FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationSat, 29 Nov 2008 04:02:45 -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/29/t12279566461fpaf3m880i278z.htm/, Retrieved Sun, 19 May 2024 05:33:57 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=26200, Retrieved Sun, 19 May 2024 05:33:57 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact205

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Law of Averages] [Random Walk Simul...] [2008-11-25 18:05:16] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [q2] [2008-11-29 11:02:45] [d41d8cd98f00b204e9800998ecf8427e] [Current]
Feedback Forum
2008-12-07 10:57:20 [Kelly Deckx] [reply] 
een juiste interpretatie van de grafiek gegeven.
2008-12-07 17:24:54 [Samira Zeroual] [reply] 
Wat er gezegd is, is correct maar er kan wat extra informatie bij. Op de eerste grafiek kunnen we 2 opeenvolgende meetresultaten bezien. Als de vorige meting heel hoog gelegen is, bestaat er een grote kans, dat de volgende ook heel hoog zal zijn. Dit geldt ook andersom. Dit fenomeen noemen we ‘positieve autocorrelatie’. Met andere woorden, als het niveau van de functie langzaam verloopt, dan is er sprake van positieve autocorrelatie.
In het andere geval, als de grafiek dus heel wispelturig verloopt, dan spreken we van negatieve autocorrelatie.
2008-12-07 20:32:36 [Jasmine Hendrikx] [reply] 
Evaluatie Q2:
De student heeft de berekening goed uitgevoerd en een vrij goede conclusie gegeven. Het is inderdaad zo dat bij de grafiek van de ACF alle coëfficiënten significant verschillend zijn van 0, aangezien ze allemaal buiten het 95% betrouwbaarheidsinterval vallen. Dit kan dus geen toeval zijn en wijst op een fundamentele eigenschap van de tijdreeks. Dit is zeer typisch voor een stochastische trend (niet-deterministisch/ niet-lineair) op LT. We moeten de tijdreeks dus 1 keer differentiëren om de trend eruit te halen, hetgeen de student ook correct vermeldt. Aanvullend zou er vermeld kunnen worden dat de ACF een schijnbare negatieve trend weergeeft en dat we hier kunnen spreken van een positieve autocorrelatie aangezien het niveau van de tijdreeks langzaam evolueert. Wanneer dus de vorige observatie hoog is, is er een grote kans dat de volgende ook hoog zal zijn. Dit kunt je ook afleiden uit de formule die toegepast wordt:
Yt= Yt-1+ Et,
dus Yt-Et = Yt-1.
Dit betekent dat elke voorspelling gelijk is aan de vorige voorspelling, toch ten minste wanneer Et 0 bedraagt of in elk geval niet groot is.
Wanneer je een opeenvolging hebt van zeer hoge en zeer lage pieken, dan is er sprake van negatieve autocorrelatie (= wispelturig).
2008-12-08 19:22:07 [Koen Van Baelen] [reply] 
De grafiek en conclusie zijn correct. Er zijn nog wel enkele opmerkingen.Wanneer we de Autocorrelatiefunctie van de Random-Walk simulatie bekijken kunnen we vaststellen dat alle autocorrelaties significant verschillend zijn van 0 (liggen allemaal buiten 95% betrouwbaarheidsinterval), dat het allemaal positieve getallen zijn (positieve autocorrelatie dus) en dat er zich een dalende trend voordoet. Voor een duidelijkere uitleg kunnen we weer terug vallen op het voorbeeld met de beurskoers. De positieve autocorrelatie vertelt ons dat als, toegepast op beurskoersen, de vorige beurskoers hoog was, de kans groot is dat de volgende ook groot gaat zijn. Ook als de vorige beurskoers laag was, is de kans bijgevolg groot dat de volgende ook laag gaat zijn. De student spreekt ook van een stochastische trend maar wat is dit? Dit is een trend op lange termijn die ervoor zorgt dat het gemiddelde (langzaam) wijzigt.

Post a new message

Dataset

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time3 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 & 3 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=26200&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]3 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=26200&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26200&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 time3 seconds
R Server'George Udny Yule' @ 72.249.76.132


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 0.5 ;
Parameters (R input):
par1 = 500 ; par2 = 0.5 ;
R code (references can be found in the software module):
n <- as.numeric(par1)
p <- as.numeric(par2)
heads=rbinom(n-1,1,p)
a=2*(heads)-1
b=diffinv(a,xi=0)
c=1:n
pheads=(diffinv(heads,xi=.5))/c
bitmap(file='test1.png')
op=par(mfrow=c(2,1))
plot(c,b,type='n',main='Law of Averages',xlab='Toss Number',ylab='Excess of Heads',lwd=2,cex.lab=1.5,cex.main=2)
lines(c,b,col='red')
lines(c,rep(0,n),col='black')
plot(c,pheads,type='n',xlab='Toss Number',ylab='Proportion of Heads',lwd=2,cex.lab=1.5)
lines(c,pheads,col='blue')
lines(c,rep(.5,n),col='black')
par(op)
dev.off()
b
bitmap(file='pic1.png')
racf <- acf(b,n/10,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
racf