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_boxcoxnorm.wasp
Title produced by softwareBox-Cox Normality Plot
Date of computationWed, 12 Nov 2008 08:41:52 -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/t12265045712597b7oc9oq765y.htm/, Retrieved Tue, 28 May 2024 07:21:11 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24248, Retrieved Tue, 28 May 2024 07:21:11 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact174

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Box-Cox Normality Plot] [Various EDA topic...] [2008-11-12 15:41:52] [e7b1048c2c3a353441b9143db4404b91] [Current]
Feedback Forum
2008-11-16 17:08:14 [006ad2c49b6a7c2ad6ab685cfc1dae56] [reply] 
Zeer goede uitleg, geen commentaar.
2008-11-20 11:20:39 [Jasmine Hendrikx] [reply] 
Eigen evaluatie:
De methode is juist uitgevoerd en de conclusie is vrij goed. Een box-cox normality plot probeert er inderdaad voor te zorgen de verdeling van de tijdreeks meer op een normaalverdeling gaat lijken. Bij de box-cox normality plot vinden we terug dat de optimale lambda 2 bedraagt, zoals vermeld werd. Als we echter naar de grafiek kijken, zouden we dit in twijfel kunnen trekken, aangezien het bij λ = 2 niet echt duidelijk is of dat er hier een maximum wordt bereikt. Op de y-as van de box-cox normality plot vinden we de correlatiecoëfficiënt terug. Deze correlatie heeft betrekking op de normal QQ plot. Als we veronderstellen dat bij λ =2 wel een maximum wordt bereikt, dan zien we dat deze transformatie de gegevens niet meer op een normaalverdeling doen lijken. Er is zelfs een verslechtering. Dit kan zowel uit de histogrammen (van vrij normaal verdeeld naar een meer rechtsscheve verdeling na transformatie) als uit de normal q-q plot afgeleid worden. De punten wijken na de transformatie nog meer van de rechte van de normal q-q plot af dan voor de transformatie. Zoals correct vermeld is, kunnen we dus niet van een verbetering spreken, wat men inderdaad ook in de vorige vraag (box-cox lineairity plot) kon vaststellen.
2008-12-05 16:39:50 [a2386b643d711541400692649981f2dc] [reply] 
Goede en volledige uitleg. Je bespreekt elke figuur uitvoerig in je eigen woorden. Je zegt bv waarom de figuur normaalverdeeld is of waarom niet. Ik kan hier niet veel extra aan toevoegen.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
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

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=24248&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=24248&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24248&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






Box-Cox Normality Plot
# observations x85
maximum correlation0.534208922452609
optimal lambda2

\begin{tabular}{lllllllll}
\hline
Box-Cox Normality Plot \tabularnewline
# observations x & 85 \tabularnewline
maximum correlation & 0.534208922452609 \tabularnewline
optimal lambda & 2 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24248&T=1

[TABLE]
[ROW][C]Box-Cox Normality Plot[/C][/ROW]
[ROW][C]# observations x[/C][C]85[/C][/ROW]
[ROW][C]maximum correlation[/C][C]0.534208922452609[/C][/ROW]
[ROW][C]optimal lambda[/C][C]2[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24248&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24248&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:

Box-Cox Normality Plot
# observations x85
maximum correlation0.534208922452609
optimal lambda2


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
Parameters (R input):
R code (references can be found in the software module):
n <- length(x)
c <- array(NA,dim=c(401))
l <- array(NA,dim=c(401))
mx <- 0
mxli <- -999
for (i in 1:401)
{
l[i] <- (i-201)/100
if (l[i] != 0)
{
x1 <- (x^l[i] - 1) / l[i]
} else {
x1 <- log(x)
}
c[i] <- cor(qnorm(ppoints(x), mean=0, sd=1),x1)
if (mx < c[i])
{
mx <- c[i]
mxli <- l[i]
}
}
c
mx
mxli
if (mxli != 0)
{
x1 <- (x^mxli - 1) / mxli
} else {
x1 <- log(x)
}
bitmap(file='test1.png')
plot(l,c,main='Box-Cox Normality Plot',xlab='Lambda',ylab='correlation')
mtext(paste('Optimal Lambda =',mxli))
grid()
dev.off()
bitmap(file='test2.png')
hist(x,main='Histogram of Original Data',xlab='X',ylab='frequency')
grid()
dev.off()
bitmap(file='test3.png')
hist(x1,main='Histogram of Transformed Data',xlab='X',ylab='frequency')
grid()
dev.off()
bitmap(file='test4.png')
qqnorm(x)
qqline(x)
grid()
mtext('Original Data')
dev.off()
bitmap(file='test5.png')
qqnorm(x1)
qqline(x1)
grid()
mtext('Transformed Data')
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Box-Cox Normality Plot',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'# observations x',header=TRUE)
a<-table.element(a,n)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'maximum correlation',header=TRUE)
a<-table.element(a,mx)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'optimal lambda',header=TRUE)
a<-table.element(a,mxli)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')