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 10:35:59 -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/t122651140991r483ph35u0upz.htm/, Retrieved Tue, 28 May 2024 07:00:48 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24315, Retrieved Tue, 28 May 2024 07:00:48 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact145

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] [timeseriesQ1] [2008-11-12 17:35:59] [89a49ebb3ece8e9a225c7f9f53a14c57] [Current]
Feedback Forum
2008-11-20 09:52:34 [7bf28d4d60530086dbc44ae6b648927e] [reply] 
Goed, er is inderdaad een positief verband te zien.
2008-11-20 12:41:43 [6066575aa30c0611e452e930b1dff53d] [reply] 
Er is inderdaad een positief verband tussen de consumptiegoederen en de investeringsgoederen. Verder had men ook nog kunnen vermelden dat in de omgeving waar de consumptiegoederen 110 bedragen en de investeringsgoederen 115, er een zeer hoge concentratie is en dat de waarschijnlijkheid dat de investeringsgoederen en de consumptiegoederen zich in deze omgeving bevinden heel groot is. Men had eventueel ook nog kunnen vermelden dat hoe verder de lijnen naar buiten liggen, hoe lager de concentratie van de punten.
2008-11-20 13:08:57 [Alexander Hendrickx] [reply] 
Goede voltooiing van de opgave. Via de bivariate kernel density kunnen we de correlatie van 2 varibelen zeer goed aflezen. ER is hier inderdaad een duidelijk postieve correlatie tussen investerings en consmuptiegoederen. Rond de 110 voor investeringsgoederen en de 120 voor consumptie goederen merken we een zeer hoge concentratie op dit omdat de 'hoogtelijnen' daar zeer dicht bij elkaar liggen.
2008-11-20 15:55:05 [Natalie De Wilde] [reply] 
Naast de puntenwolk zijn er 2 extra aspecten: de regressielijn en de hoogtelijnen. Deze suggereren de derde dimensie die zichtbaar is bij de trivariate scatterplot. De hoogtelijnen duiden op de concentratie
, de dichtheid van de punten. Het verband is duidelijk te zien aan de vorm. De hoogtelijnen vormen ovalen wat wijst op een verband. Cirkels duiden aan dat er geen verband is. De regressielijn verloopt stijgend.
2008-11-20 16:00:27 [Natalie De Wilde] [reply] 
Naast de puntenwolk zijn er 2 extra aspecten: de regressielijn en de hoogtelijnen. Deze suggereren de derde dimensie die zichtbaar is bij de trivariate scatterplot. De hoogtelijnen duiden op de concentratie, de dichtheid van de punten. Het verband is duidelijk te zien aan de vorm. De hoogtelijnen vormen ovalen wat wijst op een verband. Cirkels duiden aan dat er geen verband is. De regressielijn verloopt stijgend.
2008-11-21 13:40:15 [Thomas Plasschaert] [reply] 
Goede maar korte oplossing, je hebt de juiste conclusie getrokken ivm het positief verband tussen de investerings- en consumptie goederen, maar je had beter wat extra informatie gegeven omtrent de grafiek, wat betekenen ver uiteen, of dicht bij elkaar liggende hoogtelijnen in de grafiek, regressielijn,...

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
97,8
107,4
117,5
105,6
97,4
99,5
98
104,3
100,6
101,1
103,9
96,9
95,5
108,4
117
103,8
100,8
110,6
104
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
112,4
130,6
109,1
118,8
123,9
101,6
112,8
128
129,6
125,8
119,5
115,7
113,6
129,7
112
116,8
127
112,1
114,2
121,1
131,6
125
120,4
117,7
117,5
120,6
127,5
112,3
124,5
115,2
105,4
Dataseries Y:
Download CSV
Histogram 
78,4
114,6
113,3
117
99,6
99,4
101,9
115,2
108,5
113,8
121
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
106,6
90,1
96,9
125,9
112
100
123,9
79,8
83,4
113,6
112,9
104
109,9
99
106,3
128,9
111,1
102,9
130
87
87,5
117,6
103,4
110,8
112,6
102,5
112,4
135,6
105,1
127,7
137
91
90,5
122,4
123,3
124,3
120
118,1
119
142,7
123,6
129,6
151,6
110,4
99,2
130,5
136,2
129,7
128
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 time2 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24315&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]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24315&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24315&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'Sir Ronald Aylmer Fisher' @ 193.190.124.24






Bandwidth
x axis4.64890339140664
y axis8.57073381946338
Correlation
correlation used in KDE0.686100625132908
correlation(x,y)0.686100625132908

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 4.64890339140664 \tabularnewline
y axis & 8.57073381946338 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.686100625132908 \tabularnewline
correlation(x,y) & 0.686100625132908 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24315&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]4.64890339140664[/C][/ROW]
[ROW][C]y axis[/C][C]8.57073381946338[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.686100625132908[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.686100625132908[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24315&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24315&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 axis4.64890339140664
y axis8.57073381946338
Correlation
correlation used in KDE0.686100625132908
correlation(x,y)0.686100625132908


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')