Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*The author of this computation has been verified*

R Software Module

rwasp_autocorrelation.wasp

Title produced by software

(Partial) Autocorrelation Function

Date of computation

Tue, 09 Dec 2008 13:02:25 -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/09/t1228853014txm0afzpwp072k9.htm/, Retrieved Fri, 17 May 2024 03:42:14 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=31760, Retrieved Fri, 17 May 2024 03:42:14 +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

233

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

-     [Univariate Data Series] [data set] [2008-12-01 19:54:57] [b98453cac15ba1066b407e146608df68]
F RMP     [(Partial) Autocorrelation Function] [Opdracht 1 - Blok...] [2008-12-09 20:02:25] [1351baa662f198be3bff32f9007a9a6d] [Current]
-   PD      [(Partial) Autocorrelation Function] [Paper] [2008-12-11 12:55:22] [8094ad203a218aaca2d1cea2c78c2d6e] 
- RMPD      [Standard Deviation-Mean Plot] [Paper] [2008-12-11 12:59:37] [8094ad203a218aaca2d1cea2c78c2d6e] 
- RMPD      [Standard Deviation-Mean Plot] [Paper] [2008-12-11 13:02:31] [8094ad203a218aaca2d1cea2c78c2d6e] 

Feedback Forum

2008-12-11 19:23:34 [Nathalie Daneels] [reply] 
Evaluatie opdracht 1 - Blok 20 (Q4): 
Ik ga ook hier de hele evaluatie van stap 4 zetten. 
 
Ook hier moet de conclusie worden aangevuld. Om tot de conclusie van de student te komen, moet het volgende worden gedaan: 
* Eerst gaan we beginnen met de AR-processen: deze processen hebben typische patronen in de ACF. We gaan nagaan of we deze patronen kunnen identificeren in onze ACF. We gaan dus moeten kijken naar de eerste 4 of 5 correlatiecoëfficiënten in onze grafiek om een mogelijk patroon te kunnen herkennen. We nemen enkel in het begin maar een paar correlaties, zodat we geen seizoenaal patroon zullen identificeren. Bovendien mogen we ook geen rekening houden met de allereerste correlatie die overeenkomt met time lag 0. We kunnen opmerken bij onze grafiek van ACF dat er een zeer snelle convergentie is naar 0. Kunnen we dit patroon herkennen in 1 van de patronen van de AR-processen? We kunnen dit min of meer herkennen in 1 van de patronen, alleen is onze eerste correlatiecoëfficiënt (op time lag 1) kleiner dan onze tweede correlatiecoëfficiënt en het patroon dat we er mogelijk in herkennen heeft dalende correlatiecoëfficiënten op de eerste 4 of 5 time lags. Nu kunnen we ons de vraag stellen of we aan dit staafje mogen trekken? We moeten hierbij opmerken dat bij de patronen in de ACF bij de AR-processen gebruik wordt gemaakt van een zuivere tijdreeks: Zonder transformatie, differentiatie,… Wij hebben te maken met een echte/werkelijke tijdreeks met een toevalscomponent,… We mogen echter besluiten dat we abstractie mogen maken van 1 of 2 correlatiecoëfficiënten van het patroon. Dit betekent dat we wat aan het staafje mogen trekken: Aangezien de correlaties onderling gecorreleerd zijn (want het is een ACF), betekent dit dat als we aan het ene staafje trekken, de anderen ook wat gaan volgen. We mogen dus concluderen dat onze ACF gelijkt op de ACF van het AR-proces met als patroon: Een opeenvolging van positieve correlaties die zeer snel naar 0 convergeren. 
Een belangrijke opmerking die we hierbij moeten maken: De patronen die typisch zijn voor de AR(1)-processen, zijn eveneens typisch voor de AR(2)-processen,… Dit betekent dat we eigenlijk geen onderscheid kunnen maken tussen een eerste orde of een tweede orde,… AR-processen, enkel gebaseerd op de ACF. Meer zelfs: Dit geldt voor alle AR(p)-processen. Nu om toch te kunnen bepalen over welke orde van AR-proces we beschikken, moeten we gaan kijken naar de PACF van onze grafiek en deze gaan vergelijken met de typische patronen van de PACF van de AR-processen. We moeten ons hierbij de vraag stellen hoeveel van de eerste coëfficiënten significant zijn, dat getal bepaalt de orde van het AR-proces. Uit onze grafiek van PACF kunnen we vaststellen dat de eerste en de tweede correlaties positief zijn, maar de derde net niet meer. Nu als we daar een klein beetje aan trekken, dan wordt deze ook positief. We kunnen opmerken dat er dus 3 positieve correlaties zijn. Bij twijfel (of een bepaalde correlatiecoëfficiënt in het begin al dan niet significant is) moeten we het proces nemen dat wat ruimer/groter is, wat hier dus het AR(3)-proces gaat zijn. Het is mogelijk dat we nadien onze mening misschien moeten herzien. Dus p = 3. 
* Vervolgens gaan we kijken of er sprake is van een seizoenaal gedeelte in onze ACF. We kunnen uit onze grafiek afleiden dat er geen seizoenaal patroon aanwezig is: We hebben dus hoogstwaarschijnlijk niet te maken met een SAR-proces. Hieruit kunnen we dus afleiden dat P = 0. 
* Nu gaan we kijken of we te maken hebben met een MA-proces. Om dit te kunnen concluderen, moeten we onze grafiek van de PACF gaan vergelijken met de typische patronen in de PACF van de MA-processen. We gaan dus weer letten op de eerste 4 of 5 coëfficiënten in onze grafiek, zonder rekening te houden met de coëfficiënt op time lag 0. Hieruit kunnen we zeer duidelijk afleiden dat deze helemaal niet overeenstemmen met één van de typische patronen van MA-processen in de PACF. Er is dus geen herkenbaar patroon voor een MA-proces, wat betekent dat q = 0.  
* Ten slotte moeten we gaan kijken of er seizoenale coëfficiënten zijn in het PACF die hierboven bij de vraag gezet is. Hieruit kunnen we duidelijk het volgende afleiden: Er zijn allemaal negatieve correlatiecoëfficiënten, waarvan er een aantal significant verschillend zijn. Deze coëfficiënten komen overeen met de periodes 12, 24,… maanden. We gaan vervolgens dit patroon vergelijken met de patronen van de PACF van de MA-processen. We kunnen opmerken dat dit zeer sterk overeenkomt met een patroon van de PACF van de MA-processen, namelijk de opeenvolging van negatieve correlatiecoëfficiënten. Er is dus sprake van een SMA-proces (een seizoenaal MA-proces). Ook hier moeten we een belangrijke opmerking maken: De patronen die typisch zijn in de PACF voor MA(1)-processen zijn ook typisch in de PACF van MA(2)-processen,… Dit geldt bovendien voor alle MA(q)-processen. Dit betekent dat we eigenlijk geen onderscheid kunnen maken tussen de SMA(1)-processen, de SMA(2)-processen,… Nu om toch een onderscheid te kunnen maken in deze SMA-processen en dus te kunnen bepalen welke orde het is, moeten we gaan kijken naar de ACF: hoeveel van de eerste seizoenale coëfficiënten in onze grafiek zijn significant, dat getal bepaalt de orde. De eerste is significant, maar we moeten opmerken dat de volgende al nier meer significant is. Dit betekent dat we met een eerste orde SMA-proces werken. We kunnen dus concluderen dat Q = 1.  
Nu aan de hand van deze 4 gevonden waarden voor de parameters p,P,q en Q kunnen we de modelvergelijking invullen. Voor Phi schrijf ik P en voor hoofdletter Phi schrijf ik H. 
(1 – P x B – P2 x B² - P3 x B³) N x N(12) x Wortel (Yt) = (1 – H1 x B(12)) x Et. 
B = Backshift-operator , Yt = oorspronkelijke tijdreeks , N = Nabla , Et = toevalscomponent. 
Als we deze modelvergelijking vervolgens ingeven in de computer, dan is het zijn taak om de 4 Griekse parameters te berekenen. De computer gaat ervoor zorgen dat je een optimale combinatie van gewichten krijgt, die ervoor zorgen dat een aantal criteria (o.a. de voorspelling) geoptimaliseerd wordt. De computer gaat ook zorgen voor een schattingsmethode, die je gaat helpen bij het identificeren van de modellen die je nodig hebt.  
Definitie van de PACF: is een speciaal soort Autocorrelatiefunctie. De correlatiecoëfficiënten worden verwerkt zodanig dat al de correlaties onafhankelijk zijn van elkaar. Dit impliceert dat de correlaties in de PACF niet wederzijds gecorreleerd zijn (in tegenstelling tot in de gewone ACF). 
 
