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 09:53:50 -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/t1226336158tnxe6uwi92ryezo.htm/, Retrieved Sun, 19 May 2024 10:50:25 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=23134, Retrieved Sun, 19 May 2024 10:50:25 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact183

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] [Bivariate Kernel ...] [2008-11-10 16:53:50] [e08fee3874f3333d6b7a377a061b860d] [Current]
F    D    [Bivariate Kernel Density Estimation] [Bivaritae Kernel ...] [2008-11-10 16:58:43] [819b576fab25b35cfda70f80599828ec]
F    D      [Bivariate Kernel Density Estimation] [Bivariate Kernel ...] [2008-11-10 17:00:38] [819b576fab25b35cfda70f80599828ec]
-    D        [Bivariate Kernel Density Estimation] [paper 1.9 bivaria...] [2008-12-05 19:08:16] [819b576fab25b35cfda70f80599828ec]
F RMPD      [Partial Correlation] [Partial Correlati...] [2008-11-10 17:08:28] [819b576fab25b35cfda70f80599828ec]
-    D        [Partial Correlation] [Partial Correlati...] [2008-11-10 17:13:48] [819b576fab25b35cfda70f80599828ec]
F    D        [Partial Correlation] [Partial Correlati...] [2008-11-10 17:17:49] [819b576fab25b35cfda70f80599828ec]
- RMPD        [Trivariate Scatterplots] [Trivariate Scatte...] [2008-11-10 17:21:24] [819b576fab25b35cfda70f80599828ec]
-   P           [Trivariate Scatterplots] [Trivariate Scatte...] [2008-11-10 17:31:18] [819b576fab25b35cfda70f80599828ec]
F RMPD          [Hierarchical Clustering] [Hierarchical Clus...] [2008-11-10 17:36:33] [819b576fab25b35cfda70f80599828ec]
F RM D            [Box-Cox Linearity Plot] [Box-Cox linearity...] [2008-11-11 14:51:35] [6fea0e9a9b3b29a63badf2c274e82506]
- RMPD          [Box-Cox Normality Plot] [Box-Cox Normality...] [2008-11-10 17:45:50] [819b576fab25b35cfda70f80599828ec]
F    D            [Box-Cox Normality Plot] [Box Cox normality...] [2008-11-11 15:12:02] [6fea0e9a9b3b29a63badf2c274e82506]
- RMPD          [Maximum-likelihood Fitting - Normal Distribution] [Maximum-likelihoo...] [2008-11-10 17:50:35] [819b576fab25b35cfda70f80599828ec]
F   PD            [Maximum-likelihood Fitting - Normal Distribution] [Maximum-likelihoo...] [2008-11-11 15:33:55] [819b576fab25b35cfda70f80599828ec]
- RMPD        [Trivariate Scatterplots] [Trivariate Scatte...] [2008-11-10 17:27:05] [819b576fab25b35cfda70f80599828ec]
Feedback Forum
2008-11-14 10:50:16 [Ciska Tanghe] [reply] 
Correcte interpretatie. Vermeld hier ook bij dat de Bivariate Kernel Density alle punten met een gelijke dichtheid verbindt. Hier vertonen de clusters dezelfde oriëntatie rond de regressielijn waardoor er inderdaad een sterk positief verband is.
2008-11-14 18:02:52 [Kevin Neelen] [reply] 
Er is hier gebruik gemaakt van het Bivariate Kernel Density plot. Deze grafiek vertoont hoogtelijnen die punten van gelijke dichtheid verbinden om op deze manier de betrouwbaarheidsintervallen in kaart te brengen.
Uit deze grafiek kan geconcludeerd worden dat er een postieve correlatie is tussen beide reeksen aangezien de regressielijn van linksonder naar rechtsboven loopt. In de tabel kan gezien worden dat de correlatiewaarde 0,76 bedraagt wat weergeeft dat het verband tussen beide reeksen sterk is. In de grafiek zelf zien we dat er één outlier aanwezig zijn die volledig buiten de grootste hoogtelijn ligt.
2008-11-21 16:13:20 [Michael Van Spaandonck] [reply] 
Een correcte interpretatie in het bijhorende document.

