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_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationTue, 11 Nov 2008 12:55:09 -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/11/t1226433357qjbz7ab3g5opo30.htm/, Retrieved Mon, 20 May 2024 06:35:22 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=23908, Retrieved Mon, 20 May 2024 06:35:22 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact130

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Bivariate Kernel Density Estimation] [Various EDA - Biv...] [2008-11-10 13:30:59] [4300be8b33fd3dcdacd2aa9800ceba23]
F         [Bivariate Kernel Density Estimation] [] [2008-11-11 19:55:09] [e8f764b122b426f433a1e1038b457077] [Current]
Feedback Forum
2008-11-24 10:30:59 [Stefanie Mertens] [reply] 
2008-11-24 10:37:01 [Stefanie Mertens] [reply] 
via de bivariatie kernel density kan je op een gemakkelijke manier twee variabelen met elkaar vergelijken. op de grafiek zie je duidelijk dat men bij deze bereking gebruik maakt van hoogtelijnen. De kleurschakkeringen die je ziet, wijzen op de sterkte van de correlatie. een diep rode kleur wijst op een sterke correlatie een gele kleur wijst op een zwakke correlatie.
2008-11-24 16:05:34 [Bernard Femont] [reply] 
Een juiste oplossing maar je bent echter wel vergeten te vermelden dat het hier om correlatie gaat.
Verbetering:
Deze methode geeft clusters weer. In het midden van elke cluster ligt de intensiteit van de punten (observaties) heel dicht. Hoe verder je gaat van het midden, hoe minder de intensiteit. Hoe dichter de clusters bij elkaar liggen, hoe groter de correlatie. Dit kan zowel een negatieve als positieve correlatie zijn. Je kan hierbij slechts 2 variabelen vergelijken
Deze grafiek geeft adhv de hoogtelijnen weer waar de meeste punten gelegen zijn. Het roos - oranje gedeelte geeft weer waar de punten heel geconcentreerd zijn of zelfs perfect op elkaar liggen. We kunnen dan ook aflezen op de grafiek en in de tabel dat er een zeer sterke correlatie is tussen de 2 reeksen onderling. deze is namelijk 84%.
2008-11-24 17:59:52 [Toon Nauwelaerts] [reply] 
Je kan deze grafiek vrij simplistisch interpreteren. De diagonale lijn geeft de intensiteit weer van de curve. Hoe dieper (roder) de kleur hoe meer punten hierin vallen. Vallen er veel punten rondof op deze curve is er een grote correlatie. Dit is hier zeker het geval.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
356,2
359,5
368,4
371
397,5
416,7
413,2
424,3
415
421,7
422,1
429,2
452,1
471,5
488,3
506,2
517,3
538,6
545,3
546,7
540,3
549,2
563,9
581,7
590,7
594,1
604
628,1
662,4
688,6
705,9
701,5
686,2
645,7
668,7
696,7
715,5
741,4
754,3
771,3
797,7
809,9
790,1
830,3
847,7
834,8
824,5
764,6
780
803,2
751,1
755,2
708,2
685,4
680
710,6
702,8
656,3
575,6
567,2
545,2
Dataseries Y:
Download CSV
Histogram 
152823,6
123780,5
159987,1
139603,7
177831,2
173656,9
252392
228029
197300
214088
160275
186851
227777
246899
295338
243847
324602
347066
407916
312914
326127
394369
310078
422770
417974
402347
360809
298289
375873
407210
413968
457532
695731
544623
292833
534403
517030
455714
471401
451493
480615
568272
650780
553643
780711
650724
586345
725173
701257
859063
789842
512707
780845
637804
640694
553416
554622
616736
536994
407237
618796

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 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 & 1 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=23908&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]1 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=23908&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23908&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 time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135






Bandwidth
x axis62.7153974197359
y axis97780.9673643169
Correlation
correlation used in KDE0.848324077478414
correlation(x,y)0.848324077478414

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 62.7153974197359 \tabularnewline
y axis & 97780.9673643169 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.848324077478414 \tabularnewline
correlation(x,y) & 0.848324077478414 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=23908&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]62.7153974197359[/C][/ROW]
[ROW][C]y axis[/C][C]97780.9673643169[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.848324077478414[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.848324077478414[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=23908&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=23908&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:

Bandwidth
x axis62.7153974197359
y axis97780.9673643169
Correlation
correlation used in KDE0.848324077478414
correlation(x,y)0.848324077478414


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ; 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(par1,'numeric')
par2 <- as(par2,'numeric')
par3 <- as(par3,'numeric')
par4 <- as(par4,'numeric')
par5 <- as(par5,'numeric')
library('GenKern')
if (par3==0) par3 <- dpik(x)
if (par4==0) par4 <- dpik(y)
if (par5==0) par5 <- cor(x,y)
if (par1 > 500) par1 <- 500
if (par2 > 500) par2 <- 500
bitmap(file='bidensity.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=par5, xbandwidth=par3, ybandwidth=par4)
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main=main,xlab=xlab,ylab=ylab)
if (par6=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par7=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Bandwidth',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'x axis',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'y axis',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation used in KDE',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation(x,y)',header=TRUE)
a<-table.element(a,cor(x,y))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')