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_pairs.wasp
Title produced by softwareKendall tau Correlation Matrix
Date of computationSun, 02 Nov 2008 12:11:25 -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/t1225653197dry9z1g9hrczqad.htm/, Retrieved Mon, 20 May 2024 06:59:02 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=20705, Retrieved Mon, 20 May 2024 06:59:02 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact152

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Kendall tau Correlation Matrix] [Hypothesis Testin...] [2008-11-02 19:11:25] [4b953869c7238aca4b6e0cfb0c5cddd6] [Current]
Feedback Forum
2008-11-05 17:33:56 [Ciska Tanghe] [reply] 
Bij het inbrengen van de gegevens moet er ergens een foutje gebeurd zijn, want dit is geen correcte grafiek.

De getallen zeggen niet wat correlatie is, maar geven de betrouwbaarheid weer. Hoe kleiner het getal, hoe betrouwbaarder dit is. Het kleinste getal die we zien is 0,01 bij RCF. RCF is dus de beste predictor. Kijken we in de tabel dan zien we bij RNR en RCF dat de tau (correlatiecoëfficiënt) het grootst is. RCF is dus het meest betrouwbaar om RNR te voorspellen.
2008-11-09 11:24:19 [Wim Golsteyn] [reply] 
Dit is inderdaad niet de juiste grafiek, die ook niet juist geïnterpreteerd is.
Dit is de grafiek die je normaal gezien had moeten bekomen: http://www.freestatistics.org/blog/index.php?v=date/2008/Nov/02/t1225623131dfx7vymwdu1ytc0.htm

Ik vermoed dat je vergeten bent de tabel te transponeren (rijen in kolommen veranderen en kolommen in rijen). Dit was bij deze opgave nodig om het juiste resultaat te bekomen.

Voor de interpretatie had je niet zozeer naar de waarden onder de diagonaal moeten kijken (=de p-value, de 'foutenmarge', hoe lager deze waarde, hoe meer betrouwbaar het resultaat), maar je had in de plaats naar de kleine grafiekjes boven de diagonaal moeten kijken. Indien deze grafieken een mooie rechte vormen, kunnen we van correlatie spreken. In het juiste voorbeeld is dit het geval bij RNR en RCF, en de p-value ligt hier ook erg laag. De RCF is dus de beste predictor voor de RNR.
2008-11-09 21:05:56 [Tamara Witters] [reply] 
Je hebt een foute grafiek maar dit los je op door je gegevens te trasponeren.
Je interpreteert de grafiek als volgt:
Boven de diagonaal zie ja allemaal scatter plots met rode correlatielijnen deze geven de correlatie tussen 2 variabelen. In dit geval zien we dat de correlatie tussen RNR en RCF het grootst is.

Als we dan onder de diagonaal kijken vinden we getallen die de betrouwbaarheid weergeven (zijn geen correlatiecoëffiënten). Hoe kleiner het getal, hoe groter de betrouwbaarheid. Indien het getal onder de 0,05 zit kunnen we spreken van correlatie. RNR is het meest gecorreleerd met RCF, want hier is het getal het laagste, namelijk 0,01.
2008-11-10 10:18:36 [Nick Wuyts] [reply] 
Bij mijn oplossing was de redenering inderdaad fout, de grafiek was ook niet helemaal correct. Over dit laatste wil ik een woordje uitleg geven. Ik had de gegevens weldegelijk getransponeerd, maar ik heb de gegevens van de jaren 1985 en 1993 eruitgelaten omdat deze niet opvolgden op de jaren 1998-2002, daarom dacht ik dat deze niet representatief waren. Deze info heb ik jammer genoeg vergeten te vermelden in mijn document.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
3	1,6	22,3	0,83	34,4
3,8	5,2	25,1	0,84	33,4
4	9,2	27,7	0,85	34,8
3,5	4,6	24,9	0,83	33,7
4,1	10,6	29,5	0,83	36,3

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'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20705&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]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=20705&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20705&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'Sir Ronald Aylmer Fisher' @ 193.190.124.24






Kendall tau rank correlations for all pairs of data series
pairtaup-value
tau( RNVM , RNR )10.0166666666666666
tau( RNVM , RCF )10.0166666666666666
tau( RNVM , RLEZ )0.3585685828003180.405380556458942
tau( RNVM , REV )0.40.483333333333333
tau( RNR , RCF )10.0166666666666666
tau( RNR , RLEZ )0.3585685828003180.405380556458942
tau( RNR , REV )0.40.483333333333333
tau( RCF , RLEZ )0.3585685828003180.405380556458942
tau( RCF , REV )0.40.483333333333333
tau( RLEZ , REV )-0.1195228609334390.781511294998713

