Free Statistics

of Irreproducible Research!

Author's title

Author*The author of this computation has been verified*
R Software Modulerwasp_cloud.wasp
Title produced by softwareTrivariate Scatterplots
Date of computationWed, 12 Nov 2008 08:04:01 -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/t1226502312kqgys8vmgb8ieui.htm/, Retrieved Sun, 19 May 2024 12:13:54 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24235, Retrieved Sun, 19 May 2024 12:13:54 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact158
Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Trivariate Scatterplots] [Various EDA Topic...] [2008-11-12 15:04:01] [e7b1048c2c3a353441b9143db4404b91] [Current]
Feedback Forum
2008-11-16 17:03:55 [006ad2c49b6a7c2ad6ab685cfc1dae56] [reply
De conclusie is goed maar je kon nog meer uitleg geven. Een trivariate scatterplot gaat de verbanden na tussen 3 variabelen tegelijkertijd. De kubus wordt vanuit verschillende perspectieven bekeken. In de vierde grafiek maakt men gebruik van gestandaardiseerde projecties. Het nadeel van deze methode is dat elke scatterplot een beetje vertekend is doordat bepaalde dimensies gereduceerd zijn. Toch moet je proberen er nuttige info uit te halen. In dit geval kan je toch bepaalde verbanden vinden als je kijkt naar de verdeling van de puntenwolken.
2008-11-20 10:06:27 [Jasmine Hendrikx] [reply
Eigen evaluatie:
De bespreking is vrij goed. Er wordt gezegd dat een trivariate scatterplot het verband weergeeft tussen 3 variabelen tegelijkertijd, wat correct is. Hier zou nog bij vermeld kunnen worden dat de kubus eigenlijk platgedrukt wordt op een twee-dimensioneel scherm. Hierdoor gaat er informatie verloren. De kubus wordt wel vanuit verschillende standpunten bekeken. Naargelang waarop de kubus bekeken wordt, krijg je dus een ander beeld. Men moet gebruik maken van het overzicht, waar de histogrammen op de diagonaal staan en scatterplots boven en onder de diagonaal. Het is wel zo dat deze scatterplots vertekend zijn, doordat bepaalde dimensies gereduceerd zijn. Punten die bijvoorbeeld dicht bij elkaar lijken te liggen, kunnen toch ver uit elkaar liggen. Deze problemen kunnen een beetje opgelost worden met de bivariate kernel density plot. Uit het overzicht kunnen we bijvoorbeeld afleiden dat er een positief verband zou bestaan tussen investeringsgoederen en consumptiegoederen. Tussen investeringsgoederen en intermediaire goederen kunnen we hetzelfde concluderen. Het verband tussen consumptiegoederen en intermediaire goederen lijkt dan meer minder sterk. De punten zijn hier wat meer verspreid. Als we dit nakijken in de bivariate kernel density plots, zien we inderdaad dat deze conclusies bevestigd worden.
2008-12-05 16:31:01 [a2386b643d711541400692649981f2dc] [reply
De algemene uitleg is goed, maar niet voldoende. Je kon eerst meer algemene uitleg geven over de trivariate scatterplot, deze gaat het verband na tussen 3 variabelen tegelijkertijd, wat een 3 dimensionale structuur oplevert. Naargelang de rotatie kan je andere perspectieven nemen en andere dingen ontdekken. Het beste reduceer je de 3 dimensie naar een 2 dimensie en ga je kijken naar de gestandaardiseerde projecties. De 2 dimensionale structuur heb je wel in je taak besproken, maar je kon specifieker zijn. Aan de hand van een concreet voorbeeld kon je meer uitleg geven over de scatterplots.

