Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*Unverified author*

R Software Module

rwasp_partialcorrelation.wasp

Title produced by software

Partial Correlation

Date of computation

Thu, 13 Nov 2008 08:53:02 -0700

Cite this page as follows

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2008/Nov/13/t12265916238r5ndh1yk6ecsis.htm/, Retrieved Sun, 19 May 2024 11:31:22 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24658, Retrieved Sun, 19 May 2024 11:31:22 +0000

QR Codes:

Paste this QR Code to cite your computation.

Original text written by user:

IsPrivate?

No (this computation is public)

User-defined keywords

Estimated Impact

183

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)

F       [Partial Correlation] [Eigen tijdreeks p...] [2008-11-13 15:53:02] [c8dc05b1cdf5010d9a4f2d773adefb82] [Current]

Feedback Forum

2008-11-16 11:04:42 [Nicolaj Wuyts] [reply] 
Uit alle drie de bivariate Kernel density plots, kan je afleiden dat er een positieve correlatie is tussen zowel x en y, als y en Z en x en z. Dit kan je zien doordat de rode kern van de plots een stijgend verloop heeft. Je kan ook zien dat de correlatie tussen x en z dicht tegen de één zal liggen aangezien de spreiding van de plot vrij klein is. Als je de correlatie vergelijkt met de partiele correlatie, kan je zien dat deze overeenkomen behalve voor x en y. De partiële correlatie wordt hier plots -1 tov 0,11 bij de gewone correlatie. Aangezien de invloed van de derde variable er wordt uit gefilterd bij de partiële correlatie, kunnen we besluiten dat de z-waarden een grote invloed hadden op de relatie tussen x en y. Dat is dus het grote nadeel van de gewone correlatie en de bivariate Kernel density plot: zij houden geen rekening met de invloed van de derde variabele op de relatie van de twee andere variabelen.
2008-11-23 13:22:08 [c97d2ae59c98cf77a04815c1edffab5a] [reply] 
De student had geen conclusie of uitleg staan bij deze opgave. 
Ik zal hier eerst wat theorie zetten, kwestie van verduidelijking te geven over de opdracht en dan een conclusie vormen. 
Een sterke correlatie (of associatie) tussen twee variabelen betekent nog niet dat de verschijnselen, die door de beide variabelen worden gemeten, causaal of betekenisvol gerelateerd zijn. Soms zijn correlaties toevallig. Vooral als het aantal waarnemingen klein is, kan dat gemakkelijk gebeuren. Omdat dit verschijnsel vaak voorkomt en niet zelden tot foutieve conclusies leidt, zijn we van schijncorrelaties gaan spreken.Om na te gaan of het verband tussen de variabele x en y een schijncorrelatie zou zijn, gaan we het effect van de derde variabele z, op de correlatie tussen x en y, onderzoeken en zo een besluit vormen of z eventueel een vertekend beeld zou hebben op het causaal verband tussen x en y. hier: Partial Correlation r(xy.z)= -1 dit wil zeggen dat de derde variabele z een grote invloed heeft op het verband tussen x en y, het is een perfect negatief lineair verband. hierdoor zal de correlatie tussen x en y ook sterk beïnvloed worden, waardoor de kans groot is dat dit een schijncorrelatie was. 
2008-11-24 10:12:44 [Julian De Ruyter] [reply] 
De student gaf hier geen conclusie of uitleg bij de berekening. 
De correlatie tussen 2 variabelen (x-y) kan vaak toevallig zijn (schijncorrelatie). De partial correlation geeft ons de mogelijkheid om de invloed van een 3de variabele (z) te testen op de correlatie tussen 2variabelen (x-y). Op deze manier kunnen we beter onderzoeken of het om een toevallig verband gaat of niet... 
Tussen x-z heb je een hoge correlatie van 0.94, de Partial Correlation (xz.y)=1 dit wil zeggen dat y een grote invloed heeft op de correlatie tussen x-z. 
Correlatie tussen x-y is 0.11 met een Partial Correlation r(xy.z) van -1 dit wil zeggen dat Z een zeer groot negatieve invloed op de correlatie tussen x-y heeft gehad waardoor dit misschien een schijncorrelatie kan zijn.
2008-11-24 19:31:54 [Liese Drijkoningen] [reply] 
De jusite grafiek werd geproduceerd, maar er werd geen informatie gegeven. 
Op het dendogram zien we vanboven twee opslitsingen die op zich ook steeds verder worden opgesplitst. We kunnen deze grafiek makkelijk visueel aflezen. Een dendogram moet gebruikt worden als een exploratief instrument. In dit geval wordt het wel op een atypische manier gebruikt. Meestal wordt dit statistisch instrument ingezet in marketing. 
We hebben hier te maken met clustering. In de rijen kan je de periodes die op elkaar volgen aflezen. Zoals ik al zei, wordt het bovenste knooppunt steeds verder opgesplitst tot men bij de periode aankomt. 
2008-11-24 19:57:27 [Liese Drijkoningen] [reply] 
Ik heb per ongeluk de commentaar voor vraag 2 hier gepost. Deze zal ik kopiëren naar de juiste plaats en hier geeft ik dan de juiste commentaar. 
We berekenen de partiële correlatie in eerste instantie om te berekenen wat de correlatie is tussen 2 variabelen, zonder invloed van een 3e variabele omdat deze 3e variabele soms kan zorgen voor een schijncorrelatie. Met de partiële correlatie bereken we dus de werkelijke correlatie tussen 2 variabelen.  
De correlatie tussen x en y ligt zeer dicht bij nul, maar heeft wel een positief verband. Als we de partiële correlatie berekenen wordt deze -1. Dit betekent dat de als we de invloed van de 3e variabele buiten beschouwing laten, we een volledig ander resultaat krijgen. Dan is er met name sprake van een negatieve correlatie.
2008-11-24 21:08:03 [Jonas Scheltjens] [reply] 
Het fundamentele element van de partiële correlatie is het feit  dat de 3de dimensie wordt weggelaten, wat wil zeggen dat er telkens slechts 2 reeksen worden vergeleken, terwijl de derde buiten beschouwing wordt gelaten. De partiële correlatie  geeft verbanden weer tussen variabelen. Maar het zou fout zijn mocht men denken dat dit altijd een oorzakelijk verband is(zoals er bijvoorbeeld een positieve correlatie werd gevonden tussen de aantallen van geboortes van baby’s bij mensen en bij ooievaars, maar het is absurd om te stellen dat er hier sprake is van een oorzakelijk verband). Dit wordt ook wel schijncorrelatie genoemd. De reden dat een schijncorrelatie dan toch een positief verband kan tonen is te wijten aan het feit dat er tussen de gegevensreeksen onderling niet altijd een verband bestaat, maar dat de relatie zo’n verloop vertoont vanwege de invloed van een derde (of in veel gevallen zijn er zeer veel) variabele die niet in het onderzoek werd onderzocht. De student zou misschien ook de waarden uit de tabel die de beste correlatie weergeven in de bespreking opnemen. 