\begin{tabular}{lllllllll}
\hline
Kendall tau rank correlations for all pairs of data series \tabularnewline
pair & tau & p-value \tabularnewline
tau( RNVM , RNR ) & 1 & 0.0166666666666666 \tabularnewline
tau( RNVM , RCF ) & 1 & 0.0166666666666666 \tabularnewline
tau( RNVM , RLEZ ) & 0.358568582800318 & 0.405380556458942 \tabularnewline
tau( RNVM , REV ) & 0.4 & 0.483333333333333 \tabularnewline
tau( RNR , RCF ) & 1 & 0.0166666666666666 \tabularnewline
tau( RNR , RLEZ ) & 0.358568582800318 & 0.405380556458942 \tabularnewline
tau( RNR , REV ) & 0.4 & 0.483333333333333 \tabularnewline
tau( RCF , RLEZ ) & 0.358568582800318 & 0.405380556458942 \tabularnewline
tau( RCF , REV ) & 0.4 & 0.483333333333333 \tabularnewline
tau( RLEZ , REV ) & -0.119522860933439 & 0.781511294998713 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=20705&T=1

[TABLE]
[ROW][C]Kendall tau rank correlations for all pairs of data series[/C][/ROW]
[ROW][C]pair[/C][C]tau[/C][C]p-value[/C][/ROW]
[ROW][C]tau( RNVM , RNR )[/C][C]1[/C][C]0.0166666666666666[/C][/ROW]
[ROW][C]tau( RNVM , RCF )[/C][C]1[/C][C]0.0166666666666666[/C][/ROW]
[ROW][C]tau( RNVM , RLEZ )[/C][C]0.358568582800318[/C][C]0.405380556458942[/C][/ROW]
[ROW][C]tau( RNVM , REV )[/C][C]0.4[/C][C]0.483333333333333[/C][/ROW]
[ROW][C]tau( RNR , RCF )[/C][C]1[/C][C]0.0166666666666666[/C][/ROW]
[ROW][C]tau( RNR , RLEZ )[/C][C]0.358568582800318[/C][C]0.405380556458942[/C][/ROW]
[ROW][C]tau( RNR , REV )[/C][C]0.4[/C][C]0.483333333333333[/C][/ROW]
[ROW][C]tau( RCF , RLEZ )[/C][C]0.358568582800318[/C][C]0.405380556458942[/C][/ROW]
[ROW][C]tau( RCF , REV )[/C][C]0.4[/C][C]0.483333333333333[/C][/ROW]
[ROW][C]tau( RLEZ , REV )[/C][C]-0.119522860933439[/C][C]0.781511294998713[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=20705&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=20705&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:

Kendall tau rank correlations for all pairs of data series
pairtaup-value
tau( RNVM , RNR )10.0166666666666666
tau( RNVM , RCF )10.0166666666666666
tau( RNVM , RLEZ )0.3585685828003180.405380556458942
tau( RNVM , REV )0.40.483333333333333
tau( RNR , RCF )10.0166666666666666
tau( RNR , RLEZ )0.3585685828003180.405380556458942
tau( RNR , REV )0.40.483333333333333
tau( RCF , RLEZ )0.3585685828003180.405380556458942
tau( RCF , REV )0.40.483333333333333
tau( RLEZ , REV )-0.1195228609334390.781511294998713


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
Parameters (R input):
R code (references can be found in the software module):
panel.tau <- function(x, y, digits=2, prefix='', cex.cor)
{
usr <- par('usr'); on.exit(par(usr))
par(usr = c(0, 1, 0, 1))
rr <- cor.test(x, y, method='kendall')
r <- round(rr$p.value,2)
txt <- format(c(r, 0.123456789), digits=digits)[1]
txt <- paste(prefix, txt, sep='')
if(missing(cex.cor)) cex <- 0.5/strwidth(txt)
text(0.5, 0.5, txt, cex = cex)
}
panel.hist <- function(x, ...)
{
usr <- par('usr'); on.exit(par(usr))
par(usr = c(usr[1:2], 0, 1.5) )
h <- hist(x, plot = FALSE)
breaks <- h$breaks; nB <- length(breaks)
y <- h$counts; y <- y/max(y)
rect(breaks[-nB], 0, breaks[-1], y, col='grey', ...)
}
bitmap(file='test1.png')
pairs(t(y),diag.panel=panel.hist, upper.panel=panel.smooth, lower.panel=panel.tau, main=main)
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Kendall tau rank correlations for all pairs of data series',3,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'pair',1,TRUE)
a<-table.element(a,'tau',1,TRUE)
a<-table.element(a,'p-value',1,TRUE)
a<-table.row.end(a)
n <- length(y[,1])
n
cor.test(y[1,],y[2,],method='kendall')
for (i in 1:(n-1))
{
for (j in (i+1):n)
{
a<-table.row.start(a)
dum <- paste('tau(',dimnames(t(x))[[2]][i])
dum <- paste(dum,',')
dum <- paste(dum,dimnames(t(x))[[2]][j])
dum <- paste(dum,')')
a<-table.element(a,dum,header=TRUE)
r <- cor.test(y[i,],y[j,],method='kendall')
a<-table.element(a,r$estimate)
a<-table.element(a,r$p.value)
a<-table.row.end(a)
}
}
a<-table.end(a)
table.save(a,file='mytable.tab')