Post a new message
Dataseries X:
90,7
94,3
104,6
111,1
110,8
107,2
99,0
99,0
91,0
96,2
96,9
96,2
100,1
99,0
115,4
106,9
107,1
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
112,0
106,4
95,7
96,0
95,8
103,0
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
113,0
107,5
95,9
106,3
105,2
117,2
106,9
108,2
113,0
97,2
99,9
108,1
118,1
109,1
93,3
112,1
111,8
112,5
116,3
110,3
117,1
103,4
96,2
Dataseries Y:
78,4
114,6
113,3
117,0
99,6
99,4
101,9
115,2
108,5
113,8
121,0
92,2
90,2
101,5
126,6
93,9
89,8
93,4
101,5
110,4
105,9
108,4
113,9
86,1
69,4
101,2
100,5
98,0
106,6
90,1
96,9
125,9
112,0
100,0
123,9
79,8
83,4
113,6
112,9
104,0
109,9
99,0
106,3
128,9
111,1
102,9
130,0
87,0
87,5
117,6
103,4
110,8
112,6
102,5
112,4
135,6
105,1
127,7
137,0
91,0
90,5
122,4
123,3
124,3
120,0
118,1
119,0
142,7
123,6
129,6
151,6
110,4
99,2
130,5
136,2
129,7
128,0
121,6
135,8
143,8
147,5
136,2
156,6
123,3
100,4
Dataseries Z:
97,8
107,4
117,5
105,6
97,4
99,5
98,0
104,3
100,6
101,1
103,9
96,9
95,5
108,4
117,0
103,8
100,8
110,6
104,0
112,6
107,3
98,9
109,8
104,9
102,2
123,9
124,9
112,7
121,9
100,6
104,3
120,4
107,5
102,9
125,6
107,5
108,8
128,4
121,1
119,5
128,7
108,7
105,5
119,8
111,3
110,6
120,1
97,5
107,7
127,3
117,2
119,8
116,2
111,0
112,4
130,6
109,1
118,8
123,9
101,6
112,8
128,0
129,6
125,8
119,5
115,7
113,6
129,7
112,0
116,8
127,0
112,1
114,2
121,1
131,6
125,0
120,4
117,7
117,5
120,6
127,5
112,3
124,5
115,2
105,4




Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time5 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 & 5 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24235&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]5 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=24235&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24235&T=0

As an alternative you can also use a 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 time5 seconds
R Server'George Udny Yule' @ 72.249.76.132



Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Intermediaire goederen ; par6 = Investeringsgoederen ; par7 = Consumptiegoederen ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Intermediaire goederen ; par6 = Investeringsgoederen ; par7 = Consumptiegoederen ;
R code (references can be found in the software module):
x <- array(x,dim=c(length(x),1))
colnames(x) <- par5
y <- array(y,dim=c(length(y),1))
colnames(y) <- par6
z <- array(z,dim=c(length(z),1))
colnames(z) <- par7
d <- data.frame(cbind(z,y,x))
colnames(d) <- list(par7,par6,par5)
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
if (par1>500) par1 <- 500
if (par2>500) par2 <- 500
if (par1<10) par1 <- 10
if (par2<10) par2 <- 10
library(GenKern)
library(lattice)
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='black', ...)
}
bitmap(file='cloud1.png')
cloud(z~x*y, screen = list(x=-45, y=45, z=35),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='cloud2.png')
cloud(z~x*y, screen = list(x=35, y=45, z=25),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='cloud3.png')
cloud(z~x*y, screen = list(x=35, y=-25, z=90),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='pairs.png')
pairs(d,diag.panel=panel.hist)
dev.off()
x <- as.vector(x)
y <- as.vector(y)
z <- as.vector(z)
bitmap(file='bidensity1.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=cor(x,y), xbandwidth=dpik(x), ybandwidth=dpik(y))
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (x,y)',xlab=par5,ylab=par6)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
bitmap(file='bidensity2.png')
op <- KernSur(y,z, xgridsize=par1, ygridsize=par2, correlation=cor(y,z), xbandwidth=dpik(y), ybandwidth=dpik(z))
op
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (y,z)',xlab=par6,ylab=par7)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(y,z)
(r<-lm(z ~ y))
abline(r)
box()
dev.off()
bitmap(file='bidensity3.png')
op <- KernSur(x,z, xgridsize=par1, ygridsize=par2, correlation=cor(x,z), xbandwidth=dpik(x), ybandwidth=dpik(z))
op
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (x,z)',xlab=par5,ylab=par7)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(x,z)
(r<-lm(z ~ x))
abline(r)
box()
dev.off()