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_pairs.wasp
Title produced by softwareKendall tau Correlation Matrix
Date of computationSun, 02 Nov 2008 03:50:04 -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/02/t1225623131dfx7vymwdu1ytc0.htm/, Retrieved Sun, 19 May 2024 06:46:31 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20487, Retrieved Sun, 19 May 2024 06:46:31 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact215

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Kendall tau Correlation Matrix] [PART II Q1] [2008-11-02 10:50:04] [270782e2502ae87124d0ebdcd1862d6a] [Current]
Feedback Forum
2008-11-10 13:01:11 [Wim Golsteyn] [reply] 
Hier heb ik de techniek fout geïnterpreteerd. Voor de interpretatie had ik niet zozeer naar de waarden onder de diagonaal moeten kijken (=de p-value, de 'foutenmarge', hoe lager deze waarde, hoe meer betrouwbaar het resultaat), maar ik had in de plaats naar de kleine grafiekjes boven de diagonaal moeten kijken. Indien deze grafieken een mooie rechte vormen, kunnen we van correlatie spreken. In het juiste voorbeeld is dit het geval bij RNR en RCF, en de p-value ligt hier ook erg laag. De RCF is dus de beste predictor voor de RNR.
2008-11-11 12:32:52 [Inge Meelberghs] [reply] 
De student heeft er goed aan gedaan om eerst de gegevens van de datareeks te transponeren. Jaartallen moeten namelijk altijd links staan(y-as) en de andere variabele op de x-as.

De interpretatie van de grafiek is foutief. Het is niet RNR die de beste variabele is om een voorspelling te maken over RNR, maar RCF. Dit kunnen we zowel uit de tabel als uit de grafiek afleiden.

De tabel geeft ons informatie over de tau en de p-value.
Met tau wordt de correlatiecoëfficient bedoelt. Hier kunnen we zien dat deze het hoogst ligt bij (RNR,RCF), namelijk 0,809.
De p-value geeft de betrouwbaarheid aan. Deze is bij (RNR,RCF) het laagst, namelijk 0,01. Dit is goed want des te lager de p-value, des te groter de betrouwbaarheid.

Hetzelfde kunnen we allemaal afleiden uit de Kendall tau grafiek. Bovenaan zien we de scaterplots met de correlatielijnen. Onderaan zien we de waarden van de P-value, de betrouwbaarheid dus en niét de correlatiecoëfficienten. Ook hier kunnen we dan concluderen dat de scaterplot (RNR,RCF) een mooi positief verloop aanneemt. De waarde van de p-value is zoals eerder al gezegd 0,01 wat duidt op een grote betrouwbaarheid!
2008-11-11 16:11:47 [Dorien Peeters] [reply] 
Het probleem met de data is dat we de tabel moeten tranformeren. Hier heeft de student ook op gelet. (want de jaartallen moeten links staan en de variabelen op de x-as)Je moet de Kendall Tau correlation gebruiken (zoals de student zei)deze kan direct alle variabelen berekenen. Er is een fout gemaakt door de student->niet de RNR maar de RCF moet worden berekend om een voorspelling te maken. De tabel zegt iets over de tau value. Hiermee bedoelen we de correlatiecoeficient.
De rangordecorrelatie berekenen->ordenen en benoemen en dan vervangen en met elkaar vergelijken. (zelf outliers krijgen rangorde van 11 of 12)We zien allemaal scatterplots met correlatielijn bv.: 0,14=betrouwbaarheid van correlatie, hoe kleiner dit getal, hoe beter.
Indien we naar de Kendall Tau grafiek kijken=>kunnen we hetzelfde afleiden. Vanonder staan de waardes van de P-value, de betrouwbaarheid en net de correlatiecoefficient.=> scatterplot loopt redelijk positief. De P-value is 0,01=>grote betroiuwbaarheid.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
4,2	4,8	20,8	0,9	39,6
2,6	-4,2	17,1	0,85	36,1
3	1,6	22,3	0,83	34,4
3,8	5,2	25,1	0,84	33,4
4	9,2	27,7	0,85	34,8
3,5	4,6	24,9	0,83	33,7
4,1	10,6	29,5	0,83	36,3

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=20487&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=20487&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20487&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






Kendall tau rank correlations for all pairs of data series
pairtaup-value
tau( RNVM , RNR )0.7142857142857140.0301587301587301
tau( RNVM , RCF )0.5238095238095240.136111111111111
tau( RNVM , RLEZ )0.2646280620124820.427262856745706
tau( RNVM , REV )0.3333333333333330.381349206349206
tau( RNR , RCF )0.809523809523810.0107142857142857
tau( RNR , RLEZ )-0.05292561240249630.873844698517373
tau( RNR , REV )0.04761904761904761
tau( RCF , RLEZ )-0.2646280620124820.427262856745706
tau( RCF , REV )-0.1428571428571430.772619047619048
tau( RLEZ , REV )0.3704792868174740.266379923342483

