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_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationThu, 13 Nov 2008 01:05:10 -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/13/t1226563603aq8b3q51bakiqzz.htm/, Retrieved Sun, 19 May 2024 04:53:19 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24470, Retrieved Sun, 19 May 2024 04:53:19 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsEvelyn en Natalie
Estimated Impact181

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Bivariate Kernel Density Estimation] [bivariate density] [2008-11-13 08:05:10] [32a7b12f2bdf14b45f7a9a96ba1ab98d] [Current]
Feedback Forum
2008-11-15 12:51:04 [Hundra Smet] [reply] 
In de bivariate Kernel density plot worden er 3 dimensies gesuggereerd door de hoogtelijnen.
de hoogtelijnen hebben te maken met de dichtheid van de punten. wanneer deze hoog is, is de waarschijnlijkheid in het midden hoger dan die van de buitenrand.

we zien in de density plot van de student dat 2 ellipsen met een hoge dichtheid opvallen. uit de ellipsvorm kunnen we afleiden dat er tussen de totale werkloosheid en de werkloosheid in de landbouw een positieve correlatie bestaat.
2008-11-17 08:45:54 [Katrijn Truyman] [reply] 
De bivariate kennel density plot geeft een vergelijking van 2 variabelen d.m.v. een scatterplot met hoogtelijnen, deze hoogtelijnen houden geen verband met de 3e dimensie, maar met de dichtheid.
Als de groepen of clusters die gevormd worden in de density plot op de lijn liggen, duidt dit op een positief verband tussen de 2 variabelen.
2008-11-18 10:22:39 [72e979bcc364082694890d2eccc1a66f] [reply] 
Ik kan ook nog concluderen dat er een positief verband te zien is op de Bivariate Kernel Density Plot en dat de hoogtelijnen de dichtheid van de punten beschrijven.
Het nadeel is inderdaad dat er slechts 2 variabelen kunnen gebruikt worden maar het voordeel is dat je een duidelijk beeld krijgt van het verband tussen deze 2 variabelen.
2008-11-18 13:40:15 [Julie Govaerts] [reply] 
deze bevatten clusters = grotere groepen van gegevens --> onderzoeken welk deel van je tijdsreeks verantwoordelijk is voor een bepaalde puntenwolk
2008-11-24 16:04:57 [5faab2fc6fb120339944528a32d48a04] [reply] 
Uit de grafische voorstelling kunnen we afleiden dat er 2 clusters gevormd worden die in een positief verband ten opzichte van elkaar staan. De hoogtelijnen tonen hierbij aan dat het verband zeer sterk is.
De bivariate kennel density plot geeft een 3D vergelijking van 2 variabelen d.m.v. een scatterplot met hoogtelijnen, deze hoogtelijnen houden verband met de dichtheid.
2008-11-24 19:31:25 [7bf28d4d60530086dbc44ae6b648927e] [reply] 
Het is inderdaad een methode om twee variablen te vergelijken. Er worden hoogtelijnen gegeven. Als deze elipsvormig zijn is er een positief verband. De scatterplots zijn dan lineair. Wanneer de cirkelvormig zijn is er geen verband aanwezig.
2008-11-24 20:48:37 [Kevin Vermeiren] [reply] 
Het antwoord op deze vraag is niet juist. Het is hier de bedoeling om de relaties te bespreken tussen de variabelen aan de hand van de verschillende modules. De density plot bestaat uit hoogtelijnen die de dichtheid weergeven. Een hoge dichtheid correspondeert met een hoge waarschijnlijkheid. Op plaatsen waar vele gegevens zich groeperen in clusters ontstaat er een hoge dichtheid. In deze figuur suggereren de hoogtelijnen een verband tussen de variabelen. Voorts kenmerkt een lijn, die rekening houdt met alle waarden van de gegevens, de plot. Deze lijn wordt dwars door de hoogtelijnen getrokken en geeft het gemiddelde van alle gegevens weer. Bijgevolg is het makkelijk een algemene conclusie waar te nemen.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
3.253
3.233
3.196
3.138
3.091
3.17
3.378
3.468
3.33
3.413
3.356
3.525
3.633
3.597
3.6
3.522
3.503
3.532
3.686
3.748
3.672
3.843
3.905
3.999
4.07
4.084
4.042
3.951
3.933
3.958
4.147
4.221
4.058
4.057
4.089
4.268
4.309
4.303
4.177
4.117
4.065
3.983
4.091
4.067
4.024
3.868
3.8
3.804
3.862
3.792
3.674
3.56
3.489
3.412
3.674
3.672
3.463
3.429
3.4
3.533
Dataseries Y:
Download CSV
Histogram 
519164
517009
509933
509127
500857
506971
569323
579714
577992
565464
547344
554788
562325
560854
555332
543599
536662
542722
593530
610763
612613
611324
594167
595454
590865
589379
584428
573100
567456
569028
620735
628884
628232
612117
595404
597141
593408
590072
579799
574205
572775
572942
619567
625809
619916
587625
565742
557274
560576
548854
531673
525919
511038
498662
555362
564591
541657
527070
509846
514258

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'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 & 2 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24470&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]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24470&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24470&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'Gwilym Jenkins' @ 72.249.127.135






Bandwidth
x axis0.135181213291771
y axis16332.4954288461
Correlation
correlation used in KDE0.785210824204784
correlation(x,y)0.785210824204784

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 0.135181213291771 \tabularnewline
y axis & 16332.4954288461 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.785210824204784 \tabularnewline
correlation(x,y) & 0.785210824204784 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24470&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]0.135181213291771[/C][/ROW]
[ROW][C]y axis[/C][C]16332.4954288461[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.785210824204784[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.785210824204784[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=24470&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24470&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 axis0.135181213291771
y axis16332.4954288461
Correlation
correlation used in KDE0.785210824204784
correlation(x,y)0.785210824204784


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')