Free Statistics

of Irreproducible Research!

Author's title

Author*The author of this computation has been verified*
R Software Modulerwasp_cloud.wasp
Title produced by softwareTrivariate Scatterplots
Date of computationThu, 13 Nov 2008 18:00:23 -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/14/t1226624559i5rpihydq1st8yr.htm/, Retrieved Mon, 20 May 2024 09:26:06 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=24897, Retrieved Mon, 20 May 2024 09:26:06 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact276
Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Trivariate Scatterplots] [Trivariate scatte...] [2008-11-14 01:00:23] [9f72e095d5529918bf5b0810c01bf6ce] [Current]
Feedback Forum
2008-11-15 09:41:43 [Maarten Van Gucht] [reply
Ook hier heeft de studente geen conclusie geschreven, nog een grafiek gekopieerd in het word document. Dankzij de Trivariate Scatterplot kunnen we de correlaties tussen drie verschillende variabelen bekijken. De eerste figuren die men ziet zijn de 3D kubussen. deze stellen de 3 variabelen voor en de waarnemingen liggen geconcentreerd in de kubus. Naargelang hoe men de kubus draait, kan je veranderingen waarnemen in de ligging van de punten. Zo kan je dingen zien, die je voorheen waarschijnlijk niet had kunnen zien door 1 projectie van de kubus. Bij trivariate scatterplot gaat men de kubus projecteren op een 2D vlak, maar er gaat dan informatie verloren (1dimensie). In de figuur met de 6 rechthoeken zie je de diagonaal (dat zijn de histogrammen). De figuren naast de histograms zijn scatterplots. Als deze waarnemingen op de scatterplots in 1 rechte lijn liggen dan is er een hoge correlatie. In de figuur van de studente zien we dat de correlatie tussen de goudkoers en de wisselkoers van de dollar een sterke correlatie heeft.
2008-11-19 12:57:45 [Sam De Cuyper] [reply
Ook hier maakt de studente enkel de berekening zonder conclusies te geven.
Via de trivariate scatterplot kunnen we het verband tussen 3 variabelen gelijktijdig bestuderen. Naargelang de rotatie van de 3D figuren zal je andere dingen zien. Je moet daarom voorzichtig zijn bij de interpretatie van deze figuren. In het algemeen dien je de 2 dimensionale figuur van de matrix te bekijken, waarbij een vertekening tot stand komt door weglating van de 3de dimensie. Als oplossing zou je de bivariate density moeten gebruiken.
2008-11-23 12:53:04 [An Knapen] [reply
Trivariaat scatterplot geeft het gelijktijdig verband weer tussen 3 variabelen. De kubus op de tekening wordt vanuit verschillende perspectieven bekeken. Aangezien we slechts een 2-dimensionale weergave hebben, zullen we de kubus verschillende keren moeten roteren. Dit geeft een vertekend beeld omdat er telkens een dimensie gereduceerd wordt. We kunnen niet zo gemakkelijk zeggen tussen welke varabelen zich het sterkste verband bevindt. Op het eerste zicht denk ik dat de correlatie tussen invoer en wisselkoers het grootst is. De punten liggen ongeveer op een rechte en vertonen dus het sterkste lineair verband.
2008-11-23 14:48:49 [c97d2ae59c98cf77a04815c1edffab5a] [reply
de student heeft geen grafieken weergegeven, noch een conclusie gevormd.
enige uitleg: De Kubus geeft het verband tussen de 3 variabelen gelijkertijd.We gaan gebruik maken van de gestandaardiseerde projecties die bestaan uit 2-aan-2 combinaties van variabelen weerspiegelt in scatterplots. deze geven telkens het verband tussen 2 verschillende variabelen, en geven de verdeling van de variabelen weer. als we de scatterplots bekijken zien we het sterkst positief verband tussen x en y, wat weerspiegelt wordt in de bivariate kernel density.
2008-11-24 02:35:26 [Anna Hayan] [reply
Er zijn berekeningen gemaakt maar geen conclusies. Ik kan bijzeggen dat de trivariate scatterplot het verband tussen 3 variabelen gelijktijdig weergeeft. We kunnen het dus vanuit verschillende hoeken gaan bekijken. We moeten de kubus enkele keren draaien om een volledige beeld te krijgen aangezien we beperkt zijn door de 2-dimensionale weergave. Telkens wordt er een dimensie gereduceerd en het geeft dus een vertekend beeld. We kunnen vaststellen dat de correlatie tussen de invoer en de wisselkoers t groost is omdat de punten ongeveer op een rechte liggen en dus t sterkst een lineair verband vertonen.
2008-11-24 22:25:31 [Jessica Alves Pires] [reply
A.d.h.v. de matrix kan men de correlaties tussen de 3 variabelen bekijken. Men kan zien dat de correlatie tussen de goudkoers en de wisselkoers van de dollar de sterkste is. De punten staan ongeveer op een stijgende lijn.

