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_multipleregression.wasp
Title produced by softwareMultiple Regression
Date of computationSat, 22 Nov 2008 10:46:37 -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/22/t1227376115gb0rx0mjd31k9tn.htm/, Retrieved Mon, 20 May 2024 11:19:20 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=25206, Retrieved Mon, 20 May 2024 11:19:20 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordshundrasmet
Estimated Impact297

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Multiple Regression] [seatbel law Q1] [2008-11-22 17:46:37] [fb0a4305582623ea5408efbbf6f8b708] [Current]
Feedback Forum
2008-12-01 11:47:19 [Steven Vanhooreweghe] [reply] 
Wat je zegt is allemaal juist, alleen een beetje beknopt. Je had kunnen opmerken dat de p-value's allemaal dicht bij nul liggen, dat de T-stat aantoont dat er minder dan 5% kans is om u te vergissen bij het verwerpen van de nulhypothese.
2008-12-01 13:14:48 [Hundra Smet] [reply] 
het is zo dat we de oefn. op 3 verschillende manieren kunnen uitwerken totdat het juiste model bereikt wordt.we kunnen besluiten dat de manier met seasonal dummy’s en linear trend het beste resultaat oplevert (dit berekende de student niet!).
want 74% van de schommelingen kan hierbij verklaard worden. Hier kunnen we nu uit afleiden dat het aantal verkeersslachtoffers verminderd is met 226,39 door de dummywaarde in het laatste model.
-> dit hebben we gemaakt door gebruik te maken van seizoenaliteit (hierdoor verkleint de R² en krijgen we een beter model) en type of equation te veranderen naar lineair. Nu zien we ook een t, die we gebruiken als variabele.
t-waarde: Dit is een belangrijke waarde omdat we buiten de invloed van de gordelplicht echter ook rekening moeten houden met andere factoren. bvb. echnologische vooruitgang, maximumxnelheden, toestand van de wegen... hiervoor gebruiken we dus de t waardeIn dit geval bedraagt deze -1.76. Dit wil zeggen dat we in de 1e januari maand van het eerste jaar 1.76 slachtoffers moeten aftrekken. In de tweede maand 1.76*2, in de derde maand 1.76*3, enz... Hierdoor wordt de foutmarge verkleind en kunnen we een nauwkeurigere voorspelling geven.
2008-12-01 13:18:29 [Hundra Smet] [reply] 
ook de berekening van Q2 klopt niet. (zelfde link als Q1)
de conclusie klopt wel. het model is inderdaad niet perfect, er is aan voorwaarden niet voldaan.
2008-12-01 13:45:57 [Vincent Dolhain] [reply] 
Deze student heeft de opdracht verkeerd gemaakt. Hij heeft wel de juiste sofware gebruikt (Multiple Linear Regression), maar hij heef t niet gekeken naar de invloed van dummy’s als ook niet naar een trend. Hierdoor is zijn volledige opdracht fout (Q1 & Q2) Ook heeft hij enkel een besluit gevormd, zonder grafieken en conclusies in te voegen.
Verbetering:
Er wordt geschat dat er elke maand 2324 mensen het slachtoffer worden van een auto ongeluk. Bij het invoeren van de wet die het gebruik van de gordel verplicht verongelukken er 226 minder (geschat). Er is ook spraken van seizoenaliteit. December wordt als referentie maand gehouden, al de andere maanden hebben minder slachtoffers (dit kan opgezocht worden) We controleren dit model door de nul hypothese. Het gebruik van de gordel heeft geen negatief effect dus controleren we het model aan de hand van de one-tail p value. Bij elke gegevens is het kleiner dan 5% (de alpha fout) Dit betekent dat de stelling klopt dat het dragen van de gordel geen negatieve invloed heeft op het aantal slachtoffers, met andere woorden is de kans dat het dragen van de gordel wel een positieve invloed kan hebben. Doordat er zich een significant verschil voordoet kunnen we zelfs zeggen dat het dragen van een gordel niet toevallig het aantal slachtoffers doet dalen (de kans dat we ons hier vergissen is 5%)

2008-12-01 14:28:07 [Vincent Dolhain] [reply] 
Q2
De student heeft net zoals in Q1 de software niet goed toegepast. Hij schrijft nog zelf conclusies die totaal niet overeen komen met zijn resultaten. Zoals de Adjusted R-squared’ is in zijn oplossing 19% en is er duidelijk spraken van autocorrelatie wanneer hij zegt van niet. Hieronder zal ik een kort besluit geven van hoe de oplossing er wel had moet uitzien:
Om een goed model te hebben mag er zich geen autocorrelatie voordoen. Dit houdt in dat we niet in staak mogen zijn door gebruikt van gevegens van vorige periodes, de huidige waarde te kunnen invullen. In dit model kunnen we een licht patroon vaststellen waardoor er sprake is van autocorrelatie. Een model schat zijn waarde voor een bepaalde periode. In dit geval kan het model er 152 slachtoffers naast zitten, wat op zich geen probleem is. Wel moet het gemiddelde van de voorspellingsfouten gelijk zijn aan nul. Dit model kan aan beide assumpties niet voldoen
2008-12-01 14:46:28 [Samira Zeroual] [reply] 
 Voor deze berekening moest er gebruik gemaakt worden van zelf ingevoerde dummy-variabele. Deze variabele geeft aan of in de betreffende periode het dragen van de gordel al dan niet verplicht was. Door seatbelt law worden er maandelijks minimum 226 mensen (x) van de dood gered. Er wordt ook gevraagd rekening te houden met mogelijke seizoenaliteit. Met het invoeren van de seizoenaliteit gaan we ervan uit dat deze een vast patroon heeft. Het aantal verkeersslachtoffers verschilt sterk van maand tot maand. Daarom is het nuttig om seasonal dummies toe te voegen aan de berekening. Ook is het aangeraden een lineaire trend toe te voegen. Deze kan bijvoorbeeld terugslaan op de verbeteringen in de technologie zodat auto’s veiliger worden of de verbeterde wegen.
2008-12-01 14:47:00 [Samira Zeroual] [reply] 
q2==> Niet alle grafiek zijn besproken geweest en ook omdat de grafieken afwijkingen vertonen verwijs ik naar de volgende URL van een mede student http://www.freestatistics.org/blog/index.php?v=date/2008/Nov/26/t1227695959wzsjm5pmon66l1y.htm.

Hieronder zal ik een woordje uitleg geven over elke grafiek.
Residuals:
Het gemiddelde van deze fouten moeten constant zijn en gelijk aan nul.
Risdual Histogram:
Er moet sprake zijn van een normale verdeling.
Risdual density plot:
(= Gauss curve) er moet een normale verdeling zijn.

Risdual normal q-q plot:
Wanneer de kwantielen van de residu’s overeenkomen met de kwantielen van een normaalverdeling, liggen deze op een rechte.

Risdual lag plot:
Deze grafiek toont het verband tussen de voorspellingsfout en de voorspellingsfout van vorige maand.

Risdual autocorrelation function:
Als er veel balkjes buiten het 95%-betrouwbaarheidsinterval liggen, beteken dat er significante verschillen zijn.
2008-12-01 16:40:52 [Nathalie Daneels] [reply] 
Evaluatie opdracht 1 - Blok 11 (Q1)

De student heeft wel de juiste software gebruikt, maar heeft no linear trend gebruikt en no seasonal dummies, terwijl er wel een lineaire trend en montlhly dummies moet gebruikt worden. Op de volgende link vindt u de correcte tabellen:
http://www.freestatistics.org/blog/index.php?v=date/2008/Dec/01/t1228149439dcizz4t7g88iviw.htm

Conclusie bij de tabellen 'Multiple lineair regression - Estimated regression equation' en 'Multiple lineair regression - Ordinary least squares:
In de eerste tabel staat links van het ‘is gelijk aan teken’ Dodelijke ongevallen (t). Dit is gelijk aan het aantal slachtoffers, van een dodelijk of zeer ernstig ongeval, per maand. Het getal dat deze variabele voorstelt komt overeen met het aantal mensen die slachtoffer zijn geworden van een dodelijk of zeer ernstig ongeval en gered werden.
De ‘getallen’ M1, M2, M3,… die zowel in de eerste als in de tweede tabel voorkomen, stellen de maanden voor die volgen op de referentiemaand. Zo is M1 gelijk aan januari (aangezien december de referentiemaand is) en M11 gelijk aan de maand november. Bij deze opdracht is december de referentiemaand omdat de cijferreeks begint bij de maand januari. De referentiemaand is telkens die maand (van het jaar daarna) die net voor de maand komt waarmee de cijferreeks begint.
Als we de eerste tabel/vergelijking vergelijken met de tweede tabel, dan kunnen we vaststellen dat de getallen in de eerste tabel (die telkens bij de variabelen M1, M2,… staan) overeenkomen met de getallen die onder ‘parameter’ staan in de tweede tabel. Deze getallen stellen de vergelijking van een maand (die wordt voorgesteld door M1, M2, M3,…) ten opzichte van de referentiemaand (december in dit geval) voor. We kunnen uit beide tabellen duidelijk afleiden dat al deze getallen negatief zijn, wat betekent dat er telkens minder slachtoffers zijn geweest in die maand, ten opzichte van de referentiemaand (De dummy wordt hierbij gelijk gesteld aan 0, omdat we de seizoenaliteit willen nagaan, dus we houden geen rekening met het verplicht dragen van een gordel of met de lange termijn trend).
Het getal 2324,06 (dat in de tweede tabel overeenkomt met de variabele (intercept)) is een constante die gemiddeld het aantal slachtoffers per maand voorstelt.
In de tweede tabel zien we onder de kolom ‘variabele’ ook ‘Verplichting gordel’ (= x) staan: In de database zien we in de tweede kolom dat deze variabele gelijk is aan 0 (gordel is niet verplicht: de wet is nog niet van kracht) of gelijk is aan 1 (gordel dragen is verplicht: de wet is van kracht). Als x = 0 dan valt de parameter -226,39 weg, als x = 1 dan wordt deze parameter vermenigvuldigt met 1 en vervolgens opgeteld bij de constante. Vanaf het moment (x = 1) dat de wet, die het dragen van een gordel verplicht, van kracht gaat, worden er minstens 226 mensen per maand gered.
In de eerste tabel zien we op het einde van de vergelijking (rechts) ‘e(t)’ staan: Dit komt overeen met de voorspellingsfout.
Als we naar de eerste tabel kijken, kunnen we eveneens vaststellen dat bij elke variabele (M1, M2,…) de letter t tussen vierkante haken staat. Uit tabel 2 kunnen we afleiden dat de variabele t = -1,76. Deze t stelt de lange termijn trend voor. Bij M1 moeten we 1x1,76 doen, bij M2: 2x1,76,… We kunnen duidelijk zien dat het een dalende trend is (het minteken staat erbij), wat erop wijst dat het aantal slachtoffers gemiddeld met 1,76 daalt per maand op lange termijn (Elke maand zijn er 1,76 slachtoffers minder t.o.v. vorige maand). Dit kan toegeschreven worden aan nieuwe technologieën die auto’s veiliger maken,…
Bij de nulhypothese worden alle parameters gelijk aan nul gesteld (dat kunnen we uit tabel 2 afleiden), dit betekent dat het dragen van een gordel geen effect heeft op het aantal verkeersslachtoffers, tenzij het tegendeel bewezen wordt. We gaan de one-tail p-value nemen aangezien we er kunnen vanuit gaan dat het dragen van een gordel geen negatief effect kan hebben. We kunnen vaststellen dat de p-waarde voor alle parameters gelijk is aan nul (Ze zullen nooit helemaal nul zijn, maar heel sterk benaderen), met uitzondering van de maand november waar de p-waarde gelijk is aan 0,015 (afgerond): De p-waarde is dus telkens kleiner dan 5% type I error. Dit betekent dat de kans dat het dragen van een gordel geen effect heeft op het aantal verkeersslachtoffers heel klein is, m.a.w. de kans dat we ons hierbij vergissen is kleiner dan 5%. Anders gezegd: de kans dat het dragen van een gordel wel een effect heeft op het aantal verkeersslachtoffers is zeer groot.
Hieruit kunnen we besluiten dat er een significant verschil is en dat het dragen van een gordel niet toevallig het aantal verkeersslachtoffers doet dalen.
Samengevat kunnen we stellen dat er dankzij het dragen van de gordel elke maand minimum 226 mensen gered, maar we moeten ook rekening houden met de seizoenaliteit en de lange termijn trend. Hierdoor moeten we concluderen dat er per maand meer dan 226 mensen worden gered (Dit is het aantal mensen dat er (maandelijks) wordt gered dankzij het dragen van een gordel). Hoeveel extra mensen dit is, hangt af van de maand (zie waarden bij de titel parameter in tabel 2). Bijvoorbeeld tijdens de maand november worden er 118 mensen meer gered. Bovendien moet er ook nog rekening gehouden worden met de lange termijntrend (gemiddeld per maand daalt het aantal slachtoffers met 1,76).
2008-12-01 16:48:08 [Nathalie Daneels] [reply] 
Evaluatie opdracht 1 - Blok 11 (Q2).

Ook hier heeft de student de correcte software gebruikt, maar hij moest kiezen voor 'linear trend' en 'include monthly dummies'.
Op de volgende link vindt u de correcte tabellen en grafieken:
http://www.freestatistics.org/blog/index.php?v=date/2008/Dec/01/t1228149439dcizz4t7g88iviw.htm

Conclusie bij de tabellen en grafieken:
* Bij de tabel 'multiple linear regression - regression statistics':
R-squared heeft steeds een waarde tussen 0 en 1. R-squared geeft het percentage aan dat we kunnen verklaren van de spreiding/variabiliteit van het aantal verkeersslachtoffers. Dit aantal verkeersslachtoffers schommelt en van die schommelingen kunnen we 74% verklaren met behulp van dit model. Om te weten of dit te wijten is aan het toeval, moeten we een hypothese opstellen, en nagaan of de verdeling van R-squared significant verschillend is van de Ho. Ho = R-squared = O en Ha = R-squared > 0. Vervolgens moeten we gaan kijken naar de p-value. Als we naar de p-value (0) kijken kunnen we vaststellen dat deze kleiner is dan 5% type I error. Dit betekent dat R-squared significant verschillend is van de nulhypothese of met andere woorden: Dit model verklaart voldoende schommelingen in de datareeks.
We hebben hier 2 parameters: Leert die groep van parameters een significante bijdrage aan het aantal verkeersslachtoffers? Om dit te weten moeten we de F-test doen.
De residual Standaard deviation = 152 (afgerond). Dit duidt de spreiding van de voorspellingsfouten aan: De te verwachten fout die ik voorspel voor die residu’s. Als ik een voorspelling maak met dit model, kan ik voorspellen hoeveel slachtoffers er zijn. Bij deze voorspelling kan ik er 152 naast zitten (een afwijking van 152 naar boven of naar onder.)
Als we kijken naar de ‘Adjusted R-squared’ kunnen we besluiten dat dit een vrij goed
model is en dat het een goed beeld weergeeft van de realiteit. Aan de hand van dit model kunnen we 72% van de schommelingen die bestaan in het aantal verkeerslachtoffers verklaren. Dit is niet aan toeval onderhevig, want de P-value bedraagt 0, wat wil zeggen dat onze alternatieve hypothese (>0) significant verschilt van onze Ho (=0).
* Bij de grafiek 'actuals and interpolation':
Actuals zijn de werkelijke waarden (bolletjes), de interpolation stelt de voorspelde waarden (zwarte lijn) voor: het verschil hier tussen beiden zijn de residu’s.
Deze grafiek toont duidelijk aan dat er een dalende trend is door de tijd (zie rode lijn). Op het einde kunnen we ook een niveauverschil waarnemen. Dit niveauverschil komt overeen met het moment waarop de wet, die het dragen van een gordel verplicht, van kracht gaat. Door het invoeren van deze wet, kunnen we duidelijk zien (op de grafiek) dat het aantal slachtoffers gedaald is. Om te weten of dit niveauverschil te wijten is aan het toeval, moeten we kijken naar de p-waarde (in de tweede tabel bovenaan). We gaan kijken naar de one-tail p-value omdat we er kunnen vanuit gaan dat het invoeren van de verplichting om een gordel te dragen geen negatief effect kan hebben. Uit die tabel kunnen we vaststellen dat alle p-waarden zich heel dicht rond de waarde 0 bevinden (Ze gaan nooit nul zijn, maar gaan deze waarde heel dicht benaderen). Enkel voor de maand november kunnen we vaststellen dat de p-waarde iets groter is, maar zolang de absolute waarde van deze p-waarde kleiner is dan 2, mogen we veronderstellen dat de parameter(s) significant verschillend zijn van de nulhypothese (waarbij we de parameters gelijk stelden aan nul), maar zolang deze waarde kleiner is dan 5% (type I error). Dit betekent dus dat het niveauverschil niet aan het toeval kan worden toegeschreven.
* Bij de grafiek 'residuals':
Residuals = het aantal verkeersslachtoffers – het aantal voorspelde verkeersslachtoffers. Als dit getal gelijk is aan 0, dan betekent dit dat we het aantal verkeersslachtoffers correct hebben voorspeld (Deze zijn dan gelijk aan het aantal werkelijke verkeersslachtoffers). Als dit getal groter is dan 0, dan zijn er meer verkeersslachtoffers geweest dan we hadden voorspeld. (De voorspelling was dus niet correct) Als dit getal kleiner is dan 0, dan hebben we meer verkeersslachtoffers voorspeld, dan dat er werkelijk waren. (De voorspelling was dus niet correct). Deze grafiek geeft dus de voorspellingsfouten weer. Het gemiddelde van deze voorspellingsfouten moet gelijk zijn aan nul (Dit betekent dat het aantal teveel voorspelde slachtoffers en het aantal te weinig voorspelde slachtoffers elkaar neutraliseren) en dus ook constant zijn. We kunnen afleiden uit de grafiek dat dit niet het geval is. Opdat het gemiddelde gelijk zou zijn aan nul, moet de grafiek min of meer gespiegeld worden rond de zwarte horizontale lijn (die gelijk wordt gesteld aan nul). Dit is hier niet het geval, maar het is best mogelijk dat het gemiddelde van de voorspellingsfouten toch nog min of meer gelijk is aan nul, aangezien er ongeveer evenveel bolletjes boven de horizontale as liggen als onder de horizontale as en de afstand van deze bolletjes tot de as komt ook min of meer overeen. We kunnen ook concluderen dat er een zeer duidelijk patroon is in deze grafiek: eerst merken we een stijging, die gevolgd wordt door een daling en daarna opnieuw een (veel kleinere) stijging en ten slotte zal de grafiek zich stabiliseren. We kunnen opmerken dat er een patroon is, als de grafiek (min of meer) herhalingen vertoont: Bv. Stijgen, dalen, stijgen, dalen,… Dit patroon duidt erop dat er zeker iets aan de hand is. Mogelijkheden zijn: Er is misschien nog een andere wet gewijzigd (bijvoorbeeld de toegelaten snelheid) of misschien verloopt de tendens/lange termijn trend (t) op een niet-lineaire wijze (wij hebben verondersteld dat dit lineair was, we veronderstelden dan ook dat dit overeenkwam met een rechte  Bij het aanklikken van de link moet je naar beneden scrollen tot je de grafiek ‘Summary of compuational transaction’ ziet staan  Dan klik je op view raw output of R engine  Naar beneden scrollen tot je een soort van tabel ziet (De computer heeft alle tussenliggende resultaten berekent en die worden o.a. daarin opgenomen)  In de laatste kolom bij variabele ‘t’ hebben we lineariteit verondersteld: 1,2,3,…). Het is dus duidelijk dat we een aantal variabelen niet in rekening hebben gebracht (in het begin).
We moeten wel opmerken als we een bepaalde periode eruit halen, de opeenvolgende residu’s stijgen of dalen, dus er is nog steeds sprake van autocorrelatie: Stijgende residu’s worden vaak gevolgd (of vooraf gegaan) door stijgende en dalende residu’s worden ook vaak vooraf gegaan door dalende (of gevolgd door dalende residu’s). We kunnen nog steeds voorspellingen doen (op basis van het verleden, aangezien dalende/stijgende residu’s vooraf gegaan worden door dalende/stijgende residu’s). Wat we dus kunnen vaststellen is dat de residuals geen linear patroon volgen, wat op zijn beurt wijst op duidelijke autocorrelatie. Hierdoor is het model niet helemaal correct want er wordt niet aan alle assumpties voldaan.
* Bij de grafiek 'Residual histogram':
Normaal gezien zou het histogram een normaalverdeling moeten zijn. We kunnen echter op de grafiek duidelijk zien dat dit niet helemaal het geval is, maar er toch redelijk op lijkt.
* Bij de grafiek 'Residual density plot':
Voor deze curve geldt hetzelfde als voor het histogram (grafiek hierboven). Deze curve zou ook een normaalverdeling moeten voorstellen (gauss-curve), maar op de grafiek is duidelijk te zien dat niet helemaal het geval is. We zien aan de linkse kant wel een uitstulping, maar daar hoeven we ons niet echt zorgen om te maken. Bovendien kunnen we concluderen dat de staarten een niet heel scheve verdeling hebben, zodat het aantal positieve voorspellingsfouten ongeveer overeenkomt met het aantal negatieve voorspellingsfouten. (De
grafiek van de residuals toont aan dat het gemiddelde van de voorspellingsfouten min of meer gelijk is aan nul).
* Bij de grafiek 'residual normal qq-plot':
Deze grafiek toont het verband aan tussen de steekproefkwantielen en de theoretische kwantielen en we kunnen uit deze grafiek eveneens afleiden of (het verband tussen) deze quantielen van de residu’s de normaalcurve (de diagonale rechte) benaderen of niet. We kunnen vaststellen dat de quantielen van de residu’s niet helemaal de normaalcurve benaderen, vooral aan de staarten zien we een duidelijkere afwijking. We kunnen dus concluderen dat de voorspellingsfouten niet volledig normaal verdeeld zijn.
* Bij de grafiek 'residual lag plot, lowess and regression line':
Bij deze grafiek gaan we de residu’s van nu vergelijken met de residu’s van 1 periode vroeger. We kunnen vaststellen dat het in dit geval om een positief verband gaat: Dit zien we aan de schuine rechte die van links onder naar rechts boven gaat, wat wijst op een positief verband. Een positief verband betekent dat als de x-waarde toeneemt, de y-waarde ook gaat toenemen. Hoe sterk de y-waarde gaat toenemen, als de x-waarde stijgt, hangt af van de grootte van het verband. Dit positief verband wijst erop dat de residu’s verklaard kunnen worden: Ze kunnen voorspeld worden op basis van het verleden. Stijgende residu’s worden vaak vooraf gegaan door stijgende en dalende residu’s worden ook vaak vooraf gegaan door dalende residu’s. Het probleem hierbij is dat de gegevens/residu’s in het verleden niet worden weergegeven. Het feit dat de residu’s kunnen voorspeld worden op basis van het verleden wijst op autocorrelatie en dit is een indicator om te concluderen dat het model nog niet helemaal correct is.
* Bij de grafiek 'Residual autocorrelation function:
De twee blauwe horizontale lijnen stellen het betrouwbaarheidsinterval van 95% voor. Alle verticale lijntjes die boven of onder dit betrouwbaarheidsinterval uitkomen, stellen een significant verschil voor. Dit wil zeggen dat de voorspellingsfout niet aan het toeval kan worden toegeschreven. We kunnen uit de grafiek afleiden dat tot en met (min of meer) 15 de verticale lijntjes boven het 95% betrouwbaarheidsinterval uitsteken. Het verticaal lijntje dat 18 vertegenwoordigt komt ook nog net boven het betrouwbaarheidsinterval. Verder kunnen we uit de grafiek afleiden dat de verticale lijntjes tussen 29 (ongeveer) en 52 (ongeveer) onderaan buiten het betrouwbaarheidsinterval komen. De andere verticale lijntjes bevinden zich tussen dit interval. We kunnen uit deze grafiek vaststellen dat er een patroon is in deze correlatie: Eerst zijn er een aantal lijntjes die duidelijk bovenaan buiten het betrouwbaarheidsinterval uitkomen (Deze lijntjes volgen elkaar op: De lijntjes die vooraf gaan, komen ook boven het betrouwbaarheidsinterval). Vervolgens zijn er een aantal lijntjes die onderaan buiten het betrouwbaarheidsinterval komen (Ook deze volgen elkaar op: De lijntjes ervoor bevinden zich ook onder het betrouwbaarheidsinterval). En ten slotte ‘stabiliseren’ de lijntjes zich/ Ze stijgen nog een beetje, maar ze komen niet meer boven het betrouwbaarheidsinterval. Deze laatste kleine stijging (in autocorrelatie) is dus te wijten aan het toeval. Dit patroon komt ook overeen met de grafiek ‘residuals’.
Een patroon in de autocorrelatie, die niet te wijten is aan het toeval, wijst erop dat er voorspellingen kunnen gemaakt worden op basis van het verleden. We kunnen vaststellen dat er redelijk wat autocorrelaties niet aan het toeval kunnen worden toegeschreven (omdat ze het betrouwbaarheidsinterval van 95% overschrijden), wat erop wijst dat het patroon in de autocorrelatie dus eigenlijk niet toe te schrijven is aan het toeval. Dit betekent dat we voorspellingen kunnen maken op basis van het verleden.

