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_bootstrapplot.wasp
Title produced by softwareBlocked Bootstrap Plot - Central Tendency
Date of computationMon, 03 Nov 2008 14:07:41 -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/Nov/03/t12257464795ovzj0n5zv9qzxn.htm/, Retrieved Sat, 18 May 2024 21:19:17 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=21287, Retrieved Sat, 18 May 2024 21:19:17 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact153

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Blocked Bootstrap Plot - Central Tendency] [workshop 3] [2007-10-26 12:36:24] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F    D  [Blocked Bootstrap Plot - Central Tendency] [Q4] [2008-11-03 18:29:22] [ed2ba3b6182103c15c0ab511ae4e6284]
F           [Blocked Bootstrap Plot - Central Tendency] [] [2008-11-03 21:07:41] [c0a347e3519123f7eef62b705326dad9] [Current]
Feedback Forum
2008-11-10 14:35:33 [66991d38d6a4b2d9fe97b6c889f3689c] [reply] 
bij deze vraag waren beide antwoorden correct alleen waren ze afhankelijk van wat je wil nemen als besluit.

wanneer je zoals de student hier je wil baseren op de mean, dan accepteer je het nadeel dat de spreiding groot is maar dit geeft je dan ook het voordeel dat er minder kans is op grote afwijkingen wanneer je buiten het interval zit.

het omgekeerde geldt voor de midrange: hierbij hebben we een zeer kleine spreiding en dus een grote betrouwbaarheid als voordeel.het nadeel hierbij is echter dat wanneer je buiten het betrouwbaarheidsinterval gaat, de waarden steeds zeer ver buiten het interval liggen. (vandaar de outliers)

deze twee besluiten kunnen we afleiden uit de scatterplots die de calculator ons toont. we zien duidelijk bij de midrange dat er een patroon ontstaat. dit geeft de kleine spreiding weer.
bij de mean hebben we een random verdeling en dus een grote spreiding.

deze besluiten kunnen we ook afleiden uit de boxplot:
bij de midrange zien we hier duidelijk dat het betrouwbaarheidsinterval zeer klein (kleine inkeping) is en dus dat de waarden zeer dicht op elkaar liggen.

ook de density plot helpt ons hierbij:
bij de mean nemen we een normaalverdeling weer
de midrange is zeer grillig
2008-11-11 15:36:25 [Bart Haemels] [reply] 
De midrange geeft ons de beste benadering voor de geschatte waarde van de productie van kledij, omdat deze de kleinste spreiding vertoont van de drie. De mid-range vertoont wel een aantal opvallende outliers, maar deze zijn in dit geval irrelevant. Afhankelijk van de situatie kan het soms noodzakelijk zijn om iets te nemen zonder outliers, ook al vertoont dat gemiddelde een grote spreiding (zoals hier de mean). Dit is bijvoorbeeld het geval in situaties waarbij outliers fataal kunnen zijn. Bijvoorbeeld bij medicatie.

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 time5 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 5 seconds \tabularnewline
R Server & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21287&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]5 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21287&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21287&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 time5 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24






Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.76434426229586.893442622950888.22418032786891.739537988019382.45983606557377
median86.487.3882.012093088600621.59999999999999
midrange88.188.188.851.098827080073940.75

\begin{tabular}{lllllllll}
\hline
Estimation Results of Blocked Bootstrap \tabularnewline
statistic & Q1 & Estimate & Q3 & S.D. & IQR \tabularnewline
mean & 85.764344262295 & 86.8934426229508 & 88.2241803278689 & 1.73953798801938 & 2.45983606557377 \tabularnewline
median & 86.4 & 87.3 & 88 & 2.01209308860062 & 1.59999999999999 \tabularnewline
midrange & 88.1 & 88.1 & 88.85 & 1.09882708007394 & 0.75 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21287&T=1

[TABLE]
[ROW][C]Estimation Results of Blocked Bootstrap[/C][/ROW]
[ROW][C]statistic[/C][C]Q1[/C][C]Estimate[/C][C]Q3[/C][C]S.D.[/C][C]IQR[/C][/ROW]
[ROW][C]mean[/C][C]85.764344262295[/C][C]86.8934426229508[/C][C]88.2241803278689[/C][C]1.73953798801938[/C][C]2.45983606557377[/C][/ROW]
[ROW][C]median[/C][C]86.4[/C][C]87.3[/C][C]88[/C][C]2.01209308860062[/C][C]1.59999999999999[/C][/ROW]
[ROW][C]midrange[/C][C]88.1[/C][C]88.1[/C][C]88.85[/C][C]1.09882708007394[/C][C]0.75[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21287&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21287&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:

Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.76434426229586.893442622950888.22418032786891.739537988019382.45983606557377
median86.487.3882.012093088600621.59999999999999
midrange88.188.188.851.098827080073940.75


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 12 ;
Parameters (R input):
par1 = 500 ; par2 = 12 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
if (par1 < 10) par1 = 10
if (par1 > 5000) par1 = 5000
if (par2 < 3) par2 = 3
if (par2 > length(x)) par2 = length(x)
library(lattice)
library(boot)
boot.stat <- function(s)
{
s.mean <- mean(s)
s.median <- median(s)
s.midrange <- (max(s) + min(s)) / 2
c(s.mean, s.median, s.midrange)
}
(r <- tsboot(x, boot.stat, R=par1, l=12, sim='fixed'))
bitmap(file='plot1.png')
plot(r$t[,1],type='p',ylab='simulated values',main='Simulation of Mean')
grid()
dev.off()
bitmap(file='plot2.png')
plot(r$t[,2],type='p',ylab='simulated values',main='Simulation of Median')
grid()
dev.off()
bitmap(file='plot3.png')
plot(r$t[,3],type='p',ylab='simulated values',main='Simulation of Midrange')
grid()
dev.off()
bitmap(file='plot4.png')
densityplot(~r$t[,1],col='black',main='Density Plot',xlab='mean')
dev.off()
bitmap(file='plot5.png')
densityplot(~r$t[,2],col='black',main='Density Plot',xlab='median')
dev.off()
bitmap(file='plot6.png')
densityplot(~r$t[,3],col='black',main='Density Plot',xlab='midrange')
dev.off()
z <- data.frame(cbind(r$t[,1],r$t[,2],r$t[,3]))
colnames(z) <- list('mean','median','midrange')
bitmap(file='plot7.png')
boxplot(z,notch=TRUE,ylab='simulated values',main='Bootstrap Simulation - Central Tendency')
grid()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Estimation Results of Blocked Bootstrap',6,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'statistic',header=TRUE)
a<-table.element(a,'Q1',header=TRUE)
a<-table.element(a,'Estimate',header=TRUE)
a<-table.element(a,'Q3',header=TRUE)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,'IQR',header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'mean',header=TRUE)
q1 <- quantile(r$t[,1],0.25)[[1]]
q3 <- quantile(r$t[,1],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[1])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,1])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'median',header=TRUE)
q1 <- quantile(r$t[,2],0.25)[[1]]
q3 <- quantile(r$t[,2],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[2])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,2])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'midrange',header=TRUE)
q1 <- quantile(r$t[,3],0.25)[[1]]
q3 <- quantile(r$t[,3],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[3])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,3])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')