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_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationSun, 30 Nov 2008 07:50:39 -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/30/t12280566952eca04r4fona5u1.htm/, Retrieved Tue, 28 May 2024 01:46:03 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=26540, Retrieved Tue, 28 May 2024 01:46:03 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsreproductie vraag 2 Natalie De Wilde
Estimated Impact192

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] [Law of averages] [2008-11-30 14:50:39] [bb7e3816cefc365f4d7adcd50784b783] [Current]
Feedback Forum
2008-12-06 12:39:31 [] [reply] 
In de grafiek met excess of head doet er zich duidelijk een langzaam dalende trend voor.
Bij deze grafiek kan je aflezen dat de koers altijd eventjes op het zelfde niveau blijft en dan terug weer stijgt of zakt en dan weer op het zelfde niveau. Dus hieraan kan je zien dat je een voorspelling kan maken, dus als je een moment x hebt dan zal waarschijnlijk X t+1 ongeveer het zelfde niveau hebben als X. Dus men kan voorspellen op basis van het verleden. Dit kan je ook afleiden uit de formule van de random-walk: Yt=Yt-1 + Et , dus als Yt-1 hoog is, dan zal Yt ook hoog zijn. De LT trend kan je ook aflezen uit de ACF, jij veronderstelt dat er negatieve autocorrelatie is, maar het is zeker positieve autocorrelatie: Als het niveau van de functie langzaam verloopt, dan is er een positieve autocorrelatie en als de grafiek heel wispelturig verloopt spreken we van een negatieve autocorrelatie. Dus als op moment X de beurskoers hoog is zal waarschijnlijk op Xt+1 de beurskoers ook nog hoog zijn.Nu is het de bedoeling om adhv differentiatie de LT trend uit de tijdreeksen te halen.
2008-12-06 12:40:05 [Ken Wright] [reply] 
In de grafiek met excess of head doet er zich duidelijk een langzaam dalende trend voor.
Bij deze grafiek kan je aflezen dat de koers altijd eventjes op het zelfde niveau blijft en dan terug weer stijgt of zakt en dan weer op het zelfde niveau. Dus hieraan kan je zien dat je een voorspelling kan maken, dus als je een moment x hebt dan zal waarschijnlijk X t+1 ongeveer het zelfde niveau hebben als X. Dus men kan voorspellen op basis van het verleden. Dit kan je ook afleiden uit de formule van de random-walk: Yt=Yt-1 + Et , dus als Yt-1 hoog is, dan zal Yt ook hoog zijn. De LT trend kan je ook aflezen uit de ACF, jij veronderstelt dat er negatieve autocorrelatie is, maar het is zeker positieve autocorrelatie: Als het niveau van de functie langzaam verloopt, dan is er een positieve autocorrelatie en als de grafiek heel wispelturig verloopt spreken we van een negatieve autocorrelatie. Dus als op moment X de beurskoers hoog is zal waarschijnlijk op Xt+1 de beurskoers ook nog hoog zijn.Nu is het de bedoeling om adhv differentiatie de LT trend uit de tijdreeksen te halen.
2008-12-09 17:16:55 [Julian De Ruyter] [reply] 
We merken een schijnbaar negatieve trend op.
Er is een positieve autocorrelatie (toekomstprognoses op basis van informatie uit het verleden). Dat wil zeggen dat wanneer de vorige observatie klein was, de kans groot is dat de volgende observatie ook klein zal zijn. De observatie is dus gebaseerd op de vorige observatie + op iets dat op toeval berust. De positieve correlatie komt doordat het verloop traag en stelselmatig is, daar staat tegenover dat als er een wispelturige opeenvolging van hoge en lage waarden plaatsvindt, we te maken hebben met een negatieve correlatie.

Verder kan je afleiden dat dit patroon dus geen toeval kan zijn, daar de lijnen buiten het 95% betrouwbaarheidsinterval liggen en op deze wijze significant verschillen van 0.
We kunnen besluiten dat dit patroon typisch is voor een stochastische trend op lange termijn.

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 time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135

\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 & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=26540&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]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=26540&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26540&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'Gwilym Jenkins' @ 72.249.127.135


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