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_meanplot.wasp
Title produced by softwareMean Plot
Date of computationThu, 30 Oct 2008 08:32:47 -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/30/t1225377846op0rf9iil4t756d.htm/, Retrieved Sun, 19 May 2024 16:31:33 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20069, Retrieved Sun, 19 May 2024 16:31:33 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact142

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Mean Plot] [workshop 3] [2007-10-26 12:14:28] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F    D    [Mean Plot] [Q2] [2008-10-30 14:32:47] [787873b6436f665b5b192a0bdb2e43c9] [Current]
Feedback Forum
2008-11-09 18:43:10 [Tamara Witters] [reply] 
Dit is geen juiste oplossing.
A.d.h.v de meanplot kunnen we zien of een tijdreeks seizoenaliteit of niet heeft. Elk bolletje geeft het gemiddelde weer van eenzelfde maand van verschillende jaren (vb: maart 2000, maart 2001, maart 2002,..) We kunnen hier afleiden dat er een significant verschil is tussen het gemiddelde van juni en juli.
Als we dan gaan kijken naar de notched boxplots dan kan we ook zien dat er een significant veschil is tussen deze 2 maanden. Juni valt nl niet meer binnen het betrouwbaarheidsinterval van juli. Bijgevolg is een een significant verschil. Dit wil zeggen dat er seizoenaliteit is.
2008-11-09 18:51:41 [Tamara Witters] [reply] 
Q3:
Dit is niet helemaal juist. Ik heb mijn conclusie uit de verkeerde grafiek afgeleid.
Als we kijken naar de notched box plots zien we dat de mediaan is gedaal t.o.v het basisjaar.
We kunnen ook zien dat wanneer we het 5ejaar met het 1e vergelijken dat het 5ejaar in het betrouwbaarheidsinterval valt van het eerste.
Bijgevolg kunnnen we niet spreken significante daling van de kledingproductie.
2008-11-11 12:59:08 [256f97d8b7c07ed49f142eff724c6520] [reply] 
Om seizoensinvloeden na te gaan moet je u baseren op meerdere jaren. (Periode 60) Dit kan u nakijken inderdaad aan de hand van de mean plot.
2008-11-11 21:31:07 [df2ed12c9b09685cd516719b004050c5] [reply] 
De seizoenaliteit kan u nagaan aan de hand van de meanplot, deze zet op de x-as de periode en de y-as krijgt de gemiddelden. Op een jaarbasis, heeft het eerste getal (1) op de x-as de betekenis 'het gemiddelde van januari' en dan lees je bij de y-as simpelweg het gemiddelde af. Zo zie je dan of er sprake is van seizoenaliteit.

Of deze seizoenaliteit een significant verschil heeft, zien we via de notched boxplots ( hetzelfde principe van de meanplot => gemiddelde per maand, maar dan in boxplots). We zien een significant verschil, duidelijk seizoenaliteit.
2008-11-11 21:46:48 [df2ed12c9b09685cd516719b004050c5] [reply] 
Q3: Voor deze oef zien we naar notched boxplots-sequential blocks.
Ook hier weer kijken we naar de mediaan van block en vergelijken deze met elkaar. Wanneer we de mediaan van de ene box op en neer laten bewegen in de box, mag deze niet overlappen met de betrouwbaarheidsintervallen van de andere box. Als we 1 met 2 vergelijken en 2 met 3 of 3 met 4, ... zien we dat deze overlappen. Wanneer we nu 1 met 5 vergelijken zien we dat eer een daling is, maar we kunnen met het blote oog niet 100% zeker zien of dit verschil significant is.

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 time3 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 & 3 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20069&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]3 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=20069&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20069&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 time3 seconds
R Server'George Udny Yule' @ 72.249.76.132


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 12 ;
Parameters (R input):
par1 = 12 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
(n <- length(x))
(np <- floor(n / par1))
arr <- array(NA,dim=c(par1,np+1))
ari <- array(0,dim=par1)
j <- 0
for (i in 1:n)
{
j = j + 1
ari[j] = ari[j] + 1
arr[j,ari[j]] <- x[i]
if (j == par1) j = 0
}
ari
arr
arr.mean <- array(NA,dim=par1)
arr.median <- array(NA,dim=par1)
arr.midrange <- array(NA,dim=par1)
for (j in 1:par1)
{
arr.mean[j] <- mean(arr[j,],na.rm=TRUE)
arr.median[j] <- median(arr[j,],na.rm=TRUE)
arr.midrange[j] <- (quantile(arr[j,],0.75,na.rm=TRUE) + quantile(arr[j,],0.25,na.rm=TRUE)) / 2
}
overall.mean <- mean(x)
overall.median <- median(x)
overall.midrange <- (quantile(x,0.75) + quantile(x,0.25)) / 2
bitmap(file='plot1.png')
plot(arr.mean,type='b',ylab='mean',main='Mean Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.mean,0)
dev.off()
bitmap(file='plot2.png')
plot(arr.median,type='b',ylab='median',main='Median Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.median,0)
dev.off()
bitmap(file='plot3.png')
plot(arr.midrange,type='b',ylab='midrange',main='Midrange Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.midrange,0)
dev.off()
bitmap(file='plot4.png')
z <- data.frame(t(arr))
names(z) <- c(1:par1)
(boxplot(z,notch=TRUE,col='grey',xlab='Periodic Index',ylab='Value',main='Notched Box Plots - Periodic Subseries'))
dev.off()
bitmap(file='plot5.png')
z <- data.frame(arr)
names(z) <- c(1:np)
(boxplot(z,notch=TRUE,col='grey',xlab='Block Index',ylab='Value',main='Notched Box Plots - Sequential Blocks'))
dev.off()
bitmap(file='plot6.png')
z <- data.frame(cbind(arr.mean,arr.median,arr.midrange))
names(z) <- list('mean','median','midrange')
(boxplot(z,notch=TRUE,col='grey',ylab='Overall Central Tendency',main='Notched Box Plots'))
dev.off()