2008-12-14 12:52:44 [Bénédicte Soens] [reply] 
Het is duidelijk dat deze tijdreeks nu stationair gemaakt geweest is. De lange termijn trend is verdwenen en ook de seizoenaliteit is weggewerkt. Daarvoor werd d=1 en D=1 gebruikt.  
Het is wel zo dat sommige staafjes van de autocorrelatie buiten het betrouwbaarheidsinterval komen. Maar dit is niet erg aangezien dit interval slecht 95% weergeeft. Dus er mogen enkele buiten vallen. 
(Via de spectraal analyse is het ook duidelijk dat er een stationaire tijdreeks bekomen werd).
2008-12-14 12:56:01 [Bénédicte Soens] [reply] 
Dit antwoord van hierboven hoort bij step 3, maar er werd gebruik gemaakt van dezelfde link.
2008-12-14 12:57:50 [Bénédicte Soens] [reply] 
Bij de uitleg dat reeds op het forum is gepost over step 4, heb ik niets meer toe te voegen. De modelvergelijking kan wel eenvoudiger voorgesteld worden:  
(1-ф1B-ф2B2 - ф 3 B3)∇∇12 √Yt = (1- Θ 1 B12)et
2008-12-16 09:46:13 [Katja van Hek] [reply] 
Correcte beantwoording.Ik heb ook niets meer toe te voegen aan de uitleg gegeven door de 1e student

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	2 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=31760&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=31760&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31760&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	2 seconds
R Server	'Gwilym Jenkins' @ 72.249.127.135

Autocorrelation Function
Time lag k	ACF(k)	T-STAT	P-value
1	0.187552	3.5536	0.000215
2	0.317794	6.0213	0
3	0.179563	3.4022	0.000372
4	0.155303	2.9426	0.001733
5	0.127596	2.4176	0.008061
6	0.06371	1.2071	0.114087
7	-0.054701	-1.0364	0.150347
8	-0.011735	-0.2224	0.412083
9	-0.080833	-1.5316	0.063255
10	-0.174708	-3.3102	0.000513
11	-0.055263	-1.0471	0.147883
12	-0.480698	-9.1079	0
13	-0.168514	-3.1929	0.000767
14	-0.172913	-3.2762	0.000577
15	-0.128287	-2.4307	0.007779
16	-0.163167	-3.0916	0.001073
17	-0.121097	-2.2945	0.01117
18	-0.103099	-1.9534	0.025772
19	0.020128	0.3814	0.351578
20	-0.002775	-0.0526	0.479049
21	-0.006426	-0.1217	0.451583
22	-0.006358	-0.1205	0.45209
23	-0.004364	-0.0827	0.467075
24	-0.006343	-0.1202	0.452205
25	0.094911	1.7983	0.036484
26	-0.008505	-0.1611	0.436036
27	0.017661	0.3346	0.369052
28	0.077035	1.4596	0.072638
29	0.068023	1.2888	0.09914
30	0.041632	0.7888	0.215369
31	0.032895	0.6233	0.266752
32	-0.068171	-1.2917	0.098653
33	0.011323	0.2145	0.415122
34	0.002674	0.0507	0.479811
35	-0.0721	-1.3661	0.08638
36	-0.031172	-0.5906	0.277571
37	-0.113841	-2.157	0.015835
38	-0.00152	-0.0288	0.488517
39	-0.046567	-0.8823	0.189098
40	-0.067976	-1.288	0.099295
41	-0.105451	-1.998	0.023234
42	-0.033256	-0.6301	0.264511
43	-0.158298	-2.9993	0.001447
44	0.01837	0.3481	0.364001
45	-0.043872	-0.8313	0.203191
46	0.021162	0.401	0.34434
47	0.042179	0.7992	0.21236
48	0.097675	1.8507	0.032519
49	0.125528	2.3784	0.008955
50	0.090564	1.7159	0.043518
51	0.082527	1.5637	0.059388
52	0.128164	2.4284	0.007829
53	0.160308	3.0374	0.00128
54	0.042213	0.7998	0.212173
55	0.160649	3.0439	0.001254
56	0.042494	0.8052	0.210633
57	0.055698	1.0553	0.145992
58	0.043943	0.8326	0.202814
59	0.043887	0.8315	0.203111
60	-0.02979	-0.5644	0.286401

