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 18:19:35 -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/28/t1225153355pgrr9krt7tyyopr.htm/, Retrieved Sun, 19 May 2024 18:19:59 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=19718, Retrieved Sun, 19 May 2024 18:19:59 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact307

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]
-    D  [Univariate Explorative Data Analysis] [Investigating Dis...] [2008-10-26 09:55:07] [33f4701c7363e8b81858dafbf0350eed]
F   P       [Univariate Explorative Data Analysis] [Investigating Dis...] [2008-10-28 00:19:35] [dafd615cb3e0decc017580d68ecea30a] [Current]
Feedback Forum
2008-11-01 10:20:46 [Ellen Smolders] [reply] 
D
2008-11-01 10:33:35 [Ellen Smolders] [reply] 
Assumptie 1: De student heeft het antwoord gedeeltelijk correct. De student heeft ontdekt dat we een beperkte seizonaliteit kunnen aflezen van het Lagplot. Voor deze assumptie te testen moeten we de gegevens op het ‘Lagplot’ aflezen, niet van het Run Sequence Plot. In de calculator ‘hoeveel lags’ kunnen we het getal 12 of 36 invullen. Door een aantal lags in te vullen verschuift de tijdreeks één bepaalde periode. Het ‘Lagplot’ geeft dan het scatterplot tussen de oorspronkelijke en de nieuwe tijdreeks weer, zo kunnen we het verband zien tussen het verleden en het heden. Op deze grafiek kunnen we dan zien dat er geen autocorrelatie is. Wanneer we voor aantal lags ‘12’ invullen kunnen we zien dat de puntenwolk dicht bij de lijn liggen en een lichte positieve helling vertoont, dit wil zeggen dat er een positieve seizonale autocorrelatie bestaat. We kunnen ook zien dat de gegevens willekeurig verspreid zijn. Als conclusie kunnen we stellen dat de tijdreeks met lags 12 geen randomness bevat maar autocorrelatie met seizonale betekenis. Als we voor het aantal lags ‘36’ invullen kunnen we op de grafiek van ‘Autocorrelation Function’ een terugkerend patroon per jaar zien.
- Berekening met lag=1 http://www.freestatistics.org/blog/index.php?v=date/2008/Oct/28/t1225208358mqym0v4ds1jl81q.htm
- Berekening met lag= 12 http://www.freestatistics.org/blog/index.php?v=date/2008/Oct/28/t1225207551u4yx1lyzq56yqrm.htm
- Berekening met lag= 36 http://www.freestatistics.org/blog/index.php?v=date/2008/Oct/28/t1225207669gbwb376ekei7pl6.htm

Assumptie 2: De student heeft deze vraag niet correct beantwoord.
Het is correct dat we voor deze assumptie het verloop van de histogram en het density plot vergelijken. We kunnen op de histogram een bijna normaalverdeling waarnemen, met uitzondering van de slag links. Op het density plot kunnen we ook een afgevlakte normaalverdeling waarnemen. Wanneer we willen checken of beide grafieken een normaalverdeling vertonen, kunnen we ook gebruik maken van het Normal QQ Plot. Op deze grafiek zien we dat de punten relatief dicht op de rechte (die het verband tussen de werkelijke en theoretische kwantielen voorstelt) liggen, dit wijst op een bijna normaalverdeling. Slechts in het begin van de rechte zien we de punten verder verwijderd liggen, dit wijst op de afwijking links die te zien was in het histogram. Zoals we eerder geconcludeerd hadden (q1) vertoont de dataset geen autocorrelatie waardor er wel een normaalverdeling is.

Assumptie 3:De student heeft deze vraag niet correct beantwoord.
Voor deze assumptie moeten we onderzoeken of de verdeling een constant niveau heeft, dit kunnen we zien aan de hand van de Run Sequence Plot. We kunnen vaststellen dat de curve zeer sterk op een neer gaat, maar dit is niet relevant (KT). Voor deze assumptie moeten we de LT-trend onderzoeken, dit kunnen we al zien als we de gehele grafiek bekijken, die een dalend verloop weergeeft, dus deze is niet constant.
We kunnen dit ook op een andere manier vinden door de te berekenen of het gemiddelde constant is, met gebruik van de Central Tendancy software. http://www.freestatistics.org/blog/index.php?v=date/2008/Oct/28/t1225208709aqnwr284qqj9tjz.htm
Uit beide grafieken (zowel winsorized als trimmed mean) kunnen we afleiden dat het gemiddelde inderdaad niet constant verloopt. Meer kunnen we niet afleiden. We kunnen besluiten dat we een vermoeden hebben dat de dataset een dalende trend op het einde vertoont.