Post a new message
Dataseries X:
1.1372
1.1139
1.1222
1.1692
1.1702
1.2286
1.2613
1.2646
1.2262
1.1985
1.2007
1.2138
1.2266
1.2176
1.2218
1.249
1.2991
1.3408
1.3119
1.3014
1.3201
1.2938
1.2694
1.2165
1.2037
1.2292
1.2256
1.2015
1.1786
1.1856
1.2103
1.1938
1.202
1.2271
1.277
1.265
1.2684
1.2811
1.2727
1.2611
1.2881
1.3213
1.2999
1.3074
1.3242
1.3516
1.3511
1.3419
1.3716
1.3622
1.3896
1.4227
1.4684
1.457
1.4718
1.4748
1.5527
1.575
1.5557
1.5553
1.577
Dataseries Y:
9924
10371
10846
10413
10709
10662
10570
10297
10635
10872
10296
10383
10431
10574
10653
10805
10872
10625
10407
10463
10556
10646
10702
11353
11346
11451
11964
12574
13031
13812
14544
14931
14886
16005
17064
15168
16050
15839
15137
14954
15648
15305
15579
16348
15928
16171
15937
15713
15594
15683
16438
17032
17696
17745
19394
20148
20108
18584
18441
18391
19178
Dataseries Z:
789.6
773.3
804.3
817.8
836.7
721.8
760.8
841.4
1045.6
949.2
850.1
957.4
851.8
913.9
888
973.8
927.6
833
879.5
797.3
834.5
735.1
835
892.8
697.2
821.1
732.7
797.6
866.3
826.3
778.6
779.2
951
692.3
841.4
857.3
760.7
841.2
810.3
1007.4
931.3
931.2
855.8
858.4
925.9
930.7
1035.6
979.2
942.6
843.9
854.3
1029.8
944
856.4
1059.4
959.3
941.5
1026.4
921.3
968
1129




Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time4 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 & 4 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=24897&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]4 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=24897&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=24897&T=0

As an alternative you can also use a 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 time4 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135



Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Wisselkoers dollar ; par6 = Goudkoers ; par7 = Invoer vanuit V.S.A. ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = Y ; par4 = Y ; par5 = Wisselkoers dollar ; par6 = Goudkoers ; par7 = Invoer vanuit V.S.A. ;
R code (references can be found in the software module):
x <- array(x,dim=c(length(x),1))
colnames(x) <- par5
y <- array(y,dim=c(length(y),1))
colnames(y) <- par6
z <- array(z,dim=c(length(z),1))
colnames(z) <- par7
d <- data.frame(cbind(z,y,x))
colnames(d) <- list(par7,par6,par5)
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
if (par1>500) par1 <- 500
if (par2>500) par2 <- 500
if (par1<10) par1 <- 10
if (par2<10) par2 <- 10
library(GenKern)
library(lattice)
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='black', ...)
}
bitmap(file='cloud1.png')
cloud(z~x*y, screen = list(x=-45, y=45, z=35),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='cloud2.png')
cloud(z~x*y, screen = list(x=35, y=45, z=25),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='cloud3.png')
cloud(z~x*y, screen = list(x=35, y=-25, z=90),xlab=par5,ylab=par6,zlab=par7)
dev.off()
bitmap(file='pairs.png')
pairs(d,diag.panel=panel.hist)
dev.off()
x <- as.vector(x)
y <- as.vector(y)
z <- as.vector(z)
bitmap(file='bidensity1.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=cor(x,y), xbandwidth=dpik(x), ybandwidth=dpik(y))
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (x,y)',xlab=par5,ylab=par6)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
bitmap(file='bidensity2.png')
op <- KernSur(y,z, xgridsize=par1, ygridsize=par2, correlation=cor(y,z), xbandwidth=dpik(y), ybandwidth=dpik(z))
op
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (y,z)',xlab=par6,ylab=par7)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(y,z)
(r<-lm(z ~ y))
abline(r)
box()
dev.off()
bitmap(file='bidensity3.png')
op <- KernSur(x,z, xgridsize=par1, ygridsize=par2, correlation=cor(x,z), xbandwidth=dpik(x), ybandwidth=dpik(z))
op
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main='Bivariate Kernel Density Plot (x,z)',xlab=par5,ylab=par7)
if (par3=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par4=='Y') points(x,z)
(r<-lm(z ~ x))
abline(r)
box()
dev.off()