Post a new message

Dataseries X:

Download CSV

Histogram

Boxplots

Dataseries Y:

Download CSV

Histogram

Dataseries Z:

Download CSV

Histogram

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 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 & 1 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24658&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]'George Udny Yule' @ 72.249.76.132[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24658&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24658&T=0

As an alternative you can also use a QR Code:

The GUIDs for individual cells are displayed in the table below:

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 seconds
R Server	'George Udny Yule' @ 72.249.76.132

Pearson Product Moment Partial Correlation - Ungrouped Data
Statistic	Value
Correlation r(xy)	0.117742683356789
Partial Correlation r(xy.z)	-1
Correlation r(xz)	0.94346147990234
Partial Correlation r(xz.y)	1
Correlation r(yz)	0.440262122495144
Partial Correlation r(yz.x)	0.999999999999999

\begin{tabular}{lllllllll}
\hline
Pearson Product Moment Partial Correlation - Ungrouped Data \tabularnewline
Statistic & Value \tabularnewline
Correlation r(xy) & 0.117742683356789 \tabularnewline
Partial Correlation r(xy.z) & -1 \tabularnewline
Correlation r(xz) & 0.94346147990234 \tabularnewline
Partial Correlation r(xz.y) & 1 \tabularnewline
Correlation r(yz) & 0.440262122495144 \tabularnewline
Partial Correlation r(yz.x) & 0.999999999999999 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24658&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]0.117742683356789[/C][/ROW]
[ROW][C]Partial Correlation r(xy.z)[/C][C]-1[/C][/ROW]
[ROW][C]Correlation r(xz)[/C][C]0.94346147990234[/C][/ROW]
[ROW][C]Partial Correlation r(xz.y)[/C][C]1[/C][/ROW]
[ROW][C]Correlation r(yz)[/C][C]0.440262122495144[/C][/ROW]
[ROW][C]Partial Correlation r(yz.x)[/C][C]0.999999999999999[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24658&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24658&T=1

As an alternative you can also use a QR Code:

The GUIDs for individual cells are displayed in the table below:

Pearson Product Moment Partial Correlation - Ungrouped Data
Statistic	Value
Correlation r(xy)	0.117742683356789
Partial Correlation r(xy.z)	-1
Correlation r(xz)	0.94346147990234
Partial Correlation r(xz.y)	1
Correlation r(yz)	0.440262122495144
Partial Correlation r(yz.x)	0.999999999999999

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')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code