\begin{tabular}{lllllllll}
\hline
Autocorrelation Function \tabularnewline
Time lag k & ACF(k) & T-STAT & P-value \tabularnewline
1 & 0.187552 & 3.5536 & 0.000215 \tabularnewline
2 & 0.317794 & 6.0213 & 0 \tabularnewline
3 & 0.179563 & 3.4022 & 0.000372 \tabularnewline
4 & 0.155303 & 2.9426 & 0.001733 \tabularnewline
5 & 0.127596 & 2.4176 & 0.008061 \tabularnewline
6 & 0.06371 & 1.2071 & 0.114087 \tabularnewline
7 & -0.054701 & -1.0364 & 0.150347 \tabularnewline
8 & -0.011735 & -0.2224 & 0.412083 \tabularnewline
9 & -0.080833 & -1.5316 & 0.063255 \tabularnewline
10 & -0.174708 & -3.3102 & 0.000513 \tabularnewline
11 & -0.055263 & -1.0471 & 0.147883 \tabularnewline
12 & -0.480698 & -9.1079 & 0 \tabularnewline
13 & -0.168514 & -3.1929 & 0.000767 \tabularnewline
14 & -0.172913 & -3.2762 & 0.000577 \tabularnewline
15 & -0.128287 & -2.4307 & 0.007779 \tabularnewline
16 & -0.163167 & -3.0916 & 0.001073 \tabularnewline
17 & -0.121097 & -2.2945 & 0.01117 \tabularnewline
18 & -0.103099 & -1.9534 & 0.025772 \tabularnewline
19 & 0.020128 & 0.3814 & 0.351578 \tabularnewline
20 & -0.002775 & -0.0526 & 0.479049 \tabularnewline
21 & -0.006426 & -0.1217 & 0.451583 \tabularnewline
22 & -0.006358 & -0.1205 & 0.45209 \tabularnewline
23 & -0.004364 & -0.0827 & 0.467075 \tabularnewline
24 & -0.006343 & -0.1202 & 0.452205 \tabularnewline
25 & 0.094911 & 1.7983 & 0.036484 \tabularnewline
26 & -0.008505 & -0.1611 & 0.436036 \tabularnewline
27 & 0.017661 & 0.3346 & 0.369052 \tabularnewline
28 & 0.077035 & 1.4596 & 0.072638 \tabularnewline
29 & 0.068023 & 1.2888 & 0.09914 \tabularnewline
30 & 0.041632 & 0.7888 & 0.215369 \tabularnewline
31 & 0.032895 & 0.6233 & 0.266752 \tabularnewline
32 & -0.068171 & -1.2917 & 0.098653 \tabularnewline
33 & 0.011323 & 0.2145 & 0.415122 \tabularnewline
34 & 0.002674 & 0.0507 & 0.479811 \tabularnewline
35 & -0.0721 & -1.3661 & 0.08638 \tabularnewline
36 & -0.031172 & -0.5906 & 0.277571 \tabularnewline
37 & -0.113841 & -2.157 & 0.015835 \tabularnewline
38 & -0.00152 & -0.0288 & 0.488517 \tabularnewline
39 & -0.046567 & -0.8823 & 0.189098 \tabularnewline
40 & -0.067976 & -1.288 & 0.099295 \tabularnewline
41 & -0.105451 & -1.998 & 0.023234 \tabularnewline
42 & -0.033256 & -0.6301 & 0.264511 \tabularnewline
43 & -0.158298 & -2.9993 & 0.001447 \tabularnewline
44 & 0.01837 & 0.3481 & 0.364001 \tabularnewline
45 & -0.043872 & -0.8313 & 0.203191 \tabularnewline
46 & 0.021162 & 0.401 & 0.34434 \tabularnewline
47 & 0.042179 & 0.7992 & 0.21236 \tabularnewline
48 & 0.097675 & 1.8507 & 0.032519 \tabularnewline
49 & 0.125528 & 2.3784 & 0.008955 \tabularnewline
50 & 0.090564 & 1.7159 & 0.043518 \tabularnewline
51 & 0.082527 & 1.5637 & 0.059388 \tabularnewline
52 & 0.128164 & 2.4284 & 0.007829 \tabularnewline
53 & 0.160308 & 3.0374 & 0.00128 \tabularnewline
54 & 0.042213 & 0.7998 & 0.212173 \tabularnewline
55 & 0.160649 & 3.0439 & 0.001254 \tabularnewline
56 & 0.042494 & 0.8052 & 0.210633 \tabularnewline
57 & 0.055698 & 1.0553 & 0.145992 \tabularnewline
58 & 0.043943 & 0.8326 & 0.202814 \tabularnewline
59 & 0.043887 & 0.8315 & 0.203111 \tabularnewline
60 & -0.02979 & -0.5644 & 0.286401 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31760&T=1