Assumptie 4: De student heeft deze vraag niet correct beantwoord.
Voor deze assumptie moeten de gegevens op de y-as (random component) ongeveer eenzelfde spreiding hebben en ongeveer even breed zijn (dus constant blijven). Als we kijken naar de spreiding over de tijd heen in het Run Sequence Plot, kunnen we vaststellen dat we de grafiek in 2 kunnen delen waarvan het 1ste deel groter is dan het 2de deel. Dus er is een verandering van schommeling doorheen de tijd.

CONCLUSIE: er werd niet aan alle voorwaarden voldaan, dus de tijdreeks voldoet niet aan het model van: Clothing Production = constant + random component.

2008-11-02 22:45:17 [Jeroen Michel] [reply] 
Het is duidelijk dat aan de vorige feedback weinig valt toe te voegen. Voor deze vraag heb ik dus op aanraden van vorgaande student de herberekingen gemaakt en rekening gehouden met de opmerkingen die zij had/heeft.

Assumptie 1:
Hierbij heb ik deze keer inderdaad gekeken naar de lag plot ipv. de run sequence plot. De resultaten zijn terug te vinden onder deze link:
lag 1: Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Nov/02/t12256648775yuu0x8xxg6fgch.htm, Retrieved Sun, 02 Nov 2008 22:28:06 +0000 Tevens houden we rekening met de puntenwolken zoals opgesomd door de vorige studente.

lag 12: Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Nov/02/t1225665259gny0zbzwwq6rpqr.htm, Retrieved Sun, 02 Nov 2008 22:34:28 +0000

lag 36: Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Nov/02/t1225665398n329mjtqxwani17.htm, Retrieved Sun, 02 Nov 2008 22:36:51 +0000

Assumptie 2:
Hier is inderdaad een foute interpretatie gemaakt. Hier is er inderdaad sprake van een normaalverdeling. Aangezien er in Q1 geen autocorrelatie is, is er hier sprake van normaalverdeling. De resulaten zijn wel op de juiste grafieken afgelezen geweest.

Assumptie 3:
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL http://www.freestatistics.org/blog/date/2008/Nov/02/t1225665670l3jnqcbv4p6c0d6.htm, Retrieved Sun, 02 Nov 2008 22:41:15 +0000
In bovenstaande berekening vind u de juiste oplossingen terug. Hier zijn de opmerkingen van voorgaande studente op waar te nemen en zien we op het einde inderdaad de dalende trend.

Assumptie 4:
Hier is er niet gewerkt door de verschillende lags in te stellen. Belangrijk is hier wel dat deze aanpassingen gebeuren om tot volgende voorwaarde te komen: Clothing Production = constant + random component.
2008-11-03 19:19:06 [Jeroen Aerts] [reply] 
De post van Ellen Smolders ( zie boven) is inderdaad de correcte berekening met de juiste conclusie. Jeroen heeft zich ondertussen ook al verbeterd.

Het enige wat ik nog kan toevoegen is dat we nu kunnen concluderen dat er een positieve seizoenale autocorrelatie plaatsvindt. Dit kunnen we zien bij de lag plots die 12 tot 36 maanden lang zijn. Daar zie je dat als je 12 maanden terug in de tijd gaat, je hetzelfde ziet. Dus als je aan de hand van deze gegevens een voorspelling in de tijd wil maken, kan je best kijken naar de cijfers van 12 maanden daarvoor om je voorspelling te maken.

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 time4 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 4 seconds \tabularnewline
R Server & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=19718&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]4 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=19718&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19718&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 time4 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001






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=19718&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=19718&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19718&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 = 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')