Ten slotte kunnen we het volgende besluiten:
Het model is nog niet helemaal correct/in orde: Om aan de assumpties te voldoen:
* Mag er geen patroon of autocorrelatie zijn. Dit is hier niet voldaan want uit de grafiek van de residuals en de autocorrelatie kunnen we vaststellen dat er een patroon, die niet aan het toeval kan worden toegeschreven, is en dus ook autocorrelatie.
* Moet het gemiddelde constant en nul zijn. Hier bestaat mogelijk twijfel over, maar ik ben van mening dat het gemiddelde niet echt nul gaat zijn. (Grafiek residuals en density plot).
2008-12-01 18:33:51 [Roel Geudens] [reply] 
De student is te beknopt geweesty in zijn uitleg. Ook heeft hij de software niet goed toegepast. Hierdoor wijken de grafieken af van wat het eigenlijk moest zijn. Maar de uitleg die de student geeft is wel correct.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
1687	0
1508	0
1507	0
1385	0
1632	0
1511	0
1559	0
1630	0
1579	0
1653	0
2152	0
2148	0
1752	0
1765	0
1717	0
1558	0
1575	0
1520	0
1805	0
1800	0
1719	0
2008	0
2242	0
2478	0
2030	0
1655	0
1693	0
1623	0
1805	0
1746	0
1795	0
1926	0
1619	0
1992	0
2233	0
2192	0
2080	0
1768	0
1835	0
1569	0
1976	0
1853	0
1965	0
1689	0
1778	0
1976	0
2397	0
2654	0
2097	0
1963	0
1677	0
1941	0
2003	0
1813	0
2012	0
1912	0
2084	0
2080	0
2118	0
2150	0
1608	0
1503	0
1548	0
1382	0
1731	0
1798	0
1779	0
1887	0
2004	0
2077	0
2092	0
2051	0
1577	0
1356	0
1652	0
1382	0
1519	0
1421	0
1442	0
1543	0
1656	0
1561	0
1905	0
2199	0
1473	0
1655	0
1407	0
1395	0
1530	0
1309	0
1526	0
1327	0
1627	0
1748	0
1958	0
2274	0
1648	0
1401	0
1411	0
1403	0
1394	0
1520	0
1528	0
1643	0
1515	0
1685	0
2000	0
2215	0
1956	0
1462	0
1563	0
1459	0
1446	0
1622	0
1657	0
1638	0
1643	0
1683	0
2050	0
2262	0
1813	0
1445	0
1762	0
1461	0
1556	0
1431	0
1427	0
1554	0
1645	0
1653	0
2016	0
2207	0
1665	0
1361	0
1506	0
1360	0
1453	0
1522	0
1460	0
1552	0
1548	0
1827	0
1737	0
1941	0
1474	0
1458	0
1542	0
1404	0
1522	0
1385	0
1641	0
1510	0
1681	0
1938	0
1868	0
1726	0
1456	0
1445	0
1456	0
1365	0
1487	0
1558	0
1488	0
1684	0
1594	0
1850	0
1998	0
2079	0
1494	0
1057	1
1218	1
1168	1
1236	1
1076	1
1174	1
1139	1
1427	1
1487	1
1483	1
1513	1
1357	1
1165	1
1282	1
1110	1
1297	1
1185	1
1222	1
1284	1
1444	1
1575	1
1737	1
1763	1

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time5 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 & 5 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=25206&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]5 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=25206&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=25206&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 time5 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135






Multiple Linear Regression - Estimated Regression Equation
deaths[t] = + 1717.75147928994 -396.055827116028law[t] + e[t]

\begin{tabular}{lllllllll}
\hline
Multiple Linear Regression - Estimated Regression Equation \tabularnewline
deaths[t] =  +  1717.75147928994 -396.055827116028law[t]  + e[t] \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=25206&T=1

[TABLE]
[ROW][C]Multiple Linear Regression - Estimated Regression Equation[/C][/ROW]
[ROW][C]deaths[t] =  +  1717.75147928994 -396.055827116028law[t]  + e[t][/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=25206&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=25206&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:

Multiple Linear Regression - Estimated Regression Equation
deaths[t] = + 1717.75147928994 -396.055827116028law[t] + e[t]






Multiple Linear Regression - Ordinary Least Squares
VariableParameterS.D.T-STATH0: parameter = 02-tail p-value1-tail p-value
(Intercept)1717.7514792899420.00033485.886100
law-396.05582711602857.786173-6.853800

\begin{tabular}{lllllllll}
\hline
Multiple Linear Regression - Ordinary Least Squares \tabularnewline
Variable & Parameter & S.D. & T-STATH0: parameter = 0 & 2-tail p-value & 1-tail p-value \tabularnewline
(Intercept) & 1717.75147928994 & 20.000334 & 85.8861 & 0 & 0 \tabularnewline
law & -396.055827116028 & 57.786173 & -6.8538 & 0 & 0 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=25206&T=2

[TABLE]
[ROW][C]Multiple Linear Regression - Ordinary Least Squares[/C][/ROW]
[ROW][C]Variable[/C][C]Parameter[/C][C]S.D.[/C][C]T-STATH0: parameter = 0[/C][C]2-tail p-value[/C][C]1-tail p-value[/C][/ROW]
[ROW][C](Intercept)[/C][C]1717.75147928994[/C][C]20.000334[/C][C]85.8861[/C][C]0[/C][C]0[/C][/ROW]
[ROW][C]law[/C][C]-396.055827116028[/C][C]57.786173[/C][C]-6.8538[/C][C]0[/C][C]0[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=25206&T=2

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=25206&T=2

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


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

Multiple Linear Regression - Ordinary Least Squares
VariableParameterS.D.T-STATH0: parameter = 02-tail p-value1-tail p-value
(Intercept)1717.7514792899420.00033485.886100
law-396.05582711602857.786173-6.853800






Multiple Linear Regression - Regression Statistics
Multiple R0.445226892939612
R-squared0.198226986196661
Adjusted R-squared0.194007128229275
F-TEST (value)46.9748005095663
F-TEST (DF numerator)1
F-TEST (DF denominator)190
p-value9.762957109416e-11
Multiple Linear Regression - Residual Statistics
Residual Standard Deviation260.004336317031
Sum Squared Residuals12844428.4316954

\begin{tabular}{lllllllll}
\hline
Multiple Linear Regression - Regression Statistics \tabularnewline
Multiple R & 0.445226892939612 \tabularnewline
R-squared & 0.198226986196661 \tabularnewline
Adjusted R-squared & 0.194007128229275 \tabularnewline
F-TEST (value) & 46.9748005095663 \tabularnewline
F-TEST (DF numerator) & 1 \tabularnewline
F-TEST (DF denominator) & 190 \tabularnewline
p-value & 9.762957109416e-11 \tabularnewline
Multiple Linear Regression - Residual Statistics \tabularnewline
Residual Standard Deviation & 260.004336317031 \tabularnewline
Sum Squared Residuals & 12844428.4316954 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=25206&T=3

[TABLE]
[ROW][C]Multiple Linear Regression - Regression Statistics[/C][/ROW]
[ROW][C]Multiple R[/C][C]0.445226892939612[/C][/ROW]
[ROW][C]R-squared[/C][C]0.198226986196661[/C][/ROW]
[ROW][C]Adjusted R-squared[/C][C]0.194007128229275[/C][/ROW]
[ROW][C]F-TEST (value)[/C][C]46.9748005095663[/C][/ROW]
[ROW][C]F-TEST (DF numerator)[/C][C]1[/C][/ROW]
[ROW][C]F-TEST (DF denominator)[/C][C]190[/C][/ROW]
[ROW][C]p-value[/C][C]9.762957109416e-11[/C][/ROW]
[ROW][C]Multiple Linear Regression - Residual Statistics[/C][/ROW]
[ROW][C]Residual Standard Deviation[/C][C]260.004336317031[/C][/ROW]
[ROW][C]Sum Squared Residuals[/C][C]12844428.4316954[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=25206&T=3

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=25206&T=3

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


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

Multiple Linear Regression - Regression Statistics
Multiple R0.445226892939612
R-squared0.198226986196661
Adjusted R-squared0.194007128229275
F-TEST (value)46.9748005095663
F-TEST (DF numerator)1
F-TEST (DF denominator)190
p-value9.762957109416e-11
Multiple Linear Regression - Residual Statistics
Residual Standard Deviation260.004336317031
Sum Squared Residuals12844428.4316954






Multiple Linear Regression - Actuals, Interpolation, and Residuals
Time or IndexActualsInterpolationForecastResidualsPrediction Error
116871717.75147928992-30.7514792899202
215081717.75147928994-209.751479289942
315071717.75147928994-210.751479289941
413851717.75147928994-332.751479289941
516321717.75147928994-85.751479289941
615111717.75147928994-206.751479289941
715591717.75147928994-158.751479289941
816301717.75147928994-87.751479289941
915791717.75147928994-138.751479289941
1016531717.75147928994-64.751479289941
1121521717.75147928994434.248520710059
1221481717.75147928994430.248520710059
1317521717.7514792899434.2485207100591
1417651717.7514792899447.2485207100591
1517171717.75147928994-0.751479289940944
1615581717.75147928994-159.751479289941
1715751717.75147928994-142.751479289941
1815201717.75147928994-197.751479289941
1918051717.7514792899487.248520710059
2018001717.7514792899482.248520710059
2117191717.751479289941.24852071005906
2220081717.75147928994290.248520710059
2322421717.75147928994524.248520710059
2424781717.75147928994760.248520710059
2520301717.75147928994312.248520710059
2616551717.75147928994-62.751479289941
2716931717.75147928994-24.7514792899409
2816231717.75147928994-94.751479289941
2918051717.7514792899487.248520710059
3017461717.7514792899428.2485207100591
3117951717.7514792899477.2485207100591
3219261717.75147928994208.248520710059
3316191717.75147928994-98.751479289941
3419921717.75147928994274.248520710059
3522331717.75147928994515.248520710059
3621921717.75147928994474.248520710059
3720801717.75147928994362.248520710059
3817681717.7514792899450.2485207100591
3918351717.75147928994117.248520710059
4015691717.75147928994-148.751479289941
4119761717.75147928994258.248520710059
4218531717.75147928994135.248520710059
4319651717.75147928994247.248520710059
4416891717.75147928994-28.7514792899409
4517781717.7514792899460.2485207100591
4619761717.75147928994258.248520710059
4723971717.75147928994679.248520710059
4826541717.75147928994936.248520710059
4920971717.75147928994379.248520710059
5019631717.75147928994245.248520710059
5116771717.75147928994-40.7514792899409
5219411717.75147928994223.248520710059
5320031717.75147928994285.248520710059
5418131717.7514792899495.248520710059
5520121717.75147928994294.248520710059
5619121717.75147928994194.248520710059
5720841717.75147928994366.248520710059
5820801717.75147928994362.248520710059
5921181717.75147928994400.248520710059
6021501717.75147928994432.248520710059
6116081717.75147928994-109.751479289941
6215031717.75147928994-214.751479289941
6315481717.75147928994-169.751479289941
6413821717.75147928994-335.751479289941
6517311717.7514792899413.2485207100591
6617981717.7514792899480.248520710059
6717791717.7514792899461.2485207100591
6818871717.75147928994169.248520710059
6920041717.75147928994286.248520710059
7020771717.75147928994359.248520710059
7120921717.75147928994374.248520710059
7220511717.75147928994333.248520710059
7315771717.75147928994-140.751479289941
7413561717.75147928994-361.751479289941
7516521717.75147928994-65.7514792899409
7613821717.75147928994-335.751479289941
7715191717.75147928994-198.751479289941
7814211717.75147928994-296.751479289941
7914421717.75147928994-275.751479289941
8015431717.75147928994-174.751479289941
8116561717.75147928994-61.7514792899409
8215611717.75147928994-156.751479289941
8319051717.75147928994187.248520710059
8421991717.75147928994481.248520710059
8514731717.75147928994-244.751479289941
8616551717.75147928994-62.751479289941
8714071717.75147928994-310.751479289941
8813951717.75147928994-322.751479289941
8915301717.75147928994-187.751479289941
9013091717.75147928994-408.751479289941
9115261717.75147928994-191.751479289941
9213271717.75147928994-390.751479289941
9316271717.75147928994-90.751479289941
9417481717.7514792899430.2485207100591
9519581717.75147928994240.248520710059
9622741717.75147928994556.248520710059
9716481717.75147928994-69.7514792899409
9814011717.75147928994-316.751479289941
9914111717.75147928994-306.751479289941
10014031717.75147928994-314.751479289941
10113941717.75147928994-323.751479289941
10215201717.75147928994-197.751479289941
10315281717.75147928994-189.751479289941
10416431717.75147928994-74.7514792899409
10515151717.75147928994-202.751479289941
10616851717.75147928994-32.7514792899409
10720001717.75147928994282.248520710059
10822151717.75147928994497.248520710059
10919561717.75147928994238.248520710059
11014621717.75147928994-255.751479289941
11115631717.75147928994-154.751479289941
11214591717.75147928994-258.751479289941
11314461717.75147928994-271.751479289941
11416221717.75147928994-95.751479289941
11516571717.75147928994-60.7514792899409
11616381717.75147928994-79.751479289941
11716431717.75147928994-74.7514792899409
11816831717.75147928994-34.7514792899409
11920501717.75147928994332.248520710059
12022621717.75147928994544.248520710059
12118131717.7514792899495.248520710059
12214451717.75147928994-272.751479289941
12317621717.7514792899444.2485207100591
12414611717.75147928994-256.751479289941
12515561717.75147928994-161.751479289941
12614311717.75147928994-286.751479289941
12714271717.75147928994-290.751479289941
12815541717.75147928994-163.751479289941
12916451717.75147928994-72.7514792899409
13016531717.75147928994-64.751479289941
13120161717.75147928994298.248520710059
13222071717.75147928994489.248520710059
13316651717.75147928994-52.7514792899409
13413611717.75147928994-356.751479289941
13515061717.75147928994-211.751479289941
13613601717.75147928994-357.751479289941
13714531717.75147928994-264.751479289941
13815221717.75147928994-195.751479289941
13914601717.75147928994-257.751479289941
14015521717.75147928994-165.751479289941
14115481717.75147928994-169.751479289941
14218271717.75147928994109.248520710059
14317371717.7514792899419.2485207100591
14419411717.75147928994223.248520710059
14514741717.75147928994-243.751479289941
14614581717.75147928994-259.751479289941
14715421717.75147928994-175.751479289941
14814041717.75147928994-313.751479289941
14915221717.75147928994-195.751479289941
15013851717.75147928994-332.751479289941
15116411717.75147928994-76.7514792899409
15215101717.75147928994-207.751479289941
15316811717.75147928994-36.7514792899409
15419381717.75147928994220.248520710059
15518681717.75147928994150.248520710059
15617261717.751479289948.24852071005906
15714561717.75147928994-261.751479289941
15814451717.75147928994-272.751479289941
15914561717.75147928994-261.751479289941
16013651717.75147928994-352.751479289941
16114871717.75147928994-230.751479289941
16215581717.75147928994-159.751479289941
16314881717.75147928994-229.751479289941
16416841717.75147928994-33.7514792899409
16515941717.75147928994-123.751479289941
16618501717.75147928994132.248520710059
16719981717.75147928994280.248520710059
16820791717.75147928994361.248520710059
16914941717.75147928994-223.751479289941
17010571321.69565217391-264.695652173913
17112181321.69565217391-103.695652173913
17211681321.69565217391-153.695652173913
17312361321.69565217391-85.695652173913
17410761321.69565217391-245.695652173913
17511741321.69565217391-147.695652173913
17611391321.69565217391-182.695652173913
17714271321.69565217391105.304347826087
17814871321.69565217391165.304347826087
17914831321.69565217391161.304347826087
18015131321.69565217391191.304347826087
18113571321.6956521739135.304347826087
18211651321.69565217391-156.695652173913
18312821321.69565217391-39.695652173913
18411101321.69565217391-211.695652173913
18512971321.69565217391-24.6956521739130
18611851321.69565217391-136.695652173913
18712221321.69565217391-99.695652173913
18812841321.69565217391-37.695652173913
18914441321.69565217391122.304347826087
19015751321.69565217391253.304347826087
19117371321.69565217391415.304347826087
19217631321.69565217391441.304347826087