[TABLE]
[ROW][C]Autocorrelation Function[/C][/ROW]
[ROW][C]Time lag k[/C][C]ACF(k)[/C][C]T-STAT[/C][C]P-value[/C][/ROW]
[ROW][C]1[/C][C]0.187552[/C][C]3.5536[/C][C]0.000215[/C][/ROW]
[ROW][C]2[/C][C]0.317794[/C][C]6.0213[/C][C]0[/C][/ROW]
[ROW][C]3[/C][C]0.179563[/C][C]3.4022[/C][C]0.000372[/C][/ROW]
[ROW][C]4[/C][C]0.155303[/C][C]2.9426[/C][C]0.001733[/C][/ROW]
[ROW][C]5[/C][C]0.127596[/C][C]2.4176[/C][C]0.008061[/C][/ROW]
[ROW][C]6[/C][C]0.06371[/C][C]1.2071[/C][C]0.114087[/C][/ROW]
[ROW][C]7[/C][C]-0.054701[/C][C]-1.0364[/C][C]0.150347[/C][/ROW]
[ROW][C]8[/C][C]-0.011735[/C][C]-0.2224[/C][C]0.412083[/C][/ROW]
[ROW][C]9[/C][C]-0.080833[/C][C]-1.5316[/C][C]0.063255[/C][/ROW]
[ROW][C]10[/C][C]-0.174708[/C][C]-3.3102[/C][C]0.000513[/C][/ROW]
[ROW][C]11[/C][C]-0.055263[/C][C]-1.0471[/C][C]0.147883[/C][/ROW]
[ROW][C]12[/C][C]-0.480698[/C][C]-9.1079[/C][C]0[/C][/ROW]
[ROW][C]13[/C][C]-0.168514[/C][C]-3.1929[/C][C]0.000767[/C][/ROW]
[ROW][C]14[/C][C]-0.172913[/C][C]-3.2762[/C][C]0.000577[/C][/ROW]
[ROW][C]15[/C][C]-0.128287[/C][C]-2.4307[/C][C]0.007779[/C][/ROW]
[ROW][C]16[/C][C]-0.163167[/C][C]-3.0916[/C][C]0.001073[/C][/ROW]
[ROW][C]17[/C][C]-0.121097[/C][C]-2.2945[/C][C]0.01117[/C][/ROW]
[ROW][C]18[/C][C]-0.103099[/C][C]-1.9534[/C][C]0.025772[/C][/ROW]
[ROW][C]19[/C][C]0.020128[/C][C]0.3814[/C][C]0.351578[/C][/ROW]
[ROW][C]20[/C][C]-0.002775[/C][C]-0.0526[/C][C]0.479049[/C][/ROW]
[ROW][C]21[/C][C]-0.006426[/C][C]-0.1217[/C][C]0.451583[/C][/ROW]
[ROW][C]22[/C][C]-0.006358[/C][C]-0.1205[/C][C]0.45209[/C][/ROW]
[ROW][C]23[/C][C]-0.004364[/C][C]-0.0827[/C][C]0.467075[/C][/ROW]
[ROW][C]24[/C][C]-0.006343[/C][C]-0.1202[/C][C]0.452205[/C][/ROW]
[ROW][C]25[/C][C]0.094911[/C][C]1.7983[/C][C]0.036484[/C][/ROW]
[ROW][C]26[/C][C]-0.008505[/C][C]-0.1611[/C][C]0.436036[/C][/ROW]
[ROW][C]27[/C][C]0.017661[/C][C]0.3346[/C][C]0.369052[/C][/ROW]
[ROW][C]28[/C][C]0.077035[/C][C]1.4596[/C][C]0.072638[/C][/ROW]
[ROW][C]29[/C][C]0.068023[/C][C]1.2888[/C][C]0.09914[/C][/ROW]
[ROW][C]30[/C][C]0.041632[/C][C]0.7888[/C][C]0.215369[/C][/ROW]
[ROW][C]31[/C][C]0.032895[/C][C]0.6233[/C][C]0.266752[/C][/ROW]
[ROW][C]32[/C][C]-0.068171[/C][C]-1.2917[/C][C]0.098653[/C][/ROW]
[ROW][C]33[/C][C]0.011323[/C][C]0.2145[/C][C]0.415122[/C][/ROW]
[ROW][C]34[/C][C]0.002674[/C][C]0.0507[/C][C]0.479811[/C][/ROW]
[ROW][C]35[/C][C]-0.0721[/C][C]-1.3661[/C][C]0.08638[/C][/ROW]
[ROW][C]36[/C][C]-0.031172[/C][C]-0.5906[/C][C]0.277571[/C][/ROW]
[ROW][C]37[/C][C]-0.113841[/C][C]-2.157[/C][C]0.015835[/C][/ROW]
[ROW][C]38[/C][C]-0.00152[/C][C]-0.0288[/C][C]0.488517[/C][/ROW]
[ROW][C]39[/C][C]-0.046567[/C][C]-0.8823[/C][C]0.189098[/C][/ROW]
[ROW][C]40[/C][C]-0.067976[/C][C]-1.288[/C][C]0.099295[/C][/ROW]
[ROW][C]41[/C][C]-0.105451[/C][C]-1.998[/C][C]0.023234[/C][/ROW]
[ROW][C]42[/C][C]-0.033256[/C][C]-0.6301[/C][C]0.264511[/C][/ROW]
[ROW][C]43[/C][C]-0.158298[/C][C]-2.9993[/C][C]0.001447[/C][/ROW]
[ROW][C]44[/C][C]0.01837[/C][C]0.3481[/C][C]0.364001[/C][/ROW]
[ROW][C]45[/C][C]-0.043872[/C][C]-0.8313[/C][C]0.203191[/C][/ROW]
[ROW][C]46[/C][C]0.021162[/C][C]0.401[/C][C]0.34434[/C][/ROW]
[ROW][C]47[/C][C]0.042179[/C][C]0.7992[/C][C]0.21236[/C][/ROW]
[ROW][C]48[/C][C]0.097675[/C][C]1.8507[/C][C]0.032519[/C][/ROW]
[ROW][C]49[/C][C]0.125528[/C][C]2.3784[/C][C]0.008955[/C][/ROW]
[ROW][C]50[/C][C]0.090564[/C][C]1.7159[/C][C]0.043518[/C][/ROW]
[ROW][C]51[/C][C]0.082527[/C][C]1.5637[/C][C]0.059388[/C][/ROW]
[ROW][C]52[/C][C]0.128164[/C][C]2.4284[/C][C]0.007829[/C][/ROW]
[ROW][C]53[/C][C]0.160308[/C][C]3.0374[/C][C]0.00128[/C][/ROW]
[ROW][C]54[/C][C]0.042213[/C][C]0.7998[/C][C]0.212173[/C][/ROW]
[ROW][C]55[/C][C]0.160649[/C][C]3.0439[/C][C]0.001254[/C][/ROW]
[ROW][C]56[/C][C]0.042494[/C][C]0.8052[/C][C]0.210633[/C][/ROW]
[ROW][C]57[/C][C]0.055698[/C][C]1.0553[/C][C]0.145992[/C][/ROW]
[ROW][C]58[/C][C]0.043943[/C][C]0.8326[/C][C]0.202814[/C][/ROW]
[ROW][C]59[/C][C]0.043887[/C][C]0.8315[/C][C]0.203111[/C][/ROW]
[ROW][C]60[/C][C]-0.02979[/C][C]-0.5644[/C][C]0.286401[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31760&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31760&T=1

