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_pairs.wasp
Title produced by softwareKendall tau Correlation Matrix
Date of computationThu, 06 Nov 2008 03:39:20 -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/06/t1225968109etrxfsi0j4doaia.htm/, Retrieved Sun, 19 May 2024 06:02:12 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=21996, Retrieved Sun, 19 May 2024 06:02:12 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact157

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Kendall tau Correlation Matrix] [part 2 - Q1] [2008-11-06 10:39:20] [a9e6d7cd6e144e8b311d9f96a24c5a25] [Current]
Feedback Forum
2008-11-09 13:58:25 [Liese Drijkoningen] [reply] 
Dit probleem kunnen we oplossen door gebruik te maken van het kendall tau correlation plot. Dit toont de correlaties tussen alle variabelen ommiddelijk, je kan de kans dat die correlaties aan het toeval te wijten zijn aflezen en het ondervindt relatief weinig invloed van outliers. Zoals je zelf zei is de RCF de beste predictor voor de RNR. Dit weten we omdat hun grafiek een bijna perfect lineair verband weergeeft. Verder kunnen we uit de getallen ook iets afleiden. Ze geven namelijk de kans weer dat de correlatie aan het toeval toe te schrijven is (ze geven niet de correlatie weer!!). In dit geval hebben we te maken met het getal 0,01, dit is zeer laag (< 0,05). Hieruit kunnen we afleiden dat de waarschijnlijkheid dat dit aan toeval te wijten is, quasi nul is. Dit is dus een betrouwbare meting.
2008-11-09 14:30:47 [Nathalie Daneels] [reply] 
Evaluatie opdracht 2: Task 1:

De student vermeldde reeds dat RCF (cashflow) de beste boekhoudkundige predictor is voor RNR: de correlatie is gelijk aan 0,01 (de verklaring voor de keuze van deze maatstaf aan de hand van dit getal is foutief naar mijn mening) en het verband komt ook in de grafiek tot uiting, die verloopt bijna lineair.

Dit zou ik nog bij de conclusie vermelden (of eventueel aanpassen):
Als we naar de spreadsheet met gegevens kijken, kunnen we vaststellen dat de tijd op de horizontale as staat en de variabelen op de verticale as. Het is zo dat de tijd altijd op de verticale as moet staan, daarom moet de tabel dus getransponeerd worden. Deze tabel moet ook bij in het werk worden opgenomen. We hebben voor het oplossen van deze opdracht gebruik gemaakt van de Kendall Tau Rang Correlation: deze grafiek geeft een overzicht van alle correlaties van de variabelen in 1 keer: Op de hoofddiagonaal staat een histogram van elke variabele ; rechts boven de hoofddiagonaal zijn de scatterplots gegeven (per 2 variabelen) en links onder de hoofddiagonaal staat de probabiliteit van de variabelen (en niet de correlatiecoëfficient) of met andere woorden de waarschijnlijkheid dat het verband aan het toeval kan worden toegeschreven (hoe hoger het getal, hoe meer waarschijnlijk dat het verband aan het toeval kan worden toegeschreven). Deze grafiek is ook een heel goede maatstaf: het ondervindt veel minder invloed van outliers en is veel robuster.
De waarschijnlijkheid dat het verband tussen RCF en RNR aan het toeval te wijten is, is bijna onbestaande (0,01) of met andere woorden: we kunnen er zo goed als zeker van zijn dat RCF de beste predictor is. (De betrouwbaarheid bij deze variabele(de cashflow) is kleiner dan 0,05: dus het is zeer onwaarschijnlijk dat het verband aan het toeval kan worden toegeschreven, hoe hoger deze probabiliteit, hoe slechter de correlatie). Dit kunnen we ook afleiden (dat de RCF de beste predictor is) uit de scatterplot van deze twee variabelen: het is bijna mogelijk om een rechte te trekken door de waarnemingen: Dit betekent dat er een lineair verband is tussen de twee data. Slechts weinig observaties liggen niet op deze rechte: we kunnen dus duidelijk veronderstellen dat er een sterk positief verband is tussen de variabelen (een kleine x-waarde van de ene variabele komt overeen met een kleine x-waarde van de andere variabele; hetzelfde geldt voor de y-waardes) en dus ook een positieve correlatie tussen x en y.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
4,2	4,8	20,8	0,9	39,6
2,6	-4,2	17,1	0,85	36,1
3	1,6	22,3	0,83	34,4
3,8	5,2	25,1	0,84	33,4
4	9,2	27,7	0,85	34,8
3,5	4,6	24,9	0,83	33,7
4,1	10,6	29,5	0,83	36,3

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'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21996&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]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21996&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21996&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'Sir Ronald Aylmer Fisher' @ 193.190.124.24






