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_meanplot.wasp
Title produced by softwareMean Plot
Date of computationMon, 03 Nov 2008 03:05:52 -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/Nov/03/t1225706813h74qa0nvlrmqo7x.htm/, Retrieved Sun, 19 May 2024 10:10:30 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20785, Retrieved Sun, 19 May 2024 10:10:30 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact196

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Mean Plot] [workshop 3] [2007-10-26 12:14:28] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F    D    [Mean Plot] [Q2 - Mean Plot] [2008-11-03 10:05:52] [f1a30f1149cef3ef3ef69d586c6c3c1c] [Current]
F R  D      [Mean Plot] [Task 4 - Trimmed 5%] [2008-11-03 20:25:30] [a7f04e0e73ce3683561193958d653479]
- R  D      [Mean Plot] [Trimmed Q2] [2008-11-11 15:51:32] [a7f04e0e73ce3683561193958d653479]
Feedback Forum
2008-11-06 13:34:43 [Dana Molenberghs] [reply] 
Wanneer we naar de gegeven data gaan kijken zien we dat deze beginnen in maart 2001, 1 = maart, 2 = mei. Puntje 6 is dus augustus en 7 is september.
2008-11-08 09:43:40 [Astrid Sniekers] [reply] 
De student heeft gelijk als hij zegt dat er seizoenaliteit is, maar zijn uitleg is niet helemaal juist. Aan de hand van de Mean Plot kunnen we besluiten dat seizoenaliteit een effect heeft op de kledingproductie. De x-as van de Mean Plot stellen maanden voor. Maand 1 staat voor maart, maand 2 staat voor april, … Het is duidelijk dat het gemiddelde van augustus helemaal anders is als het gemiddelde van september. Om te kunnen zeggen of dit al dan niet significant is, moeten we ook naar de Notched Box Plots-grafiek kijken. Hier merken we weer een groot verschil op tussen de box plot van de maand augustus en de maand september, want als we de lijnen van de betrouwbaarheidsintervallen doortrekken overlappen deze elkaar helemaal niet. We kunnen dus besluiten dat er een significant verschil is en dat seizoenaliteit dus niet toevallig is.

Het besluit van de student in verband met de Notched Box Plots-grafiek klopt totaal niet.
2008-11-09 13:51:28 [2df1bcd103d52957f4a39bd4617794c8] [reply] 
De conclusie mbt de seizonaliteit is correct.

Echter de analyse vraagt om verduidelijking.

We lezen op de Mean Plot de periodieke gemiddelden van elke maand grafisch af, het gemiddelde wordt weergegeven door de horiziontale lijn.

De gevonden gemiddelden liggen in de zomer- en wintermaanden merkelijk hoger dan in de rest van de periode. Mensen kopen meer kleding en de productie volgt deze schijnbare trend.


