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_bootstrapplot.wasp
Title produced by softwareBlocked Bootstrap Plot - Central Tendency
Date of computationSun, 02 Nov 2008 08:28:50 -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/02/t1225639777yc6r7ycmkrxm2dj.htm/, Retrieved Mon, 20 May 2024 07:30:38 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20610, Retrieved Mon, 20 May 2024 07:30:38 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact154

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Blocked Bootstrap Plot - Central Tendency] [workshop 3] [2007-10-26 12:36:24] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F    D    [Blocked Bootstrap Plot - Central Tendency] [Hypothesis testing] [2008-11-02 15:28:50] [d6e9f26c3644bfc30f06303d9993b878] [Current]
Feedback Forum
2008-11-09 14:16:07 [Lindsay Heyndrickx] [reply] 
Je kan hier inderdaad de midrange nemen omdat de spreiding het kleinst is. Bij de midrange heb je redelijk veel outliers. De betrouwbaarheid is hier groot maar als het fout is is het er wel erg naast. Bij de mean is het minder betrouwbaar want je zit hier met een grotere spreiding maar hier heb je minder kans dat het mis is. De outliers zijn hier relevant.
2008-11-10 00:29:19 [Kristof Augustyns] [reply] 
De student heeft hier juist geantwoord, maar niet dieper op ingegaan.
De midrange is inderdaad de beste calculator.
Het is logisch door te zeggen dat: hoe minder spreiding, hoe nauwkeuriger, hoe beter.
Bij de 'simulation of midrange' zie je dat al de genomen gemiddelden op elkaar zitten gepropt en allemaal dicht bij elkaar zetelen.
Dit is vele compacter dan bij de median en de mean.
Bij de bootstrap simulation ziet men dan ook dat het derde blokje (van de midrange) het kleinst is en het betrouwbaarheidsinterval heel klein is.
Hoe kleinder het betrouwbaarheidsinterval, hoe nauwkeuriger.
Ook zie je dat er, ondanks de outliers, de midrange heel nauwkeurig is.
2008-11-10 15:25:49 [Jens Peeters] [reply] 
De midrange is inderdaad de beste optie wegens het kleine betrouwbaarheidsinterval wat een grote nauwkeurigheid oplevert maar er is altijd het gevaar van de outliers.
2008-11-11 13:26:18 [Julie Leurentop] [reply] 
De student geeft een korte, oppervlakkige conclusie. Eigenlijk is hier geen correct antwoord van toepassing. Je kan voor de midrange kiezen want daarbij is de variantie/spreiding het kleinst. Het heeft wel veel outliers en als je buiten de notches zit verschilt het erg. Als je de mean bekijkt en het gemiddelde neemt, heb je een groter interval en dus ook meer kans dat het erin valt. Meestal wordt het rekenkundig gemiddelde gekozen omdat het in je reeks op zoek gaat naar outliers en deze eruit haalt.
2008-11-12 11:17:17 [df2ed12c9b09685cd516719b004050c5] [reply] 
De mean geeft een grotere spreiding maar is niet zo betrouwbaar (kleinere betrouwbaarheidintervallen) Outliershebben ook een grote invloed op de mean. De midrange heeft een kleinere spreiding, maar is meer betrouwbaar en heeft meer outliers. Als we de de mean nemen dan zoeken we in de dataset naar outliers en filteren deze eruit. Maar meestal is dit een persoonlijke keuze en hangt dit af van het type onderzoek dat men wil doen.

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=20610&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=20610&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20610&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






Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.840573770491886.893442622950888.06844262295081.634927891528672.22786885245901
median86.487.3881.90253254905151.59999999999999
midrange88.188.188.851.020584388960550.75

\begin{tabular}{lllllllll}
\hline
Estimation Results of Blocked Bootstrap \tabularnewline
statistic & Q1 & Estimate & Q3 & S.D. & IQR \tabularnewline
mean & 85.8405737704918 & 86.8934426229508 & 88.0684426229508 & 1.63492789152867 & 2.22786885245901 \tabularnewline
median & 86.4 & 87.3 & 88 & 1.9025325490515 & 1.59999999999999 \tabularnewline
midrange & 88.1 & 88.1 & 88.85 & 1.02058438896055 & 0.75 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20610&T=1

