Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*The author of this computation has been verified*

R Software Module

rwasp_edauni.wasp

Title produced by software

Univariate Explorative Data Analysis

Date of computation

Wed, 22 Oct 2008 05:47:19 -0600

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/Oct/22/t1224676255e8svfaech5nqt0t.htm/, Retrieved Sun, 19 May 2024 16:38:16 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=18396, Retrieved Sun, 19 May 2024 16:38:16 +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

259

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

F     [Univariate Explorative Data Analysis] [Investigation Dis...] [2007-10-21 17:06:37] [b9964c45117f7aac638ab9056d451faa]
F   PD    [Univariate Explorative Data Analysis] [Lag plot herberek...] [2008-10-22 11:47:19] [286e96bd53289970f8e5f25a93fb50b3] [Current]
F           [Univariate Explorative Data Analysis] [Investigating Dis...] [2008-10-24 14:40:21] [063e4b67ad7d3a8a83eccec794cd5aa7] 
F           [Univariate Explorative Data Analysis] [investigation dis...] [2008-10-28 06:29:46] [631938996a408f8d8cf3d9850ca0cd03] 

Feedback Forum

2008-10-29 14:52:39 [Siem Van Opstal] [reply] 
Juist antwoord, de student werkt zijn antwoord zeer uitgebreid uit en gebruikt de juiste techniek.
2008-11-02 10:51:44 [Kevin Neelen] [reply] 
Ik heb hier de juiste methode gebruikt om deze vraag te kunnen oplossen, namelijk de EDA-module en heb tevens een juiste conclusie getrokken. Er is niet echt sprake van een constante aangezien de kledingpoductie afwijkt van de algemene economische groei. Dit zien we duidelijk in het Run-equence-Plot die een dalende trend weergeeft. De 'oude' student heeft dus een juiste conclusie getrokken.
  2008-11-02 10:53:06 [Kevin Neelen] [reply] 
Mijn geplaatst antwoord van hierboven hoort bij de volgende vraag!
2008-11-02 13:03:47 [Michaël De Kuyer] [reply] 
De analyse van randomness is heel uitgebreid gebeurd. Helaas is er een foute conclusie getrokken, namelijk dat er wel randomness is. Dit is echter niet zo. Als men zich baseert op de lag plot ligt de puntenwolk niet rond de rechte wat er dus op wijst dat men geen uitspraak kan doen over het heden op basis van gegevens van een maand terug. Op de auto correlation function heeft de student er goed aan gedaan om het aantal lags te maximaliseren. Toch heeft hij hier een interpretatiefout gemaakt door de uitschieters te verwaarlozen. Deze wijzen erop dat de gegevens niet random zijn, maar dat er wel een positieve seizonale autocorrelatie is.  
2008-11-02 17:02:02 [Evelyn Ongena] [reply] 
Mits aanpassingen heeft de student hier de lag plots doen verschijnen, deze zijn van belang bij het nagaan van de voorwaarden van het model. 
2008-11-02 19:25:11 [Yara Van Overstraeten] [reply] 
Michael heeft inderdaad juist opgemerkt dat de student hier een juiste analyse heeft gemaakt, maar een verkeerde conclusie heeft getrokken. 
Als men inderdaad het aantal 'lags' invult op 36, neemt men een zeer gespreide puntenwolk waar, wat wijst op een correlatie van bijna 0. Als men het aantal lags invult op 12 neemt men een positieve helling waar, dat wijst op een positieve seizonale autocorrelatie. 
Er zijn dus maanden met een goede productie en maanden met een mindere productie. Op deze manier kan je voorspellingen maken voor een volgende periode. 
Als men dan de autocorrelatiefunctie bekijkt, wat een samenvatting is van de 2 lag plot functies, kan men zien dat er maar enkele punten zijn die buiten het 95% betrouwbaarheidsinterval liggen. 
Men kan dus algemeen besluiten dat de tijdreeks niet random is omdat er een seizonale autocorrelatie is terug te vinden.

Post a new message

Dataseries X:

Download CSV

Histogram

Boxplots

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	5 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 & 5 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=18396&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]5 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=18396&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=18396&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	5 seconds
R Server	'George Udny Yule' @ 72.249.76.132

Descriptive Statistics
# observations	61
minimum	66.5
Q1	80.6
median	87.3
mean	86.8934426229508
Q3	94.1
maximum	109.7

\begin{tabular}{lllllllll}
\hline
Descriptive Statistics \tabularnewline
# observations & 61 \tabularnewline
minimum & 66.5 \tabularnewline
Q1 & 80.6 \tabularnewline
median & 87.3 \tabularnewline
mean & 86.8934426229508 \tabularnewline
Q3 & 94.1 \tabularnewline
maximum & 109.7 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=18396&T=1

[TABLE]
[ROW][C]Descriptive Statistics[/C][/ROW]
[ROW][C]# observations[/C][C]61[/C][/ROW]
[ROW][C]minimum[/C][C]66.5[/C][/ROW]
[ROW][C]Q1[/C][C]80.6[/C][/ROW]
[ROW][C]median[/C][C]87.3[/C][/ROW]
[ROW][C]mean[/C][C]86.8934426229508[/C][/ROW]
[ROW][C]Q3[/C][C]94.1[/C][/ROW]
[ROW][C]maximum[/C][C]109.7[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=18396&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=18396&T=1

As an alternative you can also use a QR Code:

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

Descriptive Statistics
# observations	61
minimum	66.5
Q1	80.6
median	87.3
mean	86.8934426229508
Q3	94.1
maximum	109.7

Figure 1

PNG link

Postscript link

PDF link

Figure 2

PNG link

Postscript link

PDF link

Figure 3

PNG link

Postscript link

PDF link

Figure 4

PNG link

Postscript link

PDF link

Figure 5

PNG link

Postscript link

PDF link

Figure 6

PNG link

Postscript link

PDF link

Parameters (Session):

par1 = 0 ; par2 = 12 ;

Parameters (R input):

par1 = 0 ; par2 = 12 ;

R code (references can be found in the software module):

par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
x <- as.ts(x)
library(lattice)
bitmap(file='pic1.png')
plot(x,type='l',main='Run Sequence Plot',xlab='time or index',ylab='value')
grid()
dev.off()
bitmap(file='pic2.png')
hist(x)
grid()
dev.off()
bitmap(file='pic3.png')
if (par1 > 0)
{
densityplot(~x,col='black',main=paste('Density Plot   bw = ',par1),bw=par1)
} else {
densityplot(~x,col='black',main='Density Plot')
}
dev.off()
bitmap(file='pic4.png')
qqnorm(x)
grid()
dev.off()
if (par2 > 0)
{
bitmap(file='lagplot.png')
dum <- cbind(lag(x,k=1),x)
dum
dum1 <- dum[2:length(x),]
dum1
z <- as.data.frame(dum1)
z
plot(z,main=paste('Lag plot, lowess, and regression line'))
lines(lowess(z))
abline(lm(z))
dev.off()
bitmap(file='pic5.png')
acf(x,lag.max=par2,main='Autocorrelation Function')
grid()
dev.off()
}
summary(x)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Descriptive Statistics',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'# observations',header=TRUE)
a<-table.element(a,length(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'minimum',header=TRUE)
a<-table.element(a,min(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Q1',header=TRUE)
a<-table.element(a,quantile(x,0.25))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'median',header=TRUE)
a<-table.element(a,median(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'mean',header=TRUE)
a<-table.element(a,mean(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Q3',header=TRUE)
a<-table.element(a,quantile(x,0.75))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'maximum',header=TRUE)
a<-table.element(a,max(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