\begin{tabular}{lllllllll}
\hline
Multiple Linear Regression - Actuals, Interpolation, and Residuals \tabularnewline
Time or Index & Actuals & InterpolationForecast & ResidualsPrediction Error \tabularnewline
1 & 1687 & 1717.75147928992 & -30.7514792899202 \tabularnewline
2 & 1508 & 1717.75147928994 & -209.751479289942 \tabularnewline
3 & 1507 & 1717.75147928994 & -210.751479289941 \tabularnewline
4 & 1385 & 1717.75147928994 & -332.751479289941 \tabularnewline
5 & 1632 & 1717.75147928994 & -85.751479289941 \tabularnewline
6 & 1511 & 1717.75147928994 & -206.751479289941 \tabularnewline
7 & 1559 & 1717.75147928994 & -158.751479289941 \tabularnewline
8 & 1630 & 1717.75147928994 & -87.751479289941 \tabularnewline
9 & 1579 & 1717.75147928994 & -138.751479289941 \tabularnewline
10 & 1653 & 1717.75147928994 & -64.751479289941 \tabularnewline
11 & 2152 & 1717.75147928994 & 434.248520710059 \tabularnewline
12 & 2148 & 1717.75147928994 & 430.248520710059 \tabularnewline
13 & 1752 & 1717.75147928994 & 34.2485207100591 \tabularnewline
14 & 1765 & 1717.75147928994 & 47.2485207100591 \tabularnewline
15 & 1717 & 1717.75147928994 & -0.751479289940944 \tabularnewline
16 & 1558 & 1717.75147928994 & -159.751479289941 \tabularnewline
17 & 1575 & 1717.75147928994 & -142.751479289941 \tabularnewline
18 & 1520 & 1717.75147928994 & -197.751479289941 \tabularnewline
19 & 1805 & 1717.75147928994 & 87.248520710059 \tabularnewline
20 & 1800 & 1717.75147928994 & 82.248520710059 \tabularnewline
21 & 1719 & 1717.75147928994 & 1.24852071005906 \tabularnewline
22 & 2008 & 1717.75147928994 & 290.248520710059 \tabularnewline
23 & 2242 & 1717.75147928994 & 524.248520710059 \tabularnewline
24 & 2478 & 1717.75147928994 & 760.248520710059 \tabularnewline
25 & 2030 & 1717.75147928994 & 312.248520710059 \tabularnewline
26 & 1655 & 1717.75147928994 & -62.751479289941 \tabularnewline
27 & 1693 & 1717.75147928994 & -24.7514792899409 \tabularnewline
28 & 1623 & 1717.75147928994 & -94.751479289941 \tabularnewline
29 & 1805 & 1717.75147928994 & 87.248520710059 \tabularnewline
30 & 1746 & 1717.75147928994 & 28.2485207100591 \tabularnewline
31 & 1795 & 1717.75147928994 & 77.2485207100591 \tabularnewline
32 & 1926 & 1717.75147928994 & 208.248520710059 \tabularnewline
33 & 1619 & 1717.75147928994 & -98.751479289941 \tabularnewline
34 & 1992 & 1717.75147928994 & 274.248520710059 \tabularnewline
35 & 2233 & 1717.75147928994 & 515.248520710059 \tabularnewline
36 & 2192 & 1717.75147928994 & 474.248520710059 \tabularnewline
37 & 2080 & 1717.75147928994 & 362.248520710059 \tabularnewline
38 & 1768 & 1717.75147928994 & 50.2485207100591 \tabularnewline
39 & 1835 & 1717.75147928994 & 117.248520710059 \tabularnewline
40 & 1569 & 1717.75147928994 & -148.751479289941 \tabularnewline
41 & 1976 & 1717.75147928994 & 258.248520710059 \tabularnewline
42 & 1853 & 1717.75147928994 & 135.248520710059 \tabularnewline
43 & 1965 & 1717.75147928994 & 247.248520710059 \tabularnewline
44 & 1689 & 1717.75147928994 & -28.7514792899409 \tabularnewline
45 & 1778 & 1717.75147928994 & 60.2485207100591 \tabularnewline
46 & 1976 & 1717.75147928994 & 258.248520710059 \tabularnewline
47 & 2397 & 1717.75147928994 & 679.248520710059 \tabularnewline
48 & 2654 & 1717.75147928994 & 936.248520710059 \tabularnewline
49 & 2097 & 1717.75147928994 & 379.248520710059 \tabularnewline
50 & 1963 & 1717.75147928994 & 245.248520710059 \tabularnewline
51 & 1677 & 1717.75147928994 & -40.7514792899409 \tabularnewline
52 & 1941 & 1717.75147928994 & 223.248520710059 \tabularnewline
53 & 2003 & 1717.75147928994 & 285.248520710059 \tabularnewline
54 & 1813 & 1717.75147928994 & 95.248520710059 \tabularnewline
55 & 2012 & 1717.75147928994 & 294.248520710059 \tabularnewline
56 & 1912 & 1717.75147928994 & 194.248520710059 \tabularnewline
57 & 2084 & 1717.75147928994 & 366.248520710059 \tabularnewline
58 & 2080 & 1717.75147928994 & 362.248520710059 \tabularnewline
59 & 2118 & 1717.75147928994 & 400.248520710059 \tabularnewline
60 & 2150 & 1717.75147928994 & 432.248520710059 \tabularnewline
61 & 1608 & 1717.75147928994 & -109.751479289941 \tabularnewline
62 & 1503 & 1717.75147928994 & -214.751479289941 \tabularnewline
63 & 1548 & 1717.75147928994 & -169.751479289941 \tabularnewline
64 & 1382 & 1717.75147928994 & -335.751479289941 \tabularnewline
65 & 1731 & 1717.75147928994 & 13.2485207100591 \tabularnewline
66 & 1798 & 1717.75147928994 & 80.248520710059 \tabularnewline
67 & 1779 & 1717.75147928994 & 61.2485207100591 \tabularnewline
68 & 1887 & 1717.75147928994 & 169.248520710059 \tabularnewline
69 & 2004 & 1717.75147928994 & 286.248520710059 \tabularnewline
70 & 2077 & 1717.75147928994 & 359.248520710059 \tabularnewline
71 & 2092 & 1717.75147928994 & 374.248520710059 \tabularnewline
72 & 2051 & 1717.75147928994 & 333.248520710059 \tabularnewline
73 & 1577 & 1717.75147928994 & -140.751479289941 \tabularnewline
74 & 1356 & 1717.75147928994 & -361.751479289941 \tabularnewline
75 & 1652 & 1717.75147928994 & -65.7514792899409 \tabularnewline
76 & 1382 & 1717.75147928994 & -335.751479289941 \tabularnewline
77 & 1519 & 1717.75147928994 & -198.751479289941 \tabularnewline
78 & 1421 & 1717.75147928994 & -296.751479289941 \tabularnewline
79 & 1442 & 1717.75147928994 & -275.751479289941 \tabularnewline
80 & 1543 & 1717.75147928994 & -174.751479289941 \tabularnewline
81 & 1656 & 1717.75147928994 & -61.7514792899409 \tabularnewline
82 & 1561 & 1717.75147928994 & -156.751479289941 \tabularnewline
83 & 1905 & 1717.75147928994 & 187.248520710059 \tabularnewline
84 & 2199 & 1717.75147928994 & 481.248520710059 \tabularnewline
85 & 1473 & 1717.75147928994 & -244.751479289941 \tabularnewline
86 & 1655 & 1717.75147928994 & -62.751479289941 \tabularnewline
87 & 1407 & 1717.75147928994 & -310.751479289941 \tabularnewline
88 & 1395 & 1717.75147928994 & -322.751479289941 \tabularnewline
89 & 1530 & 1717.75147928994 & -187.751479289941 \tabularnewline
90 & 1309 & 1717.75147928994 & -408.751479289941 \tabularnewline
91 & 1526 & 1717.75147928994 & -191.751479289941 \tabularnewline
92 & 1327 & 1717.75147928994 & -390.751479289941 \tabularnewline
93 & 1627 & 1717.75147928994 & -90.751479289941 \tabularnewline
94 & 1748 & 1717.75147928994 & 30.2485207100591 \tabularnewline
95 & 1958 & 1717.75147928994 & 240.248520710059 \tabularnewline
96 & 2274 & 1717.75147928994 & 556.248520710059 \tabularnewline
97 & 1648 & 1717.75147928994 & -69.7514792899409 \tabularnewline
98 & 1401 & 1717.75147928994 & -316.751479289941 \tabularnewline
99 & 1411 & 1717.75147928994 & -306.751479289941 \tabularnewline
100 & 1403 & 1717.75147928994 & -314.751479289941 \tabularnewline
101 & 1394 & 1717.75147928994 & -323.751479289941 \tabularnewline
102 & 1520 & 1717.75147928994 & -197.751479289941 \tabularnewline
103 & 1528 & 1717.75147928994 & -189.751479289941 \tabularnewline
104 & 1643 & 1717.75147928994 & -74.7514792899409 \tabularnewline
105 & 1515 & 1717.75147928994 & -202.751479289941 \tabularnewline
106 & 1685 & 1717.75147928994 & -32.7514792899409 \tabularnewline
107 & 2000 & 1717.75147928994 & 282.248520710059 \tabularnewline
108 & 2215 & 1717.75147928994 & 497.248520710059 \tabularnewline
109 & 1956 & 1717.75147928994 & 238.248520710059 \tabularnewline
110 & 1462 & 1717.75147928994 & -255.751479289941 \tabularnewline
111 & 1563 & 1717.75147928994 & -154.751479289941 \tabularnewline
112 & 1459 & 1717.75147928994 & -258.751479289941 \tabularnewline
113 & 1446 & 1717.75147928994 & -271.751479289941 \tabularnewline
114 & 1622 & 1717.75147928994 & -95.751479289941 \tabularnewline
115 & 1657 & 1717.75147928994 & -60.7514792899409 \tabularnewline
116 & 1638 & 1717.75147928994 & -79.751479289941 \tabularnewline
117 & 1643 & 1717.75147928994 & -74.7514792899409 \tabularnewline
118 & 1683 & 1717.75147928994 & -34.7514792899409 \tabularnewline
119 & 2050 & 1717.75147928994 & 332.248520710059 \tabularnewline
120 & 2262 & 1717.75147928994 & 544.248520710059 \tabularnewline
121 & 1813 & 1717.75147928994 & 95.248520710059 \tabularnewline
122 & 1445 & 1717.75147928994 & -272.751479289941 \tabularnewline
123 & 1762 & 1717.75147928994 & 44.2485207100591 \tabularnewline
124 & 1461 & 1717.75147928994 & -256.751479289941 \tabularnewline
125 & 1556 & 1717.75147928994 & -161.751479289941 \tabularnewline
126 & 1431 & 1717.75147928994 & -286.751479289941 \tabularnewline
127 & 1427 & 1717.75147928994 & -290.751479289941 \tabularnewline
128 & 1554 & 1717.75147928994 & -163.751479289941 \tabularnewline
129 & 1645 & 1717.75147928994 & -72.7514792899409 \tabularnewline
130 & 1653 & 1717.75147928994 & -64.751479289941 \tabularnewline
131 & 2016 & 1717.75147928994 & 298.248520710059 \tabularnewline
132 & 2207 & 1717.75147928994 & 489.248520710059 \tabularnewline
133 & 1665 & 1717.75147928994 & -52.7514792899409 \tabularnewline
134 & 1361 & 1717.75147928994 & -356.751479289941 \tabularnewline
135 & 1506 & 1717.75147928994 & -211.751479289941 \tabularnewline
136 & 1360 & 1717.75147928994 & -357.751479289941 \tabularnewline
137 & 1453 & 1717.75147928994 & -264.751479289941 \tabularnewline
138 & 1522 & 1717.75147928994 & -195.751479289941 \tabularnewline
139 & 1460 & 1717.75147928994 & -257.751479289941 \tabularnewline
140 & 1552 & 1717.75147928994 & -165.751479289941 \tabularnewline
141 & 1548 & 1717.75147928994 & -169.751479289941 \tabularnewline
142 & 1827 & 1717.75147928994 & 109.248520710059 \tabularnewline
143 & 1737 & 1717.75147928994 & 19.2485207100591 \tabularnewline
144 & 1941 & 1717.75147928994 & 223.248520710059 \tabularnewline
145 & 1474 & 1717.75147928994 & -243.751479289941 \tabularnewline
146 & 1458 & 1717.75147928994 & -259.751479289941 \tabularnewline
147 & 1542 & 1717.75147928994 & -175.751479289941 \tabularnewline
148 & 1404 & 1717.75147928994 & -313.751479289941 \tabularnewline
149 & 1522 & 1717.75147928994 & -195.751479289941 \tabularnewline
150 & 1385 & 1717.75147928994 & -332.751479289941 \tabularnewline
151 & 1641 & 1717.75147928994 & -76.7514792899409 \tabularnewline
152 & 1510 & 1717.75147928994 & -207.751479289941 \tabularnewline
153 & 1681 & 1717.75147928994 & -36.7514792899409 \tabularnewline
154 & 1938 & 1717.75147928994 & 220.248520710059 \tabularnewline
155 & 1868 & 1717.75147928994 & 150.248520710059 \tabularnewline
156 & 1726 & 1717.75147928994 & 8.24852071005906 \tabularnewline
157 & 1456 & 1717.75147928994 & -261.751479289941 \tabularnewline
158 & 1445 & 1717.75147928994 & -272.751479289941 \tabularnewline
159 & 1456 & 1717.75147928994 & -261.751479289941 \tabularnewline
160 & 1365 & 1717.75147928994 & -352.751479289941 \tabularnewline
161 & 1487 & 1717.75147928994 & -230.751479289941 \tabularnewline
162 & 1558 & 1717.75147928994 & -159.751479289941 \tabularnewline
163 & 1488 & 1717.75147928994 & -229.751479289941 \tabularnewline
164 & 1684 & 1717.75147928994 & -33.7514792899409 \tabularnewline
165 & 1594 & 1717.75147928994 & -123.751479289941 \tabularnewline
166 & 1850 & 1717.75147928994 & 132.248520710059 \tabularnewline
167 & 1998 & 1717.75147928994 & 280.248520710059 \tabularnewline
168 & 2079 & 1717.75147928994 & 361.248520710059 \tabularnewline
169 & 1494 & 1717.75147928994 & -223.751479289941 \tabularnewline
170 & 1057 & 1321.69565217391 & -264.695652173913 \tabularnewline
171 & 1218 & 1321.69565217391 & -103.695652173913 \tabularnewline
172 & 1168 & 1321.69565217391 & -153.695652173913 \tabularnewline
173 & 1236 & 1321.69565217391 & -85.695652173913 \tabularnewline
174 & 1076 & 1321.69565217391 & -245.695652173913 \tabularnewline
175 & 1174 & 1321.69565217391 & -147.695652173913 \tabularnewline
176 & 1139 & 1321.69565217391 & -182.695652173913 \tabularnewline
177 & 1427 & 1321.69565217391 & 105.304347826087 \tabularnewline
178 & 1487 & 1321.69565217391 & 165.304347826087 \tabularnewline
179 & 1483 & 1321.69565217391 & 161.304347826087 \tabularnewline
180 & 1513 & 1321.69565217391 & 191.304347826087 \tabularnewline
181 & 1357 & 1321.69565217391 & 35.304347826087 \tabularnewline
182 & 1165 & 1321.69565217391 & -156.695652173913 \tabularnewline
183 & 1282 & 1321.69565217391 & -39.695652173913 \tabularnewline
184 & 1110 & 1321.69565217391 & -211.695652173913 \tabularnewline
185 & 1297 & 1321.69565217391 & -24.6956521739130 \tabularnewline
186 & 1185 & 1321.69565217391 & -136.695652173913 \tabularnewline
187 & 1222 & 1321.69565217391 & -99.695652173913 \tabularnewline
188 & 1284 & 1321.69565217391 & -37.695652173913 \tabularnewline
189 & 1444 & 1321.69565217391 & 122.304347826087 \tabularnewline
190 & 1575 & 1321.69565217391 & 253.304347826087 \tabularnewline
191 & 1737 & 1321.69565217391 & 415.304347826087 \tabularnewline
192 & 1763 & 1321.69565217391 & 441.304347826087 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=25206&T=4