2008-11-10 13:26:13 [Matthieu Blondeau] [reply] 
De x-as geeft de maanden van het jaar weer, boven de grafiek staat het aantal blocks, dit zijn er 5 dus elke punt op de grafiek stelt het gemiddelde voor van die bepaalde maand over 5 jaar heen. De student merkt correct op dat er een groot verschil is tussen de 6de maand en de 7de maand. Bij de notched box plots had de student zijn antwoord moeten nuanceren. Het is niet zo dat de mediaan tussen de 6de maand en de 8ste maand hoger ligt dan bij de andere maanden. Op deze grafiek kan men bevestigen dat er een significant verschil is tussen de 6de en de 7de maand aangezien de betrouwbaarheidsintervallen niet overeenkomen tussen deze 2 maanden.
2008-11-11 09:09:34 [Jens Peeters] [reply] 
De conclusie is correct maar je had wat meer uitleg moeten geven waarom. De lijn op de grafiek geeft het gemiddelde van alle observaties weer. De punten van de grafiek geven het gemiddelde van bijvoorbeeld de maand maart over de verschillende jaren weer. Daaruit kunnen we besluiten dat de kledingverkoop in deze maanden hoger is.
2008-11-11 15:11:13 [Yara Van Overstraeten] [reply] 
Mijn antwoord vereiste inderdaad een diepere redenering.
In een Meanplot worden de gemiddelde waarden van de kledingproductie per maand voorgesteld. Elk bolletje stelt dus een periodiek gemiddelde waarde voor, beginnende bij maart 2001. Uit de grafiek kunnen we afleiden dat er een duidelijk lagere productie van kledij is in periode 6 (augustus) in vergelijking met periode 7 (september). Hetzelfde verschijnsel doet zich voor in periode 10 (december) in vergelijking met periode 11 (januari).
Als men de Notched boxplots bekijkt kan men eveneens besluiten dat er een significant verschil is tussen de kledingproductie van de maanden augustus - september en december - januari. Dit kan je zien aan de hand van de lijnen van het 95% betrouwbaarheidsinterval van beide periodes te verlengen en zo vast te stellen dat deze elkaar NIET overlappen.
2008-11-11 19:24:33 [Martjin De Swert] [reply] 
Correcte conclusie ivm de seizonaliteit maar een diepere uitwerking had wenselijk geweest.

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 time2 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 & 2 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20785&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]2 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=20785&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20785&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 time2 seconds
R Server'George Udny Yule' @ 72.249.76.132


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 12 ;
Parameters (R input):
par1 = 12 ; par2 = ; par3 = ; par4 = ; par5 = ; par6 = ; par7 = ; par8 = ; par9 = ; par10 = ; par11 = ; par12 = ; par13 = ; par14 = ; par15 = ; par16 = ; par17 = ; par18 = ; par19 = ; par20 = ;
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+1))
ari <- array(0,dim=par1)
j <- 0
for (i in 1:n)
{
j = j + 1
ari[j] = ari[j] + 1
arr[j,ari[j]] <- x[i]
if (j == par1) j = 0
}
ari
arr
arr.mean <- array(NA,dim=par1)
arr.median <- array(NA,dim=par1)
arr.midrange <- array(NA,dim=par1)
for (j in 1:par1)
{
arr.mean[j] <- mean(arr[j,],na.rm=TRUE)
arr.median[j] <- median(arr[j,],na.rm=TRUE)
arr.midrange[j] <- (quantile(arr[j,],0.75,na.rm=TRUE) + quantile(arr[j,],0.25,na.rm=TRUE)) / 2
}
overall.mean <- mean(x)
overall.median <- median(x)
overall.midrange <- (quantile(x,0.75) + quantile(x,0.25)) / 2
bitmap(file='plot1.png')
plot(arr.mean,type='b',ylab='mean',main='Mean Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.mean,0)
dev.off()
bitmap(file='plot2.png')
plot(arr.median,type='b',ylab='median',main='Median Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.median,0)
dev.off()
bitmap(file='plot3.png')
plot(arr.midrange,type='b',ylab='midrange',main='Midrange Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.midrange,0)
dev.off()
bitmap(file='plot4.png')
z <- data.frame(t(arr))
names(z) <- c(1:par1)
(boxplot(z,notch=TRUE,col='grey',xlab='Periodic Index',ylab='Value',main='Notched Box Plots - Periodic Subseries'))
dev.off()
bitmap(file='plot5.png')
z <- data.frame(arr)
names(z) <- c(1:np)
(boxplot(z,notch=TRUE,col='grey',xlab='Block Index',ylab='Value',main='Notched Box Plots - Sequential Blocks'))
dev.off()
bitmap(file='plot6.png')
z <- data.frame(cbind(arr.mean,arr.median,arr.midrange))
names(z) <- list('mean','median','midrange')
(boxplot(z,notch=TRUE,col='grey',ylab='Overall Central Tendency',main='Notched Box Plots'))
dev.off()