As an alternative you can also use a QR Code:

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

Autocorrelation Function
Time lag k	ACF(k)	T-STAT	P-value
1	0.187552	3.5536	0.000215
2	0.317794	6.0213	0
3	0.179563	3.4022	0.000372
4	0.155303	2.9426	0.001733
5	0.127596	2.4176	0.008061
6	0.06371	1.2071	0.114087
7	-0.054701	-1.0364	0.150347
8	-0.011735	-0.2224	0.412083
9	-0.080833	-1.5316	0.063255
10	-0.174708	-3.3102	0.000513
11	-0.055263	-1.0471	0.147883
12	-0.480698	-9.1079	0
13	-0.168514	-3.1929	0.000767
14	-0.172913	-3.2762	0.000577
15	-0.128287	-2.4307	0.007779
16	-0.163167	-3.0916	0.001073
17	-0.121097	-2.2945	0.01117
18	-0.103099	-1.9534	0.025772
19	0.020128	0.3814	0.351578
20	-0.002775	-0.0526	0.479049
21	-0.006426	-0.1217	0.451583
22	-0.006358	-0.1205	0.45209
23	-0.004364	-0.0827	0.467075
24	-0.006343	-0.1202	0.452205
25	0.094911	1.7983	0.036484
26	-0.008505	-0.1611	0.436036
27	0.017661	0.3346	0.369052
28	0.077035	1.4596	0.072638
29	0.068023	1.2888	0.09914
30	0.041632	0.7888	0.215369
31	0.032895	0.6233	0.266752
32	-0.068171	-1.2917	0.098653
33	0.011323	0.2145	0.415122
34	0.002674	0.0507	0.479811
35	-0.0721	-1.3661	0.08638
36	-0.031172	-0.5906	0.277571
37	-0.113841	-2.157	0.015835
38	-0.00152	-0.0288	0.488517
39	-0.046567	-0.8823	0.189098
40	-0.067976	-1.288	0.099295
41	-0.105451	-1.998	0.023234
42	-0.033256	-0.6301	0.264511
43	-0.158298	-2.9993	0.001447
44	0.01837	0.3481	0.364001
45	-0.043872	-0.8313	0.203191
46	0.021162	0.401	0.34434
47	0.042179	0.7992	0.21236
48	0.097675	1.8507	0.032519
49	0.125528	2.3784	0.008955
50	0.090564	1.7159	0.043518
51	0.082527	1.5637	0.059388
52	0.128164	2.4284	0.007829
53	0.160308	3.0374	0.00128
54	0.042213	0.7998	0.212173
55	0.160649	3.0439	0.001254
56	0.042494	0.8052	0.210633
57	0.055698	1.0553	0.145992
58	0.043943	0.8326	0.202814
59	0.043887	0.8315	0.203111
60	-0.02979	-0.5644	0.286401

Partial Autocorrelation Function
Time lag k	PACF(k)	T-STAT	P-value
1	0.187552	3.5536	0.000215
2	0.292922	5.5501	0
3	0.093512	1.7718	0.038638
4	0.033995	0.6441	0.259959
5	0.032214	0.6104	0.271005
6	-0.024285	-0.4601	0.322846
7	-0.139405	-2.6414	0.004309
8	-0.030697	-0.5816	0.280592
9	-0.045877	-0.8693	0.192645
10	-0.156693	-2.9689	0.001595
11	0.037591	0.7122	0.238389
12	-0.427945	-8.1084	0
13	-0.036401	-0.6897	0.245414
14	0.123319	2.3366	0.010006
15	0.047112	0.8926	0.186322
16	-0.060609	-1.1484	0.125789
17	-0.017722	-0.3358	0.368615
18	0.007818	0.1481	0.44116
19	0.023368	0.4428	0.329106
20	0.047983	0.9091	0.181941
21	-0.03962	-0.7507	0.226664
22	-0.157258	-2.9796	0.001541
23	0.010195	0.1932	0.42347
24	-0.263321	-4.9892	0
25	0.056986	1.0797	0.140495
26	0.017452	0.3307	0.370544
27	-0.01152	-0.2183	0.413674
28	0.033761	0.6397	0.261394
29	0.035746	0.6773	0.249331
30	-0.027638	-0.5237	0.300414
31	0.037568	0.7118	0.238523
32	-0.076586	-1.4511	0.073812
33	-0.04242	-0.8037	0.211038
34	-0.086262	-1.6344	0.051522
35	-0.078156	-1.4808	0.069763
36	-0.219062	-4.1506	2.1e-05
37	-0.029885	-0.5662	0.285794
38	0.062408	1.1825	0.118901
39	-0.055153	-1.045	0.148363
40	-0.019687	-0.373	0.354676
41	-0.030763	-0.5829	0.280174
42	-0.01269	-0.2404	0.405061
43	-0.11499	-2.1787	0.015
44	-0.017441	-0.3305	0.37062
45	-0.006089	-0.1154	0.454112
46	0.002743	0.052	0.479293
47	-0.026375	-0.4997	0.308785
48	-0.056646	-1.0733	0.141932
49	0.037272	0.7062	0.240259
50	0.038077	0.7214	0.235552
51	-0.031982	-0.606	0.272461
52	0.055379	1.0493	0.147378
53	0.0148	0.2804	0.389656
54	-0.095807	-1.8153	0.035157
55	-0.024197	-0.4585	0.323449
56	-0.032014	-0.6066	0.272256
57	-0.058488	-1.1082	0.134259
58	0.043184	0.8182	0.206889
59	0.009712	0.184	0.427053
60	-0.049846	-0.9444	0.172791

