FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationWed, 03 Dec 2008 02:48:39 -0700
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/Dec/03/t1228297748xsffhbqudqvatn9.htm/, Retrieved Sun, 19 May 2024 00:27:15 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28590, Retrieved Sun, 19 May 2024 00:27:15 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact218

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Law of Averages] [Random Walk Simul...] [2008-11-25 18:05:16] [b98453cac15ba1066b407e146608df68]
F R     [Law of Averages] [question 2] [2008-12-01 11:58:47] [379d6c32f73e3218fd773d79e4063d07]
F         [Law of Averages] [autocorrelation Q2] [2008-12-02 13:23:18] [98f6eecc397b06503dbf024e1e936f30]
F R           [Law of Averages] [] [2008-12-03 09:48:39] [ba8414dd214a21fbd6c7bde748ac585f] [Current]
Feedback Forum
2008-12-06 10:19:26 [Carole Thielens] [reply] 
Bij Q2 maakte de student opnieuw juiste berekeningen, maar zijn conclusie was onvolledig en niet helemaal juist.
De student merkt op dat er op de autocorrelatieplot een sterk stijgende lineaire trend zichtbaar is. Dit is uiteraard niet waar. Er is immers sprake van een dalende autocorrelatie. Wel merkt de student correct op dat de autocorrelaties heel hoog zijn en dus bijgevolg ook buiten het betrouwbaarheidsinterval gelegen zijn. Dit zou er op wijzen dat een bepaalde waarde de volgende waarde sterk beïnvloedt en er dus sprake is van voorspelbaarheid (= juiste interpretatie). Aan deze conclusie kan ik zeker en vast nog enkele verbeteringen toevoegen.

-*Op de eerste grafiek kunnen we 2 opeenvolgende meetresultaten bezien. Als de vorige meting heel hoog gelegen is, bestaat er een grote kans dat de volgende ook heel hoog zal zijn. Dit geldt ook andersom. Dit fenomeen noemen we ‘positieve autocorrelatie’. Met andere woorden, als het niveau van de functie langzaam verloopt, dan is er sprake van positieve autocorrelatie.
In het andere geval, als de grafiek dus heel wispelturig verloopt, dan spreken we van negatieve autocorrelatie.
*Op de autocorrelatieplot zie je dat alles buiten het betrouwbaarheidsinterval van 95% gelegen is en de worpen dus significant verschillen van elkaar. Bovendien zijn ze positief, gezien ze gelegen zijn boven het betrouwbaarheidsinterval (dit vermeldde de student ook). Ook vertoont deze Random- walk een negatieve trend. We spreken hier dus van een negatieve autocorrelatie Zo’n plot is heel typisch voor een stochastische trend op lange termijn.
Door te differentiëren kunnen we dit model optimaliseren. Als resultaat hiervan zullen op de autocorrelatieplot de resultaten dan ook binnen het betrouwbaarheidsinterval liggen.
2008-12-08 20:08:29 [Katja van Hek] [reply] 
De autocorrelatie laat hier een duidelijk langzaam dalend patroon zien. Alle waarden liggen boven de 95% betrouwbaarheidsinterval en zijn dus significant verschillend van 0, wat wil zeggen dat er hier geen sprake is van toeval. Het is te zeggen dat je hier een stochastische trend hebt op lange termijn. Om de verkregen trend te verwijderen zou je moeten differentiëren.

Post a new message

Dataset

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=28590&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=28590&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28590&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 = 500 ; par2 = 0.5 ;
Parameters (R input):
par1 = 500 ; par2 = 0.5 ;
R code (references can be found in the software module):
n <- as.numeric(par1)
p <- as.numeric(par2)
heads=rbinom(n-1,1,p)
a=2*(heads)-1
b=diffinv(a,xi=0)
c=1:n
pheads=(diffinv(heads,xi=.5))/c
bitmap(file='test1.png')
op=par(mfrow=c(2,1))
plot(c,b,type='n',main='Law of Averages',xlab='Toss Number',ylab='Excess of Heads',lwd=2,cex.lab=1.5,cex.main=2)
lines(c,b,col='red')
lines(c,rep(0,n),col='black')
plot(c,pheads,type='n',xlab='Toss Number',ylab='Proportion of Heads',lwd=2,cex.lab=1.5)
lines(c,pheads,col='blue')
lines(c,rep(.5,n),col='black')
par(op)
dev.off()
b 
bitmap(file='pic1.png') 
racf <- acf(b,n/10,main='Autocorrelation',xlab='lags',ylab='ACF') 
dev.off() 
racf