[TABLE]
[ROW][C]Estimation Results of Blocked Bootstrap[/C][/ROW]
[ROW][C]statistic[/C][C]Q1[/C][C]Estimate[/C][C]Q3[/C][C]S.D.[/C][C]IQR[/C][/ROW]
[ROW][C]mean[/C][C]85.8405737704918[/C][C]86.8934426229508[/C][C]88.0684426229508[/C][C]1.63492789152867[/C][C]2.22786885245901[/C][/ROW]
[ROW][C]median[/C][C]86.4[/C][C]87.3[/C][C]88[/C][C]1.9025325490515[/C][C]1.59999999999999[/C][/ROW]
[ROW][C]midrange[/C][C]88.1[/C][C]88.1[/C][C]88.85[/C][C]1.02058438896055[/C][C]0.75[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=20610&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20610&T=1

As an alternative you can also use a QR Code:  
QR Code


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

Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.840573770491886.893442622950888.06844262295081.634927891528672.22786885245901
median86.487.3881.90253254905151.59999999999999
midrange88.188.188.851.020584388960550.75


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 12 ;
Parameters (R input):
par1 = 500 ; par2 = 12 ; par3 = ; par4 = ; par5 = ; par6 = ; par7 = ; par8 = ; par9 = ; par10 = ; par11 = ; par12 = ; par13 = ; par14 = ; par15 = ; par16 = ; par17 = ; par18 = ; par19 = ; par20 = ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
if (par1 < 10) par1 = 10
if (par1 > 5000) par1 = 5000
if (par2 < 3) par2 = 3
if (par2 > length(x)) par2 = length(x)
library(lattice)
library(boot)
boot.stat <- function(s)
{
s.mean <- mean(s)
s.median <- median(s)
s.midrange <- (max(s) + min(s)) / 2
c(s.mean, s.median, s.midrange)
}
(r <- tsboot(x, boot.stat, R=par1, l=12, sim='fixed'))
bitmap(file='plot1.png')
plot(r$t[,1],type='p',ylab='simulated values',main='Simulation of Mean')
grid()
dev.off()
bitmap(file='plot2.png')
plot(r$t[,2],type='p',ylab='simulated values',main='Simulation of Median')
grid()
dev.off()
bitmap(file='plot3.png')
plot(r$t[,3],type='p',ylab='simulated values',main='Simulation of Midrange')
grid()
dev.off()
bitmap(file='plot4.png')
densityplot(~r$t[,1],col='black',main='Density Plot',xlab='mean')
dev.off()
bitmap(file='plot5.png')
densityplot(~r$t[,2],col='black',main='Density Plot',xlab='median')
dev.off()
bitmap(file='plot6.png')
densityplot(~r$t[,3],col='black',main='Density Plot',xlab='midrange')
dev.off()
z <- data.frame(cbind(r$t[,1],r$t[,2],r$t[,3]))
colnames(z) <- list('mean','median','midrange')
bitmap(file='plot7.png')
boxplot(z,notch=TRUE,ylab='simulated values',main='Bootstrap Simulation - Central Tendency')
grid()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Estimation Results of Blocked Bootstrap',6,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'statistic',header=TRUE)
a<-table.element(a,'Q1',header=TRUE)
a<-table.element(a,'Estimate',header=TRUE)
a<-table.element(a,'Q3',header=TRUE)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,'IQR',header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'mean',header=TRUE)
q1 <- quantile(r$t[,1],0.25)[[1]]
q3 <- quantile(r$t[,1],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[1])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,1])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'median',header=TRUE)
q1 <- quantile(r$t[,2],0.25)[[1]]
q3 <- quantile(r$t[,2],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[2])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,2])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'midrange',header=TRUE)
q1 <- quantile(r$t[,3],0.25)[[1]]
q3 <- quantile(r$t[,3],0.75)[[1]]
a<-table.element(a,q1)
a<-table.element(a,r$t0[3])
a<-table.element(a,q3)
a<-table.element(a,sqrt(var(r$t[,3])))
a<-table.element(a,q3-q1)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')