[TABLE]
[ROW][C]Multiple Linear Regression - Actuals, Interpolation, and Residuals[/C][/ROW]
[ROW][C]Time or Index[/C][C]Actuals[/C][C]InterpolationForecast[/C][C]ResidualsPrediction Error[/C][/ROW]
[ROW][C]1[/C][C]1687[/C][C]1717.75147928992[/C][C]-30.7514792899202[/C][/ROW]
[ROW][C]2[/C][C]1508[/C][C]1717.75147928994[/C][C]-209.751479289942[/C][/ROW]
[ROW][C]3[/C][C]1507[/C][C]1717.75147928994[/C][C]-210.751479289941[/C][/ROW]
[ROW][C]4[/C][C]1385[/C][C]1717.75147928994[/C][C]-332.751479289941[/C][/ROW]
[ROW][C]5[/C][C]1632[/C][C]1717.75147928994[/C][C]-85.751479289941[/C][/ROW]
[ROW][C]6[/C][C]1511[/C][C]1717.75147928994[/C][C]-206.751479289941[/C][/ROW]
[ROW][C]7[/C][C]1559[/C][C]1717.75147928994[/C][C]-158.751479289941[/C][/ROW]
[ROW][C]8[/C][C]1630[/C][C]1717.75147928994[/C][C]-87.751479289941[/C][/ROW]
[ROW][C]9[/C][C]1579[/C][C]1717.75147928994[/C][C]-138.751479289941[/C][/ROW]
[ROW][C]10[/C][C]1653[/C][C]1717.75147928994[/C][C]-64.751479289941[/C][/ROW]
[ROW][C]11[/C][C]2152[/C][C]1717.75147928994[/C][C]434.248520710059[/C][/ROW]
[ROW][C]12[/C][C]2148[/C][C]1717.75147928994[/C][C]430.248520710059[/C][/ROW]
[ROW][C]13[/C][C]1752[/C][C]1717.75147928994[/C][C]34.2485207100591[/C][/ROW]
[ROW][C]14[/C][C]1765[/C][C]1717.75147928994[/C][C]47.2485207100591[/C][/ROW]
[ROW][C]15[/C][C]1717[/C][C]1717.75147928994[/C][C]-0.751479289940944[/C][/ROW]
[ROW][C]16[/C][C]1558[/C][C]1717.75147928994[/C][C]-159.751479289941[/C][/ROW]
[ROW][C]17[/C][C]1575[/C][C]1717.75147928994[/C][C]-142.751479289941[/C][/ROW]
[ROW][C]18[/C][C]1520[/C][C]1717.75147928994[/C][C]-197.751479289941[/C][/ROW]
[ROW][C]19[/C][C]1805[/C][C]1717.75147928994[/C][C]87.248520710059[/C][/ROW]
[ROW][C]20[/C][C]1800[/C][C]1717.75147928994[/C][C]82.248520710059[/C][/ROW]
[ROW][C]21[/C][C]1719[/C][C]1717.75147928994[/C][C]1.24852071005906[/C][/ROW]
[ROW][C]22[/C][C]2008[/C][C]1717.75147928994[/C][C]290.248520710059[/C][/ROW]
[ROW][C]23[/C][C]2242[/C][C]1717.75147928994[/C][C]524.248520710059[/C][/ROW]
[ROW][C]24[/C][C]2478[/C][C]1717.75147928994[/C][C]760.248520710059[/C][/ROW]
[ROW][C]25[/C][C]2030[/C][C]1717.75147928994[/C][C]312.248520710059[/C][/ROW]
[ROW][C]26[/C][C]1655[/C][C]1717.75147928994[/C][C]-62.751479289941[/C][/ROW]
[ROW][C]27[/C][C]1693[/C][C]1717.75147928994[/C][C]-24.7514792899409[/C][/ROW]
[ROW][C]28[/C][C]1623[/C][C]1717.75147928994[/C][C]-94.751479289941[/C][/ROW]
[ROW][C]29[/C][C]1805[/C][C]1717.75147928994[/C][C]87.248520710059[/C][/ROW]
[ROW][C]30[/C][C]1746[/C][C]1717.75147928994[/C][C]28.2485207100591[/C][/ROW]
[ROW][C]31[/C][C]1795[/C][C]1717.75147928994[/C][C]77.2485207100591[/C][/ROW]
[ROW][C]32[/C][C]1926[/C][C]1717.75147928994[/C][C]208.248520710059[/C][/ROW]
[ROW][C]33[/C][C]1619[/C][C]1717.75147928994[/C][C]-98.751479289941[/C][/ROW]
[ROW][C]34[/C][C]1992[/C][C]1717.75147928994[/C][C]274.248520710059[/C][/ROW]
[ROW][C]35[/C][C]2233[/C][C]1717.75147928994[/C][C]515.248520710059[/C][/ROW]
[ROW][C]36[/C][C]2192[/C][C]1717.75147928994[/C][C]474.248520710059[/C][/ROW]
[ROW][C]37[/C][C]2080[/C][C]1717.75147928994[/C][C]362.248520710059[/C][/ROW]
[ROW][C]38[/C][C]1768[/C][C]1717.75147928994[/C][C]50.2485207100591[/C][/ROW]
[ROW][C]39[/C][C]1835[/C][C]1717.75147928994[/C][C]117.248520710059[/C][/ROW]
[ROW][C]40[/C][C]1569[/C][C]1717.75147928994[/C][C]-148.751479289941[/C][/ROW]
[ROW][C]41[/C][C]1976[/C][C]1717.75147928994[/C][C]258.248520710059[/C][/ROW]
[ROW][C]42[/C][C]1853[/C][C]1717.75147928994[/C][C]135.248520710059[/C][/ROW]
[ROW][C]43[/C][C]1965[/C][C]1717.75147928994[/C][C]247.248520710059[/C][/ROW]
[ROW][C]44[/C][C]1689[/C][C]1717.75147928994[/C][C]-28.7514792899409[/C][/ROW]
[ROW][C]45[/C][C]1778[/C][C]1717.75147928994[/C][C]60.2485207100591[/C][/ROW]
[ROW][C]46[/C][C]1976[/C][C]1717.75147928994[/C][C]258.248520710059[/C][/ROW]
[ROW][C]47[/C][C]2397[/C][C]1717.75147928994[/C][C]679.248520710059[/C][/ROW]
[ROW][C]48[/C][C]2654[/C][C]1717.75147928994[/C][C]936.248520710059[/C][/ROW]
[ROW][C]49[/C][C]2097[/C][C]1717.75147928994[/C][C]379.248520710059[/C][/ROW]
[ROW][C]50[/C][C]1963[/C][C]1717.75147928994[/C][C]245.248520710059[/C][/ROW]
[ROW][C]51[/C][C]1677[/C][C]1717.75147928994[/C][C]-40.7514792899409[/C][/ROW]
[ROW][C]52[/C][C]1941[/C][C]1717.75147928994[/C][C]223.248520710059[/C][/ROW]
[ROW][C]53[/C][C]2003[/C][C]1717.75147928994[/C][C]285.248520710059[/C][/ROW]
[ROW][C]54[/C][C]1813[/C][C]1717.75147928994[/C][C]95.248520710059[/C][/ROW]
[ROW][C]55[/C][C]2012[/C][C]1717.75147928994[/C][C]294.248520710059[/C][/ROW]
[ROW][C]56[/C][C]1912[/C][C]1717.75147928994[/C][C]194.248520710059[/C][/ROW]
[ROW][C]57[/C][C]2084[/C][C]1717.75147928994[/C][C]366.248520710059[/C][/ROW]
[ROW][C]58[/C][C]2080[/C][C]1717.75147928994[/C][C]362.248520710059[/C][/ROW]
[ROW][C]59[/C][C]2118[/C][C]1717.75147928994[/C][C]400.248520710059[/C][/ROW]
[ROW][C]60[/C][C]2150[/C][C]1717.75147928994[/C][C]432.248520710059[/C][/ROW]
[ROW][C]61[/C][C]1608[/C][C]1717.75147928994[/C][C]-109.751479289941[/C][/ROW]
[ROW][C]62[/C][C]1503[/C][C]1717.75147928994[/C][C]-214.751479289941[/C][/ROW]
[ROW][C]63[/C][C]1548[/C][C]1717.75147928994[/C][C]-169.751479289941[/C][/ROW]
[ROW][C]64[/C][C]1382[/C][C]1717.75147928994[/C][C]-335.751479289941[/C][/ROW]
[ROW][C]65[/C][C]1731[/C][C]1717.75147928994[/C][C]13.2485207100591[/C][/ROW]
[ROW][C]66[/C][C]1798[/C][C]1717.75147928994[/C][C]80.248520710059[/C][/ROW]
[ROW][C]67[/C][C]1779[/C][C]1717.75147928994[/C][C]61.2485207100591[/C][/ROW]
[ROW][C]68[/C][C]1887[/C][C]1717.75147928994[/C][C]169.248520710059[/C][/ROW]
[ROW][C]69[/C][C]2004[/C][C]1717.75147928994[/C][C]286.248520710059[/C][/ROW]
[ROW][C]70[/C][C]2077[/C][C]1717.75147928994[/C][C]359.248520710059[/C][/ROW]
[ROW][C]71[/C][C]2092[/C][C]1717.75147928994[/C][C]374.248520710059[/C][/ROW]
[ROW][C]72[/C][C]2051[/C][C]1717.75147928994[/C][C]333.248520710059[/C][/ROW]
[ROW][C]73[/C][C]1577[/C][C]1717.75147928994[/C][C]-140.751479289941[/C][/ROW]
[ROW][C]74[/C][C]1356[/C][C]1717.75147928994[/C][C]-361.751479289941[/C][/ROW]
[ROW][C]75[/C][C]1652[/C][C]1717.75147928994[/C][C]-65.7514792899409[/C][/ROW]
[ROW][C]76[/C][C]1382[/C][C]1717.75147928994[/C][C]-335.751479289941[/C][/ROW]
[ROW][C]77[/C][C]1519[/C][C]1717.75147928994[/C][C]-198.751479289941[/C][/ROW]
[ROW][C]78[/C][C]1421[/C][C]1717.75147928994[/C][C]-296.751479289941[/C][/ROW]
[ROW][C]79[/C][C]1442[/C][C]1717.75147928994[/C][C]-275.751479289941[/C][/ROW]
[ROW][C]80[/C][C]1543[/C][C]1717.75147928994[/C][C]-174.751479289941[/C][/ROW]
[ROW][C]81[/C][C]1656[/C][C]1717.75147928994[/C][C]-61.7514792899409[/C][/ROW]
[ROW][C]82[/C][C]1561[/C][C]1717.75147928994[/C][C]-156.751479289941[/C][/ROW]
[ROW][C]83[/C][C]1905[/C][C]1717.75147928994[/C][C]187.248520710059[/C][/ROW]
[ROW][C]84[/C][C]2199[/C][C]1717.75147928994[/C][C]481.248520710059[/C][/ROW]
[ROW][C]85[/C][C]1473[/C][C]1717.75147928994[/C][C]-244.751479289941[/C][/ROW]
[ROW][C]86[/C][C]1655[/C][C]1717.75147928994[/C][C]-62.751479289941[/C][/ROW]
[ROW][C]87[/C][C]1407[/C][C]1717.75147928994[/C][C]-310.751479289941[/C][/ROW]
[ROW][C]88[/C][C]1395[/C][C]1717.75147928994[/C][C]-322.751479289941[/C][/ROW]
[ROW][C]89[/C][C]1530[/C][C]1717.75147928994[/C][C]-187.751479289941[/C][/ROW]
[ROW][C]90[/C][C]1309[/C][C]1717.75147928994[/C][C]-408.751479289941[/C][/ROW]
[ROW][C]91[/C][C]1526[/C][C]1717.75147928994[/C][C]-191.751479289941[/C][/ROW]
[ROW][C]92[/C][C]1327[/C][C]1717.75147928994[/C][C]-390.751479289941[/C][/ROW]
[ROW][C]93[/C][C]1627[/C][C]1717.75147928994[/C][C]-90.751479289941[/C][/ROW]
[ROW][C]94[/C][C]1748[/C][C]1717.75147928994[/C][C]30.2485207100591[/C][/ROW]
[ROW][C]95[/C][C]1958[/C][C]1717.75147928994[/C][C]240.248520710059[/C][/ROW]
[ROW][C]96[/C][C]2274[/C][C]1717.75147928994[/C][C]556.248520710059[/C][/ROW]
[ROW][C]97[/C][C]1648[/C][C]1717.75147928994[/C][C]-69.7514792899409[/C][/ROW]
[ROW][C]98[/C][C]1401[/C][C]1717.75147928994[/C][C]-316.751479289941[/C][/ROW]
[ROW][C]99[/C][C]1411[/C][C]1717.75147928994[/C][C]-306.751479289941[/C][/ROW]
[ROW][C]100[/C][C]1403[/C][C]1717.75147928994[/C][C]-314.751479289941[/C][/ROW]
[ROW][C]101[/C][C]1394[/C][C]1717.75147928994[/C][C]-323.751479289941[/C][/ROW]
[ROW][C]102[/C][C]1520[/C][C]1717.75147928994[/C][C]-197.751479289941[/C][/ROW]
[ROW][C]103[/C][C]1528[/C][C]1717.75147928994[/C][C]-189.751479289941[/C][/ROW]
[ROW][C]104[/C][C]1643[/C][C]1717.75147928994[/C][C]-74.7514792899409[/C][/ROW]
[ROW][C]105[/C][C]1515[/C][C]1717.75147928994[/C][C]-202.751479289941[/C][/ROW]
[ROW][C]106[/C][C]1685[/C][C]1717.75147928994[/C][C]-32.7514792899409[/C][/ROW]
[ROW][C]107[/C][C]2000[/C][C]1717.75147928994[/C][C]282.248520710059[/C][/ROW]
[ROW][C]108[/C][C]2215[/C][C]1717.75147928994[/C][C]497.248520710059[/C][/ROW]
[ROW][C]109[/C][C]1956[/C][C]1717.75147928994[/C][C]238.248520710059[/C][/ROW]
[ROW][C]110[/C][C]1462[/C][C]1717.75147928994[/C][C]-255.751479289941[/C][/ROW]
[ROW][C]111[/C][C]1563[/C][C]1717.75147928994[/C][C]-154.751479289941[/C][/ROW]
[ROW][C]112[/C][C]1459[/C][C]1717.75147928994[/C][C]-258.751479289941[/C][/ROW]
[ROW][C]113[/C][C]1446[/C][C]1717.75147928994[/C][C]-271.751479289941[/C][/ROW]
[ROW][C]114[/C][C]1622[/C][C]1717.75147928994[/C][C]-95.751479289941[/C][/ROW]
[ROW][C]115[/C][C]1657[/C][C]1717.75147928994[/C][C]-60.7514792899409[/C][/ROW]
[ROW][C]116[/C][C]1638[/C][C]1717.75147928994[/C][C]-79.751479289941[/C][/ROW]
[ROW][C]117[/C][C]1643[/C][C]1717.75147928994[/C][C]-74.7514792899409[/C][/ROW]
[ROW][C]118[/C][C]1683[/C][C]1717.75147928994[/C][C]-34.7514792899409[/C][/ROW]
[ROW][C]119[/C][C]2050[/C][C]1717.75147928994[/C][C]332.248520710059[/C][/ROW]
[ROW][C]120[/C][C]2262[/C][C]1717.75147928994[/C][C]544.248520710059[/C][/ROW]
[ROW][C]121[/C][C]1813[/C][C]1717.75147928994[/C][C]95.248520710059[/C][/ROW]
[ROW][C]122[/C][C]1445[/C][C]1717.75147928994[/C][C]-272.751479289941[/C][/ROW]
[ROW][C]123[/C][C]1762[/C][C]1717.75147928994[/C][C]44.2485207100591[/C][/ROW]
[ROW][C]124[/C][C]1461[/C][C]1717.75147928994[/C][C]-256.751479289941[/C][/ROW]
[ROW][C]125[/C][C]1556[/C][C]1717.75147928994[/C][C]-161.751479289941[/C][/ROW]
[ROW][C]126[/C][C]1431[/C][C]1717.75147928994[/C][C]-286.751479289941[/C][/ROW]
[ROW][C]127[/C][C]1427[/C][C]1717.75147928994[/C][C]-290.751479289941[/C][/ROW]
[ROW][C]128[/C][C]1554[/C][C]1717.75147928994[/C][C]-163.751479289941[/C][/ROW]
[ROW][C]129[/C][C]1645[/C][C]1717.75147928994[/C][C]-72.7514792899409[/C][/ROW]
[ROW][C]130[/C][C]1653[/C][C]1717.75147928994[/C][C]-64.751479289941[/C][/ROW]
[ROW][C]131[/C][C]2016[/C][C]1717.75147928994[/C][C]298.248520710059[/C][/ROW]
[ROW][C]132[/C][C]2207[/C][C]1717.75147928994[/C][C]489.248520710059[/C][/ROW]
[ROW][C]133[/C][C]1665[/C][C]1717.75147928994[/C][C]-52.7514792899409[/C][/ROW]
[ROW][C]134[/C][C]1361[/C][C]1717.75147928994[/C][C]-356.751479289941[/C][/ROW]
[ROW][C]135[/C][C]1506[/C][C]1717.75147928994[/C][C]-211.751479289941[/C][/ROW]
[ROW][C]136[/C][C]1360[/C][C]1717.75147928994[/C][C]-357.751479289941[/C][/ROW]
[ROW][C]137[/C][C]1453[/C][C]1717.75147928994[/C][C]-264.751479289941[/C][/ROW]
[ROW][C]138[/C][C]1522[/C][C]1717.75147928994[/C][C]-195.751479289941[/C][/ROW]
[ROW][C]139[/C][C]1460[/C][C]1717.75147928994[/C][C]-257.751479289941[/C][/ROW]
[ROW][C]140[/C][C]1552[/C][C]1717.75147928994[/C][C]-165.751479289941[/C][/ROW]
[ROW][C]141[/C][C]1548[/C][C]1717.75147928994[/C][C]-169.751479289941[/C][/ROW]
[ROW][C]142[/C][C]1827[/C][C]1717.75147928994[/C][C]109.248520710059[/C][/ROW]
[ROW][C]143[/C][C]1737[/C][C]1717.75147928994[/C][C]19.2485207100591[/C][/ROW]
[ROW][C]144[/C][C]1941[/C][C]1717.75147928994[/C][C]223.248520710059[/C][/ROW]
[ROW][C]145[/C][C]1474[/C][C]1717.75147928994[/C][C]-243.751479289941[/C][/ROW]
[ROW][C]146[/C][C]1458[/C][C]1717.75147928994[/C][C]-259.751479289941[/C][/ROW]
[ROW][C]147[/C][C]1542[/C][C]1717.75147928994[/C][C]-175.751479289941[/C][/ROW]
[ROW][C]148[/C][C]1404[/C][C]1717.75147928994[/C][C]-313.751479289941[/C][/ROW]
[ROW][C]149[/C][C]1522[/C][C]1717.75147928994[/C][C]-195.751479289941[/C][/ROW]
[ROW][C]150[/C][C]1385[/C][C]1717.75147928994[/C][C]-332.751479289941[/C][/ROW]
[ROW][C]151[/C][C]1641[/C][C]1717.75147928994[/C][C]-76.7514792899409[/C][/ROW]
[ROW][C]152[/C][C]1510[/C][C]1717.75147928994[/C][C]-207.751479289941[/C][/ROW]
[ROW][C]153[/C][C]1681[/C][C]1717.75147928994[/C][C]-36.7514792899409[/C][/ROW]
[ROW][C]154[/C][C]1938[/C][C]1717.75147928994[/C][C]220.248520710059[/C][/ROW]
[ROW][C]155[/C][C]1868[/C][C]1717.75147928994[/C][C]150.248520710059[/C][/ROW]
[ROW][C]156[/C][C]1726[/C][C]1717.75147928994[/C][C]8.24852071005906[/C][/ROW]
[ROW][C]157[/C][C]1456[/C][C]1717.75147928994[/C][C]-261.751479289941[/C][/ROW]
[ROW][C]158[/C][C]1445[/C][C]1717.75147928994[/C][C]-272.751479289941[/C][/ROW]
[ROW][C]159[/C][C]1456[/C][C]1717.75147928994[/C][C]-261.751479289941[/C][/ROW]
[ROW][C]160[/C][C]1365[/C][C]1717.75147928994[/C][C]-352.751479289941[/C][/ROW]
[ROW][C]161[/C][C]1487[/C][C]1717.75147928994[/C][C]-230.751479289941[/C][/ROW]
[ROW][C]162[/C][C]1558[/C][C]1717.75147928994[/C][C]-159.751479289941[/C][/ROW]
[ROW][C]163[/C][C]1488[/C][C]1717.75147928994[/C][C]-229.751479289941[/C][/ROW]
[ROW][C]164[/C][C]1684[/C][C]1717.75147928994[/C][C]-33.7514792899409[/C][/ROW]
[ROW][C]165[/C][C]1594[/C][C]1717.75147928994[/C][C]-123.751479289941[/C][/ROW]
[ROW][C]166[/C][C]1850[/C][C]1717.75147928994[/C][C]132.248520710059[/C][/ROW]
[ROW][C]167[/C][C]1998[/C][C]1717.75147928994[/C][C]280.248520710059[/C][/ROW]
[ROW][C]168[/C][C]2079[/C][C]1717.75147928994[/C][C]361.248520710059[/C][/ROW]
[ROW][C]169[/C][C]1494[/C][C]1717.75147928994[/C][C]-223.751479289941[/C][/ROW]
[ROW][C]170[/C][C]1057[/C][C]1321.69565217391[/C][C]-264.695652173913[/C][/ROW]
[ROW][C]171[/C][C]1218[/C][C]1321.69565217391[/C][C]-103.695652173913[/C][/ROW]
[ROW][C]172[/C][C]1168[/C][C]1321.69565217391[/C][C]-153.695652173913[/C][/ROW]
[ROW][C]173[/C][C]1236[/C][C]1321.69565217391[/C][C]-85.695652173913[/C][/ROW]
[ROW][C]174[/C][C]1076[/C][C]1321.69565217391[/C][C]-245.695652173913[/C][/ROW]
[ROW][C]175[/C][C]1174[/C][C]1321.69565217391[/C][C]-147.695652173913[/C][/ROW]
[ROW][C]176[/C][C]1139[/C][C]1321.69565217391[/C][C]-182.695652173913[/C][/ROW]
[ROW][C]177[/C][C]1427[/C][C]1321.69565217391[/C][C]105.304347826087[/C][/ROW]
[ROW][C]178[/C][C]1487[/C][C]1321.69565217391[/C][C]165.304347826087[/C][/ROW]
[ROW][C]179[/C][C]1483[/C][C]1321.69565217391[/C][C]161.304347826087[/C][/ROW]
[ROW][C]180[/C][C]1513[/C][C]1321.69565217391[/C][C]191.304347826087[/C][/ROW]
[ROW][C]181[/C][C]1357[/C][C]1321.69565217391[/C][C]35.304347826087[/C][/ROW]
[ROW][C]182[/C][C]1165[/C][C]1321.69565217391[/C][C]-156.695652173913[/C][/ROW]
[ROW][C]183[/C][C]1282[/C][C]1321.69565217391[/C][C]-39.695652173913[/C][/ROW]
[ROW][C]184[/C][C]1110[/C][C]1321.69565217391[/C][C]-211.695652173913[/C][/ROW]
[ROW][C]185[/C][C]1297[/C][C]1321.69565217391[/C][C]-24.6956521739130[/C][/ROW]
[ROW][C]186[/C][C]1185[/C][C]1321.69565217391[/C][C]-136.695652173913[/C][/ROW]
[ROW][C]187[/C][C]1222[/C][C]1321.69565217391[/C][C]-99.695652173913[/C][/ROW]
[ROW][C]188[/C][C]1284[/C][C]1321.69565217391[/C][C]-37.695652173913[/C][/ROW]
[ROW][C]189[/C][C]1444[/C][C]1321.69565217391[/C][C]122.304347826087[/C][/ROW]
[ROW][C]190[/C][C]1575[/C][C]1321.69565217391[/C][C]253.304347826087[/C][/ROW]
[ROW][C]191[/C][C]1737[/C][C]1321.69565217391[/C][C]415.304347826087[/C][/ROW]
[ROW][C]192[/C][C]1763[/C][C]1321.69565217391[/C][C]441.304347826087[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=25206&T=4