\begin{tabular}{lllllllll}
\hline
Partial Autocorrelation Function \tabularnewline
Time lag k & PACF(k) & T-STAT & P-value \tabularnewline
1 & 0.187552 & 3.5536 & 0.000215 \tabularnewline
2 & 0.292922 & 5.5501 & 0 \tabularnewline
3 & 0.093512 & 1.7718 & 0.038638 \tabularnewline
4 & 0.033995 & 0.6441 & 0.259959 \tabularnewline
5 & 0.032214 & 0.6104 & 0.271005 \tabularnewline
6 & -0.024285 & -0.4601 & 0.322846 \tabularnewline
7 & -0.139405 & -2.6414 & 0.004309 \tabularnewline
8 & -0.030697 & -0.5816 & 0.280592 \tabularnewline
9 & -0.045877 & -0.8693 & 0.192645 \tabularnewline
10 & -0.156693 & -2.9689 & 0.001595 \tabularnewline
11 & 0.037591 & 0.7122 & 0.238389 \tabularnewline
12 & -0.427945 & -8.1084 & 0 \tabularnewline
13 & -0.036401 & -0.6897 & 0.245414 \tabularnewline
14 & 0.123319 & 2.3366 & 0.010006 \tabularnewline
15 & 0.047112 & 0.8926 & 0.186322 \tabularnewline
16 & -0.060609 & -1.1484 & 0.125789 \tabularnewline
17 & -0.017722 & -0.3358 & 0.368615 \tabularnewline
18 & 0.007818 & 0.1481 & 0.44116 \tabularnewline
19 & 0.023368 & 0.4428 & 0.329106 \tabularnewline
20 & 0.047983 & 0.9091 & 0.181941 \tabularnewline
21 & -0.03962 & -0.7507 & 0.226664 \tabularnewline
22 & -0.157258 & -2.9796 & 0.001541 \tabularnewline
23 & 0.010195 & 0.1932 & 0.42347 \tabularnewline
24 & -0.263321 & -4.9892 & 0 \tabularnewline
25 & 0.056986 & 1.0797 & 0.140495 \tabularnewline
26 & 0.017452 & 0.3307 & 0.370544 \tabularnewline
27 & -0.01152 & -0.2183 & 0.413674 \tabularnewline
28 & 0.033761 & 0.6397 & 0.261394 \tabularnewline
29 & 0.035746 & 0.6773 & 0.249331 \tabularnewline
30 & -0.027638 & -0.5237 & 0.300414 \tabularnewline
31 & 0.037568 & 0.7118 & 0.238523 \tabularnewline
32 & -0.076586 & -1.4511 & 0.073812 \tabularnewline
33 & -0.04242 & -0.8037 & 0.211038 \tabularnewline
34 & -0.086262 & -1.6344 & 0.051522 \tabularnewline
35 & -0.078156 & -1.4808 & 0.069763 \tabularnewline
36 & -0.219062 & -4.1506 & 2.1e-05 \tabularnewline
37 & -0.029885 & -0.5662 & 0.285794 \tabularnewline
38 & 0.062408 & 1.1825 & 0.118901 \tabularnewline
39 & -0.055153 & -1.045 & 0.148363 \tabularnewline
40 & -0.019687 & -0.373 & 0.354676 \tabularnewline
41 & -0.030763 & -0.5829 & 0.280174 \tabularnewline
42 & -0.01269 & -0.2404 & 0.405061 \tabularnewline
43 & -0.11499 & -2.1787 & 0.015 \tabularnewline
44 & -0.017441 & -0.3305 & 0.37062 \tabularnewline
45 & -0.006089 & -0.1154 & 0.454112 \tabularnewline
46 & 0.002743 & 0.052 & 0.479293 \tabularnewline
47 & -0.026375 & -0.4997 & 0.308785 \tabularnewline
48 & -0.056646 & -1.0733 & 0.141932 \tabularnewline
49 & 0.037272 & 0.7062 & 0.240259 \tabularnewline
50 & 0.038077 & 0.7214 & 0.235552 \tabularnewline
51 & -0.031982 & -0.606 & 0.272461 \tabularnewline
52 & 0.055379 & 1.0493 & 0.147378 \tabularnewline
53 & 0.0148 & 0.2804 & 0.389656 \tabularnewline
54 & -0.095807 & -1.8153 & 0.035157 \tabularnewline
55 & -0.024197 & -0.4585 & 0.323449 \tabularnewline
56 & -0.032014 & -0.6066 & 0.272256 \tabularnewline
57 & -0.058488 & -1.1082 & 0.134259 \tabularnewline
58 & 0.043184 & 0.8182 & 0.206889 \tabularnewline
59 & 0.009712 & 0.184 & 0.427053 \tabularnewline
60 & -0.049846 & -0.9444 & 0.172791 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31760&T=2

