FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Q2: Investigate the validity of the model: Clothing Production = constant +...

Author*The author of this computation has been verified*
R Software Modulerwasp_edauni.wasp
Title produced by softwareUnivariate Explorative Data Analysis
Date of computationMon, 27 Oct 2008 11:32:09 -0600
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/Oct/27/t1225128780fkpwe68wzcbsb9p.htm/, Retrieved Fri, 17 May 2024 07:04:26 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=19311, Retrieved Fri, 17 May 2024 07:04:26 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact182

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Univariate Explorative Data Analysis] [Investigation Dis...] [2007-10-21 17:06:37] [b9964c45117f7aac638ab9056d451faa]
F   PD    [Univariate Explorative Data Analysis] [Q2: Investigate t...] [2008-10-27 17:32:09] [fdd69703d301fae09456f660b2f52997] [Current]
F R PD      [Univariate Explorative Data Analysis] [Q2 investigating ...] [2008-10-27 20:05:15] [3754dd41128068acfc463ebbabce5a9c]
F   PD        [Univariate Explorative Data Analysis] [Q2 investigating ...] [2008-10-27 20:43:06] [3754dd41128068acfc463ebbabce5a9c]
Feedback Forum
2008-10-30 14:15:55 [Gert De la Haye] [reply] 
zeer goed dat je het aantal lags hebt ingevuld, enkel wordt de eerste assumptie van q2 afgelezen bij de laatste grafiek!
2008-11-02 18:21:50 [Ilknur Günes] [reply] 
Assumptie 3 van Q2 kan je ook aflezen op de Run Sequence plot: op lange termijn zien je dan een dalende trend. Al is het natuurlijk moeilijk te zien
2008-11-03 19:48:07 [Thomas Baken] [reply] 
Voor assumptie 1 kunnen we ook kijken naar het autocorrelation plot waar we duidelijk een randomness kunnen opmerken. Assumptie 3 is waar te nemen via het Run Sequence Plot, waar we duidelijk geen rechte en weinig fluctuatie kunnen bemerken. Tenslotte voor assumptie 4 kunnen we ook kijken naar het Run Sequence plot t.o.v. de Y-as.
2008-11-03 21:00:05 [Bart Haemels] [reply] 
Assumption 1:
Om de autocorrelatie te berekenen maken we geen gebruik van de run sequency plot maar van de lag plot. Aan de hand van de lag plot kunnen we de volgende vraag stellen: Wat is het verband tussen het heden en het verleden?
Als er autocorrelatie bestaat zou men voorspellingen kunnen maken voor bv. de volgende maand.
Als we de lag plot voor 36 maanden bekijken kunnen we zien dat er een positieve seizonale correlatie is. Dit wil zeggen dat men niet per maand maar wel per jaar ongeveer kan voorspellen welke trend er zich zal voordoen.

Assumption 2:
We kunnen hier spreken van een min of meer normaalverdeling. Bovendien moet er niet alleen naar het histogram worden gekeken maar ook naar het Q-Q plot, hier liggen de punten zo goed als allemaal op 1 rechte. Er zijn wel enkele extremen of outliers op het einde. Dit vertaalt zich in het histogram in het blok 75 - 80
Dit bewijst nogmaals dat we kunnen spreken van een normaalverdeling.

Assumptie 3:
Hier moeten we naar de run sequency plot kijken en niet naar de Q-Q plot zoals de student beweert. Uit de run sequency plot zien we dat de frequency zachtjes daalt en dus niet constant is.

Assumptie 4:
Hier moeten we kijken naar de spreiding van de reeks over de tijd. Als we de grafiek bekijken ( run sequence plot) zien we dat deze spreiding schommelt over de tijd. In het eerste deel is deze spreiding groter.

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 time4 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 4 seconds \tabularnewline
R Server & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=19311&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]4 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=19311&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19311&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 time4 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Descriptive Statistics
# observations61
minimum66.5
Q180.6
median87.3
mean86.8934426229508
Q394.1
maximum109.7

\begin{tabular}{lllllllll}
\hline
Descriptive Statistics \tabularnewline
# observations & 61 \tabularnewline
minimum & 66.5 \tabularnewline
Q1 & 80.6 \tabularnewline
median & 87.3 \tabularnewline
mean & 86.8934426229508 \tabularnewline
Q3 & 94.1 \tabularnewline
maximum & 109.7 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=19311&T=1

[TABLE]
[ROW][C]Descriptive Statistics[/C][/ROW]
[ROW][C]# observations[/C][C]61[/C][/ROW]
[ROW][C]minimum[/C][C]66.5[/C][/ROW]
[ROW][C]Q1[/C][C]80.6[/C][/ROW]
[ROW][C]median[/C][C]87.3[/C][/ROW]
[ROW][C]mean[/C][C]86.8934426229508[/C][/ROW]
[ROW][C]Q3[/C][C]94.1[/C][/ROW]
[ROW][C]maximum[/C][C]109.7[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=19311&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19311&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:

Descriptive Statistics
# observations61
minimum66.5
Q180.6
median87.3
mean86.8934426229508
Q394.1
maximum109.7


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 0 ; par2 = 12 ;
Parameters (R input):
par1 = 0 ; par2 = 12 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
x <- as.ts(x)
library(lattice)
bitmap(file='pic1.png')
plot(x,type='l',main='Run Sequence Plot',xlab='time or index',ylab='value')
grid()
dev.off()
bitmap(file='pic2.png')
hist(x)
grid()
dev.off()
bitmap(file='pic3.png')
if (par1 > 0)
{
densityplot(~x,col='black',main=paste('Density Plot   bw = ',par1),bw=par1)
} else {
densityplot(~x,col='black',main='Density Plot')
}
dev.off()
bitmap(file='pic4.png')
qqnorm(x)
grid()
dev.off()
if (par2 > 0)
{
bitmap(file='lagplot.png')
dum <- cbind(lag(x,k=1),x)
dum
dum1 <- dum[2:length(x),]
dum1
z <- as.data.frame(dum1)
z
plot(z,main=paste('Lag plot, lowess, and regression line'))
lines(lowess(z))
abline(lm(z))
dev.off()
bitmap(file='pic5.png')
acf(x,lag.max=par2,main='Autocorrelation Function')
grid()
dev.off()
}
summary(x)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Descriptive Statistics',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'# observations',header=TRUE)
a<-table.element(a,length(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'minimum',header=TRUE)
a<-table.element(a,min(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Q1',header=TRUE)
a<-table.element(a,quantile(x,0.25))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'median',header=TRUE)
a<-table.element(a,median(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'mean',header=TRUE)
a<-table.element(a,mean(x))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Q3',header=TRUE)
a<-table.element(a,quantile(x,0.75))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'maximum',header=TRUE)
a<-table.element(a,max(x))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')