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_edauni.wasp
Title produced by softwareUnivariate Explorative Data Analysis
Date of computationMon, 27 Oct 2008 13:35:50 -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/t12251362591jq59oxed4pylqd.htm/, Retrieved Sat, 18 May 2024 03:28:19 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=19479, Retrieved Sat, 18 May 2024 03:28:19 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact164

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    D    [Univariate Explorative Data Analysis] [Univariate data a...] [2008-10-27 19:35:50] [3762bf489501725951ad2579179cae2a] [Current]
-   P       [Univariate Explorative Data Analysis] [Investigating Dis...] [2008-11-01 15:20:48] [bc937651ef42bf891200cf0e0edc7238]
Feedback Forum
2008-11-01 15:15:01 [Stéphanie Thijs] [reply] 
De student had nog één of twee lagplots moeten berekenen door het aantal lags op te geven. Op deze grafiek kon men dan de randomness onderzoeken (autocorrelatie ontdekken).
2008-11-01 15:26:02 [Stéphanie Thijs] [reply] 
Q4: de seizoenaliteit kan men onderzoeken a.d.h.v. de autocorrelatiefunctie (lags = 36).

Zie onderstaande link:
http://www.freestatistics.org/blog/date/2008/Nov/01/t1225552995qpshs4a6geznd0o.htm
2008-11-03 11:06:28 [Astrid Sniekers] [reply] 
De student heeft de oefening niet helemaal correct uitgevoerd, maar hieronder vindt u hoe het wel zou moeten.

Om de validiteit van een model na te gaan moeten de volgende 4 assumptie getest worden.

- Assumptie 1 (are the data autocorrelated? (the model assumes no autocorrelation))
Dit heeft de student helemaal fout gedaan.

http://www.freestatistics.org/blog/date/2008/Oct/31/t1225464785zocr3xsbdw5vs1j.htm

Om autocorrelatie te kunnen aflezen, kijken we niet naar de Run Sequence Plot (eerste grafiek) zoals de student heeft gedaan. Wel kijken we naar de laatste twee grafieken, namelijk: de Lag plot en de Autocorrelation Function.

De rechte lijn in de Lag plot-grafiek verloopt bijna plat, horizontaal. De puntenwolk ligt gespreid rond de lijn. Dit betekent dat de autocorrelatie BIJNA nul is. Als de autocorrelatie nul was, betekent dit dat er geen autocorrelatie is en dat de tijdreeks random zou zijn.

Als we bij het aantal lags (# lags) 36 ingeven, zien we op Autocorrelation Function-grafiek (de laatste grafiek) een eerste grote correlatie bij lag 12 en een tweede grote correlatie bij lag 24. Hieruit kunnen we besluiten dat er seizoensgebondenheid / seizoensgevoeligheid is!

 De tijdreeks is niet random en bevat seizoensgebonden autocorrelatie.

- Assumptie 2 (is the random component generated by a fixed distribution? (the model assumes a fixed distribution))
http://www.freestatistics.org/blog/date/2008/Oct/31/t1225464785zocr3xsbdw5vs1j.htm

Aan de hand van de Histogram of x-grafiek kunnen we besluiten dat er een bijna normaalverdeling is.

De Density Plot-grafiek is de afgevlakte versie van de Histogram of x-grafiek. We hebben geen enkele reden om te zeggen dat hier geen normaalverdeling zou zijn. Dit vond de student ook.

 We hebben dus te maken met een gelijke spreiding.

Op de Normal Q-Q Plot-grafiek zien we dat de punten bijna allemaal mooi op een rechte lijn liggen. Dit betekent dat we dicht bij een normale verdeling aanleunen, ondanks het feit dat er geen autocorrelatie is.

- Assumptie 3 (is the deterministic component constant? (the model assumes that the distribution has a fixed location))
http://www.freestatistics.org/blog/date/2008/Oct/31/t1225464785zocr3xsbdw5vs1j.htm

We kijken naar de Run Sequence Plot-grafiek en niet naar de Normal Q-Q Plot zoals de student heeft gedaan. We kijken naar de lange termijn trend. Blijft het niveau constant? We zien een achteruitgang. Dit betekent dat het niveau niet constant blijft. Er is een dalende trend, maar toch kunnen we dit maar moeilijk zien.

- Assumptie 4 (does the random component have a fixed variation? (the model assumes a distribution with fixed variation))
http://www.freestatistics.org/blog/date/2008/Oct/31/t1225464785zocr3xsbdw5vs1j.htm

In de Run Sequence Plot-grafiek kunnen we zien dat het eerste deel meer schommelt dan het tweede deel. De spreiding is dan ook groter in het eerste deel. Wat de student zegt, klopt dus niet.

Yt = c + ct
ct (random component): dit kunnen we niet voorspellen, omdat dit normaal verdeeld is.
c (constante): dit kunnen we wel voorspellen.
Ft = Yt - ct = c = de voorspelling

We gaan het gemiddelde (86.8934426229508) als constante gebruiken. In de R-code vervangen we x door x - 86.8934426229508.

http://www.freestatistics.org/blog/date/2008/Oct/31/t1225467569er44g22fj4urwkw.htm

Het gemiddelde ligt nu rond nul.

==> Besluit: het model is niet geldig, omdat niet aan alle validiteitvoorwaarden is voldaan.
2008-12-01 18:48:57 [0762c65deec3d397cd9f26b3749a0847] [reply] 
Assumption 1 bespreekt de student adhv het run sequence plot. Dit zou moeten gebeuren adhv de autocorrelatie of het Lagplot. Deze tijdreeks is dus wel degelijk 'niet random'.

Assumption 4 zegt je niet waarom je uitgaat van een fixed varation.

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'George Udny Yule' @ 72.249.76.132

\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 & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=19479&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]'George Udny Yule' @ 72.249.76.132[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=19479&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19479&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'George Udny Yule' @ 72.249.76.132






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=19479&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=19479&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=19479&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 = 0 ;
Parameters (R input):
par1 = 0 ; par2 = 0 ;
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')