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_edauni.wasp
Title produced by softwareUnivariate Explorative Data Analysis
Date of computationSat, 25 Oct 2008 09:08:37 -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/t12249474587hdauylwoj6u3nu.htm/, Retrieved Sun, 19 May 2024 16:36:36 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=18768, Retrieved Sun, 19 May 2024 16:36:36 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact152

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Univariate Explorative Data Analysis] [vraag 3: Q7 valid...] [2008-10-25 15:08:37] [00a0a665d7a07edd2e460056b0c0c354] [Current]
-   PD    [Univariate Explorative Data Analysis] [lag invullen] [2008-11-03 22:35:38] [8d78428855b119373cac369316c08983]
- RMP       [Central Tendency] [central tendency] [2008-11-03 22:45:59] [8d78428855b119373cac369316c08983]
-   PD    [Univariate Explorative Data Analysis] [autocorrelatie] [2008-11-04 08:57:02] [82d201ca7b4e7cd2c6f885d29b5b6937]
- RMPD    [Central Tendency] [central tendency] [2008-11-04 09:05:21] [82d201ca7b4e7cd2c6f885d29b5b6937]
Feedback Forum
2008-11-02 12:19:45 [Jeremy Leysen] [reply] 
Indien je da laatste grafieken wil kunnen bekijken, moet je de 'lags' opgeven. Stel deze in op 12 of 36 en druk dan pas op 'compute'.
2008-11-03 22:57:13 [Isabel Wilms] [reply] 
assumptie 1: om de autocorrelatie te testen gebruiken we de 'lag plot', deze komt pas tevoorschijn wanneer je de lags invult. http://www.freestatistics.org/blog/date/2008/Nov/03/t1225751871vi4j3y0bx46vyqk.htm Deze link toont aan hoe de grafieken van autocorrelatie eruit zien. Bij de lagplot k=1 zien we dat de punten verspreid liggen (niet op de rechte) en er dus geen correlatie is. We kunnen dus ook geen voorspelling maken. Je kan bij de lags ook 12(1jaar) of 36(3jaar) invullen. Ook hier zie je bij de grafiek k=36, dat er geen correlatie is.

assumptie 2: Hier gebruiken we de density plot en normal qq-plot. Omdat bij de density plot de grafiek een zo goed als vloeiend verloop heeft, kunnen we zeggen dat er sprake is van een normaal verdeling. Ook de normal qq-plot laat dit zien, bijna alle puntjes liggen op de rechte.

assumptie 3: Om deze assumptie te testen, hebben we de 'run sequence plot' nodig. We moeten kijken naar de LT-trend van deze grafiek en stellen vast dat het niveau constant is, ondanks de sterke daling. Om van deze stelling zeker te zijn, berekenen we het gemiddelde via de central tendency, hier zien we dat de trimmed mean en de winsorized mean zo goed als constant lopen, het gemiddelde is dus een constante.
http://www.freestatistics.org/blog/date/2008/Nov/03/t1225752475eshswwwppkvur11.htm

assumptie 4: Hier ook gebruiken we de run sequence plot. Wanneer we de grafiek in 2 helften splitsen zien we dat de linkerhelft gelijk is aan de rechterhelft. De spreiding aan de linkerkant is even groot.

Conclusie: model is geldig, aan alle voorwaarden wordt voldaan.
2008-11-04 09:08:18 [Inge Meelberghs] [reply] 
* assumptie 1: Om na te gaan of de dataset autocorrelatie bevat kan je best naar de lag plot kijken en de autocorrelatiefunctie i.p.v. de run sequence plot. Dit kan je instellen door het aantal lags in te vullen. De lag plot zoekt eigelijk het verband tussen het heden en het verleden. Voor het aantal lags kan je best 12 of 36(maximum) nemen.

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Nov/04/t1225789068trv687az6wyngd4.htm

In de eerste lagplot k=1 liggen de punten gespreid rond de rechte waardoor er zich geen correlatie vormt. In de 2de lagplot ligt de puntenwolk ook niet bepaald dicht bij de rechte. Ook dit wijst erop dat er geen correlatie is en ik dus ook geen voorspellig kan doen.

* assumptie 2: De normaalverdeling kan ik op drie wijzen aflezen. Via de histogram, de density plot en de normal QQ plot. Op de histogram en de density plot kan ik zien dat het verloop een vrij normale verdeling vertoont , buiten de hobbel die tussen de waarde 1.0 en 1.1 voorkomt al is deze afwijking is niet doorslaggevend. Op de normal QQ plot is te zien dat de punten min of meer op de rechte liggen, wat wil zeggen dat er sprake is van een normaal verdeling.

