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_partialcorrelation.wasp
Title produced by softwarePartial Correlation
Date of computationWed, 12 Nov 2008 12:40:47 -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/t1226519224r9zpjfa3eabhq83.htm/, Retrieved Sun, 19 May 2024 08:50:09 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24416, Retrieved Sun, 19 May 2024 08:50:09 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact160

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Partial Correlation] [various EDA topic...] [2008-11-12 19:40:47] [821c4b3d195be8e737cf8c9dc649d3cf] [Current]
Feedback Forum
2008-11-16 15:12:53 [Gert-Jan Geudens] [reply] 
De berekeningen van de student zijn goed, al had de conclusie toch wel iets vollediger en duidelijker kunnen zijn. Aan de hand van de partiële correlatie kunnen we afleiden, wat de invloed van een derde variabele op de correlatie tussen twee andere variabelen is.
Uit de berekeningen had de student, volgende dingen kunnen afleiden :
*De invoer heeft een groot effect op de correlatie tussen de wisselkoers en de uitvoer. De correlatie neemt af van 0.30 naar 0.09.
*De uitvoer heeft slecht een zeer kleine invloed op de correlatie tussen wisselkoers en invoer. Dit zou kunnen te maken hebben met het feit dat de uitvoer veel talrijker is dan de invoer.
*De wisselkoers heeft een relatief grote invloed op de correlatie tussen invoer en uitvoer, wat uiteraard zeer normaal is.

Om te ontdekken of er nog andere variabelen zijn die enige invloed hebben, kan je nog andere gegevensreeksen introduceren. Je moet dan echter wel rekening houden met het feit dat je slecht 3 variabelen tegelijkertijd kan vergelijken.
2008-11-17 14:04:41 [Stefan Temmerman] [reply] 
Partiële correlatie: De correlaties worden met de juiste toepassing berekend. Wel ontbreekt er een interpretatie en uitleg van de partiële correlatie. Deze berekent de correlatie tussen twee variabelen, na de wegwerking van de derde variabele. Hier correleert de wisselkoers & de uitvoer met een coëfficiënt van 0.29, en de partiële correlatie bedraagt amper 0.09. Dit maakt duidelijk dat de invoer (= de derde variabele) een grote invloed uitoefent.
De student vergeet hier te vermelden dat de wisselkoers niet de enige factor is van het hele import/export gebeuren.
2008-11-19 15:30:08 [Carole Thielens] [reply] 
De student merkt vooreerst terecht op dat zowel bivariate density, partial correlation als triviate scatterplots slechts gebruikt kunnen worden om de relatie tussen maximaal drie variabelen te onderzoeken. Als eerste methode, gebruikte de student de partial correlation methode. Hieruit trok hij foute conclusies. Hoe dichter de correlatiecoëfficient bij 1 ligt, hoe groter het positief verband. Een correlatiecoëfficiënt van 0, duidt daarentegen op helemaal geen lineair verband. Een correlatie van -1 vervolgens, wijst op een perfect negatief verband. De student besloot dat er geen correlatie bestaat tussen invoer en wisselkoers, terwijl de correlatiecoëfficiënt in deze situatie juist wel de grootste is, namelijk 0.66. Wel besluit hij correct dat de wisselkoers een invloed uitoefent op de correlatie invoer en uitvoer. R(y,z), wat deze correlatie voorstelt, bedraagt 0.33. R(yz,x), wat de correlatie voorstelt tussen in- en uitvoer na correctie voor de variabele wisselkoers, daalt tot 0.22. Dankzij de correctie voor de wisselkoers, werd de correlatie tussen de twee variabelen in- en uitvoer dus aanzienlijk verminderd. Verder kan er uit de tabel afgeleid worden dat de correlatie tussen wisselkoers en uitvoer sterk verminderde dankzij de grote invloed die de variabele invoer hierop uitoefent.
2008-11-22 13:05:56 [Angelique Van de Vijver] [reply] 
Goede berekening van de student, maar wel zeer korte verklaring. Goede conclusie dat je met deze R modules slechts de correlatie kan berekenen van maximaal 3 variabelen
Ik zou ook nog vermelden: de partiële corrrelatie berekent de correlatie van 2 variabelen en elimineert de invloed van de derde variabele(controlevariabele). Via deze partiële correlatie kunnen we dus de invloed van een derde variabele op de correlatie tussen 2 andere variabelen afleiden. Deze derde variabele kan een sterk effect hebben op de correlatie van die 2 andere variabelen, daarom is het zeer belangrijk om deze invloed te elimineren.
Uit de tabel kunnen we afleiden dat de invoer (z) een duidelijke invloed heeft op de correlatie tussen wisselkoers (x) en uitvoer (y) aangezien de partiële correlatie (0.09) veel lager ligt dan de gewone correlatie (0.30). We kunnen ook afleiden dat de wisselkoer een grote invloed heeft op de correlatie tussen invoer en uitvoer.
De hoogste partiële correlatie is deze tussen de wisselkoers en de invoer (0.62). Hier kan men dus wel spreken van een degelijke relatie tussen deze 2 variabelen. Bij deze 2 variabelen is er geen groot verschil tussen de gewone (0.66)en de partiële correlatie(0.62), wat er dus op wijst dat de uitvoer geen groot effect heeft op de correlatie tussen invoer en wisselkoers. De andere correlaties uit de tabel zijn redelijk laag.
2008-11-24 23:40:13 [Jessica Alves Pires] [reply] 
Ik ga akkoord met de voorgaande opmerkingen. Aangezien het antwoord uitvoerig besproken is hierboven, heb ik er niets meer aan toe te voegen.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
109,57
107,08
110,33
110,36
106,5
104,3
107,21
109,34
108,2
109,86
108,68
113,38
117,12
116,23
114,75
115,81
115,86
117,8
117,11
116,31
118,38
121,57
121,65
124,2
126,12
128,6
128,16
130,12
135,83
138,05
134,99
132,38
128,94
128,12
127,84
132,43
134,13
134,78
133,13
129,08
134,48
132,86
134,08
134,54
134,51
135,97
136,09
139,14
135,63
136,55
138,83
138,84
135,37
132,22
134,75
135,98
136,06
138,05
139,59
140,58
Dataseries Y:
Download CSV
Histogram 
156,4
143,1
148,9
134
118
125,3
138
114
109,9
151,5
129,1
121,7
126,1
114,3
124,7
111,9
120
119,5
137,8
105,4
135,4
182,5
129,6
147,5
128,9
119,7
149,4
136,6
118,6
121,4
138,9
109,5
131,7
160,3
138,1
136,7
126,6
138
152
137
134,9
154,4
145,2
133,1
169,6
159,3
124,9
138,1
162,5
136,6
148,1
142
137,9
152,5
182,8
135,3
141,8
151,7
140,6
128
Dataseries Z:
Download CSV
Histogram 
377,2
332,2
364,8
352,4
341,6
298,2
355,3
330,9
314,5
418,9
433,2
367
422,9
352,1
419,8
432,7
414,2
387,7
297,2
357,4
384,2
425,2
385,3
355,4
409,8
421,2
421,8
464,2
494
404,2
411,4
403,4
403,3
520,9
439,8
434,8
476,5
454,3
522
498,4
439,9
450,7
447,1
451,3
466,8
498
533,6
451,9
477,1
410,4
469,5
485,4
406,7
439,7
412,2
440,2
411,1
477,7
463,2
320,5

