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_meanplot.wasp
Title produced by softwareMean Plot
Date of computationMon, 03 Nov 2008 11:30:45 -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/Nov/03/t1225737476etvziv4l5o7zt92.htm/, Retrieved Sun, 19 May 2024 09:09:37 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20948, Retrieved Sun, 19 May 2024 09:09:37 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact172

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Mean Plot] [ mean plot 2 ec] [2008-11-03 18:30:45] [f63bd6a82dd07502be9c503a5f141c9b] [Current]
Feedback Forum
2008-11-05 18:59:51 [Kevin Truyts] [reply] 
De studente heeft gezien dat er een jaarlijkse daling is, maar er moet ook gezegt worden dat deze niet significant is.
2008-11-09 16:24:01 [Kim De Vos] [reply] 
Correcte opmerking dat de kledingproductie daalt.
We merken dus op dat de mediaan jaarlijks daalt, maar is dit significant?
1 en 2 vallen samen, 2 en 3, 1 en 4 ook. Als we 1 met 5 vergelijken dan spreken we echter van een randgeval.
2008-11-10 12:59:35 [Inge Meelberghs] [reply] 
De student geeft een correct antwoord door te zeggen dat de kledingproductie jaarlijks verminderd, dit is duidelijk te zien op de grafiek. Maar is deze daling ook significant?

Dit kunnen we nagaan door naar de betrouwbaarheids-intervallen door de jaren heen te gaan kijken en te vergelijken.
Als we naar jaar 1 tot jaar 4 kijken kunnen we zeggen dat deze intervallen overeenkomen en dat de daling te wijten zou kunnen zijn aan toeval. Maar als we dan naar jaar 1 en jaar 5 kijken komen deze betrouwbaarheidsintervallen niet exact overeen en is er maar een kleine overlapping. Dit is dus eerder een twijfelgeval en gaat men eerder spreken van een niet toevallige daling.
Jaar 6 kunnen we niet gebruiken doordat de data van deze reeks niet volledig is.
2008-11-11 16:32:36 [Liese Tormans] [reply] 
De student heeft Q3 opgelost aan de hand van de notches box plot “Sequential Blocks”. Hier worden de 5 jaren op een rij gezet zodat je makkelijk da jaren met mekaar kan vergelijken. Jaar 6 moeten we buiten beschouwing laten omdat hier maar enkele metingen hebben plaatsgevonden

Op de grafiek zien we duidelijk dat de kledingproductie door de jaren heen daalt zoals de student vermeld heeft maar dit wil nog niet meteen zeggen dat het een significante daling is. Als we de notches van de jaren gaan vergelijken met mekaar zien we dat betrouwbaarheidsintervallen van de notches elkaar toch een beetje overlappen. Dus de daling is eerder een toevalligheid.

Bij jaar 5 is het net op de rand van toevalligheid en significantie. Dit kun je zien door jaar 5 te gaan vergelijken met jaar 1, we zien hier dat de lower bound van het eerste jaar net wel/ net niet grenst aan de upper bound van het vijfde jaar. Hieruit kunnen we dan concluderen dat jaar 5 net op de rand ligt.

De conclusie van de student was zeer beperkt en het wil niet zeggen omdat de grafiek daalt dat er een significante daling is. Ook had de student de grafiek een beetje meer kunnen toelichten.

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 time3 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 & 3 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20948&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]3 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=20948&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20948&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 time3 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135


Figures (Output of Computation)

Input Parameters & R Code

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))
(np <- floor(n / par1))
arr <- array(NA,dim=c(par1,np+1))
darr <- array(NA,dim=c(par1,np+1))
ari <- array(0,dim=par1)
dx <- diff(x)
j <- 0
for (i in 1:n)
{
j = j + 1
ari[j] = ari[j] + 1
arr[j,ari[j]] <- x[i]
darr[j,ari[j]] <- dx[i]
if (j == par1) j = 0
}
ari
arr
darr
arr.mean <- array(NA,dim=par1)
arr.median <- array(NA,dim=par1)
arr.midrange <- array(NA,dim=par1)
for (j in 1:par1)
{
arr.mean[j] <- mean(arr[j,],na.rm=TRUE)
arr.median[j] <- median(arr[j,],na.rm=TRUE)
arr.midrange[j] <- (quantile(arr[j,],0.75,na.rm=TRUE) + quantile(arr[j,],0.25,na.rm=TRUE)) / 2
}
overall.mean <- mean(x)
overall.median <- median(x)
overall.midrange <- (quantile(x,0.75) + quantile(x,0.25)) / 2
bitmap(file='plot1.png')
plot(arr.mean,type='b',ylab='mean',main='Mean Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.mean,0)
dev.off()
bitmap(file='plot2.png')
plot(arr.median,type='b',ylab='median',main='Median Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.median,0)
dev.off()
bitmap(file='plot3.png')
plot(arr.midrange,type='b',ylab='midrange',main='Midrange Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.midrange,0)
dev.off()
bitmap(file='plot4.png')
z <- data.frame(t(arr))
names(z) <- c(1:par1)
(boxplot(z,notch=TRUE,col='grey',xlab='Periodic Index',ylab='Value',main='Notched Box Plots - Periodic Subseries'))
dev.off()
bitmap(file='plot4b.png')
z <- data.frame(t(darr))
names(z) <- c(1:par1)
(boxplot(z,notch=TRUE,col='grey',xlab='Periodic Index',ylab='Value',main='Notched Box Plots - Differenced Periodic Subseries'))
dev.off()
bitmap(file='plot5.png')
z <- data.frame(arr)
names(z) <- c(1:np)
(boxplot(z,notch=TRUE,col='grey',xlab='Block Index',ylab='Value',main='Notched Box Plots - Sequential Blocks'))
dev.off()
bitmap(file='plot6.png')
z <- data.frame(cbind(arr.mean,arr.median,arr.midrange))
names(z) <- list('mean','median','midrange')
(boxplot(z,notch=TRUE,col='grey',ylab='Overall Central Tendency',main='Notched Box Plots'))
dev.off()