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 computationMon, 27 Oct 2008 11:45:18 -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/27/t1225129568y4kk4q919fl8upa.htm/, Retrieved Sun, 19 May 2024 12:58:41 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=19328, Retrieved Sun, 19 May 2024 12:58:41 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact149

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] [Investigating dis...] [2007-10-22 19:45:25] [b9964c45117f7aac638ab9056d451faa]
F    D    [Univariate Explorative Data Analysis] [Q7: Consumptiegoe...] [2008-10-27 17:45:18] [2ba2a74112fb2c960057a572bf2825d3] [Current]
- R P       [Univariate Explorative Data Analysis] [Verbetering Q7] [2008-10-30 20:55:24] [491a70d26f8c977398d8a0c1c87d3dd4]
-   P         [Univariate Explorative Data Analysis] [Verbetering Q7] [2008-10-30 21:02:46] [491a70d26f8c977398d8a0c1c87d3dd4]
- RMP         [Central Tendency] [Verbetering Q7] [2008-10-30 21:20:38] [491a70d26f8c977398d8a0c1c87d3dd4]
Feedback Forum
2008-11-03 17:48:29 [Liese Tormans] [reply] 
Hiervoor moet de tijdreeks voldoen aan bepaalde voorwaarden.
1. random drawings;
2. from a fixed distribution;
3. with the distribution having fixed location; and
4. with the distribution having fixed variation.

Deze voorwaarden heb ik alle 4 getest. Hieronder vind je de bespreking van Q2

Assumptie 1

Assumptie 1 heb ik niet opgelost.Ik had assumptie 1 moeten oplossen aan de hand van de volgende grafiek: De lag plot.

Hoe bekom ik deze grafieken
lags (autocorrelation function) (?) invullen 12 (1jaar) of 36 voor 3 jaren.
Waarom is dit niet automatisch ingevuld: Lags enkel gebruiken voor tijdreeksen.

Link met juiste oplossing
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Oct/30/t1225400621wcrvqfa2xa0kpga.htm , Retrieved Thu, 30 Oct 2008 21:03:58 +0000

De lag plots gaan het verband vast leggen tussen heden en verleden
Bij de lag plot k=1: punten liggen verspreid rond de rechte lijn ( autocorrelatie (maatstaf die aangeeft hoe dicht de punten op een rechte liggen)-> bijna nul) Het is hier ook moeilijk om uitspraak te doen over de toekomst

Bij lag plot k=12: samenvatting lag plot 1 jaar: De punten liggen hier al dichter bij de lijn maar ze liggen nog steeds verspreid.
Bij de samenvattende grafiek zie ik dat er jaar na jaar dezelfde goede maanden zijn en ook jaar na jaar dezelfde slechte maanden: ik kan hier dus spreken van seizonaliteit. Dit wordt duidelijker als ik de lag op 36 zetten.

Zie link
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Oct/30/t12254002005zc22le1iyl3f5n.htm , Retrieved Thu, 30 Oct 2008 20:56:50 +0000

De productie van het verleden heeft dus nog altijd iets te maken met het heden.
Mijn algemene conclusie: De tijdreeks is niet random.

Assumptie 2
Voor de tweede assumptie heb ik gekeken naar de density plot en het histogram.

Ik heb in mijn conclusie dan ook kort samengevat dat we toch kunnen spreken van een normaal verdeling.

Ik wil in mijn verbetering de oplossing per grafiek toch nog een beetje uitgebreider bespreken.

Op het histogram zien ik dat de verdeling min of meer normaal is, op een kleine uitzondering nl de eerste staart is een stuk hoger als de laatste.

Ook op de density plot kan ik een normaalverdeling vast stellen. Er is een heel kleine afwijking merkbaar bij een waarde van ongeveer 115 maar deze is niet doorslaggevend voor de algemene conclusie.

Het is ook mogelijk om de normaalverdeling af te lezen op de Normal Q-Q plot. Dit heb ik in mijn oplossing niet vermeld. Hier onder volgt een korte omschrijving.

Op de verticale as staan dan de gewone quantilen en op de horizontale de theoretische kwantielen. Hoe dichter de punten op de normaal lijn liggen, hoe normaler de verdeling.

Ik kan hier zien dat de meeste punten op de normaal lijn liggen, hier en daar zijn er een paar heel kleine afwijkingen vooral aan het begin en het einde maar ik kan hieruit concluderen dat er geen uitgesproken verschillen zijn. Dus ook op deze grafiek kan ik aflezen dat er een normaal verdeling is.

Assumptie 3
Om een conclusie te vormen bij het derde puntje ben ik gaan kijken naar de Q-Q normal plot. Om een goede conclusie te vormen had ik de tijdreeksen moeten ingeven bij de central tendensy en aan de hand van deze gegevens een conclusie kunnen vormen.