We zien hier een Bivariate Kernel Density plot voor 2 reeksen met een hoge positieve correlatiewaarde. De regressielijn loopt vrij steil van linksonder naar rechtsboven vanwege de positieve correlatiewaarde, en daarom ook benadert het overgrote deel van de punten de regressielijn langsheen diens lengte.
De cirkels zijn erg geconcentreerd langsheen de lengte van de regressielijn, wat eens te meer de hoge positieve correlatie bevestigt

Wat niet in het document vermeld stond is dat deze grafiek hoogtelijnen weergeeft die punten van gelijke dichtheid verbinden. Op deze manier worden in zekere zin ook de betrouwbaarheidsintervallen in kaart gebracht. Deze laatsten worden overigens wel vermeld in het document.

We kunnen besluiten dat er sprake is van 2 reeksen met een zeer beperkt aantal outliers (1) en een hoge correlatiewaarde.
2008-11-22 15:01:30 [Jeroen Michel] [reply] 
Ook hier is een correcte interpretatie van de grafische voorstelling gegeven en ook de uitwerking is correct uitgevoerd.

Het is zo dat er clusters worden weergegeven. In het midden van de clusters zal op te merken zijn dat de intensiteit zeer dicht is, terwijl, hoe verder van het midden van de cluster, de intensiteit sterk zal afnemen.

Ook hier is het belangrijk om weten dat, hoe dichter de clusters bij mekaar liggen, hoe groter de correlatie zal zijn. Let wel! Deze correlatie hoeft niet altijd positief te zijn.

Bij deze techniek kunnen slechts 2 variabelen worden vergeleken!

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
58.972
59.249
63.955
53.785
52.760
44.795
37.348
32.370
32.717
40.974
33.591
21.124
58.608
46.865
51.378
46.235
47.206
45.382
41.227
33.795
31.295
42.625
33.625
21.538
56.421
53.152
53.536
52.408
41.454
38.271
35.306
26.414
31.917
38.030
27.534
18.387
50.556
43.901
48.572
43.899
37.532
40.357
35.489
29.027
34.485
42.598
30.306
26.451
47.460
50.104
61.465
53.726
39.477
43.895
31.481
29.896
33.842
39.120
33.702
25.094
Dataseries Y:
Download CSV
Histogram 
54.281
63.654
68.918
58.686
67.074
60.183
54.326
54.085
53.564
60.873
53.398
45.164
59.672
56.298
62.361
56.930
62.954
62.431
52.528
54.060
53.093
52.695
52.333
41.747
58.576
57.851
63.721
63.384
61.141
59.231
63.472
49.214
55.816
61.713
48.664
45.351
57.888
54.091
59.098
58.962
55.433
60.403
60.721
48.440
57.981
60.258
47.312
46.980
54.846
56.824
67.744
62.849
54.691
65.461
53.724
54.560
57.722
55.458
48.490
46.362

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time3 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 3 seconds \tabularnewline
R Server & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=23134&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]3 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=23134&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23134&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 time3 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Bandwidth
x axis5.72560295415148
y axis2.52166564731977
Correlation
correlation used in KDE0.769273216056775
correlation(x,y)0.769273216056775

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 5.72560295415148 \tabularnewline
y axis & 2.52166564731977 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.769273216056775 \tabularnewline
correlation(x,y) & 0.769273216056775 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=23134&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]5.72560295415148[/C][/ROW]
[ROW][C]y axis[/C][C]2.52166564731977[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.769273216056775[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.769273216056775[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=23134&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23134&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 axis5.72560295415148
y axis2.52166564731977
Correlation
correlation used in KDE0.769273216056775
correlation(x,y)0.769273216056775


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')