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 13:40:37 -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/27/t12251365277fvnk221h1enhjz.htm/, Retrieved Tue, 28 May 2024 20:12:27 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=19491, Retrieved Tue, 28 May 2024 20:12:27 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact155

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] [Investigation Dis...] [2007-10-21 17:06:37] [b9964c45117f7aac638ab9056d451faa]
F R  D  [Univariate Explorative Data Analysis] [q2 univariate exp...] [2008-10-22 12:54:15] [7173087adebe3e3a714c80ea2417b3eb]
F           [Univariate Explorative Data Analysis] [Q2 Univariate exp...] [2008-10-27 19:40:37] [70ba55c7ff8e068610dc28fc16e6d1e2] [Current]
Feedback Forum
2008-11-02 17:44:36 [Evelyn Ongena] [reply] 
Om voorwaarden te kunnen nagaan is het aangeraden om de r code aan te passen zodanig dat we lag plots te zien krijgen. Deze hebben we nodig om de eerste voorwaarde na te gaan, de student had naar deze grafiek moeten kijken ipv naar de run sequence plot.
2008-11-03 18:45:52 [Kevin Engels] [reply] 
De eerste voorwaarde is dat er geen auto-correlatie mag zijn. Hier moest ik dus de lagplot gebruiken en niet de run sequence plot. Je kan bij 'lags' dan het aantal lags invoeren, ofwel 12 ofwel maximaal 36. http://www.freestatistics.org/blog/index.php?v=date/2008/Nov/02/t1225624995axnhpl8dtcdlwqe.htm
Bij de eerste lagplot zien we dat de lijn bijna horizontaal loopt en de punten liggen gespreid rond de rechte, dit betekent dat de correlatie bijna 0 is.

Bij lagplot (k=12) zien we dat de punten veel dichter bij de lijn liggen als bij de eerste lag plot, het is een positieve recht wat positieve auto-correlatie met zich meebrengt of seizonale correlatie => je kan zo de productie voor het volgende jaar voorspellen aangezien het telkens de zelfde maanden zijn die een hoge productie afleveren.

Als je nu het aantal lags in 36 veranderd, zie je dit duidelijker opde autocorrelation function, je vindt op maand 12, 24 en 36 telkens een grotere auto-correlatie terug.
http://www.freestatistics.org/blog/index.php?v=date/2008/Nov/02/t1225627086hzsqgveszgl9k18.htm
Conclusie: de tijdreeks is niet random want ze bevat auto-correlatie (seizonale correlatie)

Voor assumptie 2 gaf ik het goede antwoord.

Assumptie 3
voor de derde assumptie gebruikte ik de qq-plot wat niet de goede plot was. Wel goed was de run-sequence plot geweest. Het feit dat de reeks snel op en neer gaat, speelt geen rol, wel op lange termijn. Op lange termijn zie je dat ze daalt maar het niveau blijft meer dan waarschijnlijk niet constant, het is moeilijk te zien en daarom gaan we naar de central tendency kijken.
http://www.freestatistics.org/blog/index.php?v=date/2008/Nov/02/t1225628094jg5tosatmkaq3np.htm
De robustness of central tendency geeft een zekere fluctuatie maar bedraagt +- 87. Dus op lange termijn is er een dalende trend, maar moeilijk te zien.

assumptie 4
Hier was ik weer fout.
Er moest met de sequene plot gewerkt worden waarbij we gaan kijken naar de spreiding van de reeks over de tijd heen. Als we deze grafiek in 2 delen snijden, zien we dat in deel 1 een grotere spreiding is dan in deel 2. Door de tijd is er verandering van schommelingmarges.


Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
109.20
88.60
94.30
98.30
86.40
80.60
104.10
108.20
93.40
71.90
94.10
94.90
96.40
91.10
84.40
86.40
88.00
75.10
109.70
103.00
82.10
68.00
96.40
94.30
90.00
88.00
76.10
82.50
81.40
66.50
97.20
94.10
80.70
70.50
87.80
89.50
99.60
84.20
75.10
92.00
80.80
73.10
99.80
90.00
83.10
72.40
78.80
87.30
91.00
80.10
73.60
86.40
74.50
71.20
92.40
81.50
85.30
69.90
84.20
90.70
100.30

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=19491&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=19491&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19491&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
minimum66.5
Q180.6
median87.3
mean86.8934426229508
Q394.1
maximum109.7

\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=19491&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=19491&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19491&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
minimum66.5
Q180.6
median87.3
mean86.8934426229508
Q394.1
maximum109.7


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')