Free Statistics

of Irreproducible Research!

Author's title

Author*The author of this computation has been verified*
R Software Modulerwasp_cloud.wasp
Title produced by softwareTrivariate Scatterplots
Date of computationWed, 12 Nov 2008 12:32:35 -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/12/t1226520112jmw8pc3i07ermhi.htm/, Retrieved Sun, 19 May 2024 08:18:58 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24422, Retrieved Sun, 19 May 2024 08:18:58 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact148
Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Trivariate Scatterplots] [trivariate scatte...] [2008-11-12 19:32:35] [98255691c21504803b38711776845ae0] [Current]
Feedback Forum
2008-11-19 14:18:51 [Glenn Maras] [reply
De student zegt hier dat er een relatie is tussen de 2variabelen. Dit is inderdaad zo maar er kon nog meer gezegd worden vind ik.
Er zijn vrij weinig jaren gegevens waardoor er dus minder punten liggen in de bivariate density plot. Misschien had er een ander patroon geweest moesten er meerdere gegevens gebruikt zijn. De aanwezigheid van enkele outliers is ook niet besproken. Het is duidelijk dat er nog 2 andere, minder sterke, clusters aanwezig zijn waarin ook enkele metingen terug te vinden zijn. Ook de puntenwolk volgt de richting van de regressielijn wat duidt op een verband.
Voor de bespreking van de overige bivariate density plots kon er eventueel gezegd zijn dat de puntenwolk een andere richting uitloopt dan de regressielijn.
Het is ook zo dat de correlatie tussen x en y het sterkst is, dat zien we ook terug in de partiele integratie tabel.
De student kon misschien ook zeggen wat partiele integratie nu juist betekent.
Partiele integratie berekent de correlatie tussen 2variabelen na de correctie voor een 3de variabele die niet meteen gekent is.
2008-11-19 20:45:17 [Toon Wouters] [reply
Spijtig van het beperkt aantal observaties. Met de trivariate scatterplot kunnen we het verband tussen 3 variabelen tegelijkertijd nagaan. Maar door de weinig gegevens is het niet efficiënt hierover conclusies te trekken
2008-11-20 14:58:16 [6066575aa30c0611e452e930b1dff53d] [reply
Dit is niet echt een volledig antwoord. Men zou hier eventueel nog kunnen vermelden dat de kubussen het verband nagaan tussen 3 variabelen en dat elke kubus de variabele op een andere zijde plaats zodat elke kubus een ander perspectief geeft. Er zijn zeer weinig punten gebruikt, waardoor het moeilijk is om al dan niet te spreken van een puntenwolk. We zien wel duidelijk in de derde kubus dat de punten veel geconcentreerder bij elkaar liggen. Bij de gestandaardiseerde projectie zien we dat er een sterk lineair positief verband is tussen x en y. Ook hier is het zeer moeilijk om iets te zeggen over de andere grafieken omdat er zo weinig punten gebruikt zijn. Bij de eerste bivariate kernel density plot is er duidelijk sprake van een positief verband. Bij de tweede bivariate kernel density plot zien we 1 grote cluster en twee kleintjes, ook hier is sprake van een positief verband tussen z en y. Bij de derde kernel density plot zien we duidelijk dat er 1 grote cluster is en 1 kleine. Ook hier is sprake van een positief verband tussen x en z.
2008-11-22 13:39:46 [Gilliam Schoorel] [reply
De student bereikt een goede analyse van de vraag. Er kan bijkomend kan gezegd worden dat men de correlatie gelijktijdig van 3 variabelen kan onderzoeken. Men kan de variabelen vanuit verschillende perspectieven bekijken en zo beter bestuderen op verbanden. Zo is het mogelijk om puntenwolken beter de analyseren.
Er zijn volgens mij wel te weinig observaties om een echte betrouwbare conclusie te trekken. Moest je over gegevens over meerdere jaren beschikken zou je hier wellicht een beter beeld krijgen van hun onderlinge relatie.

Post a new message
Dataseries X:
96.2
103.4
117.1
110.3
116.3
112.5
111.8
112.1
93.3
109.1
118.1
108.1
99.9
Dataseries Y:
100.4
123.3
156.6
136.2
147.5
143.8
135.8
121.6
128
129.7
136.2
130.5
99.2
Dataseries Z:
105.4
115.2
124.5
112.3
127.5
120.6
117.5
117.7
120.4
125
131.6
121.1
114.2




Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time3 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 & 3 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24422&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]3 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=24422&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24422&T=0

As an alternative you can also use a 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 time3 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135



Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Variable X ; par6 = Variable Y ; par7 = Variable Z ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Variable X ; par6 = Variable Y ; par7 = Variable Z ;
R code (references can be found in the software module):
x <- array(x,dim=c(length(x),1))
colnames(x) <- par5
y <- array(y,dim=c(length(y),1))
colnames(y) <- par6
z <- array(z,dim=c(length(z),1))
colnames(z) <- par7
d <- data.frame(cbind(z,y,x))
colnames(d) <- list(par7,par6,par5)
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
if (par1>500) par1 <- 500
if (par2>500) par2 <- 500
if (par1<10) par1 <- 10
if (par2<10) par2 <- 10
library(GenKern)
library(lattice)
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='black', ...)
}
bitmap(file='cloud1.png')
cloud(z~x*y, screen = list(x=-45, y=45, z=35),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='cloud2.png')
cloud(z~x*y, screen = list(x=35, y=45, z=25),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='cloud3.png')
cloud(z~x*y, screen = list(x=35, y=-25, z=90),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='pairs.png')
pairs(d,diag.panel=panel.hist)
dev.off()
x <- as.vector(x)
y <- as.vector(y)
z <- as.vector(z)
bitmap(file='bidensity1.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=cor(x,y), xbandwidth=dpik(x), ybandwidth=dpik(y))
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (x,y)',xlab=par5,ylab=par6)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
bitmap(file='bidensity2.png')
op <- KernSur(y,z, xgridsize=par1, ygridsize=par2, correlation=cor(y,z), xbandwidth=dpik(y), ybandwidth=dpik(z))
op
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (y,z)',xlab=par6,ylab=par7)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(y,z)
(r<-lm(z ~ y))
abline(r)
box()
dev.off()
bitmap(file='bidensity3.png')
op <- KernSur(x,z, xgridsize=par1, ygridsize=par2, correlation=cor(x,z), xbandwidth=dpik(x), ybandwidth=dpik(z))
op
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (x,z)',xlab=par5,ylab=par7)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(x,z)
(r<-lm(z ~ x))
abline(r)
box()
dev.off()