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=25206&T=4

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


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

Multiple Linear Regression - Actuals, Interpolation, and Residuals
Time or IndexActualsInterpolationForecastResidualsPrediction Error
116871717.75147928992-30.7514792899202
215081717.75147928994-209.751479289942
315071717.75147928994-210.751479289941
413851717.75147928994-332.751479289941
516321717.75147928994-85.751479289941
615111717.75147928994-206.751479289941
715591717.75147928994-158.751479289941
816301717.75147928994-87.751479289941
915791717.75147928994-138.751479289941
1016531717.75147928994-64.751479289941
1121521717.75147928994434.248520710059
1221481717.75147928994430.248520710059
1317521717.7514792899434.2485207100591
1417651717.7514792899447.2485207100591
1517171717.75147928994-0.751479289940944
1615581717.75147928994-159.751479289941
1715751717.75147928994-142.751479289941
1815201717.75147928994-197.751479289941
1918051717.7514792899487.248520710059
2018001717.7514792899482.248520710059
2117191717.751479289941.24852071005906
2220081717.75147928994290.248520710059
2322421717.75147928994524.248520710059
2424781717.75147928994760.248520710059
2520301717.75147928994312.248520710059
2616551717.75147928994-62.751479289941
2716931717.75147928994-24.7514792899409
2816231717.75147928994-94.751479289941
2918051717.7514792899487.248520710059
3017461717.7514792899428.2485207100591
3117951717.7514792899477.2485207100591
3219261717.75147928994208.248520710059
3316191717.75147928994-98.751479289941
3419921717.75147928994274.248520710059
3522331717.75147928994515.248520710059
3621921717.75147928994474.248520710059
3720801717.75147928994362.248520710059
3817681717.7514792899450.2485207100591
3918351717.75147928994117.248520710059
4015691717.75147928994-148.751479289941
4119761717.75147928994258.248520710059
4218531717.75147928994135.248520710059
4319651717.75147928994247.248520710059
4416891717.75147928994-28.7514792899409
4517781717.7514792899460.2485207100591
4619761717.75147928994258.248520710059
4723971717.75147928994679.248520710059
4826541717.75147928994936.248520710059
4920971717.75147928994379.248520710059
5019631717.75147928994245.248520710059
5116771717.75147928994-40.7514792899409
5219411717.75147928994223.248520710059
5320031717.75147928994285.248520710059
5418131717.7514792899495.248520710059
5520121717.75147928994294.248520710059
5619121717.75147928994194.248520710059
5720841717.75147928994366.248520710059
5820801717.75147928994362.248520710059
5921181717.75147928994400.248520710059
6021501717.75147928994432.248520710059
6116081717.75147928994-109.751479289941
6215031717.75147928994-214.751479289941
6315481717.75147928994-169.751479289941
6413821717.75147928994-335.751479289941
6517311717.7514792899413.2485207100591
6617981717.7514792899480.248520710059
6717791717.7514792899461.2485207100591
6818871717.75147928994169.248520710059
6920041717.75147928994286.248520710059
7020771717.75147928994359.248520710059
7120921717.75147928994374.248520710059
7220511717.75147928994333.248520710059
7315771717.75147928994-140.751479289941
7413561717.75147928994-361.751479289941
7516521717.75147928994-65.7514792899409
7613821717.75147928994-335.751479289941
7715191717.75147928994-198.751479289941
7814211717.75147928994-296.751479289941
7914421717.75147928994-275.751479289941
8015431717.75147928994-174.751479289941
8116561717.75147928994-61.7514792899409
8215611717.75147928994-156.751479289941
8319051717.75147928994187.248520710059
8421991717.75147928994481.248520710059
8514731717.75147928994-244.751479289941
8616551717.75147928994-62.751479289941
8714071717.75147928994-310.751479289941
8813951717.75147928994-322.751479289941
8915301717.75147928994-187.751479289941
9013091717.75147928994-408.751479289941
9115261717.75147928994-191.751479289941
9213271717.75147928994-390.751479289941
9316271717.75147928994-90.751479289941
9417481717.7514792899430.2485207100591
9519581717.75147928994240.248520710059
9622741717.75147928994556.248520710059
9716481717.75147928994-69.7514792899409
9814011717.75147928994-316.751479289941
9914111717.75147928994-306.751479289941
10014031717.75147928994-314.751479289941
10113941717.75147928994-323.751479289941
10215201717.75147928994-197.751479289941
10315281717.75147928994-189.751479289941
10416431717.75147928994-74.7514792899409
10515151717.75147928994-202.751479289941
10616851717.75147928994-32.7514792899409
10720001717.75147928994282.248520710059
10822151717.75147928994497.248520710059
10919561717.75147928994238.248520710059
11014621717.75147928994-255.751479289941
11115631717.75147928994-154.751479289941
11214591717.75147928994-258.751479289941
11314461717.75147928994-271.751479289941
11416221717.75147928994-95.751479289941
11516571717.75147928994-60.7514792899409
11616381717.75147928994-79.751479289941
11716431717.75147928994-74.7514792899409
11816831717.75147928994-34.7514792899409
11920501717.75147928994332.248520710059
12022621717.75147928994544.248520710059
12118131717.7514792899495.248520710059
12214451717.75147928994-272.751479289941
12317621717.7514792899444.2485207100591
12414611717.75147928994-256.751479289941
12515561717.75147928994-161.751479289941
12614311717.75147928994-286.751479289941
12714271717.75147928994-290.751479289941
12815541717.75147928994-163.751479289941
12916451717.75147928994-72.7514792899409
13016531717.75147928994-64.751479289941
13120161717.75147928994298.248520710059
13222071717.75147928994489.248520710059
13316651717.75147928994-52.7514792899409
13413611717.75147928994-356.751479289941
13515061717.75147928994-211.751479289941
13613601717.75147928994-357.751479289941
13714531717.75147928994-264.751479289941
13815221717.75147928994-195.751479289941
13914601717.75147928994-257.751479289941
14015521717.75147928994-165.751479289941
14115481717.75147928994-169.751479289941
14218271717.75147928994109.248520710059
14317371717.7514792899419.2485207100591
14419411717.75147928994223.248520710059
14514741717.75147928994-243.751479289941
14614581717.75147928994-259.751479289941
14715421717.75147928994-175.751479289941
14814041717.75147928994-313.751479289941
14915221717.75147928994-195.751479289941
15013851717.75147928994-332.751479289941
15116411717.75147928994-76.7514792899409
15215101717.75147928994-207.751479289941
15316811717.75147928994-36.7514792899409
15419381717.75147928994220.248520710059
15518681717.75147928994150.248520710059
15617261717.751479289948.24852071005906
15714561717.75147928994-261.751479289941
15814451717.75147928994-272.751479289941
15914561717.75147928994-261.751479289941
16013651717.75147928994-352.751479289941
16114871717.75147928994-230.751479289941
16215581717.75147928994-159.751479289941
16314881717.75147928994-229.751479289941
16416841717.75147928994-33.7514792899409
16515941717.75147928994-123.751479289941
16618501717.75147928994132.248520710059
16719981717.75147928994280.248520710059
16820791717.75147928994361.248520710059
16914941717.75147928994-223.751479289941
17010571321.69565217391-264.695652173913
17112181321.69565217391-103.695652173913
17211681321.69565217391-153.695652173913
17312361321.69565217391-85.695652173913
17410761321.69565217391-245.695652173913
17511741321.69565217391-147.695652173913
17611391321.69565217391-182.695652173913
17714271321.69565217391105.304347826087
17814871321.69565217391165.304347826087
17914831321.69565217391161.304347826087
18015131321.69565217391191.304347826087
18113571321.6956521739135.304347826087
18211651321.69565217391-156.695652173913
18312821321.69565217391-39.695652173913
18411101321.69565217391-211.695652173913
18512971321.69565217391-24.6956521739130
18611851321.69565217391-136.695652173913
18712221321.69565217391-99.695652173913
18812841321.69565217391-37.695652173913
18914441321.69565217391122.304347826087
19015751321.69565217391253.304347826087
19117371321.69565217391415.304347826087
19217631321.69565217391441.304347826087






Goldfeld-Quandt test for Heteroskedasticity
p-valuesAlternative Hypothesis
breakpoint indexgreater2-sidedless
50.1559308029189450.3118616058378900.844069197081055
60.06649352737734470.1329870547546890.933506472622655
70.02567383314294040.05134766628588070.97432616685706
80.01221739680733030.02443479361466060.98778260319267
90.004379978104602910.008759956209205820.995620021895397
100.002240159817864130.004480319635728260.997759840182136
110.2235801583455500.4471603166911010.77641984165445
120.5039813540008240.992037291998350.496018645999176
130.4208412053123040.8416824106246090.579158794687696
140.3453656525640860.6907313051281720.654634347435914
150.2700182093786310.5400364187572620.729981790621369
160.2190644244158520.4381288488317040.780935575584148
170.1710750448748180.3421500897496370.828924955125181
180.1407115265465930.2814230530931850.859288473453407
190.1140922425588580.2281844851177170.885907757441142
200.09007928733986680.1801585746797340.909920712660133
210.06388476436807580.1277695287361520.936115235631924
220.08828604303362040.1765720860672410.91171395696638
230.2540366087170370.5080732174340740.745963391282963
240.7041345159405080.5917309681189840.295865484059492
250.7099494063259890.5801011873480230.290050593674011
260.6617327503331530.6765344993336940.338267249666847
270.60652227047790.78695545904420.3934777295221
280.5597189438136960.8805621123726080.440281056186304
290.5037375415697180.9925249168605630.496262458430282
300.4449608348989570.8899216697979150.555039165101043
310.3901828560403290.7803657120806580.609817143959671
320.3621281127465610.7242562254931220.637871887253439
330.3227248265256100.6454496530512190.67727517347439
340.3184699397357430.6369398794714860.681530060264257
350.4475027759995330.8950055519990660.552497224000467
360.5401905183494390.9196189633011230.459809481650561
370.5622945098448040.8754109803103930.437705490155196
380.5106860002932690.9786279994134620.489313999706731
390.4622777891552320.9245555783104640.537722210844768
400.4432414467682050.886482893536410.556758553231795
410.4257386735252520.8514773470505040.574261326474748
420.3820739067215540.7641478134431070.617926093278446
430.3620115673263830.7240231346527670.637988432673617
440.3219927317477250.643985463495450.678007268252275
450.2794282905145570.5588565810291140.720571709485443
460.2656486170042540.5312972340085080.734351382995746
470.4937822328476520.9875644656953050.506217767152348
480.889937540791620.2201249184167600.110062459208380
490.9011136623684070.1977726752631860.0988863376315932
500.8919312802842860.2161374394314280.108068719715714
510.8749587704768280.2500824590463430.125041229523172
520.8619242688046240.2761514623907530.138075731195376
530.857741867660570.284516264678860.14225813233943
540.833787220623450.3324255587531000.166212779376550
550.831683517129930.3366329657401390.168316482870069
560.813452152132250.3730956957355000.186547847867750
570.8299900464796020.3400199070407960.170009953520398
580.8452939376681130.3094121246637740.154706062331887
590.8698865567999510.2602268864000980.130113443200049
600.8999731806219020.2000536387561960.100026819378098
610.8929115381189760.2141769237620470.107088461881024
620.899813657648210.2003726847035820.100186342351791
630.8987191232890920.2025617534218170.101280876710908
640.9242215772354540.1515568455290930.0757784227645463
650.9102741546203680.1794516907592640.089725845379632
660.8947925365983940.2104149268032130.105207463401606
670.8771697946178040.2456604107643910.122830205382196
680.8640972653708260.2718054692583480.135902734629174
690.8678736410287260.2642527179425470.132126358971274
700.8871764413456120.2256471173087760.112823558654388
710.9084496324115170.1831007351769670.0915503675884835
720.9208695043335420.1582609913329160.0791304956664582
730.9160102994141060.1679794011717880.0839897005858942
740.9404025394138450.1191949211723100.0595974605861551
750.9312922476935140.1374155046129720.0687077523064859
760.9469560558531370.1060878882937270.0530439441468633
770.9458816420170680.1082367159658630.0541183579829316
780.9534363149400040.09312737011999190.0465636850599960
790.9577669083245750.08446618335085050.0422330916754253
800.954411751576560.09117649684687990.0455882484234399
810.9457911981509690.1084176036980630.0542088018490313
820.9401750357771450.1196499284457110.0598249642228553
830.9361310619796960.1277378760406090.0638689380203045
840.9663385663714640.06732286725707290.0336614336285365
850.966916074785160.0661678504296810.0330839252148405
860.9601641193441550.07967176131169080.0398358806558454
870.9652770693352230.06944586132955330.0347229306647767
880.9703794550258670.05924108994826570.0296205449741328
890.9674640511590650.06507189768186920.0325359488409346
900.977737303238430.0445253935231380.022262696761569
910.97532264804520.04935470390960060.0246773519548003
920.9821276036826250.03574479263475090.0178723963173755
930.9779039316311570.04419213673768560.0220960683688428
940.9725800354559540.05483992908809150.0274199645440457
950.9736521992866830.05269560142663340.0263478007133167
960.9921478667486580.01570426650268480.00785213325134238
970.9899441772202630.02011164555947350.0100558227797368
980.991080474977210.01783905004557930.00891952502278966
990.991852053029110.01629589394178160.00814794697089078
1000.9926891558394360.01462168832112710.00731084416056357
1010.9935879656446240.01282406871075100.00641203435537551
1020.9925874706751830.01482505864963360.0074125293248168
1030.9913343111926220.01733137761475530.00866568880737765
1040.9887866234665020.02242675306699630.0112133765334982
1050.9871974269032140.02560514619357130.0128025730967857
1060.9834887348306130.03302253033877300.0165112651693865
1070.9862100740678750.02757985186424990.0137899259321250
1080.9954812256947070.009037548610585450.00451877430529273
1090.9960743394012850.007851321197429140.00392566059871457
1100.9958082135513870.008383572897225740.00419178644861287
1110.9947125552945240.01057488941095250.00528744470547626
1120.994383716676210.01123256664757900.00561628332378951
1130.9942027655540470.01159446889190660.0057972344459533
1140.9923718888698070.01525622226038550.00762811113019273
1150.989937178797550.02012564240489920.0100628212024496
1160.9868899382317050.02622012353658970.0131100617682949
1170.983038753707430.03392249258514220.0169612462925711
1180.9782010296121180.0435979407757630.0217989703878815
1190.9854990285980250.029001942803950.014500971401975
1200.9972737379465190.00545252410696250.00272626205348125
1210.9968405001714030.006318999657194810.00315949982859741
1220.9966043287120030.006791342575994760.00339567128799738
1230.9957319034927090.00853619301458290.00426809650729145
1240.9952319354744660.00953612905106840.0047680645255342
1250.993835719564880.01232856087024070.00616428043512033
1260.9935791126770050.01284177464598940.00642088732299468
1270.9933935035118350.01321299297633020.0066064964881651
1280.9915246851074790.01695062978504220.0084753148925211
1290.9886554883036150.02268902339277020.0113445116963851
1300.984959359786210.03008128042757920.0150406402137896
1310.990221626959950.01955674608010080.00977837304005038
1320.9982799910709060.003440017858188490.00172000892909425
1330.9975916247830560.004816750433887600.00240837521694380
1340.997892812725710.004214374548578250.00210718727428912
1350.997293898802090.005412202395820720.00270610119791036
1360.9976776922153970.004644615569205920.00232230778460296
1370.997354591339330.005290817321341420.00264540866067071
1380.9965465538433560.00690689231328840.0034534461566442
1390.99604528987740.007909420245200840.00395471012260042
1400.9946869708300080.01062605833998430.00531302916999215
1410.9929574252000930.01408514959981320.0070425747999066
1420.9920330096054330.01593398078913350.00796699039456675
1430.9895837712358810.0208324575282370.0104162287641185
1440.9920816591491310.01583668170173780.00791834085086891
1450.9904494844043830.01910103119123490.00955051559561747
1460.9889497073390560.02210058532188870.0110502926609443
1470.9854560608942660.02908787821146910.0145439391057345
1480.9855711345140450.02885773097190930.0144288654859547
1490.9817801746925750.03643965061485040.0182198253074252
1500.9835227096634280.03295458067314440.0164772903365722
1510.9772488977752520.04550220444949560.0227511022247478
1520.9726400953125070.05471980937498520.0273599046874926
1530.9629255490837120.07414890183257680.0370744509162884
1540.9673025224909830.06539495501803440.0326974775090172
1550.9666855442480890.06662891150382230.0333144557519111
1560.9571917212437640.08561655751247290.0428082787562364
1570.9511038397950780.09779232040984470.0488961602049223
1580.9465733352094960.1068533295810080.0534266647905039
1590.941989759761460.1160204804770810.0580102402385405
1600.9539463886338830.09210722273223420.0460536113661171
1610.9517820151660470.09643596966790650.0482179848339532
1620.9437816756742470.1124366486515060.0562183243257532
1630.9488528298300860.1022943403398280.0511471701699138
1640.933869588053220.1322608238935590.0661304119467793
1650.932017991595130.135964016809740.06798200840487
1660.9084084086103110.1831831827793770.0915915913896886
1670.8966955716601020.2066088566797950.103304428339898
1680.9463249453451660.1073501093096680.0536750546548338
1690.925761978392230.1484760432155410.0742380216077707
1700.9320741472713060.1358517054573880.0679258527286942
1710.9121986283845660.1756027432308670.0878013716154337
1720.8971397501106840.2057204997786310.102860249889316
1730.8679723755156910.2640552489686180.132027624484309
1740.8840554441978720.2318891116042550.115944555802128
1750.8717410280954920.2565179438090150.128258971904508
1760.8759804634073520.2480390731852970.124019536592648
1770.8294723493283920.3410553013432160.170527650671608
1780.7812488548959410.4375022902081180.218751145104059
1790.7230854296552360.5538291406895280.276914570344764
1800.668097907094830.6638041858103410.331902092905171
1810.5736344001114210.8527311997771580.426365599888579
1820.5400640857924250.919871828415150.459935914207575
1830.4498561837194880.8997123674389760.550143816280512
1840.4910294892336790.9820589784673570.508970510766321
1850.4034626872200280.8069253744400570.596537312779972
1860.4288955432867320.8577910865734640.571104456713268
1870.4881409628525440.9762819257050890.511859037147456

