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 09:14:24 -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/t1225379709kaeiblpk5bw1elx.htm/, Retrieved Sun, 19 May 2024 13:33:02 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20085, Retrieved Sun, 19 May 2024 13:33:02 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact172

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 mean plot] [2008-10-30 15:14:24] [1aceffc2fa350402d9e8f8edd757a2e8] [Current]
Feedback Forum
2008-11-08 17:01:11 [Stéphanie Claes] [reply] 
De student merkt correct op dat er sprake is van seizonaliteit, maar wel opgelet want de 1 op de x as stelt in dit geval niet januari voor, als we kijken naar de dataset zien we dat de gegevens beginnen in maart. Dus 1 = maart (voor alle jaren) en daar wordt een gemiddelde voor berekend.
Als we naar de plots gaan kijken zien we dast het gemiddelde van augustus helemaal anders is dan het gemiddelde van september (voor alle plots, mean, median en midrange).
Wanneer we vervolgens naar de box plot (periodic subseries) kijken dan zien we opnieuw een significant verschil tussen augustus en september. Dus er is zerker sprake van seizonaliteit.
2008-11-08 17:10:55 [Stéphanie Claes] [reply] 
Q3: het klopt inderdaad dat bij de kledingproductie de mediaan gaat dalen tegenover het basisjaar (we kijken naar notched boxplot, sequential blocks zoals de student voorstelde), daarbij is het ook niet onbelangrijk om te vermelden dat als we jaar 5 vergelijken met jaar 1, we kunnen spreken over een significante daling.
2008-11-11 12:07:48 [Jef Keersmaekers] [reply] 
Q2 klopt volledig, ik kan hier niets meer aan toevoegen
2008-11-11 12:16:15 [Jef Keersmaekers] [reply] 
Q3 Als we de verschillende jaren bekijken en vergelijken, merken we op dat er een lichte daling merkbaar is, maar significant is het niet.
2008-11-11 12:19:51 [Jef Keersmaekers] [reply] 
Q3 Als we de verschillende jaren bekijken en vergelijken, merken we op dat er een lichte daling merkbaar is, maar significant is deze niet. Enkel als we het eerste jaar tov het laatste jaar vergelijken merken we op dat er een significante verschil is.
2008-11-11 14:48:51 [Jan Mols] [reply] 
Q2 de student heeft het bij het rechte eind als hij zegt dat er sprake is van seizoenaliteit. Om de vraag volledig op te lossen gaan we nog onderzoeken of het verschil toevallig of significant is. Dit kunnen we aflezen aan de notched boxplot. We kunnen zien dat in maand 7 en maand 10 de notches sterk afwijken van een denkbeeldige horizontale door het midden. De andere notches liggen dus op ongeveer dezelfde lijn terwijl maand 7 en 10 er sterk van afwijken. We kunnen dus spreken van een significant verschil.
2008-11-11 14:52:17 [Jan Mols] [reply] 
Q3 Op de grafiek zien we duidelijk dat de mediaan door de jaren heen daalt maar dit wil nog niet meteen zeggen dat het een significante daling is. Als we de notches van de jaren gaan vergelijken met mekaar zien we dat betrouwbaarheidsintervallen van de notches elkaar toch een beetje overlappen. Dus de daling is eerder een toevalligheid.

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 time1 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 & 1 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20085&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]1 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=20085&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20085&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 time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135


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()