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_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationTue, 02 Dec 2008 03:01:48 -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/Dec/02/t122821291542bdcqb3n4z53zq.htm/, Retrieved Fri, 17 May 2024 06:38:38 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27582, Retrieved Fri, 17 May 2024 06:38:38 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact189

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Law of Averages] [Random Walk Simul...] [2008-11-25 18:05:16] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [Non stationary ti...] [2008-12-02 10:01:48] [a1f1fdabaee79c21770ea0f7b7f045f3] [Current]
Feedback Forum
2008-12-06 11:55:07 [Carole Thielens] [reply] 
De studente merkt wel op dat er een positieve autocorrelatie is, maar verklaard niet hoe dat komt?
Daarom voeg hier ik een verbetering/ juiste oplossing aan toe:

Op de eerste grafiek kunnen we 2 opeenvolgende meetresultaten bezien. Als de vorige meting heel hoog gelegen is, bestaat er een grote kans dat de volgende ook heel hoog zal zijn. Dit geldt ook andersom. Dit fenomeen noemen we ‘positieve autocorrelatie’. Met andere woorden, als het niveau van de functie langzaam verloopt, dan is er sprake van positieve autocorrelatie.
*Op de autocorrelatieplot zie je dat alles buiten het betrouwbaarheidsinterval van 95% gelegen is en de worpen dus significant verschillen van elkaar. Bovendien zijn ze positief, gezien ze gelegen zijn boven het betrouwbaarheidsinterval. Ook vertoont deze Random- walk een negatieve trend. We spreken hier dus van een positieve autocorrelatie Zo’n plot is heel typisch voor een stochastische trend op lange termijn.

Door te differentiëren kunnen we dit model optimaliseren. Als resultaat hiervan zullen op de autocorrelatieplot de resultaten dan ook binnen het betrouwbaarheidsinterval liggen
2008-12-06 13:52:04 [c00776cbed2786c9c4960950021bd861] [reply] 
De stippellijn geeft inderdaad het 95% betrouwbaarheidsinterval weer.
Alle correlaties liggen buiten dit betrouwbaarheidsinterval, wat wil zeggen dat deze autocorrelaties significant verschillend zijn van 0.

op de grafiek zien we een schijnbaar negatieve trend van de autocorrelatiefunctie;
Dit wil zeggen dat als bijvoorbeeld de vorige beurskoers hoog is, dan zal de volgende beurskoers ook hoog zijn (en omgekeerd!)

Deze autocorrelatiefunctie is een duidelijk voorbeeld van een lange termijntrend.
2008-12-08 12:27:48 [] [reply] 
De student geeft geen verklaring waaraan hij ziet dat er een positieve autocorrelatie is en vermeld ook niet dat er in de autocorrelatie grafiek een negatief, dalende lange termijn trend aanwezig is.

2008-12-08 12:38:18 [Dave Bellekens] [reply] 
De student geeft geen verklaring waaraan hij ziet dat er een positieve autocorrelatie is en vermeld ook niet dat er in de autocorrelatie grafiek een negatief, dalende lange termijn trend aanwezig is.

Post a new message

Dataset

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=27582&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=27582&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27582&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


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 0.5 ;
Parameters (R input):
par1 = 500 ; par2 = 0.5 ;
R code (references can be found in the software module):
n <- as.numeric(par1)
p <- as.numeric(par2)
heads=rbinom(n-1,1,p)
a=2*(heads)-1
b=diffinv(a,xi=0)
c=1:n
pheads=(diffinv(heads,xi=.5))/c
bitmap(file='test1.png')
op=par(mfrow=c(2,1))
plot(c,b,type='n',main='Law of Averages',xlab='Toss Number',ylab='Excess of Heads',lwd=2,cex.lab=1.5,cex.main=2)
lines(c,b,col='red')
lines(c,rep(0,n),col='black')
plot(c,pheads,type='n',xlab='Toss Number',ylab='Proportion of Heads',lwd=2,cex.lab=1.5)
lines(c,pheads,col='blue')
lines(c,rep(.5,n),col='black')
par(op)
dev.off()
b
bitmap(file='pic1.png')
racf <- acf(b,n/10,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
racf