\begin{tabular}{lllllllll}
\hline
Goldfeld-Quandt test for Heteroskedasticity \tabularnewline
p-values & Alternative Hypothesis \tabularnewline
breakpoint index & greater & 2-sided & less \tabularnewline
5 & 0.155930802918945 & 0.311861605837890 & 0.844069197081055 \tabularnewline
6 & 0.0664935273773447 & 0.132987054754689 & 0.933506472622655 \tabularnewline
7 & 0.0256738331429404 & 0.0513476662858807 & 0.97432616685706 \tabularnewline
8 & 0.0122173968073303 & 0.0244347936146606 & 0.98778260319267 \tabularnewline
9 & 0.00437997810460291 & 0.00875995620920582 & 0.995620021895397 \tabularnewline
10 & 0.00224015981786413 & 0.00448031963572826 & 0.997759840182136 \tabularnewline
11 & 0.223580158345550 & 0.447160316691101 & 0.77641984165445 \tabularnewline
12 & 0.503981354000824 & 0.99203729199835 & 0.496018645999176 \tabularnewline
13 & 0.420841205312304 & 0.841682410624609 & 0.579158794687696 \tabularnewline
14 & 0.345365652564086 & 0.690731305128172 & 0.654634347435914 \tabularnewline
15 & 0.270018209378631 & 0.540036418757262 & 0.729981790621369 \tabularnewline
16 & 0.219064424415852 & 0.438128848831704 & 0.780935575584148 \tabularnewline
17 & 0.171075044874818 & 0.342150089749637 & 0.828924955125181 \tabularnewline
18 & 0.140711526546593 & 0.281423053093185 & 0.859288473453407 \tabularnewline
19 & 0.114092242558858 & 0.228184485117717 & 0.885907757441142 \tabularnewline
20 & 0.0900792873398668 & 0.180158574679734 & 0.909920712660133 \tabularnewline
21 & 0.0638847643680758 & 0.127769528736152 & 0.936115235631924 \tabularnewline
22 & 0.0882860430336204 & 0.176572086067241 & 0.91171395696638 \tabularnewline
23 & 0.254036608717037 & 0.508073217434074 & 0.745963391282963 \tabularnewline
24 & 0.704134515940508 & 0.591730968118984 & 0.295865484059492 \tabularnewline
25 & 0.709949406325989 & 0.580101187348023 & 0.290050593674011 \tabularnewline
26 & 0.661732750333153 & 0.676534499333694 & 0.338267249666847 \tabularnewline
27 & 0.6065222704779 & 0.7869554590442 & 0.3934777295221 \tabularnewline
28 & 0.559718943813696 & 0.880562112372608 & 0.440281056186304 \tabularnewline
29 & 0.503737541569718 & 0.992524916860563 & 0.496262458430282 \tabularnewline
30 & 0.444960834898957 & 0.889921669797915 & 0.555039165101043 \tabularnewline
31 & 0.390182856040329 & 0.780365712080658 & 0.609817143959671 \tabularnewline
32 & 0.362128112746561 & 0.724256225493122 & 0.637871887253439 \tabularnewline
33 & 0.322724826525610 & 0.645449653051219 & 0.67727517347439 \tabularnewline
34 & 0.318469939735743 & 0.636939879471486 & 0.681530060264257 \tabularnewline
35 & 0.447502775999533 & 0.895005551999066 & 0.552497224000467 \tabularnewline
36 & 0.540190518349439 & 0.919618963301123 & 0.459809481650561 \tabularnewline
37 & 0.562294509844804 & 0.875410980310393 & 0.437705490155196 \tabularnewline
38 & 0.510686000293269 & 0.978627999413462 & 0.489313999706731 \tabularnewline
39 & 0.462277789155232 & 0.924555578310464 & 0.537722210844768 \tabularnewline
40 & 0.443241446768205 & 0.88648289353641 & 0.556758553231795 \tabularnewline
41 & 0.425738673525252 & 0.851477347050504 & 0.574261326474748 \tabularnewline
42 & 0.382073906721554 & 0.764147813443107 & 0.617926093278446 \tabularnewline
43 & 0.362011567326383 & 0.724023134652767 & 0.637988432673617 \tabularnewline
44 & 0.321992731747725 & 0.64398546349545 & 0.678007268252275 \tabularnewline
45 & 0.279428290514557 & 0.558856581029114 & 0.720571709485443 \tabularnewline
46 & 0.265648617004254 & 0.531297234008508 & 0.734351382995746 \tabularnewline
47 & 0.493782232847652 & 0.987564465695305 & 0.506217767152348 \tabularnewline
48 & 0.88993754079162 & 0.220124918416760 & 0.110062459208380 \tabularnewline
49 & 0.901113662368407 & 0.197772675263186 & 0.0988863376315932 \tabularnewline
50 & 0.891931280284286 & 0.216137439431428 & 0.108068719715714 \tabularnewline
51 & 0.874958770476828 & 0.250082459046343 & 0.125041229523172 \tabularnewline
52 & 0.861924268804624 & 0.276151462390753 & 0.138075731195376 \tabularnewline
53 & 0.85774186766057 & 0.28451626467886 & 0.14225813233943 \tabularnewline
54 & 0.83378722062345 & 0.332425558753100 & 0.166212779376550 \tabularnewline
55 & 0.83168351712993 & 0.336632965740139 & 0.168316482870069 \tabularnewline
56 & 0.81345215213225 & 0.373095695735500 & 0.186547847867750 \tabularnewline
57 & 0.829990046479602 & 0.340019907040796 & 0.170009953520398 \tabularnewline
58 & 0.845293937668113 & 0.309412124663774 & 0.154706062331887 \tabularnewline
59 & 0.869886556799951 & 0.260226886400098 & 0.130113443200049 \tabularnewline
60 & 0.899973180621902 & 0.200053638756196 & 0.100026819378098 \tabularnewline
61 & 0.892911538118976 & 0.214176923762047 & 0.107088461881024 \tabularnewline
62 & 0.89981365764821 & 0.200372684703582 & 0.100186342351791 \tabularnewline
63 & 0.898719123289092 & 0.202561753421817 & 0.101280876710908 \tabularnewline
64 & 0.924221577235454 & 0.151556845529093 & 0.0757784227645463 \tabularnewline
65 & 0.910274154620368 & 0.179451690759264 & 0.089725845379632 \tabularnewline
66 & 0.894792536598394 & 0.210414926803213 & 0.105207463401606 \tabularnewline
67 & 0.877169794617804 & 0.245660410764391 & 0.122830205382196 \tabularnewline
68 & 0.864097265370826 & 0.271805469258348 & 0.135902734629174 \tabularnewline
69 & 0.867873641028726 & 0.264252717942547 & 0.132126358971274 \tabularnewline
70 & 0.887176441345612 & 0.225647117308776 & 0.112823558654388 \tabularnewline
71 & 0.908449632411517 & 0.183100735176967 & 0.0915503675884835 \tabularnewline
72 & 0.920869504333542 & 0.158260991332916 & 0.0791304956664582 \tabularnewline
73 & 0.916010299414106 & 0.167979401171788 & 0.0839897005858942 \tabularnewline
74 & 0.940402539413845 & 0.119194921172310 & 0.0595974605861551 \tabularnewline
75 & 0.931292247693514 & 0.137415504612972 & 0.0687077523064859 \tabularnewline
76 & 0.946956055853137 & 0.106087888293727 & 0.0530439441468633 \tabularnewline
77 & 0.945881642017068 & 0.108236715965863 & 0.0541183579829316 \tabularnewline
78 & 0.953436314940004 & 0.0931273701199919 & 0.0465636850599960 \tabularnewline
79 & 0.957766908324575 & 0.0844661833508505 & 0.0422330916754253 \tabularnewline
80 & 0.95441175157656 & 0.0911764968468799 & 0.0455882484234399 \tabularnewline
81 & 0.945791198150969 & 0.108417603698063 & 0.0542088018490313 \tabularnewline
82 & 0.940175035777145 & 0.119649928445711 & 0.0598249642228553 \tabularnewline
83 & 0.936131061979696 & 0.127737876040609 & 0.0638689380203045 \tabularnewline
84 & 0.966338566371464 & 0.0673228672570729 & 0.0336614336285365 \tabularnewline
85 & 0.96691607478516 & 0.066167850429681 & 0.0330839252148405 \tabularnewline
86 & 0.960164119344155 & 0.0796717613116908 & 0.0398358806558454 \tabularnewline
87 & 0.965277069335223 & 0.0694458613295533 & 0.0347229306647767 \tabularnewline
88 & 0.970379455025867 & 0.0592410899482657 & 0.0296205449741328 \tabularnewline
89 & 0.967464051159065 & 0.0650718976818692 & 0.0325359488409346 \tabularnewline
90 & 0.97773730323843 & 0.044525393523138 & 0.022262696761569 \tabularnewline
91 & 0.9753226480452 & 0.0493547039096006 & 0.0246773519548003 \tabularnewline
92 & 0.982127603682625 & 0.0357447926347509 & 0.0178723963173755 \tabularnewline
93 & 0.977903931631157 & 0.0441921367376856 & 0.0220960683688428 \tabularnewline
94 & 0.972580035455954 & 0.0548399290880915 & 0.0274199645440457 \tabularnewline
95 & 0.973652199286683 & 0.0526956014266334 & 0.0263478007133167 \tabularnewline
96 & 0.992147866748658 & 0.0157042665026848 & 0.00785213325134238 \tabularnewline
97 & 0.989944177220263 & 0.0201116455594735 & 0.0100558227797368 \tabularnewline
98 & 0.99108047497721 & 0.0178390500455793 & 0.00891952502278966 \tabularnewline
99 & 0.99185205302911 & 0.0162958939417816 & 0.00814794697089078 \tabularnewline
100 & 0.992689155839436 & 0.0146216883211271 & 0.00731084416056357 \tabularnewline
101 & 0.993587965644624 & 0.0128240687107510 & 0.00641203435537551 \tabularnewline
102 & 0.992587470675183 & 0.0148250586496336 & 0.0074125293248168 \tabularnewline
103 & 0.991334311192622 & 0.0173313776147553 & 0.00866568880737765 \tabularnewline
104 & 0.988786623466502 & 0.0224267530669963 & 0.0112133765334982 \tabularnewline
105 & 0.987197426903214 & 0.0256051461935713 & 0.0128025730967857 \tabularnewline
106 & 0.983488734830613 & 0.0330225303387730 & 0.0165112651693865 \tabularnewline
107 & 0.986210074067875 & 0.0275798518642499 & 0.0137899259321250 \tabularnewline
108 & 0.995481225694707 & 0.00903754861058545 & 0.00451877430529273 \tabularnewline
109 & 0.996074339401285 & 0.00785132119742914 & 0.00392566059871457 \tabularnewline
110 & 0.995808213551387 & 0.00838357289722574 & 0.00419178644861287 \tabularnewline
111 & 0.994712555294524 & 0.0105748894109525 & 0.00528744470547626 \tabularnewline
112 & 0.99438371667621 & 0.0112325666475790 & 0.00561628332378951 \tabularnewline
113 & 0.994202765554047 & 0.0115944688919066 & 0.0057972344459533 \tabularnewline
114 & 0.992371888869807 & 0.0152562222603855 & 0.00762811113019273 \tabularnewline
115 & 0.98993717879755 & 0.0201256424048992 & 0.0100628212024496 \tabularnewline
116 & 0.986889938231705 & 0.0262201235365897 & 0.0131100617682949 \tabularnewline
117 & 0.98303875370743 & 0.0339224925851422 & 0.0169612462925711 \tabularnewline
118 & 0.978201029612118 & 0.043597940775763 & 0.0217989703878815 \tabularnewline
119 & 0.985499028598025 & 0.02900194280395 & 0.014500971401975 \tabularnewline
120 & 0.997273737946519 & 0.0054525241069625 & 0.00272626205348125 \tabularnewline
121 & 0.996840500171403 & 0.00631899965719481 & 0.00315949982859741 \tabularnewline
122 & 0.996604328712003 & 0.00679134257599476 & 0.00339567128799738 \tabularnewline
123 & 0.995731903492709 & 0.0085361930145829 & 0.00426809650729145 \tabularnewline
124 & 0.995231935474466 & 0.0095361290510684 & 0.0047680645255342 \tabularnewline
125 & 0.99383571956488 & 0.0123285608702407 & 0.00616428043512033 \tabularnewline
126 & 0.993579112677005 & 0.0128417746459894 & 0.00642088732299468 \tabularnewline
127 & 0.993393503511835 & 0.0132129929763302 & 0.0066064964881651 \tabularnewline
128 & 0.991524685107479 & 0.0169506297850422 & 0.0084753148925211 \tabularnewline
129 & 0.988655488303615 & 0.0226890233927702 & 0.0113445116963851 \tabularnewline
130 & 0.98495935978621 & 0.0300812804275792 & 0.0150406402137896 \tabularnewline
131 & 0.99022162695995 & 0.0195567460801008 & 0.00977837304005038 \tabularnewline
132 & 0.998279991070906 & 0.00344001785818849 & 0.00172000892909425 \tabularnewline
133 & 0.997591624783056 & 0.00481675043388760 & 0.00240837521694380 \tabularnewline
134 & 0.99789281272571 & 0.00421437454857825 & 0.00210718727428912 \tabularnewline
135 & 0.99729389880209 & 0.00541220239582072 & 0.00270610119791036 \tabularnewline
136 & 0.997677692215397 & 0.00464461556920592 & 0.00232230778460296 \tabularnewline
137 & 0.99735459133933 & 0.00529081732134142 & 0.00264540866067071 \tabularnewline
138 & 0.996546553843356 & 0.0069068923132884 & 0.0034534461566442 \tabularnewline
139 & 0.9960452898774 & 0.00790942024520084 & 0.00395471012260042 \tabularnewline
140 & 0.994686970830008 & 0.0106260583399843 & 0.00531302916999215 \tabularnewline
141 & 0.992957425200093 & 0.0140851495998132 & 0.0070425747999066 \tabularnewline
142 & 0.992033009605433 & 0.0159339807891335 & 0.00796699039456675 \tabularnewline
143 & 0.989583771235881 & 0.020832457528237 & 0.0104162287641185 \tabularnewline
144 & 0.992081659149131 & 0.0158366817017378 & 0.00791834085086891 \tabularnewline
145 & 0.990449484404383 & 0.0191010311912349 & 0.00955051559561747 \tabularnewline
146 & 0.988949707339056 & 0.0221005853218887 & 0.0110502926609443 \tabularnewline
147 & 0.985456060894266 & 0.0290878782114691 & 0.0145439391057345 \tabularnewline
148 & 0.985571134514045 & 0.0288577309719093 & 0.0144288654859547 \tabularnewline
149 & 0.981780174692575 & 0.0364396506148504 & 0.0182198253074252 \tabularnewline
150 & 0.983522709663428 & 0.0329545806731444 & 0.0164772903365722 \tabularnewline
151 & 0.977248897775252 & 0.0455022044494956 & 0.0227511022247478 \tabularnewline
152 & 0.972640095312507 & 0.0547198093749852 & 0.0273599046874926 \tabularnewline
153 & 0.962925549083712 & 0.0741489018325768 & 0.0370744509162884 \tabularnewline
154 & 0.967302522490983 & 0.0653949550180344 & 0.0326974775090172 \tabularnewline
155 & 0.966685544248089 & 0.0666289115038223 & 0.0333144557519111 \tabularnewline
156 & 0.957191721243764 & 0.0856165575124729 & 0.0428082787562364 \tabularnewline
157 & 0.951103839795078 & 0.0977923204098447 & 0.0488961602049223 \tabularnewline
158 & 0.946573335209496 & 0.106853329581008 & 0.0534266647905039 \tabularnewline
159 & 0.94198975976146 & 0.116020480477081 & 0.0580102402385405 \tabularnewline
160 & 0.953946388633883 & 0.0921072227322342 & 0.0460536113661171 \tabularnewline
161 & 0.951782015166047 & 0.0964359696679065 & 0.0482179848339532 \tabularnewline
162 & 0.943781675674247 & 0.112436648651506 & 0.0562183243257532 \tabularnewline
163 & 0.948852829830086 & 0.102294340339828 & 0.0511471701699138 \tabularnewline
164 & 0.93386958805322 & 0.132260823893559 & 0.0661304119467793 \tabularnewline
165 & 0.93201799159513 & 0.13596401680974 & 0.06798200840487 \tabularnewline
166 & 0.908408408610311 & 0.183183182779377 & 0.0915915913896886 \tabularnewline
167 & 0.896695571660102 & 0.206608856679795 & 0.103304428339898 \tabularnewline
168 & 0.946324945345166 & 0.107350109309668 & 0.0536750546548338 \tabularnewline
169 & 0.92576197839223 & 0.148476043215541 & 0.0742380216077707 \tabularnewline
170 & 0.932074147271306 & 0.135851705457388 & 0.0679258527286942 \tabularnewline
171 & 0.912198628384566 & 0.175602743230867 & 0.0878013716154337 \tabularnewline
172 & 0.897139750110684 & 0.205720499778631 & 0.102860249889316 \tabularnewline
173 & 0.867972375515691 & 0.264055248968618 & 0.132027624484309 \tabularnewline
174 & 0.884055444197872 & 0.231889111604255 & 0.115944555802128 \tabularnewline
175 & 0.871741028095492 & 0.256517943809015 & 0.128258971904508 \tabularnewline
176 & 0.875980463407352 & 0.248039073185297 & 0.124019536592648 \tabularnewline
177 & 0.829472349328392 & 0.341055301343216 & 0.170527650671608 \tabularnewline
178 & 0.781248854895941 & 0.437502290208118 & 0.218751145104059 \tabularnewline
179 & 0.723085429655236 & 0.553829140689528 & 0.276914570344764 \tabularnewline
180 & 0.66809790709483 & 0.663804185810341 & 0.331902092905171 \tabularnewline
181 & 0.573634400111421 & 0.852731199777158 & 0.426365599888579 \tabularnewline
182 & 0.540064085792425 & 0.91987182841515 & 0.459935914207575 \tabularnewline
183 & 0.449856183719488 & 0.899712367438976 & 0.550143816280512 \tabularnewline
184 & 0.491029489233679 & 0.982058978467357 & 0.508970510766321 \tabularnewline
185 & 0.403462687220028 & 0.806925374440057 & 0.596537312779972 \tabularnewline
186 & 0.428895543286732 & 0.857791086573464 & 0.571104456713268 \tabularnewline
187 & 0.488140962852544 & 0.976281925705089 & 0.511859037147456 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=25206&T=5

