FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationMon, 10 Nov 2008 05:34:06 -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/10/t12263205931tqbt212dusoaxg.htm/, Retrieved Sat, 18 May 2024 22:31:02 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=22996, Retrieved Sat, 18 May 2024 22:31:02 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsBivariate kernel density Q1
Estimated Impact346

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
-     [Bivariate Kernel Density Estimation] [] [2007-10-30 19:41:32] [d63889a2cb43a84e31f95f02a72561da]
F R  D    [Bivariate Kernel Density Estimation] [Bivariate kernel ...] [2008-11-10 12:34:06] [d8c5724db236abb5950452133b88474d] [Current]
-    D      [Bivariate Kernel Density Estimation] [Bivariate Kernel ...] [2008-12-18 12:49:40] [e5d91604aae608e98a8ea24759233f66]
Feedback Forum
2008-11-14 17:02:03 [Kevin Neelen] [reply] 
Er is hier gebruik gemaakt van het Bivariate Kernel Density plot. Deze grafiek vertoont hoogtelijnen die punten van gelijke dichtheid verbinden om op deze manier de betrouwbaarhiedsintervallen in kaart te brengen.
Uit deze grafiek kan geconcludeerd worden dat er een postieve correlatie is tussen beide reeksen aangezien de regressielijn van linksonder naar rechtsboven loopt. In de tabel kan gezien worden dat de correlatiewaarde 0,56 bedraagt wat weergeeft dat het verband tussen beide reeksen noch zeer sterk noch zeer zwak is. In de grafiek zelf zien we dat er enkele outliers aanwezig zijn die volledig buiten de grootste hoogtelijn liggen.
  2008-11-17 20:12:36 [Kevin Engels] [reply] 
Uw uitleg klopt helemaal, deze plot geeft meer info dan correlatie- of scatterplot. Uit de tweede en derde plot kan je trouwens de clusters nog beter zien.
2008-11-20 13:54:47 [Julie Leurentop] [reply] 
Ik sluit me aan bij de uitleg van de andere studenten. Dit model vergelijkt punten met eenzelfde dichtheid. De 'roze zone' wijst op een hoge corrolatie.
2008-11-21 09:15:13 [90714a39acc78a7b2ecd294ecc6b2864] [reply] 
Dit is een methode om de spreiding of concentratie van twee data te visualiseren. De derde dimensie wordt weergegeven via hoogtelijnen. Clusters kunnen een verband tonen, hier kan duidelijk worden gesteld dat er een hoge correlatie bestaat in het centrum. Merk op dat er een aantal outliers zijn, die zie je links van de hoogtelijnen.
2008-11-21 10:54:19 [Stijn Van de Velde] [reply] 
Dit is de oplossing voor de nadelen van de Trivariate Scatterplot. Daar word namelijk gebruik gemaakt van een 3D tekening, maar doordat ons scherm maar 2D is kan dat een zeer vertekend beeld opleveren.

Deze grafiek vermijd dat probleem door te werken met hoogtelijnen. De hoogste punten, die waar de dichtheid van de data het grootste is, krijgen dan een wit/roze kleur. De groene kleuren duiden op gebieden zonder enige dichtheid.

Je kan zien dat buiten enkele outliers, de punten grotendeels geconcentreerd zijn in 1 cluster. Daarnaast kan je ook nog een positief lineair verband zien.
2008-11-21 14:23:38 [Sofie Vanbrabant] [reply] 
Ik sluit mij aan bij de commentaren van bovenstaande studenten.
2008-11-23 15:51:40 [Karen Van den Broeck] [reply] 
Er is hier sprake van een positieve correlatie. Dit kunnen we concluderen omdat de regressielijk van links onder naar rechtsboven gaat. We moeten ook wel opmerken dat er enkele outliers zijn.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
110,40
96,40
101,90
106,20
81,00
94,70
101,00
109,40
102,30
90,70
96,20
96,10
106,00
103,10
102,00
104,70
86,00
92,10
106,90
112,60
101,70
92,00
97,40
97,00
105,40
102,70
98,10
104,50
87,40
89,90
109,80
111,70
98,60
96,90
95,10
97,00
112,70
102,90
97,40
111,40
87,40
96,80
114,10
110,30
103,90
101,60
94,60
95,90
104,70
102,80
98,10
113,90
80,90
95,70
113,20
105,90
108,80
102,30
99,00
100,70
115,50
Dataseries Y:
Download CSV
Histogram 
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 time2 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 & 2 seconds \tabularnewline
R Server & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=22996&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]2 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=22996&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=22996&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 time2 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24






Bandwidth
x axis3.52228504387647
y axis5.17485392629755
Correlation
correlation used in KDE0.565259717157914
correlation(x,y)0.565259717157914

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 3.52228504387647 \tabularnewline
y axis & 5.17485392629755 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.565259717157914 \tabularnewline
correlation(x,y) & 0.565259717157914 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=22996&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]3.52228504387647[/C][/ROW]
[ROW][C]y axis[/C][C]5.17485392629755[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.565259717157914[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.565259717157914[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=22996&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=22996&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:

Bandwidth
x axis3.52228504387647
y axis5.17485392629755
Correlation
correlation used in KDE0.565259717157914
correlation(x,y)0.565259717157914


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
R code (references can be found in the software module):
par1 <- as(par1,'numeric')
par2 <- as(par2,'numeric')
par3 <- as(par3,'numeric')
par4 <- as(par4,'numeric')
par5 <- as(par5,'numeric')
library('GenKern')
if (par3==0) par3 <- dpik(x)
if (par4==0) par4 <- dpik(y)
if (par5==0) par5 <- cor(x,y)
if (par1 > 500) par1 <- 500
if (par2 > 500) par2 <- 500
bitmap(file='bidensity.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=par5, xbandwidth=par3, ybandwidth=par4)
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main=main,xlab=xlab,ylab=ylab)
if (par6=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par7=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Bandwidth',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'x axis',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'y axis',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation used in KDE',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation(x,y)',header=TRUE)
a<-table.element(a,cor(x,y))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')