Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*Unverified author*

R Software Module

rwasp_variancereduction.wasp

Title produced by software

Variance Reduction Matrix

Date of computation

Tue, 02 Dec 2008 13:29:49 -0700

Cite this page as follows

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2008/Dec/02/t1228249812yh2yolr8vym8fn9.htm/, Retrieved Fri, 17 May 2024 03:21:08 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28383, Retrieved Fri, 17 May 2024 03:21:08 +0000

QR Codes:

Paste this QR Code to cite your computation.

Original text written by user:

IsPrivate?

No (this computation is public)

User-defined keywords

Estimated Impact

145

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)

F       [Variance Reduction Matrix] [Q8] [2008-12-02 20:29:49] [c00776cbed2786c9c4960950021bd861] [Current]

Feedback Forum

2008-12-03 19:07:14 [407693b66d7f2e0b350979005057872d] [reply] 
Dit antwoord is juist omdat: 
We hebben hier de grote en de kleine d van zowel de X als Y op 1 gezet . We zien dat er nu maar twee waarden buiten het betrouwbaarheidsinterval liggen.  Misschien oefent nog een derde parameter een invloed op Y en X uit.  Als dat zo is moeten we die parameter uit de correlatie halen 
2008-12-04 16:14:20 [c97d2ae59c98cf77a04815c1edffab5a] [reply] 
de student heeft hierbij gebruik gemaakt van de VRM. ze zou ook een conclusie kunnen vormen mbv ACF of spectrum analysis. de conclusie van de student van de VRM is juist, maar deze opdracht is niet volledig! 
je moest d, D en lambda nagaan voor beide tijdreeksen. de student heeft enkel d en D bepaald van x(t) en niet van y(t) en voor geen enkele tijdreeks lambda berekend. hierdoor zal Q9 ook niet correct zijn opgelost. 
je zou bij Q8 nog kunnen vermelden dat: 
Stel:  
-we gaan beide reeksen 1 maal seizoenaal differentiëren, D=1. 
-We nemen deze stationair gemaakte reeksen voor de crosscorrelatie functie 
-Het kan zijn dat het eerder berekende verband, met ruwe gegevens, verdwenen is, doordat alle berekende correlaties tussen x(t+k) en y(t) BINNEN het betrouwbaarheidsinterval liggen. 
-dit is een typisch  gevolg! 
=> Reden: 
Als we 2 tijdsreeksen beschouwen: x(t) en y(t) 
•We gaan een verband zoeken door de correlatie te  berekenen 
•Deze correlatie kan vertekend worden indien er een andere variabele aanwezig is die zowel x als y sterk beïnvloedt. 
•We gaan dus de invloed van deze variabele z op x en y elimineren 
•= partiële correlatie 
•Vb. alle waarden die nominaal zijn kennen een stijgende trend op lange termijn. (nominale regenval, nominale prijzen,…) 
•Er zal een positieve correlatie berekend worden tussen al deze tijdsreeksen 
•Dit is een nonsencorrelatie, omdat al deze reeksen een gemiddelde trend bevatten 
•Z(t) is deze trend die aanwezig is tussen 2 reeksen => elimineren om een zuiver verband te krijgen 
•Z(t) zuiveren uit x(t) en y(t) 
 
2008-12-07 18:20:39 [Sandra Hofmans] [reply] 
Correct, het is nog beter om naar de getrimde variantie te kijken, omdat hier de outliners zijn uitgehaald. 
2008-12-07 18:24:45 [Sandra Hofmans] [reply] 
Je bent Lambda vergeten te berekenen. 
2008-12-08 13:10:02 [Dave Bellekens] [reply] 
Je hebt hier de juiste conclusie gegeven die je bekomt via VRM. 
Maar je hebt geen Lambda waarde berekent via de Standard Deviation Mean plot en je had naast VRM ook nog de ACF en Spectrum analysis kunnen toepassen om de juiste transformaties te vinden om de tijdreeks stationair te maken.

