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_tukeylambda.wasp
Title produced by softwareTukey lambda PPCC Plot
Date of computationSat, 25 Oct 2008 05:28:31 -0600
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/Oct/25/t12249342220t5fj2c0le1ehdb.htm/, Retrieved Sun, 19 May 2024 15:54:57 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=18678, Retrieved Sun, 19 May 2024 15:54:57 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsturkey lambda ppcc totale industrile productie
Estimated Impact198

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Tukey lambda PPCC Plot] [Turkey Lambda PPC...] [2008-10-25 11:28:31] [8da7502cfecb272886bc60b3f290b8b8] [Current]
Feedback Forum
2008-11-04 07:24:43 [Koen De Winter] [reply] 
Een juiste analyse, al geef je geen antwoord op de vraag. De vraag is welk de “beste” distributie is voor de tijdreeks ‘total production’. Je zegt dat de correlatiecoëfficiënt het grootst is bij de normale verdeling, maar zegt niets over de “beste” distributie. Dus leid ik af dat je wilt zeggen dat waar de correlatiecoëfficiënt het grootst is, de distributie het “beste” is. Dit is vaak waar, maar niet altijd.

In dit geval is het waar. Al zijn de anderen (en daarmee bedoel ik dan de ‘logistic distribution’ (lambda = 0) en de ‘beta distribution’ (lambda = 0,5)) daarom nog niet slecht. Waarom de normale verdeling in dit geval toch duidelijk de “beste” distributie is, heeft minder te maken met de hoogte van de correlatiecoëfficiënt, maar meer met de eenvoud van de normale distributie.

Het is te verkiezen om voor een normale distributie te gaan, omdat dit model eenvoudiger is om mee te werken en omdat er meer vanuit geanalyseerd kan worden. Om die reden vind ik het positief dat je hebt geschreven dat het “dus over een goed bespreekbaar model gaat”.
2008-11-04 07:44:53 [Koen De Winter] [reply] 
Blijkbaar worden aanhalingstekens, trema's, e.d. slecht weergegeven. Ik zal het daarom de tekst aanpassen en nog eens posten. Dan zou hij veel duidelijker leesbaar moeten zijn. Mijn excuses voor mogelijke verwarring.

Een juiste analyse, al geef je geen antwoord op de vraag. De vraag is welk de beste distributie is voor de tijdreeks total production. Je zegt dat de correlatiecoefficient het grootst is bij de normale verdeling, maar zegt niets over de beste distributie. Dus leid ik af dat je wilt zeggen dat waar de correlatiecoefficient het grootst is, de distributie het beste is. Dit is vaak waar, maar niet altijd.

In dit geval is het waar. Al zijn de anderen (en daarmee bedoel ik dan de logistic distribution (lambda = 0) en de beta distribution (lambda = 0,5)) daarom nog niet slecht. Waarom de normale verdeling in dit geval toch duidelijk de beste distributie is, heeft minder te maken met de hoogte van de correlatiecoefficient, maar meer met de eenvoud van de normale distributie.

Het is te verkiezen om voor een normale distributie te gaan, omdat dit model eenvoudiger is om mee te werken en omdat er meer vanuit geanalyseerd kan worden. Om die reden vind ik het positief dat je hebt geschreven dat het dus over een goed bespreekbaar model gaat.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
110,40
96,40
101,90
106,20
81,00
94,70
101,00
109,40
102,30
90,70
96,20
96,10
106,00
103,10
102,00
104,70
86,00
92,10
106,90
112,60
101,70
92,00
97,40
97,00
105,40
102,70
98,10
104,50
87,40
89,90
109,80
111,70
98,60
96,90
95,10
97,00
112,70
102,90
97,40
111,40
87,40
96,80
114,10
110,30
103,90
101,60
94,60
95,90
104,70
102,80
98,10
113,90
80,90
95,70
113,20
105,90
108,80
102,30
99,00
100,70
115,50

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'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=18678&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]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=18678&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=18678&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'Sir Ronald Aylmer Fisher' @ 193.190.124.24






Tukey Lambda - Key Values
Distribution (lambda)Correlation
Approx. Cauchy (lambda=-1)0.681034394717584
Exact Logistic (lambda=0)0.984820721672163
Approx. Normal (lambda=0.14)0.989505916159088
U-shaped (lambda=0.5)0.985385537255734
Exactly Uniform (lambda=1)0.97511352322751

\begin{tabular}{lllllllll}
\hline
Tukey Lambda - Key Values \tabularnewline
Distribution (lambda) & Correlation \tabularnewline
Approx. Cauchy (lambda=-1) & 0.681034394717584 \tabularnewline
Exact Logistic (lambda=0) & 0.984820721672163 \tabularnewline
Approx. Normal (lambda=0.14) & 0.989505916159088 \tabularnewline
U-shaped (lambda=0.5) & 0.985385537255734 \tabularnewline
Exactly Uniform (lambda=1) & 0.97511352322751 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=18678&T=1

[TABLE]
[ROW][C]Tukey Lambda - Key Values[/C][/ROW]
[ROW][C]Distribution (lambda)[/C][C]Correlation[/C][/ROW]
[ROW][C]Approx. Cauchy (lambda=-1)[/C][C]0.681034394717584[/C][/ROW]
[ROW][C]Exact Logistic (lambda=0)[/C][C]0.984820721672163[/C][/ROW]
[ROW][C]Approx. Normal (lambda=0.14)[/C][C]0.989505916159088[/C][/ROW]
[ROW][C]U-shaped (lambda=0.5)[/C][C]0.985385537255734[/C][/ROW]
[ROW][C]Exactly Uniform (lambda=1)[/C][C]0.97511352322751[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=18678&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=18678&T=1

As an alternative you can also use a QR Code:  
QR Code


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

Tukey Lambda - Key Values
Distribution (lambda)Correlation
Approx. Cauchy (lambda=-1)0.681034394717584
Exact Logistic (lambda=0)0.984820721672163
Approx. Normal (lambda=0.14)0.989505916159088
U-shaped (lambda=0.5)0.985385537255734
Exactly Uniform (lambda=1)0.97511352322751


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
Parameters (R input):
R code (references can be found in the software module):
gp <- function(lambda, p)
{
(p^lambda-(1-p)^lambda)/lambda
}
sortx <- sort(x)
c <- array(NA,dim=c(201))
for (i in 1:201)
{
if (i != 101) c[i] <- cor(gp(ppoints(x), lambda=(i-101)/100),sortx)
}
bitmap(file='test1.png')
plot((-100:100)/100,c[1:201],xlab='lambda',ylab='correlation',main='PPCC Plot - Tukey lambda')
grid()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Tukey Lambda - Key Values',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Distribution (lambda)',1,TRUE)
a<-table.element(a,'Correlation',1,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Approx. Cauchy (lambda=-1)',header=TRUE)
a<-table.element(a,c[1])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Exact Logistic (lambda=0)',header=TRUE)
a<-table.element(a,(c[100]+c[102])/2)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Approx. Normal (lambda=0.14)',header=TRUE)
a<-table.element(a,c[115])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'U-shaped (lambda=0.5)',header=TRUE)
a<-table.element(a,c[151])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Exactly Uniform (lambda=1)',header=TRUE)
a<-table.element(a,c[201])
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')