FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationTue, 11 Nov 2008 12:28:24 -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/11/t1226431786o8ybn0al5vzpyur.htm/, Retrieved Sun, 19 May 2024 10:21:16 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=23872, Retrieved Sun, 19 May 2024 10:21:16 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact146

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...] [2008-11-04 19:00:29] [077ffec662d24c06be4c491541a44245]
F       [Bivariate Kernel Density Estimation] [Bivariate Kernel ...] [2008-11-11 15:54:56] [73d6180dc45497329efd1b6934a84aba]
F         [Bivariate Kernel Density Estimation] [Bivariate Density] [2008-11-11 17:20:05] [6816386b1f3c2f6c0c9f2aa1e5bc9362]
F             [Bivariate Kernel Density Estimation] [Q1 bivariate kernel] [2008-11-11 19:28:24] [81dc0ee785f23261ccd6abf7aef76c2a] [Current]
Feedback Forum
2008-11-19 14:38:54 [Olivier Uyttendaele] [reply] 
Dit is inderdaad zo, deze techniek meet zoals bij een scatterplot de correlatie tussen 2 reeksen. 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. Dit heb je volgens mij correct geformuleerd.

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
2008-11-22 19:25:47 [Bonifer Spillemaeckers] [reply] 
2008-11-22 19:50:04 [Bonifer Spillemaeckers] [reply] 
Met de techniek van de Bivariate Density kan je de correlatie meten tussen 2 variabelen. Je hebt hier wel te maken met hoogtelijnen. Op de grafiek kan je ook clusters bemerken. De clusters vertonen eenzelfde orientatie, waaruit we kunnen afleiden dat er een verband is tussen de 2 variabelen. We bekomen hier een correlatie van 0,90 wat duidt op een zeer sterk verband. Ook kunnen we een rode zone en een groene zone bemerken op de grafiek. De rode zone duidt een sterke correlatie aan en de groene zone een zwakke correlatie.

2008-11-23 09:55:24 [Inge Meelberghs] [reply] 
Je antwoord is volledig correct.
Via de bivariate Kernel density kan je op een makkelijke manier twee variabelen met elkaar vergelijken. Bij deze techniek wordt gebruik gemaakt van hoogtelijnen die punten van gelijke dichtheid met elkaar verbinden. Op de grafiek kan je zien dat er verschillende zones voorkomen door de kleurverandering. De rode zone duidt op een sterke correlatie, de groene en de gele duiden op een eerdere zwakke correlatie. We kunnen dus stellen dat er inderdaad een sterk lineair verband is tussen de uitvoer van België aan landen buiten de EU en de uitvoer van Vlaanderen

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
12300.00
12092.80
12380.80
12196.90
9455.00
13168.00
13427.90
11980.50
11884.80
11691.70
12233.80
14341.40
13130.70
12421.10
14285.80
12864.60
11160.20
14316.20
14388.70
14013.90
13419.00
12769.60
13315.50
15332.90
14243.00
13824.40
14962.90
13202.90
12199.00
15508.90
14199.80
15169.60
14058.00
13786.20
14147.90
16541.70
13587.50
15582.40
15802.80
14130.50
12923.20
15612.20
16033.70
16036.60
14037.80
15330.60
15038.30
17401.80
14992.50
16043.70
16929.60
15921.30
14417.20
15961.00
17851.90
16483.90
14215.50
17429.70
17839.50
17629.20
Dataseries Y:
Download CSV
Histogram 
3423.40
3242.80
3277.20
3833.00
2606.30
3643.80
3686.40
3281.60
3669.30
3191.50
3512.70
3970.70
3601.20
3610.00
4172.10
3956.20
3142.70
3884.30
3892.20
3613.00
3730.50
3481.30
3649.50
4215.20
4066.60
4196.80
4536.60
4441.60
3548.30
4735.90
4130.60
4356.20
4159.60
3988.00
4167.80
4902.20
3909.40
4697.60
4308.90
4420.40
3544.20
4433.00
4479.70
4533.20
4237.50
4207.40
4394.00
5148.40
4202.20
4682.50
4884.30
5288.90
4505.20
4611.50
5081.10
4523.10
4412.80
4647.40
4778.60
4495.30

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=23872&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=23872&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23872&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






Bandwidth
x axis932.065309826864
y axis255.986090575248
Correlation
correlation used in KDE0.902863979754093
correlation(x,y)0.902863979754093

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 932.065309826864 \tabularnewline
y axis & 255.986090575248 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.902863979754093 \tabularnewline
correlation(x,y) & 0.902863979754093 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=23872&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]932.065309826864[/C][/ROW]
[ROW][C]y axis[/C][C]255.986090575248[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.902863979754093[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.902863979754093[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=23872&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23872&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 axis932.065309826864
y axis255.986090575248
Correlation
correlation used in KDE0.902863979754093
correlation(x,y)0.902863979754093


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 ; 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(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')