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 computationWed, 12 Nov 2008 03:55:12 -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/12/t1226487393neuq83cuoddhbkd.htm/, Retrieved Sun, 19 May 2024 08:50:53 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24111, Retrieved Sun, 19 May 2024 08:50:53 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact138

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] [workshop 3 Q1] [2008-11-12 10:55:12] [1a15026c70cce1c14dcfcc267c5d8133] [Current]
Feedback Forum
2008-11-15 12:58:40 [Ken Wright] [reply] 
In de bivariate kernel density estimation kan je min of meer 4 clusters onderscheiden. Tussen de eerste 3 clusters kan je toch een positief correlatief verband onderscheiden doordat de hoogtelijnen een ellipsvormige vorm hebben naar rechtsboven.
De cluster helemaal rechts duidt op dat in die periodes er iets moet gebeurt zijn anders als de vorige 3 clusters. Maar door de licht gele kleur gaat die over maar een beperkt aantal gegevens, maar waar toch ook een positief correlatief verband tussen bestaat.
2008-11-17 08:16:37 [006ad2c49b6a7c2ad6ab685cfc1dae56] [reply] 
Er is een positieve correlatie omdat de clusters van gegevens ellipsen vormen die naar boven gericht zijn. Op de grafiek zijn vier clusters te zien, die ongeveer gelijk verspreid liggen rond de regressierechte.
2008-11-18 09:02:37 [Angelique Van de Vijver] [reply] 
goede conclusie over de correlatie tussen PIC levensmiddelen en PIC industriële grondstoffen. Hier kan je dus inderdaad het verband zien van 2 variabelen (=bivariate).
Extra uitleg: Als we kijken naar de clusters, zien we dat de verschillende clusters een ellipsvorm hebben gericht naar rechtsboven. Dit wijst op een positieve correlatie tussen de 2 variabelen.
Deze bivariae kernel density is soms een beter manier om verbanden uit af te leiden die je soms niet kan afleiden uit een gewone scatterplot.
2008-11-24 12:02:55 [Anouk Greeve] [reply] 
Goede interpretatie. In de bivariate Kernel density plot worden er 4 dimensies gesuggereerd door de hoogtelijnen.
de hoogtelijnen hebben te maken met de dichtheid van de punten. wanneer deze hoog is, is de waarschijnlijkheid in het midden hoger dan die van de buitenrand.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
118,4
121,4
128,8
131,7
141,7
142,9
139,4
134,7
125,0
113,6
111,5
108,5
112,3
116,6
115,5
120,1
132,9
128,1
129,3
132,5
131,0
124,9
120,8
122,0
122,1
127,4
135,2
137,3
135,0
136,0
138,4
134,7
138,4
133,9
133,6
141,2
151,8
155,4
156,6
161,6
160,7
156,0
159,5
168,7
169,9
169,9
185,9
190,8
195,8
211,9
227,1
251,3
256,7
251,9
251,2
270,3
267,2
243,0
229,9
187,2
Dataseries Y:
Download CSV
Histogram 
111,4
114,1
121,8
127,6
129,9
128,0
123,5
124,0
127,4
127,6
128,4
131,4
135,1
134,0
144,5
147,3
150,9
148,7
141,4
138,9
139,8
145,6
147,9
148,5
151,1
157,5
167,5
172,3
173,5
187,5
205,5
195,1
204,5
204,5
201,7
207,0
206,6
210,6
211,1
215,0
223,9
238,2
238,9
229,6
232,2
222,1
221,6
227,3
221,0
213,6
243,4
253,8
265,3
268,2
268,5
266,9
268,4
250,8
231,2
192,0

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=24111&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=24111&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24111&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 axis9.5053394905359
y axis13.9743315810296
Correlation
correlation used in KDE0.841656312058416
correlation(x,y)0.841656312058416

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 9.5053394905359 \tabularnewline
y axis & 13.9743315810296 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.841656312058416 \tabularnewline
correlation(x,y) & 0.841656312058416 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24111&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]9.5053394905359[/C][/ROW]
[ROW][C]y axis[/C][C]13.9743315810296[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.841656312058416[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.841656312058416[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24111&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24111&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 axis9.5053394905359
y axis13.9743315810296
Correlation
correlation used in KDE0.841656312058416
correlation(x,y)0.841656312058416


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')