Post a new message

Dataseries X:

Download CSV

Histogram

Boxplots

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 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 & 1 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28383&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]1 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=28383&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28383&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 Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 seconds
R Server	'Gwilym Jenkins' @ 72.249.127.135

Variance Reduction Matrix
V(Y[t],d=0,D=0)	599507541.427273	Range	100975	Trim Var.	413536259.523947
V(Y[t],d=1,D=0)	72448424.1339985	Range	41376	Trim Var.	38196397.122449
V(Y[t],d=2,D=0)	109731943.889870	Range	56197	Trim Var.	49755942.1781767
V(Y[t],d=3,D=0)	261377654.431114	Range	91874	Trim Var.	124708401.083142
V(Y[t],d=0,D=1)	243146094.667218	Range	65905	Trim Var.	177742239.062308
V(Y[t],d=1,D=1)	12626713.3819229	Range	21650	Trim Var.	6595948.25042937
V(Y[t],d=2,D=1)	26056937.8709916	Range	31737	Trim Var.	13182646.2786492
V(Y[t],d=3,D=1)	79010610.0325828	Range	57359	Trim Var.	42313231.6614704
V(Y[t],d=0,D=2)	198018452.726051	Range	72200	Trim Var.	112842384.180889
V(Y[t],d=1,D=2)	32171579.8134752	Range	35974	Trim Var.	15942729.1064516
V(Y[t],d=2,D=2)	68044216.8696814	Range	54214	Trim Var.	37656848.556
V(Y[t],d=3,D=2)	201012980.765405	Range	84540	Trim Var.	108074255.316129

\begin{tabular}{lllllllll}
\hline
Variance Reduction Matrix \tabularnewline
V(Y[t],d=0,D=0) & 599507541.427273 & Range & 100975 & Trim Var. & 413536259.523947 \tabularnewline
V(Y[t],d=1,D=0) & 72448424.1339985 & Range & 41376 & Trim Var. & 38196397.122449 \tabularnewline
V(Y[t],d=2,D=0) & 109731943.889870 & Range & 56197 & Trim Var. & 49755942.1781767 \tabularnewline
V(Y[t],d=3,D=0) & 261377654.431114 & Range & 91874 & Trim Var. & 124708401.083142 \tabularnewline
V(Y[t],d=0,D=1) & 243146094.667218 & Range & 65905 & Trim Var. & 177742239.062308 \tabularnewline
V(Y[t],d=1,D=1) & 12626713.3819229 & Range & 21650 & Trim Var. & 6595948.25042937 \tabularnewline
V(Y[t],d=2,D=1) & 26056937.8709916 & Range & 31737 & Trim Var. & 13182646.2786492 \tabularnewline
V(Y[t],d=3,D=1) & 79010610.0325828 & Range & 57359 & Trim Var. & 42313231.6614704 \tabularnewline
V(Y[t],d=0,D=2) & 198018452.726051 & Range & 72200 & Trim Var. & 112842384.180889 \tabularnewline
V(Y[t],d=1,D=2) & 32171579.8134752 & Range & 35974 & Trim Var. & 15942729.1064516 \tabularnewline
V(Y[t],d=2,D=2) & 68044216.8696814 & Range & 54214 & Trim Var. & 37656848.556 \tabularnewline
V(Y[t],d=3,D=2) & 201012980.765405 & Range & 84540 & Trim Var. & 108074255.316129 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28383&T=1