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'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 & 1 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=24416&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]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24416&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24416&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'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Pearson Product Moment Partial Correlation - Ungrouped Data
StatisticValue
Correlation r(xy)0.297966191493334
Partial Correlation r(xy.z)0.0906233855052808
Correlation r(xz)0.661520230627636
Partial Correlation r(xz.y)0.622801305146963
Correlation r(yz)0.354358393706233
Partial Correlation r(yz.x)0.219661783699168

\begin{tabular}{lllllllll}
\hline
Pearson Product Moment Partial Correlation - Ungrouped Data \tabularnewline
Statistic & Value \tabularnewline
Correlation r(xy) & 0.297966191493334 \tabularnewline
Partial Correlation r(xy.z) & 0.0906233855052808 \tabularnewline
Correlation r(xz) & 0.661520230627636 \tabularnewline
Partial Correlation r(xz.y) & 0.622801305146963 \tabularnewline
Correlation r(yz) & 0.354358393706233 \tabularnewline
Partial Correlation r(yz.x) & 0.219661783699168 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24416&T=1

[TABLE]
[ROW][C]Pearson Product Moment Partial Correlation - Ungrouped Data[/C][/ROW]
[ROW][C]Statistic[/C][C]Value[/C][/ROW]
[ROW][C]Correlation r(xy)[/C][C]0.297966191493334[/C][/ROW]
[ROW][C]Partial Correlation r(xy.z)[/C][C]0.0906233855052808[/C][/ROW]
[ROW][C]Correlation r(xz)[/C][C]0.661520230627636[/C][/ROW]
[ROW][C]Partial Correlation r(xz.y)[/C][C]0.622801305146963[/C][/ROW]
[ROW][C]Correlation r(yz)[/C][C]0.354358393706233[/C][/ROW]
[ROW][C]Partial Correlation r(yz.x)[/C][C]0.219661783699168[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24416&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24416&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:

Pearson Product Moment Partial Correlation - Ungrouped Data
StatisticValue
Correlation r(xy)0.297966191493334
Partial Correlation r(xy.z)0.0906233855052808
Correlation r(xz)0.661520230627636
Partial Correlation r(xz.y)0.622801305146963
Correlation r(yz)0.354358393706233
Partial Correlation r(yz.x)0.219661783699168


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
Parameters (R input):
R code (references can be found in the software module):
(rho12 <- cor(x, y))
(rho23 <- cor(y, z))
(rho13 <- cor(x, z))
(rhoxy_z <- (rho12-(rho13*rho23))/(sqrt(1-(rho13*rho13)) * sqrt(1-(rho23*rho23))))
(rhoxz_y <- (rho13-(rho12*rho23))/(sqrt(1-(rho12*rho12)) * sqrt(1-(rho23*rho23))))
(rhoyz_x <- (rho23-(rho12*rho13))/(sqrt(1-(rho12*rho12)) * sqrt(1-(rho13*rho13))))
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Pearson Product Moment Partial Correlation - Ungrouped Data',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Statistic',1,TRUE)
a<-table.element(a,'Value',1,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation r(xy)',header=TRUE)
a<-table.element(a,rho12)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,hyperlink('partial_correlation1.htm','Partial Correlation r(xy.z)',''),header=TRUE)
a<-table.element(a,rhoxy_z)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation r(xz)',header=TRUE)
a<-table.element(a,rho13)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,hyperlink('partial_correlation1.htm','Partial Correlation r(xz.y)',''),header=TRUE)
a<-table.element(a,rhoxz_y)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation r(yz)',header=TRUE)
a<-table.element(a,rho23)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,hyperlink('partial_correlation1.htm','Partial Correlation r(yz.x)',''),header=TRUE)
a<-table.element(a,rhoyz_x)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')