Kendall tau rank correlations for all pairs of data series
pairtaup-value
tau( RNVM , RNR )0.7142857142857140.0301587301587301
tau( RNVM , RCF )0.5238095238095240.136111111111111
tau( RNVM , RLEZ )0.2646280620124820.427262856745706
tau( RNVM , REV )0.3333333333333330.381349206349206
tau( RNR , RCF )0.809523809523810.0107142857142857
tau( RNR , RLEZ )-0.05292561240249630.873844698517373
tau( RNR , REV )0.04761904761904761
tau( RCF , RLEZ )-0.2646280620124820.427262856745706
tau( RCF , REV )-0.1428571428571430.772619047619048
tau( RLEZ , REV )0.3704792868174740.266379923342483

\begin{tabular}{lllllllll}
\hline
Kendall tau rank correlations for all pairs of data series \tabularnewline
pair & tau & p-value \tabularnewline
tau( RNVM , RNR ) & 0.714285714285714 & 0.0301587301587301 \tabularnewline
tau( RNVM , RCF ) & 0.523809523809524 & 0.136111111111111 \tabularnewline
tau( RNVM , RLEZ ) & 0.264628062012482 & 0.427262856745706 \tabularnewline
tau( RNVM , REV ) & 0.333333333333333 & 0.381349206349206 \tabularnewline
tau( RNR , RCF ) & 0.80952380952381 & 0.0107142857142857 \tabularnewline
tau( RNR , RLEZ ) & -0.0529256124024963 & 0.873844698517373 \tabularnewline
tau( RNR , REV ) & 0.0476190476190476 & 1 \tabularnewline
tau( RCF , RLEZ ) & -0.264628062012482 & 0.427262856745706 \tabularnewline
tau( RCF , REV ) & -0.142857142857143 & 0.772619047619048 \tabularnewline
tau( RLEZ , REV ) & 0.370479286817474 & 0.266379923342483 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21996&T=1

[TABLE]
[ROW][C]Kendall tau rank correlations for all pairs of data series[/C][/ROW]
[ROW][C]pair[/C][C]tau[/C][C]p-value[/C][/ROW]
[ROW][C]tau( RNVM , RNR )[/C][C]0.714285714285714[/C][C]0.0301587301587301[/C][/ROW]
[ROW][C]tau( RNVM , RCF )[/C][C]0.523809523809524[/C][C]0.136111111111111[/C][/ROW]
[ROW][C]tau( RNVM , RLEZ )[/C][C]0.264628062012482[/C][C]0.427262856745706[/C][/ROW]
[ROW][C]tau( RNVM , REV )[/C][C]0.333333333333333[/C][C]0.381349206349206[/C][/ROW]
[ROW][C]tau( RNR , RCF )[/C][C]0.80952380952381[/C][C]0.0107142857142857[/C][/ROW]
[ROW][C]tau( RNR , RLEZ )[/C][C]-0.0529256124024963[/C][C]0.873844698517373[/C][/ROW]
[ROW][C]tau( RNR , REV )[/C][C]0.0476190476190476[/C][C]1[/C][/ROW]
[ROW][C]tau( RCF , RLEZ )[/C][C]-0.264628062012482[/C][C]0.427262856745706[/C][/ROW]
[ROW][C]tau( RCF , REV )[/C][C]-0.142857142857143[/C][C]0.772619047619048[/C][/ROW]
[ROW][C]tau( RLEZ , REV )[/C][C]0.370479286817474[/C][C]0.266379923342483[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21996&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21996&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:

Kendall tau rank correlations for all pairs of data series
pairtaup-value
tau( RNVM , RNR )0.7142857142857140.0301587301587301
tau( RNVM , RCF )0.5238095238095240.136111111111111
tau( RNVM , RLEZ )0.2646280620124820.427262856745706
tau( RNVM , REV )0.3333333333333330.381349206349206
tau( RNR , RCF )0.809523809523810.0107142857142857
tau( RNR , RLEZ )-0.05292561240249630.873844698517373
tau( RNR , REV )0.04761904761904761
tau( RCF , RLEZ )-0.2646280620124820.427262856745706
tau( RCF , REV )-0.1428571428571430.772619047619048
tau( RLEZ , REV )0.3704792868174740.266379923342483


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
Parameters (R input):
R code (references can be found in the software module):
panel.tau <- function(x, y, digits=2, prefix='', cex.cor)
{
usr <- par('usr'); on.exit(par(usr))
par(usr = c(0, 1, 0, 1))
rr <- cor.test(x, y, method='kendall')
r <- round(rr$p.value,2)
txt <- format(c(r, 0.123456789), digits=digits)[1]
txt <- paste(prefix, txt, sep='')
if(missing(cex.cor)) cex <- 0.5/strwidth(txt)
text(0.5, 0.5, txt, cex = cex)
}
panel.hist <- function(x, ...)
{
usr <- par('usr'); on.exit(par(usr))
par(usr = c(usr[1:2], 0, 1.5) )
h <- hist(x, plot = FALSE)
breaks <- h$breaks; nB <- length(breaks)
y <- h$counts; y <- y/max(y)
rect(breaks[-nB], 0, breaks[-1], y, col='grey', ...)
}
bitmap(file='test1.png')
pairs(t(y),diag.panel=panel.hist, upper.panel=panel.smooth, lower.panel=panel.tau, main=main)
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Kendall tau rank correlations for all pairs of data series',3,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'pair',1,TRUE)
a<-table.element(a,'tau',1,TRUE)
a<-table.element(a,'p-value',1,TRUE)
a<-table.row.end(a)
n <- length(y[,1])
n
cor.test(y[1,],y[2,],method='kendall')
for (i in 1:(n-1))
{
for (j in (i+1):n)
{
a<-table.row.start(a)
dum <- paste('tau(',dimnames(t(x))[[2]][i])
dum <- paste(dum,',')
dum <- paste(dum,dimnames(t(x))[[2]][j])
dum <- paste(dum,')')
a<-table.element(a,dum,header=TRUE)
r <- cor.test(y[i,],y[j,],method='kendall')
a<-table.element(a,r$estimate)
a<-table.element(a,r$p.value)
a<-table.row.end(a)
}
}
a<-table.end(a)
table.save(a,file='mytable.tab')