FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_cloud.wasp
Title produced by softwareTrivariate Scatterplots
Date of computationThu, 13 Nov 2008 08:35:36 -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/13/t1226590559aup6hy2o2ycvt68.htm/, Retrieved Sun, 19 May 2024 10:49:17 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24652, Retrieved Sun, 19 May 2024 10:49:17 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact123

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Trivariate Scatterplots] [] [2008-11-13 15:35:36] [1768685c15539a739b6b33586be71b78] [Current]
Feedback Forum
2008-11-18 13:15:05 [Julie Govaerts] [reply] 
* trivariate scatterplot --> toont 3dimensioneel het verband tussen 3 variabelen, kan makkelijk vanuit verschillende perspectieven bekeken worden = invalshoeken en zo andere dingen ontdekken
het nadeel is dat de driedimensionele kubus geprojecteerd wordt op een tweedimensioneel scherm -> het zou ideaal zijn moesten we de kubus dus echt in zijn driedimensionale vorm zien want nu vallen er gegevens weg = worden vertekend

* bivariate kernell density plot --> een punten wolk en er wordt ook een lijn getekend zo dicht mogelijk bij de puntenwolk
bevatten clusters = grotere groepen van gegevens --> onderzoeken welk deel van je tijdsreeks verantwoordelijk is voor een bepaalde puntenwolk
bv cirkelvormig = een correlatie van 0
wordt meer gebruikt om te verkennen!
hier toont de plot eerder een negatief verband tussen de variabelen X en Y EN tussen X en Z gaat het verband eerder de positieve kant uit (zeker geen perfect verband!)

* partiële correlatie --> een goede manier om verbanden te meten want corrigeert voor de schijncorrelatie, nonsenscorrelatie
bij een partiële correlatie is het nodig om een derde variabele te hebben die een groot vertekenend effect heeft = maar is moeilijk te vinden = geluk hebben
bv. de gewone correlatie tussen X en Y = -0,30 en de partiële, dus als het effect van de 3e variabele weggewerkt is, = -0,32 = dit wil zeggen dat de 3e variabele in dit geval niet zoveel invloed heeft
dit is ook het geval bij de correlatie tussen X en Z
maar bij de correlatie tussen Y en Z , met invloed van X is er wel een grotere invloed van de 3e variabele

2008-11-24 14:01:03 [Sören Van Donink] [reply] 
beperkte maar correcte conclusie bij de berekening die mijn inziens correct is.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
103.0
103.5
103.9
104.4
103.5
104.7
101.6
102.3
101.2
101.4
102.7
101.5
102.1
100.5
101.7
103.6
103.2
101.7
105.6
103.7
104.3
105.9
104.8
106.0
105.6
106.7
103.3
103.0
101.6
101.7
Dataseries Y:
Download CSV
Histogram 
101.5
101.3
101.1
101.1
101.4
101.4
101.3
101.2
101.2
101.4
101.1
101.1
101.0
101.0
101.0
100.6
100.6
100.7
100.8
100.9
100.8
100.8
100.8
100.8
100.9
101.0
101.0
101.5
101.1
101.0
Dataseries Z:
Download CSV
Histogram 
103.2
102.9
102.6
102.3
102.1
101.5
101.1
101.9
101.5
101.5
102.0
101.5
101.6
101.5
101.9
102.0
102.0
102.2
102.2
102.3
102.0
101.8
101.8
101.6
101.9
102.3
102.4
102.1
102.3
102.2

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time17 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 & 17 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24652&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]17 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=24652&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24652&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 time17 seconds
R Server'George Udny Yule' @ 72.249.76.132


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Variable X ; par6 = Variable Y ; par7 = Variable Z ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Variable X ; par6 = Variable Y ; par7 = Variable Z ;
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()