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 computationTue, 04 Nov 2008 00:51:44 -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/04/t12257851374zpo7kg2e6v40eu.htm/, Retrieved Mon, 27 May 2024 12:12:38 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=21443, Retrieved Mon, 27 May 2024 12:12:38 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact172

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] [Task 1 - Q2] [2008-11-03 19:02:18] [6f54f97492451bf8edc5dd186465ee4a]
F           [Mean Plot] [Taak 1 - Q2] [2008-11-04 07:51:44] [5040d663c8831657aab853d3d80c5057] [Current]
Feedback Forum
2008-11-10 13:37:21 [Inge Meelberghs] [reply] 
Deze grafiek heeft de student fout geïnterpreteerd.

Doordat er zich een plotse stijging voordoet tussen maand 6 en 7 en ook na maand 10 kunnen we stellen dat er sprake is van seizoenaliteit want er vinden significante verschillen plaats. Dit is heel duidelijk op de grafiek te zien.

Het is dus helemaal niet nodig om de blockwith op 36 te zetten ipv 12, want hierdoor is het veel moeilijker om seizoenaliteit na te gaan.
2008-11-11 11:49:21 [Evelien Blockx] [reply] 
Je zou hier inderdaad je blockwith op 12 moeten laten staan. Op deze manier worden de gegevens per maand geordend op de mean plot. Het eerste puntje op de mean plot is dan bijvoorbeeld het gemiddelde van alle maanden maart van de dataset, het tweede puntje is het gemiddelde van alle maanden april van de dataset, enzovoort. Als je dan de mean plot in zijn geheel bekijkt, merk je bijvoorbeeld dat er een erg groot verschil is tussen het gemiddelde van augustus (6de puntje) en het gemiddelde van september (7de puntje). (Dit is trouwens ook zo op de mediaan- en mid-range plot.).

Ook hier kan je op de notched boxplot ook weer gaan kijken of er een echt significant verschil is tussen september en augustus. Je kan hier op dezelfde manier te werk gaan als in Q1. Het betrouwbaarheidsinterval van het figuurtje van augustus overlapt helemaal niet het betrouwbaarheidsinterval van het figuurtje van september. Het verschil is dus significant. Bovendien zijn er meerdere significante verschillen.

Je kan dus, zoals je zei, concluderen dat er seizoenaliteit is, maar om dit te kunnen zien moet je de blockwith niet op 36 zetten.
2008-11-11 17:38:51 [Yara Van Overstraeten] [reply] 
Het is hier inderdaad niet nodig om de blokwdth op 36 te zetten i.p.v. op 12 om seizonaliteit te onderzoeken.
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.

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=21443&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=21443&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21443&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 ;
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()