[TABLE]
[ROW][C]Goldfeld-Quandt test for Heteroskedasticity[/C][/ROW]
[ROW][C]p-values[/C][C]Alternative Hypothesis[/C][/ROW]
[ROW][C]breakpoint index[/C][C]greater[/C][C]2-sided[/C][C]less[/C][/ROW]
[ROW][C]5[/C][C]0.155930802918945[/C][C]0.311861605837890[/C][C]0.844069197081055[/C][/ROW]
[ROW][C]6[/C][C]0.0664935273773447[/C][C]0.132987054754689[/C][C]0.933506472622655[/C][/ROW]
[ROW][C]7[/C][C]0.0256738331429404[/C][C]0.0513476662858807[/C][C]0.97432616685706[/C][/ROW]
[ROW][C]8[/C][C]0.0122173968073303[/C][C]0.0244347936146606[/C][C]0.98778260319267[/C][/ROW]
[ROW][C]9[/C][C]0.00437997810460291[/C][C]0.00875995620920582[/C][C]0.995620021895397[/C][/ROW]
[ROW][C]10[/C][C]0.00224015981786413[/C][C]0.00448031963572826[/C][C]0.997759840182136[/C][/ROW]
[ROW][C]11[/C][C]0.223580158345550[/C][C]0.447160316691101[/C][C]0.77641984165445[/C][/ROW]
[ROW][C]12[/C][C]0.503981354000824[/C][C]0.99203729199835[/C][C]0.496018645999176[/C][/ROW]
[ROW][C]13[/C][C]0.420841205312304[/C][C]0.841682410624609[/C][C]0.579158794687696[/C][/ROW]
[ROW][C]14[/C][C]0.345365652564086[/C][C]0.690731305128172[/C][C]0.654634347435914[/C][/ROW]
[ROW][C]15[/C][C]0.270018209378631[/C][C]0.540036418757262[/C][C]0.729981790621369[/C][/ROW]
[ROW][C]16[/C][C]0.219064424415852[/C][C]0.438128848831704[/C][C]0.780935575584148[/C][/ROW]
[ROW][C]17[/C][C]0.171075044874818[/C][C]0.342150089749637[/C][C]0.828924955125181[/C][/ROW]
[ROW][C]18[/C][C]0.140711526546593[/C][C]0.281423053093185[/C][C]0.859288473453407[/C][/ROW]
[ROW][C]19[/C][C]0.114092242558858[/C][C]0.228184485117717[/C][C]0.885907757441142[/C][/ROW]
[ROW][C]20[/C][C]0.0900792873398668[/C][C]0.180158574679734[/C][C]0.909920712660133[/C][/ROW]
[ROW][C]21[/C][C]0.0638847643680758[/C][C]0.127769528736152[/C][C]0.936115235631924[/C][/ROW]
[ROW][C]22[/C][C]0.0882860430336204[/C][C]0.176572086067241[/C][C]0.91171395696638[/C][/ROW]
[ROW][C]23[/C][C]0.254036608717037[/C][C]0.508073217434074[/C][C]0.745963391282963[/C][/ROW]
[ROW][C]24[/C][C]0.704134515940508[/C][C]0.591730968118984[/C][C]0.295865484059492[/C][/ROW]
[ROW][C]25[/C][C]0.709949406325989[/C][C]0.580101187348023[/C][C]0.290050593674011[/C][/ROW]
[ROW][C]26[/C][C]0.661732750333153[/C][C]0.676534499333694[/C][C]0.338267249666847[/C][/ROW]
[ROW][C]27[/C][C]0.6065222704779[/C][C]0.7869554590442[/C][C]0.3934777295221[/C][/ROW]
[ROW][C]28[/C][C]0.559718943813696[/C][C]0.880562112372608[/C][C]0.440281056186304[/C][/ROW]
[ROW][C]29[/C][C]0.503737541569718[/C][C]0.992524916860563[/C][C]0.496262458430282[/C][/ROW]
[ROW][C]30[/C][C]0.444960834898957[/C][C]0.889921669797915[/C][C]0.555039165101043[/C][/ROW]
[ROW][C]31[/C][C]0.390182856040329[/C][C]0.780365712080658[/C][C]0.609817143959671[/C][/ROW]
[ROW][C]32[/C][C]0.362128112746561[/C][C]0.724256225493122[/C][C]0.637871887253439[/C][/ROW]
[ROW][C]33[/C][C]0.322724826525610[/C][C]0.645449653051219[/C][C]0.67727517347439[/C][/ROW]
[ROW][C]34[/C][C]0.318469939735743[/C][C]0.636939879471486[/C][C]0.681530060264257[/C][/ROW]
[ROW][C]35[/C][C]0.447502775999533[/C][C]0.895005551999066[/C][C]0.552497224000467[/C][/ROW]
[ROW][C]36[/C][C]0.540190518349439[/C][C]0.919618963301123[/C][C]0.459809481650561[/C][/ROW]
[ROW][C]37[/C][C]0.562294509844804[/C][C]0.875410980310393[/C][C]0.437705490155196[/C][/ROW]
[ROW][C]38[/C][C]0.510686000293269[/C][C]0.978627999413462[/C][C]0.489313999706731[/C][/ROW]
[ROW][C]39[/C][C]0.462277789155232[/C][C]0.924555578310464[/C][C]0.537722210844768[/C][/ROW]
[ROW][C]40[/C][C]0.443241446768205[/C][C]0.88648289353641[/C][C]0.556758553231795[/C][/ROW]
[ROW][C]41[/C][C]0.425738673525252[/C][C]0.851477347050504[/C][C]0.574261326474748[/C][/ROW]
[ROW][C]42[/C][C]0.382073906721554[/C][C]0.764147813443107[/C][C]0.617926093278446[/C][/ROW]
[ROW][C]43[/C][C]0.362011567326383[/C][C]0.724023134652767[/C][C]0.637988432673617[/C][/ROW]
[ROW][C]44[/C][C]0.321992731747725[/C][C]0.64398546349545[/C][C]0.678007268252275[/C][/ROW]
[ROW][C]45[/C][C]0.279428290514557[/C][C]0.558856581029114[/C][C]0.720571709485443[/C][/ROW]
[ROW][C]46[/C][C]0.265648617004254[/C][C]0.531297234008508[/C][C]0.734351382995746[/C][/ROW]
[ROW][C]47[/C][C]0.493782232847652[/C][C]0.987564465695305[/C][C]0.506217767152348[/C][/ROW]
[ROW][C]48[/C][C]0.88993754079162[/C][C]0.220124918416760[/C][C]0.110062459208380[/C][/ROW]
[ROW][C]49[/C][C]0.901113662368407[/C][C]0.197772675263186[/C][C]0.0988863376315932[/C][/ROW]
[ROW][C]50[/C][C]0.891931280284286[/C][C]0.216137439431428[/C][C]0.108068719715714[/C][/ROW]
[ROW][C]51[/C][C]0.874958770476828[/C][C]0.250082459046343[/C][C]0.125041229523172[/C][/ROW]
[ROW][C]52[/C][C]0.861924268804624[/C][C]0.276151462390753[/C][C]0.138075731195376[/C][/ROW]
[ROW][C]53[/C][C]0.85774186766057[/C][C]0.28451626467886[/C][C]0.14225813233943[/C][/ROW]
[ROW][C]54[/C][C]0.83378722062345[/C][C]0.332425558753100[/C][C]0.166212779376550[/C][/ROW]
[ROW][C]55[/C][C]0.83168351712993[/C][C]0.336632965740139[/C][C]0.168316482870069[/C][/ROW]
[ROW][C]56[/C][C]0.81345215213225[/C][C]0.373095695735500[/C][C]0.186547847867750[/C][/ROW]
[ROW][C]57[/C][C]0.829990046479602[/C][C]0.340019907040796[/C][C]0.170009953520398[/C][/ROW]
[ROW][C]58[/C][C]0.845293937668113[/C][C]0.309412124663774[/C][C]0.154706062331887[/C][/ROW]
[ROW][C]59[/C][C]0.869886556799951[/C][C]0.260226886400098[/C][C]0.130113443200049[/C][/ROW]
[ROW][C]60[/C][C]0.899973180621902[/C][C]0.200053638756196[/C][C]0.100026819378098[/C][/ROW]
[ROW][C]61[/C][C]0.892911538118976[/C][C]0.214176923762047[/C][C]0.107088461881024[/C][/ROW]
[ROW][C]62[/C][C]0.89981365764821[/C][C]0.200372684703582[/C][C]0.100186342351791[/C][/ROW]
[ROW][C]63[/C][C]0.898719123289092[/C][C]0.202561753421817[/C][C]0.101280876710908[/C][/ROW]
[ROW][C]64[/C][C]0.924221577235454[/C][C]0.151556845529093[/C][C]0.0757784227645463[/C][/ROW]
[ROW][C]65[/C][C]0.910274154620368[/C][C]0.179451690759264[/C][C]0.089725845379632[/C][/ROW]
[ROW][C]66[/C][C]0.894792536598394[/C][C]0.210414926803213[/C][C]0.105207463401606[/C][/ROW]
[ROW][C]67[/C][C]0.877169794617804[/C][C]0.245660410764391[/C][C]0.122830205382196[/C][/ROW]
[ROW][C]68[/C][C]0.864097265370826[/C][C]0.271805469258348[/C][C]0.135902734629174[/C][/ROW]
[ROW][C]69[/C][C]0.867873641028726[/C][C]0.264252717942547[/C][C]0.132126358971274[/C][/ROW]
[ROW][C]70[/C][C]0.887176441345612[/C][C]0.225647117308776[/C][C]0.112823558654388[/C][/ROW]
[ROW][C]71[/C][C]0.908449632411517[/C][C]0.183100735176967[/C][C]0.0915503675884835[/C][/ROW]
[ROW][C]72[/C][C]0.920869504333542[/C][C]0.158260991332916[/C][C]0.0791304956664582[/C][/ROW]
[ROW][C]73[/C][C]0.916010299414106[/C][C]0.167979401171788[/C][C]0.0839897005858942[/C][/ROW]
[ROW][C]74[/C][C]0.940402539413845[/C][C]0.119194921172310[/C][C]0.0595974605861551[/C][/ROW]
[ROW][C]75[/C][C]0.931292247693514[/C][C]0.137415504612972[/C][C]0.0687077523064859[/C][/ROW]
[ROW][C]76[/C][C]0.946956055853137[/C][C]0.106087888293727[/C][C]0.0530439441468633[/C][/ROW]
[ROW][C]77[/C][C]0.945881642017068[/C][C]0.108236715965863[/C][C]0.0541183579829316[/C][/ROW]
[ROW][C]78[/C][C]0.953436314940004[/C][C]0.0931273701199919[/C][C]0.0465636850599960[/C][/ROW]
[ROW][C]79[/C][C]0.957766908324575[/C][C]0.0844661833508505[/C][C]0.0422330916754253[/C][/ROW]
[ROW][C]80[/C][C]0.95441175157656[/C][C]0.0911764968468799[/C][C]0.0455882484234399[/C][/ROW]
[ROW][C]81[/C][C]0.945791198150969[/C][C]0.108417603698063[/C][C]0.0542088018490313[/C][/ROW]
[ROW][C]82[/C][C]0.940175035777145[/C][C]0.119649928445711[/C][C]0.0598249642228553[/C][/ROW]
[ROW][C]83[/C][C]0.936131061979696[/C][C]0.127737876040609[/C][C]0.0638689380203045[/C][/ROW]
[ROW][C]84[/C][C]0.966338566371464[/C][C]0.0673228672570729[/C][C]0.0336614336285365[/C][/ROW]
[ROW][C]85[/C][C]0.96691607478516[/C][C]0.066167850429681[/C][C]0.0330839252148405[/C][/ROW]
[ROW][C]86[/C][C]0.960164119344155[/C][C]0.0796717613116908[/C][C]0.0398358806558454[/C][/ROW]
[ROW][C]87[/C][C]0.965277069335223[/C][C]0.0694458613295533[/C][C]0.0347229306647767[/C][/ROW]
[ROW][C]88[/C][C]0.970379455025867[/C][C]0.0592410899482657[/C][C]0.0296205449741328[/C][/ROW]
[ROW][C]89[/C][C]0.967464051159065[/C][C]0.0650718976818692[/C][C]0.0325359488409346[/C][/ROW]
[ROW][C]90[/C][C]0.97773730323843[/C][C]0.044525393523138[/C][C]0.022262696761569[/C][/ROW]
[ROW][C]91[/C][C]0.9753226480452[/C][C]0.0493547039096006[/C][C]0.0246773519548003[/C][/ROW]
[ROW][C]92[/C][C]0.982127603682625[/C][C]0.0357447926347509[/C][C]0.0178723963173755[/C][/ROW]
[ROW][C]93[/C][C]0.977903931631157[/C][C]0.0441921367376856[/C][C]0.0220960683688428[/C][/ROW]
[ROW][C]94[/C][C]0.972580035455954[/C][C]0.0548399290880915[/C][C]0.0274199645440457[/C][/ROW]
[ROW][C]95[/C][C]0.973652199286683[/C][C]0.0526956014266334[/C][C]0.0263478007133167[/C][/ROW]
[ROW][C]96[/C][C]0.992147866748658[/C][C]0.0157042665026848[/C][C]0.00785213325134238[/C][/ROW]
[ROW][C]97[/C][C]0.989944177220263[/C][C]0.0201116455594735[/C][C]0.0100558227797368[/C][/ROW]
[ROW][C]98[/C][C]0.99108047497721[/C][C]0.0178390500455793[/C][C]0.00891952502278966[/C][/ROW]
[ROW][C]99[/C][C]0.99185205302911[/C][C]0.0162958939417816[/C][C]0.00814794697089078[/C][/ROW]
[ROW][C]100[/C][C]0.992689155839436[/C][C]0.0146216883211271[/C][C]0.00731084416056357[/C][/ROW]
[ROW][C]101[/C][C]0.993587965644624[/C][C]0.0128240687107510[/C][C]0.00641203435537551[/C][/ROW]
[ROW][C]102[/C][C]0.992587470675183[/C][C]0.0148250586496336[/C][C]0.0074125293248168[/C][/ROW]
[ROW][C]103[/C][C]0.991334311192622[/C][C]0.0173313776147553[/C][C]0.00866568880737765[/C][/ROW]
[ROW][C]104[/C][C]0.988786623466502[/C][C]0.0224267530669963[/C][C]0.0112133765334982[/C][/ROW]
[ROW][C]105[/C][C]0.987197426903214[/C][C]0.0256051461935713[/C][C]0.0128025730967857[/C][/ROW]
[ROW][C]106[/C][C]0.983488734830613[/C][C]0.0330225303387730[/C][C]0.0165112651693865[/C][/ROW]
[ROW][C]107[/C][C]0.986210074067875[/C][C]0.0275798518642499[/C][C]0.0137899259321250[/C][/ROW]
[ROW][C]108[/C][C]0.995481225694707[/C][C]0.00903754861058545[/C][C]0.00451877430529273[/C][/ROW]
[ROW][C]109[/C][C]0.996074339401285[/C][C]0.00785132119742914[/C][C]0.00392566059871457[/C][/ROW]
[ROW][C]110[/C][C]0.995808213551387[/C][C]0.00838357289722574[/C][C]0.00419178644861287[/C][/ROW]
[ROW][C]111[/C][C]0.994712555294524[/C][C]0.0105748894109525[/C][C]0.00528744470547626[/C][/ROW]
[ROW][C]112[/C][C]0.99438371667621[/C][C]0.0112325666475790[/C][C]0.00561628332378951[/C][/ROW]
[ROW][C]113[/C][C]0.994202765554047[/C][C]0.0115944688919066[/C][C]0.0057972344459533[/C][/ROW]
[ROW][C]114[/C][C]0.992371888869807[/C][C]0.0152562222603855[/C][C]0.00762811113019273[/C][/ROW]
[ROW][C]115[/C][C]0.98993717879755[/C][C]0.0201256424048992[/C][C]0.0100628212024496[/C][/ROW]
[ROW][C]116[/C][C]0.986889938231705[/C][C]0.0262201235365897[/C][C]0.0131100617682949[/C][/ROW]
[ROW][C]117[/C][C]0.98303875370743[/C][C]0.0339224925851422[/C][C]0.0169612462925711[/C][/ROW]
[ROW][C]118[/C][C]0.978201029612118[/C][C]0.043597940775763[/C][C]0.0217989703878815[/C][/ROW]
[ROW][C]119[/C][C]0.985499028598025[/C][C]0.02900194280395[/C][C]0.014500971401975[/C][/ROW]
[ROW][C]120[/C][C]0.997273737946519[/C][C]0.0054525241069625[/C][C]0.00272626205348125[/C][/ROW]
[ROW][C]121[/C][C]0.996840500171403[/C][C]0.00631899965719481[/C][C]0.00315949982859741[/C][/ROW]
[ROW][C]122[/C][C]0.996604328712003[/C][C]0.00679134257599476[/C][C]0.00339567128799738[/C][/ROW]
[ROW][C]123[/C][C]0.995731903492709[/C][C]0.0085361930145829[/C][C]0.00426809650729145[/C][/ROW]
[ROW][C]124[/C][C]0.995231935474466[/C][C]0.0095361290510684[/C][C]0.0047680645255342[/C][/ROW]
[ROW][C]125[/C][C]0.99383571956488[/C][C]0.0123285608702407[/C][C]0.00616428043512033[/C][/ROW]
[ROW][C]126[/C][C]0.993579112677005[/C][C]0.0128417746459894[/C][C]0.00642088732299468[/C][/ROW]
[ROW][C]127[/C][C]0.993393503511835[/C][C]0.0132129929763302[/C][C]0.0066064964881651[/C][/ROW]
[ROW][C]128[/C][C]0.991524685107479[/C][C]0.0169506297850422[/C][C]0.0084753148925211[/C][/ROW]
[ROW][C]129[/C][C]0.988655488303615[/C][C]0.0226890233927702[/C][C]0.0113445116963851[/C][/ROW]
[ROW][C]130[/C][C]0.98495935978621[/C][C]0.0300812804275792[/C][C]0.0150406402137896[/C][/ROW]
[ROW][C]131[/C][C]0.99022162695995[/C][C]0.0195567460801008[/C][C]0.00977837304005038[/C][/ROW]
[ROW][C]132[/C][C]0.998279991070906[/C][C]0.00344001785818849[/C][C]0.00172000892909425[/C][/ROW]
[ROW][C]133[/C][C]0.997591624783056[/C][C]0.00481675043388760[/C][C]0.00240837521694380[/C][/ROW]
[ROW][C]134[/C][C]0.99789281272571[/C][C]0.00421437454857825[/C][C]0.00210718727428912[/C][/ROW]
[ROW][C]135[/C][C]0.99729389880209[/C][C]0.00541220239582072[/C][C]0.00270610119791036[/C][/ROW]
[ROW][C]136[/C][C]0.997677692215397[/C][C]0.00464461556920592[/C][C]0.00232230778460296[/C][/ROW]
[ROW][C]137[/C][C]0.99735459133933[/C][C]0.00529081732134142[/C][C]0.00264540866067071[/C][/ROW]
[ROW][C]138[/C][C]0.996546553843356[/C][C]0.0069068923132884[/C][C]0.0034534461566442[/C][/ROW]
[ROW][C]139[/C][C]0.9960452898774[/C][C]0.00790942024520084[/C][C]0.00395471012260042[/C][/ROW]
[ROW][C]140[/C][C]0.994686970830008[/C][C]0.0106260583399843[/C][C]0.00531302916999215[/C][/ROW]
[ROW][C]141[/C][C]0.992957425200093[/C][C]0.0140851495998132[/C][C]0.0070425747999066[/C][/ROW]
[ROW][C]142[/C][C]0.992033009605433[/C][C]0.0159339807891335[/C][C]0.00796699039456675[/C][/ROW]
[ROW][C]143[/C][C]0.989583771235881[/C][C]0.020832457528237[/C][C]0.0104162287641185[/C][/ROW]
[ROW][C]144[/C][C]0.992081659149131[/C][C]0.0158366817017378[/C][C]0.00791834085086891[/C][/ROW]
[ROW][C]145[/C][C]0.990449484404383[/C][C]0.0191010311912349[/C][C]0.00955051559561747[/C][/ROW]
[ROW][C]146[/C][C]0.988949707339056[/C][C]0.0221005853218887[/C][C]0.0110502926609443[/C][/ROW]
[ROW][C]147[/C][C]0.985456060894266[/C][C]0.0290878782114691[/C][C]0.0145439391057345[/C][/ROW]
[ROW][C]148[/C][C]0.985571134514045[/C][C]0.0288577309719093[/C][C]0.0144288654859547[/C][/ROW]
[ROW][C]149[/C][C]0.981780174692575[/C][C]0.0364396506148504[/C][C]0.0182198253074252[/C][/ROW]
[ROW][C]150[/C][C]0.983522709663428[/C][C]0.0329545806731444[/C][C]0.0164772903365722[/C][/ROW]
[ROW][C]151[/C][C]0.977248897775252[/C][C]0.0455022044494956[/C][C]0.0227511022247478[/C][/ROW]
[ROW][C]152[/C][C]0.972640095312507[/C][C]0.0547198093749852[/C][C]0.0273599046874926[/C][/ROW]
[ROW][C]153[/C][C]0.962925549083712[/C][C]0.0741489018325768[/C][C]0.0370744509162884[/C][/ROW]
[ROW][C]154[/C][C]0.967302522490983[/C][C]0.0653949550180344[/C][C]0.0326974775090172[/C][/ROW]
[ROW][C]155[/C][C]0.966685544248089[/C][C]0.0666289115038223[/C][C]0.0333144557519111[/C][/ROW]
[ROW][C]156[/C][C]0.957191721243764[/C][C]0.0856165575124729[/C][C]0.0428082787562364[/C][/ROW]
[ROW][C]157[/C][C]0.951103839795078[/C][C]0.0977923204098447[/C][C]0.0488961602049223[/C][/ROW]
[ROW][C]158[/C][C]0.946573335209496[/C][C]0.106853329581008[/C][C]0.0534266647905039[/C][/ROW]
[ROW][C]159[/C][C]0.94198975976146[/C][C]0.116020480477081[/C][C]0.0580102402385405[/C][/ROW]
[ROW][C]160[/C][C]0.953946388633883[/C][C]0.0921072227322342[/C][C]0.0460536113661171[/C][/ROW]
[ROW][C]161[/C][C]0.951782015166047[/C][C]0.0964359696679065[/C][C]0.0482179848339532[/C][/ROW]
[ROW][C]162[/C][C]0.943781675674247[/C][C]0.112436648651506[/C][C]0.0562183243257532[/C][/ROW]
[ROW][C]163[/C][C]0.948852829830086[/C][C]0.102294340339828[/C][C]0.0511471701699138[/C][/ROW]
[ROW][C]164[/C][C]0.93386958805322[/C][C]0.132260823893559[/C][C]0.0661304119467793[/C][/ROW]
[ROW][C]165[/C][C]0.93201799159513[/C][C]0.13596401680974[/C][C]0.06798200840487[/C][/ROW]
[ROW][C]166[/C][C]0.908408408610311[/C][C]0.183183182779377[/C][C]0.0915915913896886[/C][/ROW]
[ROW][C]167[/C][C]0.896695571660102[/C][C]0.206608856679795[/C][C]0.103304428339898[/C][/ROW]
[ROW][C]168[/C][C]0.946324945345166[/C][C]0.107350109309668[/C][C]0.0536750546548338[/C][/ROW]
[ROW][C]169[/C][C]0.92576197839223[/C][C]0.148476043215541[/C][C]0.0742380216077707[/C][/ROW]
[ROW][C]170[/C][C]0.932074147271306[/C][C]0.135851705457388[/C][C]0.0679258527286942[/C][/ROW]
[ROW][C]171[/C][C]0.912198628384566[/C][C]0.175602743230867[/C][C]0.0878013716154337[/C][/ROW]
[ROW][C]172[/C][C]0.897139750110684[/C][C]0.205720499778631[/C][C]0.102860249889316[/C][/ROW]
[ROW][C]173[/C][C]0.867972375515691[/C][C]0.264055248968618[/C][C]0.132027624484309[/C][/ROW]
[ROW][C]174[/C][C]0.884055444197872[/C][C]0.231889111604255[/C][C]0.115944555802128[/C][/ROW]
[ROW][C]175[/C][C]0.871741028095492[/C][C]0.256517943809015[/C][C]0.128258971904508[/C][/ROW]
[ROW][C]176[/C][C]0.875980463407352[/C][C]0.248039073185297[/C][C]0.124019536592648[/C][/ROW]
[ROW][C]177[/C][C]0.829472349328392[/C][C]0.341055301343216[/C][C]0.170527650671608[/C][/ROW]
[ROW][C]178[/C][C]0.781248854895941[/C][C]0.437502290208118[/C][C]0.218751145104059[/C][/ROW]
[ROW][C]179[/C][C]0.723085429655236[/C][C]0.553829140689528[/C][C]0.276914570344764[/C][/ROW]
[ROW][C]180[/C][C]0.66809790709483[/C][C]0.663804185810341[/C][C]0.331902092905171[/C][/ROW]
[ROW][C]181[/C][C]0.573634400111421[/C][C]0.852731199777158[/C][C]0.426365599888579[/C][/ROW]
[ROW][C]182[/C][C]0.540064085792425[/C][C]0.91987182841515[/C][C]0.459935914207575[/C][/ROW]
[ROW][C]183[/C][C]0.449856183719488[/C][C]0.899712367438976[/C][C]0.550143816280512[/C][/ROW]
[ROW][C]184[/C][C]0.491029489233679[/C][C]0.982058978467357[/C][C]0.508970510766321[/C][/ROW]
[ROW][C]185[/C][C]0.403462687220028[/C][C]0.806925374440057[/C][C]0.596537312779972[/C][/ROW]
[ROW][C]186[/C][C]0.428895543286732[/C][C]0.857791086573464[/C][C]0.571104456713268[/C][/ROW]
[ROW][C]187[/C][C]0.488140962852544[/C][C]0.976281925705089[/C][C]0.511859037147456[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=25206&T=5

