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_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationMon, 10 Nov 2008 07:02:25 -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/10/t1226325796m00lb4juwe9dt60.htm/, Retrieved Sun, 19 May 2024 12:39:58 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=23063, Retrieved Sun, 19 May 2024 12:39:58 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact176

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Bivariate Kernel Density Estimation] [Various EDA topic...] [2008-11-10 14:02:25] [3bb0537fcae9c337e49b9ce75ff3d4da] [Current]
Feedback Forum
2008-11-18 18:47:22 [Ruben Jacobs] [reply] 
De Bivariate Kernell Density Plot geeft een derde dimensie aan die wordt weergeven door hoogtelijnen. Aan de hand van de hoogtelijnen zou je in de reeks verschillende regio's kunnen onderscheiden, en de reeks opdelen.

De dichtheid duidt de waarschijnlijkheid aan voor regio's waar je observaties zal terugvinden.

Er is hier een sterke positieve correlatie en de reeks is niet onder te verdelen.
2008-11-20 15:26:45 [Bas van Keken] [reply] 
De conclusie die u geeft is juist maar het gebruik van deze grafiek draagt niet meer bij aan uw conclusie dan hetgeen u al eerder onderzocht heeft. Het feit dat u geen conclusies kan trekken uit deze plot kunt u gewoon in het document vermelden.
2008-11-20 21:36:29 [Olivier Uyttendaele] [reply] 
Je schreef in je document dat een vrij grote correlatie leesbaar was. Dit is inderdaad het geval. Als je puur de correlatie wilt berekenen, kan je ook evengoed een scatterplot gebruiken.

Het verschil tussen een scatterplot en deze techniek zit hem in de grafische voorstelling. Bij deze techniek wordt gebruik gemaakt van hoogtelijnen. Het model vergelijkt punten met elkaar die een zelfde dichtheid vertonen. Punten uit een rode zone wijst op een hoge correlatie, punten in een groene of gele zone wijzen op een zwakke correlatie.

Om aan te tonen dat de correlatie dezelfde is als bij een scatterplot, hieronder een blog van het model pearson correlation, waaruit blijkt dat de correlatie dezelfde is.
http://www.freestatistics.org/blog/index.php?v=date/2008/Nov/19/t1227103665tvdgko6opt711i3.htm
2008-11-24 19:21:10 [Steven Hulsmans] [reply] 
Er is inderdaad een grote correlatie. Maar de grafiek geeft ons meer informatie dan dat. De hoogtelijnen verbinden punten met een gelijke dichtheid met mekaar. We kunnen ook een stijgend of dalend verloop afleiden, en of er een positief of negatief verband is.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
99,3
99,2
108,3
105,6
99,5
107,4
93,1
88,1
110,7
113,1
99,6
93,6
98,6
99,6
114,3
107,8
101,2
112,5
100,5
93,9
116,2
112
106,4
95,7
96
95,8
103
102,2
98,4
111,4
86,6
91,3
107,9
101,8
104,4
93,4
100,1
98,5
112,9
101,4
107,1
110,8
90,3
95,5
111,4
113
107,5
95,9
106,3
105,2
117,2
106,9
108,2
113
97,2
99,9
108,1
118,1
109,1
93,3
112,1
111,8
112,5
116,3
110,3
117,1
102,6
Dataseries Y:
Download CSV
Histogram 
93,4
101,5
110,4
105,9
108,4
113,9
86,1
69,4
101,2
100,5
98
106,6
90,1
96,9
125,9
112
100
123,9
79,8
83,4
113,6
112,9
104
109,9
99
106,3
128,9
111,1
102,9
130
87
87,5
117,6
103,4
110,8
112,6
102,5
112,4
135,6
105,1
127,7
137
91
90,5
122,4
123,3
124,3
120
118,1
119
142,7
123,6
129,6
151,6
110,4
99,2
130,5
136,2
129,7
128
121,6
135,8
143,8
147,5
136,2
156,6
123,2

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 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 & 1 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=23063&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]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=23063&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23063&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 time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135






Bandwidth
x axis3.4235958960399
y axis9.39205099792686
Correlation
correlation used in KDE0.748424559471212
correlation(x,y)0.748424559471212

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 3.4235958960399 \tabularnewline
y axis & 9.39205099792686 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.748424559471212 \tabularnewline
correlation(x,y) & 0.748424559471212 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=23063&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]3.4235958960399[/C][/ROW]
[ROW][C]y axis[/C][C]9.39205099792686[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.748424559471212[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.748424559471212[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=23063&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23063&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:

Bandwidth
x axis3.4235958960399
y axis9.39205099792686
Correlation
correlation used in KDE0.748424559471212
correlation(x,y)0.748424559471212


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
R code (references can be found in the software module):
par1 <- as(par1,'numeric')
par2 <- as(par2,'numeric')
par3 <- as(par3,'numeric')
par4 <- as(par4,'numeric')
par5 <- as(par5,'numeric')
library('GenKern')
if (par3==0) par3 <- dpik(x)
if (par4==0) par4 <- dpik(y)
if (par5==0) par5 <- cor(x,y)
if (par1 > 500) par1 <- 500
if (par2 > 500) par2 <- 500
bitmap(file='bidensity.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=par5, xbandwidth=par3, ybandwidth=par4)
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main=main,xlab=xlab,ylab=ylab)
if (par6=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par7=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Bandwidth',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'x axis',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'y axis',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation used in KDE',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation(x,y)',header=TRUE)
a<-table.element(a,cor(x,y))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')