[TABLE]
[ROW][C]Partial Autocorrelation Function[/C][/ROW]
[ROW][C]Time lag k[/C][C]PACF(k)[/C][C]T-STAT[/C][C]P-value[/C][/ROW]
[ROW][C]1[/C][C]0.187552[/C][C]3.5536[/C][C]0.000215[/C][/ROW]
[ROW][C]2[/C][C]0.292922[/C][C]5.5501[/C][C]0[/C][/ROW]
[ROW][C]3[/C][C]0.093512[/C][C]1.7718[/C][C]0.038638[/C][/ROW]
[ROW][C]4[/C][C]0.033995[/C][C]0.6441[/C][C]0.259959[/C][/ROW]
[ROW][C]5[/C][C]0.032214[/C][C]0.6104[/C][C]0.271005[/C][/ROW]
[ROW][C]6[/C][C]-0.024285[/C][C]-0.4601[/C][C]0.322846[/C][/ROW]
[ROW][C]7[/C][C]-0.139405[/C][C]-2.6414[/C][C]0.004309[/C][/ROW]
[ROW][C]8[/C][C]-0.030697[/C][C]-0.5816[/C][C]0.280592[/C][/ROW]
[ROW][C]9[/C][C]-0.045877[/C][C]-0.8693[/C][C]0.192645[/C][/ROW]
[ROW][C]10[/C][C]-0.156693[/C][C]-2.9689[/C][C]0.001595[/C][/ROW]
[ROW][C]11[/C][C]0.037591[/C][C]0.7122[/C][C]0.238389[/C][/ROW]
[ROW][C]12[/C][C]-0.427945[/C][C]-8.1084[/C][C]0[/C][/ROW]
[ROW][C]13[/C][C]-0.036401[/C][C]-0.6897[/C][C]0.245414[/C][/ROW]
[ROW][C]14[/C][C]0.123319[/C][C]2.3366[/C][C]0.010006[/C][/ROW]
[ROW][C]15[/C][C]0.047112[/C][C]0.8926[/C][C]0.186322[/C][/ROW]
[ROW][C]16[/C][C]-0.060609[/C][C]-1.1484[/C][C]0.125789[/C][/ROW]
[ROW][C]17[/C][C]-0.017722[/C][C]-0.3358[/C][C]0.368615[/C][/ROW]
[ROW][C]18[/C][C]0.007818[/C][C]0.1481[/C][C]0.44116[/C][/ROW]
[ROW][C]19[/C][C]0.023368[/C][C]0.4428[/C][C]0.329106[/C][/ROW]
[ROW][C]20[/C][C]0.047983[/C][C]0.9091[/C][C]0.181941[/C][/ROW]
[ROW][C]21[/C][C]-0.03962[/C][C]-0.7507[/C][C]0.226664[/C][/ROW]
[ROW][C]22[/C][C]-0.157258[/C][C]-2.9796[/C][C]0.001541[/C][/ROW]
[ROW][C]23[/C][C]0.010195[/C][C]0.1932[/C][C]0.42347[/C][/ROW]
[ROW][C]24[/C][C]-0.263321[/C][C]-4.9892[/C][C]0[/C][/ROW]
[ROW][C]25[/C][C]0.056986[/C][C]1.0797[/C][C]0.140495[/C][/ROW]
[ROW][C]26[/C][C]0.017452[/C][C]0.3307[/C][C]0.370544[/C][/ROW]
[ROW][C]27[/C][C]-0.01152[/C][C]-0.2183[/C][C]0.413674[/C][/ROW]
[ROW][C]28[/C][C]0.033761[/C][C]0.6397[/C][C]0.261394[/C][/ROW]
[ROW][C]29[/C][C]0.035746[/C][C]0.6773[/C][C]0.249331[/C][/ROW]
[ROW][C]30[/C][C]-0.027638[/C][C]-0.5237[/C][C]0.300414[/C][/ROW]
[ROW][C]31[/C][C]0.037568[/C][C]0.7118[/C][C]0.238523[/C][/ROW]
[ROW][C]32[/C][C]-0.076586[/C][C]-1.4511[/C][C]0.073812[/C][/ROW]
[ROW][C]33[/C][C]-0.04242[/C][C]-0.8037[/C][C]0.211038[/C][/ROW]
[ROW][C]34[/C][C]-0.086262[/C][C]-1.6344[/C][C]0.051522[/C][/ROW]
[ROW][C]35[/C][C]-0.078156[/C][C]-1.4808[/C][C]0.069763[/C][/ROW]
[ROW][C]36[/C][C]-0.219062[/C][C]-4.1506[/C][C]2.1e-05[/C][/ROW]
[ROW][C]37[/C][C]-0.029885[/C][C]-0.5662[/C][C]0.285794[/C][/ROW]
[ROW][C]38[/C][C]0.062408[/C][C]1.1825[/C][C]0.118901[/C][/ROW]
[ROW][C]39[/C][C]-0.055153[/C][C]-1.045[/C][C]0.148363[/C][/ROW]
[ROW][C]40[/C][C]-0.019687[/C][C]-0.373[/C][C]0.354676[/C][/ROW]
[ROW][C]41[/C][C]-0.030763[/C][C]-0.5829[/C][C]0.280174[/C][/ROW]
[ROW][C]42[/C][C]-0.01269[/C][C]-0.2404[/C][C]0.405061[/C][/ROW]
[ROW][C]43[/C][C]-0.11499[/C][C]-2.1787[/C][C]0.015[/C][/ROW]
[ROW][C]44[/C][C]-0.017441[/C][C]-0.3305[/C][C]0.37062[/C][/ROW]
[ROW][C]45[/C][C]-0.006089[/C][C]-0.1154[/C][C]0.454112[/C][/ROW]
[ROW][C]46[/C][C]0.002743[/C][C]0.052[/C][C]0.479293[/C][/ROW]
[ROW][C]47[/C][C]-0.026375[/C][C]-0.4997[/C][C]0.308785[/C][/ROW]
[ROW][C]48[/C][C]-0.056646[/C][C]-1.0733[/C][C]0.141932[/C][/ROW]
[ROW][C]49[/C][C]0.037272[/C][C]0.7062[/C][C]0.240259[/C][/ROW]
[ROW][C]50[/C][C]0.038077[/C][C]0.7214[/C][C]0.235552[/C][/ROW]
[ROW][C]51[/C][C]-0.031982[/C][C]-0.606[/C][C]0.272461[/C][/ROW]
[ROW][C]52[/C][C]0.055379[/C][C]1.0493[/C][C]0.147378[/C][/ROW]
[ROW][C]53[/C][C]0.0148[/C][C]0.2804[/C][C]0.389656[/C][/ROW]
[ROW][C]54[/C][C]-0.095807[/C][C]-1.8153[/C][C]0.035157[/C][/ROW]
[ROW][C]55[/C][C]-0.024197[/C][C]-0.4585[/C][C]0.323449[/C][/ROW]
[ROW][C]56[/C][C]-0.032014[/C][C]-0.6066[/C][C]0.272256[/C][/ROW]
[ROW][C]57[/C][C]-0.058488[/C][C]-1.1082[/C][C]0.134259[/C][/ROW]
[ROW][C]58[/C][C]0.043184[/C][C]0.8182[/C][C]0.206889[/C][/ROW]
[ROW][C]59[/C][C]0.009712[/C][C]0.184[/C][C]0.427053[/C][/ROW]
[ROW][C]60[/C][C]-0.049846[/C][C]-0.9444[/C][C]0.172791[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31760&T=2

