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 computationWed, 05 Nov 2008 05:07:14 -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/05/t12258869552s1jfsjdm0in4fs.htm/, Retrieved Sun, 19 May 2024 08:00:35 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=21719, Retrieved Sun, 19 May 2024 08:00:35 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsmean plot
Estimated Impact181

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] [workshop 3] [2007-10-26 12:14:28] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F R  D    [Mean Plot] [mean plot q2 task 4] [2008-11-05 12:07:14] [74c7506a1ea162af3aa8be25bcd05d28] [Current]
Feedback Forum
2008-11-10 09:18:32 [Jasmine Hendrikx] [reply] 
Evaluatie task 4 Q2:

De conclusie van de student is goed. Aanvullend zou ik ook wel vermelden dat we nu in maand 6 een piek kunnen waarnemen, terwijl wanneer men met alle gegevens werkt, dit een dal is (zie task 1). Dit geeft wel aan dat er opmerkelijke verschillen zijn.
Door gebruik te maken van gegevens zonder de hoogste en laagste 5%, kan men inderdaad opmerken dat de inkepingen van de boxpots elkaar veel vaker overlappen, zoals de student reeds vermeldde. Hierbij zou ik dan schrijven dat men dus niet echt kan spreken van significante verschillen, en dus ook niet meer echt van seizoenaliteit (dit in tegenstelling tot de oorspronkelijke grafiek van de notched boxplots, waarbij er wel sprake was van seizoenaliteit).
2008-11-10 09:26:49 [Jasmine Hendrikx] [reply] 
Evaluatie task 4 Q3:

Ik ben het eens met de bespreking van de student. Er is goed opgemerkt dat er niet een voortdurende daling is over de jaren heen, maar dat er bijvoorbeeld in jaar 3 zelfs een stijging waar te nemen is. Er zijn dus verschillen merkbaar indien men werkt met alle gegevens of met gegevens waarvan de hoogste en laagste 5% weggelaten is. Aanvullend zou je nog kunnen zeggen dat er hier ook geen sprake is van een significante daling of stijging, omdat de inkepingen elkaar overlappen. Deze stijgingen of dalingen van de mediaan van de kledingsector zijn dus hoogstwaarschijnlijk te wijten aan toeval.
2008-11-10 18:51:10 [Loïque Verhasselt] [reply] 
De conclusie van de student is correct. We krijgen een vertekend beeld door de transformatie wat wil zeggen dat er toch wel enkele observaties behoorden tot de kleinste en de grootste 5%! Hierdoor gaat de oorspronkelijke hypothese niet meer op. Ook duidelijk geen sprake van significantie door overlappingen.
2008-11-11 22:21:18 [f4fb14dccb656c9eb858fa18c7d28649] [reply] 
De daling in het sequential boxplot is ook minder uitgesproken.
En niet lager significant (betrouwbaarheidsintervallen van de box plots overlappen elkaar)
Ook dat in maand 6 plotseling het maximum i.p.v. het minimum ligt is inderdaad opmerkelijk.
2008-11-12 09:52:38 [Maarten Van Gucht] [reply] 
Ook in deze taak beschrijft de student het goed. Door de ‘staarten weg te knippen’ ga je de outliers wegfilteren. De spreiding wordt zo kleiner.

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 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=21719&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=21719&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21719&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 = 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))
ari <- array(0,dim=par1)
j <- 0
for (i in 1:n)
{
j = j + 1
ari[j] = ari[j] + 1
arr[j,ari[j]] <- x[i]
if (j == par1) j = 0
}
ari
arr
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='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()