\begin{tabular}{lllllllll}
\hline
Kendall tau rank correlations for all pairs of data series \tabularnewline
pair & tau & p-value \tabularnewline
tau( RNVM , RNR ) & 0.714285714285714 & 0.0301587301587301 \tabularnewline
tau( RNVM , RCF ) & 0.523809523809524 & 0.136111111111111 \tabularnewline
tau( RNVM , RLEZ ) & 0.264628062012482 & 0.427262856745706 \tabularnewline
tau( RNVM , REV ) & 0.333333333333333 & 0.381349206349206 \tabularnewline
tau( RNR , RCF ) & 0.80952380952381 & 0.0107142857142857 \tabularnewline
tau( RNR , RLEZ ) & -0.0529256124024963 & 0.873844698517373 \tabularnewline
tau( RNR , REV ) & 0.0476190476190476 & 1 \tabularnewline
tau( RCF , RLEZ ) & -0.264628062012482 & 0.427262856745706 \tabularnewline
tau( RCF , REV ) & -0.142857142857143 & 0.772619047619048 \tabularnewline
tau( RLEZ , REV ) & 0.370479286817474 & 0.266379923342483 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20487&T=1

[TABLE]
[ROW][C]Kendall tau rank correlations for all pairs of data series[/C][/ROW]
[ROW][C]pair[/C][C]tau[/C][C]p-value[/C][/ROW]
[ROW][C]tau( RNVM , RNR )[/C][C]0.714285714285714[/C][C]0.0301587301587301[/C][/ROW]
[ROW][C]tau( RNVM , RCF )[/C][C]0.523809523809524[/C][C]0.136111111111111[/C][/ROW]
[ROW][C]tau( RNVM , RLEZ )[/C][C]0.264628062012482[/C][C]0.427262856745706[/C][/ROW]
[ROW][C]tau( RNVM , REV )[/C][C]0.333333333333333[/C][C]0.381349206349206[/C][/ROW]
[ROW][C]tau( RNR , RCF )[/C][C]0.80952380952381[/C][C]0.0107142857142857[/C][/ROW]
[ROW][C]tau( RNR , RLEZ )[/C][C]-0.0529256124024963[/C][C]0.873844698517373[/C][/ROW]
[ROW][C]tau( RNR , REV )[/C][C]0.0476190476190476[/C][C]1[/C][/ROW]
[ROW][C]tau( RCF , RLEZ )[/C][C]-0.264628062012482[/C][C]0.427262856745706[/C][/ROW]
[ROW][C]tau( RCF , REV )[/C][C]-0.142857142857143[/C][C]0.772619047619048[/C][/ROW]
[ROW][C]tau( RLEZ , REV )[/C][C]0.370479286817474[/C][C]0.266379923342483[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=20487&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20487&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:

Kendall tau rank correlations for all pairs of data series
pairtaup-value
tau( RNVM , RNR )0.7142857142857140.0301587301587301
tau( RNVM , RCF )0.5238095238095240.136111111111111
tau( RNVM , RLEZ )0.2646280620124820.427262856745706
tau( RNVM , REV )0.3333333333333330.381349206349206
tau( RNR , RCF )0.809523809523810.0107142857142857
tau( RNR , RLEZ )-0.05292561240249630.873844698517373
tau( RNR , REV )0.04761904761904761
tau( RCF , RLEZ )-0.2646280620124820.427262856745706
tau( RCF , REV )-0.1428571428571430.772619047619048
tau( RLEZ , REV )0.3704792868174740.266379923342483


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
Parameters (R input):
R code (references can be found in the software module):
panel.tau <- function(x, y, digits=2, prefix='', cex.cor)
{
usr <- par('usr'); on.exit(par(usr))
par(usr = c(0, 1, 0, 1))
rr <- cor.test(x, y, method='kendall')
r <- round(rr$p.value,2)
txt <- format(c(r, 0.123456789), digits=digits)[1]
txt <- paste(prefix, txt, sep='')
if(missing(cex.cor)) cex <- 0.5/strwidth(txt)
text(0.5, 0.5, txt, cex = cex)
}
panel.hist <- function(x, ...)
{
usr <- par('usr'); on.exit(par(usr))
par(usr = c(usr[1:2], 0, 1.5) )
h <- hist(x, plot = FALSE)
breaks <- h$breaks; nB <- length(breaks)
y <- h$counts; y <- y/max(y)
rect(breaks[-nB], 0, breaks[-1], y, col='grey', ...)
}
bitmap(file='test1.png')
pairs(t(y),diag.panel=panel.hist, upper.panel=panel.smooth, lower.panel=panel.tau, main=main)
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Kendall tau rank correlations for all pairs of data series',3,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'pair',1,TRUE)
a<-table.element(a,'tau',1,TRUE)
a<-table.element(a,'p-value',1,TRUE)
a<-table.row.end(a)
n <- length(y[,1])
n
cor.test(y[1,],y[2,],method='kendall')
for (i in 1:(n-1))
{
for (j in (i+1):n)
{
a<-table.row.start(a)
dum <- paste('tau(',dimnames(t(x))[[2]][i])
dum <- paste(dum,',')
dum <- paste(dum,dimnames(t(x))[[2]][j])
dum <- paste(dum,')')
a<-table.element(a,dum,header=TRUE)
r <- cor.test(y[i,],y[j,],method='kendall')
a<-table.element(a,r$estimate)
a<-table.element(a,r$p.value)
a<-table.row.end(a)
}
}
a<-table.end(a)
table.save(a,file='mytable.tab')