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 computationWed, 12 Nov 2008 11:31:28 -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/t1226514711ru5p0xmyyk6etbn.htm/, Retrieved Sun, 19 May 2024 11:38:56 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24356, Retrieved Sun, 19 May 2024 11:38:56 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact162

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] [bivariate density] [2008-11-12 18:31:28] [e209dec8b43e229a9358ea9eca132ee0] [Current]
Feedback Forum
2008-11-18 09:37:21 [Evelyn Gabriel] [reply] 
De student heeft een goede conclusie getrokken. Je kan ook zien dat er een meer negatief verband is tussen de variabelen.
2008-11-24 11:21:28 [Anna Hayan] [reply] 
bij Q1 is de interpretatie fout in verband met de regressielijn
rechte lijn = regressielijn(benadert puntenwolk zo dicht mogelijk). Ik geef ook enkele theorieaanvullingen daarbij.
3de dimensie wordt gesugerreerd door de hoogtelijnen. De hoogtelijnen geven de concentratie en de dichtheid weer van de waarnemingen. Indien de clusters een ellipsvorm vertonen, wijst dit op een positief verband. Hier nemen we een bijna cirkelvorm waar dus er is bijna geen correlatie.
De hoogtelijnen op de tekening hebben te maken met met de dichtheid(=concentratie). De cijfers die bij de hoogtelijnen genoteerd staan, geven de waarde weer van de concentratie.
De waarschijnlijkheid dat de waarden zich in het midden bevinden is veel groter dan de waarschijnlijkheid dat ze zich aan de buitenkant bevinden.Dus de concentratie is het midden is groter dan aan de buitenkant.
Door middel van een kernal density plot zien we of er de wetmatigheid is voor een bepaalde periode. Dit kunnen we zien aan de hand van clusters. We kunnen op de tekening duidelijk twee verschillende clusters opmerken. De hoogtelijnen zijn ellipsvormig,wat wijst op een verband.
2008-11-24 11:22:15 [Anna Hayan] [reply] 
Er is idd een negatief verband tussen de variabelen waar te nemen
2008-11-24 19:59:55 [Erik Geysen] [reply] 
De regressielijn is de best mogelijke functie die de puntenwolk zo dicht mogelijk benadert.
De gegevens zijn meer geconcentreerd in het midden.
Het voordeel van de Bivariate Density Plot zien we of er een wetmatigheid bestaat voor een bepaalde periode.
De hoogtelijnen hebben een nagenoeg cirkelvorm. Daardoor kunnen we besluiten dat er hier een negatief verband bestaat tussen de variabelen.
2008-11-24 20:41:10 [Erik Geysen] [reply] 
De partiële correlatie wordt inderdaad gebruikt om de invloed van een derde (storende) variabele weg te werken. Als men deze methode niet gebruikt, kan er een schijncorrelatie optreden.
De student heeft dit niet vermeld. Op de Bivariate density plot van de variabelen XY zien we ellipsvormige hoogtelijnen wat wijst op een verband. We zien in de tabel dan ook dat er een correlation is van 0,8977
Ook is er een (minder) verband tussen de variabelen YZ en XZ. Ook deze hoogtelijnen zijn eerder ellipsvormig.
2008-11-24 21:12:10 [Erik Geysen] [reply] 
Sorry mijn laatste feedback was niet voor deze opdracht bedoeld!

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
62,2
88,5
93,3
89,2
101,3
97
102,2
100,3
78,2
105,9
119,9
108
77
93,1
109,5
100,4
99
113,9
102,1
101,6
84
110,7
111,6
110,7
73,1
87,5
109,6
99,3
92,1
109,3
94,5
91,4
82,9
103,3
96
104,8
65,8
78,7
100,3
85
94,5
97,9
91,9
87,2
84,4
99,2
105,4
110,9
69,8
86,8
106,7
88,8
96,9
108,1
93,7
94,8
79,8
95,6
107,9
104,9
61,9
85,7
92,4
86,4
99,3
95,5
97
102,1
77,8
105,5
113,2
108,8
66,9
89,3
93,6
92
99,5
98,6
94,6
96,7
75,3
102,5
115,1
104,7
71,4
Dataseries Y:
Download CSV
Histogram 
43,5
37,7
36,8
24,4
31,3
43,9
53,6
48,9
30,9
31,8
41,3
43,7
54,1
47,8
36,7
30,8
31,9
61,7
73
64,7
24,2
33,9
32,4
63,2
71,8
60,4
48
44,5
44,9
70,9
72,7
59,5
35,9
40
43,6
57,2
75,8
57,7
47,7
42,3
43
68
70,6
54,2
38,6
40,3
49,2
68,5
75,9
63,2
49,8
37
48,8
74,9
75,3
66,9
44,1
39,8
56,6
77,1
78,5
70,6
54,2
47,2
55,1
74,5
88
80,8
54,4
55,2
73,8
85,3
98,7
86,1
62,5
58,6
67
88,4
96,5
87,1
61,2
62,5
85,2
101,7
113,7

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=24356&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=24356&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24356&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 axis5.32292985796581
y axis8.34906272493126
Correlation
correlation used in KDE-0.09912956797355
correlation(x,y)-0.09912956797355

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 5.32292985796581 \tabularnewline
y axis & 8.34906272493126 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & -0.09912956797355 \tabularnewline
correlation(x,y) & -0.09912956797355 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24356&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]5.32292985796581[/C][/ROW]
[ROW][C]y axis[/C][C]8.34906272493126[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]-0.09912956797355[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]-0.09912956797355[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24356&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24356&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 axis5.32292985796581
y axis8.34906272493126
Correlation
correlation used in KDE-0.09912956797355
correlation(x,y)-0.09912956797355


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')