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 computationTue, 28 Oct 2008 00:29:46 -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/t1225175429u652zadhvxjgqnl.htm/, Retrieved Sun, 19 May 2024 19:41:53 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=19736, Retrieved Sun, 19 May 2024 19:41:53 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact204

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   PD  [Univariate Explorative Data Analysis] [Lag plot herberek...] [2008-10-22 11:47:19] [6fea0e9a9b3b29a63badf2c274e82506]
F           [Univariate Explorative Data Analysis] [investigation dis...] [2008-10-28 06:29:46] [4e8974eee929007194de34cbeefcb780] [Current]
Feedback Forum
2008-11-01 13:11:43 [Pieter Broos] [reply] 
om de autocorrelatie na de kijken moeten we de lag plot uitvoeren. Dit is correct gedaan!
2008-11-01 20:34:32 [Gregory Van Overmeiren] [reply] 
Voor assumptie 1 moeten we kijken naar autocorrelatie of de lag-plot.
Onder het lag-plot zie je lags(xk=1) staan wat wil zeggen dat de tijdreeks met 1 periode vertraagd is.. => hier kan je geen voorspelling maken voor volgend jaar. We merken ook een rechte lijn op in de grafieken een puntenwolk die rond deze rechte liggen=> dwz dat de autocorrelatie = bijna 0.

De laatste grafiek (autocorrelation function) geeft een samenvatting van de puntenwolk. Deze sluit veel dichter aan bij deze rechte wat wijst op een positieve seizoenale autocorrelatie.

Nu kunnen we wel een voorspelling maken naar volgend jaar toe. dit doen we door de #lags in de autocorrelation function op 36 te zetten ipv 12.
(http://www.freestatistics.org/blog/index.php?v=date/2008/Oct/29/t1225320516y5f46ttv246tbv1.htm)
We zien dat op lag 12 de correlatie zeer groot is en ,niet toevallig, ook op lag 24 (2x12). We hebben hier dus een duidelijke seizoenale autocorrelatie

Voor assumptie 2 moeten we naar het density plot kijken. Er is dus wel degelijk sprake van een (min of meer) normaalverdeling=> zie histogram. Als we kijken naar de normal QQ plot zien we dat de punten een beetje afwijken van de rechte dwz dat het niet perfect normaal verdeeld is maar we liggen er zeer dicht bij.

Voor assumptie 3 zou ik eerder kijken naar central tendency. We zien dat het gemiddelde fluctueert maar schommelt rond 87 (http://www.freestatistics.org/blog/index.php?v=date/2008/Oct/30/t12253256749n8j4m79im0ov8x.htm) dwz dat de ouliers er geen groot effect op hebben. We vermoeden dat er een dalende trend is maar dit is moeilijk te zien op lange termijn.

Voor assumptie 4 moeten we naar de run sequence plot kijken. Als we deze in 2 gelijke delen hakken zien we dat de spreiding in het eerste deel groter is dan in het tweede.Er is dus een verandering van spreiding.

conclusie is dus => Dit is geen geldig model omdat niet alle validiteitsvoorwaarden zijn voldaan.
2008-11-03 22:24:12 [Kristof Francken] [reply] 
Het is inderdaad geen geldig model, en alle assumpties zijn correct berekend.

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'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 & 4 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=19736&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]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=19736&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19736&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'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=19736&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=19736&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19736&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')