75,10
92,00
80,80
73,10
99,80
90,00
83,10
72,40
78,80
87,30
91,00
80,10
73,60
86,40
74,50
71,20
92,40
81,50
85,30
69,90
84,20
90,70
100,30

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time4 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 & 4 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20442&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]4 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=20442&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20442&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 time4 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135






Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.638934426229586.893442622950887.98401639344261.596490776044722.34508196721312
median86.487.3881.845024767526321.59999999999999
midrange87.8588.188.851.138803731059811

\begin{tabular}{lllllllll}
\hline
Estimation Results of Blocked Bootstrap \tabularnewline
statistic & Q1 & Estimate & Q3 & S.D. & IQR \tabularnewline
mean & 85.6389344262295 & 86.8934426229508 & 87.9840163934426 & 1.59649077604472 & 2.34508196721312 \tabularnewline
median & 86.4 & 87.3 & 88 & 1.84502476752632 & 1.59999999999999 \tabularnewline
midrange & 87.85 & 88.1 & 88.85 & 1.13880373105981 & 1 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20442&T=1

[TABLE]
[ROW][C]Estimation Results of Blocked Bootstrap[/C][/ROW]
[ROW][C]statistic[/C][C]Q1[/C][C]Estimate[/C][C]Q3[/C][C]S.D.[/C][C]IQR[/C][/ROW]
[ROW][C]mean[/C][C]85.6389344262295[/C][C]86.8934426229508[/C][C]87.9840163934426[/C][C]1.59649077604472[/C][C]2.34508196721312[/C][/ROW]
[ROW][C]median[/C][C]86.4[/C][C]87.3[/C][C]88[/C][C]1.84502476752632[/C][C]1.59999999999999[/C][/ROW]
[ROW][C]midrange[/C][C]87.85[/C][C]88.1[/C][C]88.85[/C][C]1.13880373105981[/C][C]1[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=20442&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20442&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:

Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.638934426229586.893442622950887.98401639344261.596490776044722.34508196721312
median86.487.3881.845024767526321.59999999999999
midrange87.8588.188.851.138803731059811


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 12 ;
Parameters (R input):
par1 = 500 ; par2 = 12 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
if (par1 < 10) par1 = 10
if (par1 > 5000) par1 = 5000
if (par2 < 3) par2 = 3
if (par2 > length(x)) par2 = length(x)
library(lattice)
library(boot)
boot.stat <- function(s)
{
s.mean <- mean(s)
s.median <- median(s)
s.midrange <- (max(s) + min(s)) / 2
c(s.mean, s.median, s.midrange)
}
(r <- tsboot(x, boot.stat, R=par1, l=12, sim='fixed'))
bitmap(file='plot1.png')
plot(r$t[,1],type='p',ylab='simulated values',main='Simulation of Mean')
grid()
dev.off()
bitmap(file='plot2.png')
plot(r$t[,2],type='p',ylab='simulated values',main='Simulation of Median')
grid()
dev.off()
bitmap(file='plot3.png')
plot(r$t[,3],type='p',ylab='simulated values',main='Simulation of Midrange')
grid()
dev.off()
bitmap(file='plot4.png')
densityplot(~r$t[,1],col='black',main='Density Plot',xlab='mean')
dev.off()
bitmap(file='plot5.png')
densityplot(~r$t[,2],col='black',main='Density Plot',xlab='median')
dev.off()
bitmap(file='plot6.png')
densityplot(~r$t[,3],col='black',main='Density Plot',xlab='midrange')
dev.off()
z <- data.frame(cbind(r$t[,1],r$t[,2],r$t[,3]))
colnames(z) <- list('mean','median','midrange')
bitmap(file='plot7.png')
boxplot(z,notch=TRUE,ylab='simulated values',main='Bootstrap Simulation - Central Tendency')
grid()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Estimation Results of Blocked Bootstrap',6,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'statistic',header=TRUE)
a<-table.element(a,'Q1',header=TRUE)
a<-table.element(a,'Estimate',header=TRUE)
a<-table.element(a,'Q3',header=TRUE)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,'IQR',header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'mean',header=TRUE)
q1 <- quantile(r$t[,1],0.25)[[1]]
q3 <- quantile(r$t[,1],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[1])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,1])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'median',header=TRUE)
q1 <- quantile(r$t[,2],0.25)[[1]]
q3 <- quantile(r$t[,2],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[2])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,2])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'midrange',header=TRUE)
q1 <- quantile(r$t[,3],0.25)[[1]]
q3 <- quantile(r$t[,3],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[3])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,3])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')