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 computationWed, 05 Nov 2008 10:57:16 -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/t1225907882s61afhz0fu7mf7g.htm/, Retrieved Mon, 20 May 2024 10:30:44 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=21859, Retrieved Mon, 20 May 2024 10:30:44 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact147

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] [task 1.4] [2008-11-05 17:57:16] [0458bd763b171003ec052ce63099d477] [Current]
Feedback Forum
2008-11-10 07:35:13 [Jasmine Hendrikx] [reply] 
Evaluatie task 1 Q4

De conclusie van Q4 vind ik een beetje onvolledig. De student gebruikt ook de density plots en zegt hierbij dat zowel de mediaan als de midrange een duidelijk patroon vertonen dat lijkt op de normale verdeling. Daar ben ik het niet mee eens. Vooral bij midrange zie je toch serieuze afwijkingen van de normaalverdeling. De student vermeldde ook dat de conclusie van de student uit workshop 3a correct was. Daar ben ik het dan wel mee eens. De spreiding van de laatste maatstaf (midrange) is inderdaad het kleinst. De spreiding van het gemiddelde is het grootst. Men zou dus kunnen zeggen dat de midrange de beste schatter is, maar in de laatste zitten er wel veel opvallende outliers. Je moet dus een afweging maken. Wat kost het u om met een outlier geconfronteerd te worden? Afhankelijk van de situatie kiest men dus voor de midrange of het gemiddelde. Bij midrange heb je een kleine spreiding, maar als het mis gaat, zal het ook serieus mis gaan. Hier is het risico dus groter. Bij het gemiddelde is de schatting wel minder nauwkeurig, maar men zal hier veel minder te maken hebben met outliers, dus bijgevolg minder risico. De mediaan is niet echt een optie omdat deze redelijk veel outliers heeft en qua spreiding slechter scoort dan de midrange. Dit is dus vergelijkbaar met hetgeen de student uit workshop 3a had gezegd.
2008-11-12 09:38:07 [Maarten Van Gucht] [reply] 
Q4: Zoals je bij de berekening kunt zien is er ook een density plot aanwezig. Deze berekent de oppervlakte onder het histogram. Deze moet 1 zijn voor eender welke verdeling. Density plot van de mean heeft het normaalste verloop. Maar dit kon ook gestaafd worden met een bootstrap simulation. Hierbij kan men zien naar de spreiding, de outliers, de inkepingen. de midrange heeft de kleinste spreiding en geeft deze dus het nauwkeurigste beeld weer van de geschatte waarden. Maar deze heeft veel outliers. Dit kan inderdaad minder efficiënt zijn in een situatie waarbij men geen risico’s mag nemen, waarbij er een zekerheid moet zijn. (nucleaire programma’s) Als deze zekerheid aanwezig moet zijn, dan kan men beter opteren voor de mean box. Deze heeft een grotere spreiding en dus minder nauwkeurig, maar de zekerheid is hier wel het groots omdat deze duidelijk minder outliers heeft dan de midrange.

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 time6 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 6 seconds \tabularnewline
R Server & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21859&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]6 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21859&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21859&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 time6 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Estimation Results of Blocked Bootstrap
statisticQ1EstimateQ3S.D.IQR
mean85.661885245901686.893442622950887.94344262295081.709579800923762.28155737704917
median86.487.3881.936074277297861.59999999999999
midrange87.8588.188.851.026260894142271

\begin{tabular}{lllllllll}
\hline
Estimation Results of Blocked Bootstrap \tabularnewline
statistic & Q1 & Estimate & Q3 & S.D. & IQR \tabularnewline
mean & 85.6618852459016 & 86.8934426229508 & 87.9434426229508 & 1.70957980092376 & 2.28155737704917 \tabularnewline
median & 86.4 & 87.3 & 88 & 1.93607427729786 & 1.59999999999999 \tabularnewline
midrange & 87.85 & 88.1 & 88.85 & 1.02626089414227 & 1 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=21859&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]85.6618852459016[/C][C]86.8934426229508[/C][C]87.9434426229508[/C][C]1.70957980092376[/C][C]2.28155737704917[/C][/ROW]
[ROW][C]median[/C][C]86.4[/C][C]87.3[/C][C]88[/C][C]1.93607427729786[/C][C]1.59999999999999[/C][/ROW]
[ROW][C]midrange[/C][C]87.85[/C][C]88.1[/C][C]88.85[/C][C]1.02626089414227[/C][C]1[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=21859&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=21859&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
mean85.661885245901686.893442622950887.94344262295081.709579800923762.28155737704917
median86.487.3881.936074277297861.59999999999999
midrange87.8588.188.851.026260894142271


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 12 ;
Parameters (R input):
par1 = 500 ; par2 = 12 ;
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')