*assumptie 3: Om na te gaan of de verdeling constant is moet je naar de run sequence plot kijken. Deze daalt lichtjes en is dus niet constant. Maar om een nog naukeuriger resultaat te verkrijgen moet je de central tendency van deze tijdreeksen berekenen.

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Nov/04/t1225789563z2jrg3ihqtenyu1.htm

Uit de grafieken van de Trimmed mean en de Winsored mean kunnen we afleiden dat het gemiddelde niet constant blijft maar eerder een dalende trend aanneemt.

* assumptie 4: Om na te gaan of de spreiding vast is moet je naar de Run sequence plot kijken. Je moet kijken naar de spreiding over de tijd heen. Deze grafiek moet je dan in midden delen en vergelijken of de schommelingen aan beide kanten ongeveer gelijk zijn. Er is geen groot verschil in de schommelingen aan beide kanten. De spreiding is aan de linker en rechter helft dus praktisch gelijk.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
1,008268734
1,044398907
1,049725383
1,095125321
1,075439817
0,95363123
0,969179069
0,994091035
0,974662627
1,080101948
1,087587822
1,048460105
1,044095599
1,094185013
1,088566169
1,181301327
1,153788767
1,015977145
0,992014197
1,018994519
1,017077977
1,101430785
1,078896552
1,056001411
1,052057686
1,078972775
1,100610998
1,171171171
1,117453929
0,975495308
1,007174018
0,963777863
0,835514458
0,908574499
0,801022326
0,78187776
0,938598623
0,95568104
1,033661315
1,026250663
0,920331876
0,881018065
0,944640754
0,887705547
0,986675895
1,008033792
0,933228867
0,924274709
0,984704112
0,988828766
0,980660417
1,008750564
0,986830317
0,959172991
0,918272662
0,937563884
0,894713925
0,962158658
0,922627614
0,948659067
0,95782644

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time2 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 & 2 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=18768&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]2 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=18768&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=18768&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 time2 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135






Descriptive Statistics
# observations61
minimum0.78187776
Q10.948659067
median0.992014197
mean0.998484833
Q31.052057686
maximum1.181301327

\begin{tabular}{lllllllll}
\hline
Descriptive Statistics \tabularnewline
# observations & 61 \tabularnewline
minimum & 0.78187776 \tabularnewline
Q1 & 0.948659067 \tabularnewline
median & 0.992014197 \tabularnewline
mean & 0.998484833 \tabularnewline
Q3 & 1.052057686 \tabularnewline
maximum & 1.181301327 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=18768&T=1

[TABLE]
[ROW][C]Descriptive Statistics[/C][/ROW]
[ROW][C]# observations[/C][C]61[/C][/ROW]
[ROW][C]minimum[/C][C]0.78187776[/C][/ROW]
[ROW][C]Q1[/C][C]0.948659067[/C][/ROW]
[ROW][C]median[/C][C]0.992014197[/C][/ROW]
[ROW][C]mean[/C][C]0.998484833[/C][/ROW]
[ROW][C]Q3[/C][C]1.052057686[/C][/ROW]
[ROW][C]maximum[/C][C]1.181301327[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=18768&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=18768&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:

Descriptive Statistics
# observations61
minimum0.78187776
Q10.948659067
median0.992014197
mean0.998484833
Q31.052057686
maximum1.181301327


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 0 ; par2 = 0 ;
Parameters (R input):
par1 = 0 ; par2 = 0 ;
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)
qqline(x)
grid()
dev.off()
if (par2 > 0)
{
bitmap(file='lagplot1.png')
dum <- cbind(lag(x,k=1),x)
dum
dum1 <- dum[2:length(x),]
dum1
z <- as.data.frame(dum1)
z
plot(z,main='Lag plot (k=1), lowess, and regression line')
lines(lowess(z))
abline(lm(z))
dev.off()
if (par2 > 1) {
bitmap(file='lagplotpar2.png')
dum <- cbind(lag(x,k=par2),x)
dum
dum1 <- dum[(par2+1):length(x),]
dum1
z <- as.data.frame(dum1)
z
mylagtitle <- 'Lag plot (k='
mylagtitle <- paste(mylagtitle,par2,sep='')
mylagtitle <- paste(mylagtitle,'), and lowess',sep='')
plot(z,main=mylagtitle)
lines(lowess(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')