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=25206&T=5

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


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

Goldfeld-Quandt test for Heteroskedasticity
p-valuesAlternative Hypothesis
breakpoint indexgreater2-sidedless
50.1559308029189450.3118616058378900.844069197081055
60.06649352737734470.1329870547546890.933506472622655
70.02567383314294040.05134766628588070.97432616685706
80.01221739680733030.02443479361466060.98778260319267
90.004379978104602910.008759956209205820.995620021895397
100.002240159817864130.004480319635728260.997759840182136
110.2235801583455500.4471603166911010.77641984165445
120.5039813540008240.992037291998350.496018645999176
130.4208412053123040.8416824106246090.579158794687696
140.3453656525640860.6907313051281720.654634347435914
150.2700182093786310.5400364187572620.729981790621369
160.2190644244158520.4381288488317040.780935575584148
170.1710750448748180.3421500897496370.828924955125181
180.1407115265465930.2814230530931850.859288473453407
190.1140922425588580.2281844851177170.885907757441142
200.09007928733986680.1801585746797340.909920712660133
210.06388476436807580.1277695287361520.936115235631924
220.08828604303362040.1765720860672410.91171395696638
230.2540366087170370.5080732174340740.745963391282963
240.7041345159405080.5917309681189840.295865484059492
250.7099494063259890.5801011873480230.290050593674011
260.6617327503331530.6765344993336940.338267249666847
270.60652227047790.78695545904420.3934777295221
280.5597189438136960.8805621123726080.440281056186304
290.5037375415697180.9925249168605630.496262458430282
300.4449608348989570.8899216697979150.555039165101043
310.3901828560403290.7803657120806580.609817143959671
320.3621281127465610.7242562254931220.637871887253439
330.3227248265256100.6454496530512190.67727517347439
340.3184699397357430.6369398794714860.681530060264257
350.4475027759995330.8950055519990660.552497224000467
360.5401905183494390.9196189633011230.459809481650561
370.5622945098448040.8754109803103930.437705490155196
380.5106860002932690.9786279994134620.489313999706731
390.4622777891552320.9245555783104640.537722210844768
400.4432414467682050.886482893536410.556758553231795
410.4257386735252520.8514773470505040.574261326474748
420.3820739067215540.7641478134431070.617926093278446
430.3620115673263830.7240231346527670.637988432673617
440.3219927317477250.643985463495450.678007268252275
450.2794282905145570.5588565810291140.720571709485443
460.2656486170042540.5312972340085080.734351382995746
470.4937822328476520.9875644656953050.506217767152348
480.889937540791620.2201249184167600.110062459208380
490.9011136623684070.1977726752631860.0988863376315932
500.8919312802842860.2161374394314280.108068719715714
510.8749587704768280.2500824590463430.125041229523172
520.8619242688046240.2761514623907530.138075731195376
530.857741867660570.284516264678860.14225813233943
540.833787220623450.3324255587531000.166212779376550
550.831683517129930.3366329657401390.168316482870069
560.813452152132250.3730956957355000.186547847867750
570.8299900464796020.3400199070407960.170009953520398
580.8452939376681130.3094121246637740.154706062331887
590.8698865567999510.2602268864000980.130113443200049
600.8999731806219020.2000536387561960.100026819378098
610.8929115381189760.2141769237620470.107088461881024
620.899813657648210.2003726847035820.100186342351791
630.8987191232890920.2025617534218170.101280876710908
640.9242215772354540.1515568455290930.0757784227645463
650.9102741546203680.1794516907592640.089725845379632
660.8947925365983940.2104149268032130.105207463401606
670.8771697946178040.2456604107643910.122830205382196
680.8640972653708260.2718054692583480.135902734629174
690.8678736410287260.2642527179425470.132126358971274
700.8871764413456120.2256471173087760.112823558654388
710.9084496324115170.1831007351769670.0915503675884835
720.9208695043335420.1582609913329160.0791304956664582
730.9160102994141060.1679794011717880.0839897005858942
740.9404025394138450.1191949211723100.0595974605861551
750.9312922476935140.1374155046129720.0687077523064859
760.9469560558531370.1060878882937270.0530439441468633
770.9458816420170680.1082367159658630.0541183579829316
780.9534363149400040.09312737011999190.0465636850599960
790.9577669083245750.08446618335085050.0422330916754253
800.954411751576560.09117649684687990.0455882484234399
810.9457911981509690.1084176036980630.0542088018490313
820.9401750357771450.1196499284457110.0598249642228553
830.9361310619796960.1277378760406090.0638689380203045
840.9663385663714640.06732286725707290.0336614336285365
850.966916074785160.0661678504296810.0330839252148405
860.9601641193441550.07967176131169080.0398358806558454
870.9652770693352230.06944586132955330.0347229306647767
880.9703794550258670.05924108994826570.0296205449741328
890.9674640511590650.06507189768186920.0325359488409346
900.977737303238430.0445253935231380.022262696761569
910.97532264804520.04935470390960060.0246773519548003
920.9821276036826250.03574479263475090.0178723963173755
930.9779039316311570.04419213673768560.0220960683688428
940.9725800354559540.05483992908809150.0274199645440457
950.9736521992866830.05269560142663340.0263478007133167
960.9921478667486580.01570426650268480.00785213325134238
970.9899441772202630.02011164555947350.0100558227797368
980.991080474977210.01783905004557930.00891952502278966
990.991852053029110.01629589394178160.00814794697089078
1000.9926891558394360.01462168832112710.00731084416056357
1010.9935879656446240.01282406871075100.00641203435537551
1020.9925874706751830.01482505864963360.0074125293248168
1030.9913343111926220.01733137761475530.00866568880737765
1040.9887866234665020.02242675306699630.0112133765334982
1050.9871974269032140.02560514619357130.0128025730967857
1060.9834887348306130.03302253033877300.0165112651693865
1070.9862100740678750.02757985186424990.0137899259321250
1080.9954812256947070.009037548610585450.00451877430529273
1090.9960743394012850.007851321197429140.00392566059871457
1100.9958082135513870.008383572897225740.00419178644861287
1110.9947125552945240.01057488941095250.00528744470547626
1120.994383716676210.01123256664757900.00561628332378951
1130.9942027655540470.01159446889190660.0057972344459533
1140.9923718888698070.01525622226038550.00762811113019273
1150.989937178797550.02012564240489920.0100628212024496
1160.9868899382317050.02622012353658970.0131100617682949
1170.983038753707430.03392249258514220.0169612462925711
1180.9782010296121180.0435979407757630.0217989703878815
1190.9854990285980250.029001942803950.014500971401975
1200.9972737379465190.00545252410696250.00272626205348125
1210.9968405001714030.006318999657194810.00315949982859741
1220.9966043287120030.006791342575994760.00339567128799738
1230.9957319034927090.00853619301458290.00426809650729145
1240.9952319354744660.00953612905106840.0047680645255342
1250.993835719564880.01232856087024070.00616428043512033
1260.9935791126770050.01284177464598940.00642088732299468
1270.9933935035118350.01321299297633020.0066064964881651
1280.9915246851074790.01695062978504220.0084753148925211
1290.9886554883036150.02268902339277020.0113445116963851
1300.984959359786210.03008128042757920.0150406402137896
1310.990221626959950.01955674608010080.00977837304005038
1320.9982799910709060.003440017858188490.00172000892909425
1330.9975916247830560.004816750433887600.00240837521694380
1340.997892812725710.004214374548578250.00210718727428912
1350.997293898802090.005412202395820720.00270610119791036
1360.9976776922153970.004644615569205920.00232230778460296
1370.997354591339330.005290817321341420.00264540866067071
1380.9965465538433560.00690689231328840.0034534461566442
1390.99604528987740.007909420245200840.00395471012260042
1400.9946869708300080.01062605833998430.00531302916999215
1410.9929574252000930.01408514959981320.0070425747999066
1420.9920330096054330.01593398078913350.00796699039456675
1430.9895837712358810.0208324575282370.0104162287641185
1440.9920816591491310.01583668170173780.00791834085086891
1450.9904494844043830.01910103119123490.00955051559561747
1460.9889497073390560.02210058532188870.0110502926609443
1470.9854560608942660.02908787821146910.0145439391057345
1480.9855711345140450.02885773097190930.0144288654859547
1490.9817801746925750.03643965061485040.0182198253074252
1500.9835227096634280.03295458067314440.0164772903365722
1510.9772488977752520.04550220444949560.0227511022247478
1520.9726400953125070.05471980937498520.0273599046874926
1530.9629255490837120.07414890183257680.0370744509162884
1540.9673025224909830.06539495501803440.0326974775090172
1550.9666855442480890.06662891150382230.0333144557519111
1560.9571917212437640.08561655751247290.0428082787562364
1570.9511038397950780.09779232040984470.0488961602049223
1580.9465733352094960.1068533295810080.0534266647905039
1590.941989759761460.1160204804770810.0580102402385405
1600.9539463886338830.09210722273223420.0460536113661171
1610.9517820151660470.09643596966790650.0482179848339532
1620.9437816756742470.1124366486515060.0562183243257532
1630.9488528298300860.1022943403398280.0511471701699138
1640.933869588053220.1322608238935590.0661304119467793
1650.932017991595130.135964016809740.06798200840487
1660.9084084086103110.1831831827793770.0915915913896886
1670.8966955716601020.2066088566797950.103304428339898
1680.9463249453451660.1073501093096680.0536750546548338
1690.925761978392230.1484760432155410.0742380216077707
1700.9320741472713060.1358517054573880.0679258527286942
1710.9121986283845660.1756027432308670.0878013716154337
1720.8971397501106840.2057204997786310.102860249889316
1730.8679723755156910.2640552489686180.132027624484309
1740.8840554441978720.2318891116042550.115944555802128
1750.8717410280954920.2565179438090150.128258971904508
1760.8759804634073520.2480390731852970.124019536592648
1770.8294723493283920.3410553013432160.170527650671608
1780.7812488548959410.4375022902081180.218751145104059
1790.7230854296552360.5538291406895280.276914570344764
1800.668097907094830.6638041858103410.331902092905171
1810.5736344001114210.8527311997771580.426365599888579
1820.5400640857924250.919871828415150.459935914207575
1830.4498561837194880.8997123674389760.550143816280512
1840.4910294892336790.9820589784673570.508970510766321
1850.4034626872200280.8069253744400570.596537312779972
1860.4288955432867320.8577910865734640.571104456713268
1870.4881409628525440.9762819257050890.511859037147456






Meta Analysis of Goldfeld-Quandt test for Heteroskedasticity
Description# significant tests% significant testsOK/NOK
1% type I error level180.098360655737705NOK
5% type I error level630.344262295081967NOK
10% type I error level830.453551912568306NOK

\begin{tabular}{lllllllll}
\hline
Meta Analysis of Goldfeld-Quandt test for Heteroskedasticity \tabularnewline
Description & # significant tests & % significant tests & OK/NOK \tabularnewline
1% type I error level & 18 & 0.098360655737705 & NOK \tabularnewline
5% type I error level & 63 & 0.344262295081967 & NOK \tabularnewline
10% type I error level & 83 & 0.453551912568306 & NOK \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=25206&T=6

[TABLE]
[ROW][C]Meta Analysis of Goldfeld-Quandt test for Heteroskedasticity[/C][/ROW]
[ROW][C]Description[/C][C]# significant tests[/C][C]% significant tests[/C][C]OK/NOK[/C][/ROW]
[ROW][C]1% type I error level[/C][C]18[/C][C]0.098360655737705[/C][C]NOK[/C][/ROW]
[ROW][C]5% type I error level[/C][C]63[/C][C]0.344262295081967[/C][C]NOK[/C][/ROW]
[ROW][C]10% type I error level[/C][C]83[/C][C]0.453551912568306[/C][C]NOK[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=25206&T=6

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=25206&T=6

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


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

Meta Analysis of Goldfeld-Quandt test for Heteroskedasticity
Description# significant tests% significant testsOK/NOK
1% type I error level180.098360655737705NOK
5% type I error level630.344262295081967NOK
10% type I error level830.453551912568306NOK


Figures (Output of Computation)

Figure 1
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 2
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 3
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 4
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 5
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 6
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 7
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 8
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 9
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Figure 10
PNG link  
QR Code
Postscript link  
QR Code
PDF link  
QR Code


Input Parameters & R Code

Parameters (Session):
par1 = 1 ; par2 = Do not include Seasonal Dummies ; par3 = No Linear Trend ;
Parameters (R input):
par1 = 1 ; par2 = Do not include Seasonal Dummies ; par3 = No Linear Trend ;
R code (references can be found in the software module):
library(lattice)
library(lmtest)
n25 <- 25 #minimum number of obs. for Goldfeld-Quandt test
par1 <- as.numeric(par1)
x <- t(y)
k <- length(x[1,])
n <- length(x[,1])
x1 <- cbind(x[,par1], x[,1:k!=par1])
mycolnames <- c(colnames(x)[par1], colnames(x)[1:k!=par1])
colnames(x1) <- mycolnames #colnames(x)[par1]
x <- x1
if (par3 == 'First Differences'){
x2 <- array(0, dim=c(n-1,k), dimnames=list(1:(n-1), paste('(1-B)',colnames(x),sep='')))
for (i in 1:n-1) {
for (j in 1:k) {
x2[i,j] <- x[i+1,j] - x[i,j]
}
}
x <- x2
}
if (par2 == 'Include Monthly Dummies'){
x2 <- array(0, dim=c(n,11), dimnames=list(1:n, paste('M', seq(1:11), sep ='')))
for (i in 1:11){
x2[seq(i,n,12),i] <- 1
}
x <- cbind(x, x2)
}
if (par2 == 'Include Quarterly Dummies'){
x2 <- array(0, dim=c(n,3), dimnames=list(1:n, paste('Q', seq(1:3), sep ='')))
for (i in 1:3){
x2[seq(i,n,4),i] <- 1
}
x <- cbind(x, x2)
}
k <- length(x[1,])
if (par3 == 'Linear Trend'){
x <- cbind(x, c(1:n))
colnames(x)[k+1] <- 't'
}
x
k <- length(x[1,])
df <- as.data.frame(x)
(mylm <- lm(df))
(mysum <- summary(mylm))
if (n > n25) {
kp3 <- k + 3
nmkm3 <- n - k - 3
gqarr <- array(NA, dim=c(nmkm3-kp3+1,3))
numgqtests <- 0
numsignificant1 <- 0
numsignificant5 <- 0
numsignificant10 <- 0
for (mypoint in kp3:nmkm3) {
j <- 0
numgqtests <- numgqtests + 1
for (myalt in c('greater', 'two.sided', 'less')) {
j <- j + 1
gqarr[mypoint-kp3+1,j] <- gqtest(mylm, point=mypoint, alternative=myalt)$p.value
}
if (gqarr[mypoint-kp3+1,2] < 0.01) numsignificant1 <- numsignificant1 + 1
if (gqarr[mypoint-kp3+1,2] < 0.05) numsignificant5 <- numsignificant5 + 1
if (gqarr[mypoint-kp3+1,2] < 0.10) numsignificant10 <- numsignificant10 + 1
}
gqarr
}
bitmap(file='test0.png')
plot(x[,1], type='l', main='Actuals and Interpolation', ylab='value of Actuals and Interpolation (dots)', xlab='time or index')
points(x[,1]-mysum$resid)
grid()
dev.off()
bitmap(file='test1.png')
plot(mysum$resid, type='b', pch=19, main='Residuals', ylab='value of Residuals', xlab='time or index')
grid()
dev.off()
bitmap(file='test2.png')
hist(mysum$resid, main='Residual Histogram', xlab='values of Residuals')
grid()
dev.off()
bitmap(file='test3.png')
densityplot(~mysum$resid,col='black',main='Residual Density Plot', xlab='values of Residuals')
dev.off()
bitmap(file='test4.png')
qqnorm(mysum$resid, main='Residual Normal Q-Q Plot')
qqline(mysum$resid)
grid()
dev.off()
(myerror <- as.ts(mysum$resid))
bitmap(file='test5.png')
dum <- cbind(lag(myerror,k=1),myerror)
dum
dum1 <- dum[2:length(myerror),]
dum1
z <- as.data.frame(dum1)
z
plot(z,main=paste('Residual Lag plot, lowess, and regression line'), ylab='values of Residuals', xlab='lagged values of Residuals')
lines(lowess(z))
abline(lm(z))
grid()
dev.off()
bitmap(file='test6.png')
acf(mysum$resid, lag.max=length(mysum$resid)/2, main='Residual Autocorrelation Function')
grid()
dev.off()
bitmap(file='test7.png')
pacf(mysum$resid, lag.max=length(mysum$resid)/2, main='Residual Partial Autocorrelation Function')
grid()
dev.off()
bitmap(file='test8.png')
opar <- par(mfrow = c(2,2), oma = c(0, 0, 1.1, 0))
plot(mylm, las = 1, sub='Residual Diagnostics')
par(opar)
dev.off()
if (n > n25) {
bitmap(file='test9.png')
plot(kp3:nmkm3,gqarr[,2], main='Goldfeld-Quandt test',ylab='2-sided p-value',xlab='breakpoint')
grid()
dev.off()
}
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a, 'Multiple Linear Regression - Estimated Regression Equation', 1, TRUE)
a<-table.row.end(a)
myeq <- colnames(x)[1]
myeq <- paste(myeq, '[t] = ', sep='')
for (i in 1:k){
if (mysum$coefficients[i,1] > 0) myeq <- paste(myeq, '+', '')
myeq <- paste(myeq, mysum$coefficients[i,1], sep=' ')
if (rownames(mysum$coefficients)[i] != '(Intercept)') {
myeq <- paste(myeq, rownames(mysum$coefficients)[i], sep='')
if (rownames(mysum$coefficients)[i] != 't') myeq <- paste(myeq, '[t]', sep='')
}
}
myeq <- paste(myeq, ' + e[t]')
a<-table.row.start(a)
a<-table.element(a, myeq)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable1.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,hyperlink('ols1.htm','Multiple Linear Regression - Ordinary Least Squares',''), 6, TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Variable',header=TRUE)
a<-table.element(a,'Parameter',header=TRUE)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,'T-STAT
H0: parameter = 0',header=TRUE)
a<-table.element(a,'2-tail p-value',header=TRUE)
a<-table.element(a,'1-tail p-value',header=TRUE)
a<-table.row.end(a)
for (i in 1:k){
a<-table.row.start(a)
a<-table.element(a,rownames(mysum$coefficients)[i],header=TRUE)
a<-table.element(a,mysum$coefficients[i,1])
a<-table.element(a, round(mysum$coefficients[i,2],6))
a<-table.element(a, round(mysum$coefficients[i,3],4))
a<-table.element(a, round(mysum$coefficients[i,4],6))
a<-table.element(a, round(mysum$coefficients[i,4]/2,6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable2.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a, 'Multiple Linear Regression - Regression Statistics', 2, TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'Multiple R',1,TRUE)
a<-table.element(a, sqrt(mysum$r.squared))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'R-squared',1,TRUE)
a<-table.element(a, mysum$r.squared)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'Adjusted R-squared',1,TRUE)
a<-table.element(a, mysum$adj.r.squared)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'F-TEST (value)',1,TRUE)
a<-table.element(a, mysum$fstatistic[1])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'F-TEST (DF numerator)',1,TRUE)
a<-table.element(a, mysum$fstatistic[2])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'F-TEST (DF denominator)',1,TRUE)
a<-table.element(a, mysum$fstatistic[3])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'p-value',1,TRUE)
a<-table.element(a, 1-pf(mysum$fstatistic[1],mysum$fstatistic[2],mysum$fstatistic[3]))
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'Multiple Linear Regression - Residual Statistics', 2, TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'Residual Standard Deviation',1,TRUE)
a<-table.element(a, mysum$sigma)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'Sum Squared Residuals',1,TRUE)
a<-table.element(a, sum(myerror*myerror))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable3.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a, 'Multiple Linear Regression - Actuals, Interpolation, and Residuals', 4, TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a, 'Time or Index', 1, TRUE)
a<-table.element(a, 'Actuals', 1, TRUE)
a<-table.element(a, 'Interpolation
Forecast', 1, TRUE)
a<-table.element(a, 'Residuals
Prediction Error', 1, TRUE)
a<-table.row.end(a)
for (i in 1:n) {
a<-table.row.start(a)
a<-table.element(a,i, 1, TRUE)
a<-table.element(a,x[i])
a<-table.element(a,x[i]-mysum$resid[i])
a<-table.element(a,mysum$resid[i])
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable4.tab')
if (n > n25) {
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Goldfeld-Quandt test for Heteroskedasticity',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'p-values',header=TRUE)
a<-table.element(a,'Alternative Hypothesis',3,header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'breakpoint index',header=TRUE)
a<-table.element(a,'greater',header=TRUE)
a<-table.element(a,'2-sided',header=TRUE)
a<-table.element(a,'less',header=TRUE)
a<-table.row.end(a)
for (mypoint in kp3:nmkm3) {
a<-table.row.start(a)
a<-table.element(a,mypoint,header=TRUE)
a<-table.element(a,gqarr[mypoint-kp3+1,1])
a<-table.element(a,gqarr[mypoint-kp3+1,2])
a<-table.element(a,gqarr[mypoint-kp3+1,3])
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable5.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Meta Analysis of Goldfeld-Quandt test for Heteroskedasticity',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Description',header=TRUE)
a<-table.element(a,'# significant tests',header=TRUE)
a<-table.element(a,'% significant tests',header=TRUE)
a<-table.element(a,'OK/NOK',header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'1% type I error level',header=TRUE)
a<-table.element(a,numsignificant1)
a<-table.element(a,numsignificant1/numgqtests)
if (numsignificant1/numgqtests < 0.01) dum <- 'OK' else dum <- 'NOK'
a<-table.element(a,dum)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'5% type I error level',header=TRUE)
a<-table.element(a,numsignificant5)
a<-table.element(a,numsignificant5/numgqtests)
if (numsignificant5/numgqtests < 0.05) dum <- 'OK' else dum <- 'NOK'
a<-table.element(a,dum)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'10% type I error level',header=TRUE)
a<-table.element(a,numsignificant10)
a<-table.element(a,numsignificant10/numgqtests)
if (numsignificant10/numgqtests < 0.1) dum <- 'OK' else dum <- 'NOK'
a<-table.element(a,dum)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable6.tab')
}