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Oct/30/t1225401697zf73mm6n6a5ju58.htm, Retrieved Thu, 30 Oct 2008 21:21:44 +0000

Ik heb een gemiddelde van 114,26, ook kan ik zien dat er niet echt invloeden outliers aanwezig zijn.
Conclusie: Het is moeilijk te zien maar we vermoeden dat er op LT een dalende trend is.

Assumptie 4:
Ik heb deze vraag niet opgelost omdat ik niet wist naar welke grafieken ik moest kijken, ik ging ervan uit dat ik naar de grafieken moest kijken die niet weergegeven werden.

Voor assumptie 4 had ik moeten kijken naar de Run sequence plot. Als ik de grafiek in twee delen splits dan zie ik dat de spreiding in deel 1 groter is dan de spreiding in deel 2. Dus deel 1 schommelt harder als deel 2

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Oct/30/t12254002005zc22le1iyl3f5n.htm , Retrieved Thu, 30 Oct 2008 20:56:50 +0000


2008-11-03 22:25:52 [2b91075c702c6e89854c34747e80ec72] [reply] 
*assumptie 1: 0m na te gaan of de dataset autocorrelatie bevat kan je best naar de lag plot kijken en de autocorrelatiefunctie. 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. Daarna moet je naar de eerste lagplot k=1 en de 2e lagplot kijken. Hier moet je nagaan of de puntenwolk dicht bij de rechte ligt of eerder gespreid. Aan de hand hiervan kan je dan nagaan of er zich al dan niet autocorrelatie voordoet.

*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. Hieruit kan je dan afleiden of de spreiding al dan niet gelijk is.
2008-11-03 23:10:10 [2b91075c702c6e89854c34747e80ec72] [reply] 
vervolg van bovenstaande assumpties

*assumptie 2: Is correct maar kon misschien iets uitgebreider worden uitgelegd. De normaalverdeling kan je inderdaad op drie wijzen aflezen. Via de histogram, de density plot en de normal QQ plot. De histogram toont aan dat de verdeling min of meer gelijk is. Op de density plot kunnen we zien dat het verloop ook een vrij normale verdeling vertoont , al is er wel een kleine afwijking rond de waarde 115, doch is deze niet doorslaggevend op de conclusie. 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. Omdat het in dit geval moeilijk is om dit af te leiden uit de grafiek en we een zo naukeurig mogelijk resultaat willen verkrijgen moet je de central tendency van deze tijdreeksen berekenen. Uit de grafieken van de Trimmed mean en de Winsored mean kunnen we dan afleiden ofdat het gemiddelde al dan niet constant blijft.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
109.6
103
111.6
106.3
97.9
108.8
103.9
101.2
122.9
123.9
111.7
120.9
99.6
103.3
119.4
106.5
101.9
124.6
106.5
107.8
127.4
120.1
118.5
127.7
107.7
104.5
118.8
110.3
109.6
119.1
96.5
106.7
126.3
116.2
118.8
115.2
110
111.4
129.6
108.1
117.8
122.9
100.6
111.8
127
128.6
124.8
118.5
114.7
112.6
128.7
111
115.8
126
111.1
113.2
120.1
130.6
124
119.4
116.7

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'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 & 2 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=19328&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]'George Udny Yule' @ 72.249.76.132[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=19328&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19328&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'George Udny Yule' @ 72.249.76.132






Descriptive Statistics
# observations61
minimum96.5
Q1107.8
median114.7
mean114.585245901639
Q3120.9
maximum130.6

\begin{tabular}{lllllllll}
\hline
Descriptive Statistics \tabularnewline
# observations & 61 \tabularnewline
minimum & 96.5 \tabularnewline
Q1 & 107.8 \tabularnewline
median & 114.7 \tabularnewline
mean & 114.585245901639 \tabularnewline
Q3 & 120.9 \tabularnewline
maximum & 130.6 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=19328&T=1

[TABLE]
[ROW][C]Descriptive Statistics[/C][/ROW]
[ROW][C]# observations[/C][C]61[/C][/ROW]
[ROW][C]minimum[/C][C]96.5[/C][/ROW]
[ROW][C]Q1[/C][C]107.8[/C][/ROW]
[ROW][C]median[/C][C]114.7[/C][/ROW]
[ROW][C]mean[/C][C]114.585245901639[/C][/ROW]
[ROW][C]Q3[/C][C]120.9[/C][/ROW]
[ROW][C]maximum[/C][C]130.6[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=19328&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19328&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
minimum96.5
Q1107.8
median114.7
mean114.585245901639
Q3120.9
maximum130.6


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)
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')