FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationTue, 02 Dec 2008 11:03:02 -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/t1228241017mflfsibcrm43zwn.htm/, Retrieved Fri, 17 May 2024 05:03:48 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28165, Retrieved Fri, 17 May 2024 05:03:48 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact145

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 18:40:39] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [NonStationaryTime...] [2008-12-02 18:03:02] [a413cf7744efd6bb212437a3916e2f23] [Current]
Feedback Forum
2008-12-07 19:37:42 [An Knapen] [reply] 
Spectraalanalyse is een derde methode om de graad van differentiatie te bepalen.
Aan de hand van het periodogram kunnen we een langzaam dalende trend waarnemen. Op de x-as wordt de frequentie weergegeven terwijl de y-as het spectrum weergeeft.
Op de grafiek is duidelijk een lage frequentie vast te stellen, wat wijst op lange periodes.
Op het cumulatief periodogram zien we een sterk stijgend verloop, wat wijst op een lange termijntrend. De sterke stijging in het begin loop tot de waarde 0,8. We kunnen dus met andere woorden 80 procent van de schommelingen dan al verklaren.
Anders gezegd:hoe hoger de waarde op de y-as as, hoe groter het percentage van de schommelingen dat we kunnen verklaren. Verder kunnen we opmerken dat de curve volledig buiten het betrouwbaarheidsintervalt ligt.
2008-12-08 18:43:27 [Sofie Sergoynne] [reply] 
Het antwoord van de student is onvolledig!
1e figuur: Op de x-as zien we de frequentie. Indien deze laag is, hebben deze een betrekking op een lange periode en kunnen we dus spreken van een lange termijn trend. We kunnen ook een langzaam dalend patroon zien wat ook wijst op een lange termijn trend. Het cumulatieve periodogram kan geïnterpreteerd worden als een R² (= dit percentage verklaard de spreiding) bv: als je 80% van de tijdreeks wil verklaren, heb je een lage frequentie nodig. We zien ook dat de curve steil, stijgend omhoog gaat, dit wijst ook een een lange termijn trend.

2008-12-08 18:46:36 [Sofie Sergoynne] [reply] 
De lambda dient idd om de spreiding te meten en deze constant te maken, stationair. Op de x-as zien we het gemiddelde en op de y-as kan je de SD aflezen. Je zien dat er een sterke positief/lineair verband is tussen de spreiding en het gemiddelde.
2008-12-08 19:15:43 [Ellen Van den Broeck] [reply] 
De spectraalanalyse is de 3e methode om een trend te analyseren. De frequentie is het omgekeerde van de periode. Als je een hoge frequentie hebt, dan gaat die zeer snel op en neer en heb je dus een kleine periode. De periode = afstand tussen 2 toppen, de frequentie = hoe snel het op en neer gaat, de amplitude is de hoogte.
We zien hier een lange termijn trend met een lage frequentie en dus een lange periode. De lijn beweegt zich dus langzaam op en neer. Dit is typisch voor een lange termijn trend. Als we dit zien moeten we differentiëren om deze trend te verwijderen. We kunnen ook de cumulatieve curve nemen. Dan hebben we een schaal van 0 tot 1.
0.8 wil dan zeggen = dan verklaren we 80% van de tijdreeks. Dan is er zeer lage frequentie.
De lange termijnbewegingen nodig om 80% te kunnen verklaren. Steil stijgende cumulatieve curve wijst op lange termijn. in dit geval zijn er geen trappen bovenaan de grafiek,dit wil zeggen dat er hier geen sprake is van seizoenaliteit.

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'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28165&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]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28165&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28165&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'Sir Ronald Aylmer Fisher' @ 193.190.124.24


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
x <- b
bitmap(file='test1.png')
r <- spectrum(x,main='Raw Periodogram')
dev.off()
r
bitmap(file='test2.png')
cpgram(x,main='Cumulative Periodogram')
dev.off()