[TABLE]
[ROW][C]Variance Reduction Matrix[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=0)[/C][C]599507541.427273[/C][C]Range[/C][C]100975[/C][C]Trim Var.[/C][C]413536259.523947[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=0)[/C][C]72448424.1339985[/C][C]Range[/C][C]41376[/C][C]Trim Var.[/C][C]38196397.122449[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=0)[/C][C]109731943.889870[/C][C]Range[/C][C]56197[/C][C]Trim Var.[/C][C]49755942.1781767[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=0)[/C][C]261377654.431114[/C][C]Range[/C][C]91874[/C][C]Trim Var.[/C][C]124708401.083142[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=1)[/C][C]243146094.667218[/C][C]Range[/C][C]65905[/C][C]Trim Var.[/C][C]177742239.062308[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=1)[/C][C]12626713.3819229[/C][C]Range[/C][C]21650[/C][C]Trim Var.[/C][C]6595948.25042937[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=1)[/C][C]26056937.8709916[/C][C]Range[/C][C]31737[/C][C]Trim Var.[/C][C]13182646.2786492[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=1)[/C][C]79010610.0325828[/C][C]Range[/C][C]57359[/C][C]Trim Var.[/C][C]42313231.6614704[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=2)[/C][C]198018452.726051[/C][C]Range[/C][C]72200[/C][C]Trim Var.[/C][C]112842384.180889[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=2)[/C][C]32171579.8134752[/C][C]Range[/C][C]35974[/C][C]Trim Var.[/C][C]15942729.1064516[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=2)[/C][C]68044216.8696814[/C][C]Range[/C][C]54214[/C][C]Trim Var.[/C][C]37656848.556[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=2)[/C][C]201012980.765405[/C][C]Range[/C][C]84540[/C][C]Trim Var.[/C][C]108074255.316129[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28383&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28383&T=1

As an alternative you can also use a QR Code:

The GUIDs for individual cells are displayed in the table below:

Variance Reduction Matrix
V(Y[t],d=0,D=0)	599507541.427273	Range	100975	Trim Var.	413536259.523947
V(Y[t],d=1,D=0)	72448424.1339985	Range	41376	Trim Var.	38196397.122449
V(Y[t],d=2,D=0)	109731943.889870	Range	56197	Trim Var.	49755942.1781767
V(Y[t],d=3,D=0)	261377654.431114	Range	91874	Trim Var.	124708401.083142
V(Y[t],d=0,D=1)	243146094.667218	Range	65905	Trim Var.	177742239.062308
V(Y[t],d=1,D=1)	12626713.3819229	Range	21650	Trim Var.	6595948.25042937
V(Y[t],d=2,D=1)	26056937.8709916	Range	31737	Trim Var.	13182646.2786492
V(Y[t],d=3,D=1)	79010610.0325828	Range	57359	Trim Var.	42313231.6614704
V(Y[t],d=0,D=2)	198018452.726051	Range	72200	Trim Var.	112842384.180889
V(Y[t],d=1,D=2)	32171579.8134752	Range	35974	Trim Var.	15942729.1064516
V(Y[t],d=2,D=2)	68044216.8696814	Range	54214	Trim Var.	37656848.556
V(Y[t],d=3,D=2)	201012980.765405	Range	84540	Trim Var.	108074255.316129

Parameters (Session):

par1 = 12 ;

Parameters (R input):

par1 = 12 ;

R code (references can be found in the software module):

par1 <- as.numeric(par1)
n <- length(x)
sx <- sort(x)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Variance Reduction Matrix',6,TRUE)
a<-table.row.end(a)
for (bigd in 0:2) {
for (smalld in 0:3) {
mylabel <- 'V(Y[t],d='
mylabel <- paste(mylabel,as.character(smalld),sep='')
mylabel <- paste(mylabel,',D=',sep='')
mylabel <- paste(mylabel,as.character(bigd),sep='')
mylabel <- paste(mylabel,')',sep='')
a<-table.row.start(a)
a<-table.element(a,mylabel,header=TRUE)
myx <- x
if (smalld > 0) myx <- diff(x,lag=1,differences=smalld)
if (bigd > 0) myx <- diff(myx,lag=par1,differences=bigd)
a<-table.element(a,var(myx))
a<-table.element(a,'Range',header=TRUE)
a<-table.element(a,max(myx)-min(myx))
a<-table.element(a,'Trim Var.',header=TRUE)
smyx <- sort(myx)
sn <- length(smyx)
a<-table.element(a,var(smyx[smyx>quantile(smyx,0.05) & smyxa<-table.row.end(a)
}
}
a<-table.end(a)
table.save(a,file='mytable.tab')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code