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31760&T=2

As an alternative you can also use a QR Code:

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

Partial Autocorrelation Function
Time lag k	PACF(k)	T-STAT	P-value
1	0.187552	3.5536	0.000215
2	0.292922	5.5501	0
3	0.093512	1.7718	0.038638
4	0.033995	0.6441	0.259959
5	0.032214	0.6104	0.271005
6	-0.024285	-0.4601	0.322846
7	-0.139405	-2.6414	0.004309
8	-0.030697	-0.5816	0.280592
9	-0.045877	-0.8693	0.192645
10	-0.156693	-2.9689	0.001595
11	0.037591	0.7122	0.238389
12	-0.427945	-8.1084	0
13	-0.036401	-0.6897	0.245414
14	0.123319	2.3366	0.010006
15	0.047112	0.8926	0.186322
16	-0.060609	-1.1484	0.125789
17	-0.017722	-0.3358	0.368615
18	0.007818	0.1481	0.44116
19	0.023368	0.4428	0.329106
20	0.047983	0.9091	0.181941
21	-0.03962	-0.7507	0.226664
22	-0.157258	-2.9796	0.001541
23	0.010195	0.1932	0.42347
24	-0.263321	-4.9892	0
25	0.056986	1.0797	0.140495
26	0.017452	0.3307	0.370544
27	-0.01152	-0.2183	0.413674
28	0.033761	0.6397	0.261394
29	0.035746	0.6773	0.249331
30	-0.027638	-0.5237	0.300414
31	0.037568	0.7118	0.238523
32	-0.076586	-1.4511	0.073812
33	-0.04242	-0.8037	0.211038
34	-0.086262	-1.6344	0.051522
35	-0.078156	-1.4808	0.069763
36	-0.219062	-4.1506	2.1e-05
37	-0.029885	-0.5662	0.285794
38	0.062408	1.1825	0.118901
39	-0.055153	-1.045	0.148363
40	-0.019687	-0.373	0.354676
41	-0.030763	-0.5829	0.280174
42	-0.01269	-0.2404	0.405061
43	-0.11499	-2.1787	0.015
44	-0.017441	-0.3305	0.37062
45	-0.006089	-0.1154	0.454112
46	0.002743	0.052	0.479293
47	-0.026375	-0.4997	0.308785
48	-0.056646	-1.0733	0.141932
49	0.037272	0.7062	0.240259
50	0.038077	0.7214	0.235552
51	-0.031982	-0.606	0.272461
52	0.055379	1.0493	0.147378
53	0.0148	0.2804	0.389656
54	-0.095807	-1.8153	0.035157
55	-0.024197	-0.4585	0.323449
56	-0.032014	-0.6066	0.272256
57	-0.058488	-1.1082	0.134259
58	0.043184	0.8182	0.206889
59	0.009712	0.184	0.427053
60	-0.049846	-0.9444	0.172791

Figure 1

PNG link

Postscript link

PDF link

Figure 2

PNG link

Postscript link

PDF link

Parameters (Session):

par1 = 60 ; par2 = 0.5 ; par3 = 1 ; par4 = 1 ; par5 = 12 ;

Parameters (R input):

par1 = 60 ; par2 = 0.5 ; par3 = 1 ; par4 = 1 ; par5 = 12 ;

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

if (par1 == 'Default') {
par1 = 10*log10(length(x))
} else {
par1 <- as.numeric(par1)
}
par2 <- as.numeric(par2)
par3 <- as.numeric(par3)
par4 <- as.numeric(par4)
par5 <- as.numeric(par5)
if (par2 == 0) {
x <- log(x)
} else {
x <- (x ^ par2 - 1) / par2
}
if (par3 > 0) x <- diff(x,lag=1,difference=par3)
if (par4 > 0) x <- diff(x,lag=par5,difference=par4)
bitmap(file='pic1.png')
racf <- acf(x,par1,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
bitmap(file='pic2.png')
rpacf <- pacf(x,par1,main='Partial Autocorrelation',xlab='lags',ylab='PACF')
dev.off()
(myacf <- c(racf$acf))
(mypacf <- c(rpacf$acf))
lengthx <- length(x)
sqrtn <- sqrt(lengthx)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Autocorrelation Function',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Time lag k',header=TRUE)
a<-table.element(a,hyperlink('basics.htm','ACF(k)','click here for more information about the Autocorrelation Function'),header=TRUE)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,'P-value',header=TRUE)
a<-table.row.end(a)
for (i in 2:(par1+1)) {
a<-table.row.start(a)
a<-table.element(a,i-1,header=TRUE)
a<-table.element(a,round(myacf[i],6))
mytstat <- myacf[i]*sqrtn
a<-table.element(a,round(mytstat,4))
a<-table.element(a,round(1-pt(abs(mytstat),lengthx),6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Partial Autocorrelation Function',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Time lag k',header=TRUE)
a<-table.element(a,hyperlink('basics.htm','PACF(k)','click here for more information about the Partial Autocorrelation Function'),header=TRUE)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,'P-value',header=TRUE)
a<-table.row.end(a)
for (i in 1:par1) {
a<-table.row.start(a)
a<-table.element(a,i,header=TRUE)
a<-table.element(a,round(mypacf[i],6))
mytstat <- mypacf[i]*sqrtn
a<-table.element(a,round(mytstat,4))
a<-table.element(a,round(1-pt(abs(mytstat),lengthx),6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable1.tab')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code