Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*The author of this computation has been verified*

R Software Module

rwasp_autocorrelation.wasp

Title produced by software

(Partial) Autocorrelation Function

Date of computation

Mon, 01 Dec 2008 10:22:25 -0700

Cite this page as follows

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2008/Dec/01/t1228152169ku8c6hhaa5t12sa.htm/, Retrieved Sun, 05 May 2024 20:17:21 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27014, Retrieved Sun, 05 May 2024 20:17:21 +0000

QR Codes:

Paste this QR Code to cite your computation.

Original text written by user:

IsPrivate?

No (this computation is public)

User-defined keywords

Estimated Impact

263

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)

F     [Univariate Data Series] [Airline data] [2007-10-18 09:58:47] [42daae401fd3def69a25014f2252b4c2]
- RMPD  [Standard Deviation-Mean Plot] [Q5] [2008-11-29 20:10:39] [57fa5e3679c393aa19449b2f1be9928b]
-   P     [Standard Deviation-Mean Plot] [Q5] [2008-11-29 20:18:39] [57fa5e3679c393aa19449b2f1be9928b]
- RM        [Variance Reduction Matrix] [Q6 Variance] [2008-11-29 20:25:29] [57fa5e3679c393aa19449b2f1be9928b]
- RM          [(Partial) Autocorrelation Function] [Q6 ACF] [2008-11-29 20:35:57] [57fa5e3679c393aa19449b2f1be9928b]
-   P           [(Partial) Autocorrelation Function] [] [2008-11-30 11:08:30] [a4ee3bef49b119f4bd2e925060c84f5e]
F                 [(Partial) Autocorrelation Function] [] [2008-11-30 18:03:25] [4300be8b33fd3dcdacd2aa9800ceba23]
F                     [(Partial) Autocorrelation Function] [] [2008-12-01 17:22:25] [c0a347e3519123f7eef62b705326dad9] [Current]

Feedback Forum

2008-12-05 10:03:48 [Ciska Tanghe] [reply] 
Autocorrelation Function: 
 
We passen eerst de ACF toe op de tijdreeks. We stellen het aantal time lags in op 36 om zo duidelijk seizoenaliteit te kunnen weergeven als deze er is.  Lambda, d en D worden niet gewijzigd. Kijken we dan naar de grafiek ‘Autocorrelation’ dan zien we heel duidelijk een sterke correlatie. 
 
http://www.freestatistics.org/blog/date/2008/Dec/01/t1228153172nj75ob01la7to8h.htm 
  
Veranderen we nu d van 0 naar 1, dan bekomen we een andere oplossing.   Kijken we nu naar de grafiek ‘Autocorrelation’ dan zien we geen duidelijk patroon. Wel zien we seizoenaliteit: lag 12, 24 en 36 vallen positief buiten het betrouwbaarheidsinterval en vertonen een langzaam dalende trend.  
 
http://www.freestatistics.org/blog/date/2008/Dec/01/t1228153344c3gvrrsxpl9zi6z.htm 
 
Veranderen we nu D van 0 naar 1, dan bekomen we nog een andere oplossing.   Kijken we naar de grafiek ‘Autocorrelation’ dan zien we dat de seizoenaliteit verdwenen is. 
 
http://www.freestatistics.org/blog/date/2008/Dec/01/t12281535505lf8w6bcl54z2v6.htm 
 
Variance Reduction Matrix: 
 
Vervolgens passen we de VRM toe op de tijdreeks. Ook hier gaan we op zoek naar de beste oplossing. De beste oplossing is waar de variantie het kleinst is. De variantie is het kleinst bij d=1 en D=1. 
 
http://www.freestatistics.org/blog/date/2008/Dec/05/t1228471217xj3yqdneatwn235.htm 
 
Spectrum: 
 
We passen ook de Spectrum toe. De seasonal period stellen we in op 12 aangezien we met maandelijkse cijfers werken. Bij de berekening laten we d en D gelijk aan 0. Op de grafiek ‘Raw Periodogram’ zien we een dalende trend en grote schommelingen. Op de grafiek ‘Cumulative Periodogram’ zien we dat de tijdreeks een duidelijk patroon weergeeft. 
 
http://www.freestatistics.org/blog/date/2008/Dec/01/t1228161466ae770nseymydoue.htm 
 
Standard Deviation Mean Plot: 
 
Om tot een goede oplossing te komen, bekijken we nog even de ‘Standard Deviaton-Mean Plot’ van de Airline datareeks. Ook hier stellen we de seasonal period in op 12 omwille van dezelfde reden eerder vermeld. In de derde tabel zien we dat we een lambda-waarde van -0.31 nodig hebben om de spreiding van de tijdreeks te neutraliseren. 
 
http://www.freestatistics.org/blog/date/2008/Dec/01/t122816171107cxuq19x8zlr0q.htm 
 
Conclusie: 
 
De conclusie die we uit dit alles kunnen trekken, is dat zowel d als D gelijk moeten zijn aan 1 en dat de lambda-waarde gelijk moet zijn aan -0.31 om de tijdreeks te zuiveren van seizoenaliteit en een trend en om de spreiding van de tijdreeks te neutraliseren.
2008-12-07 14:55:03 [Roland Feldman] [reply] 
We kunnen dus besluiten dat een toename van de populatie een toename van seizonaliteit veroorzaakt en dus ook een toename van de standaard fout. 
 
Om de spreiding te stabiliseren (en dus de standaard fout te stabiliseren) gebruiken we de Lambda 
2008-12-09 07:45:54 [Bonifer Spillemaeckers] [reply] 
D en d worden hier eerst opnieuw gelijkgesteld aan 0. Het aantal lags zetten we hier op 36. Zo kunnen we toch meer aflezen op de grafiek. We zien hier duidelijk dat alle verticale lijnen buiten het betrouwbaarheidsinterval liggen. Dit kan dus te maken met een LT-trend.  
 
Vervolgens stellen we d gelijk aan 1 en D aan 0. We kunnen duidelijk zien dat het probleem van de LT-trend toch grotendeels is opgelost. Wel zien we bij lag 12, 24 en 36 verscheidene pieken. Dit duidt duidelijk op seizoenaliteit.  
 
Om de seizoenaliteit weg te werken, stellen we hier D gelijk aan 1. We zien nu dat bijna alle verticale lijnen binnen het betrouwbaarheidsinterval liggen. We zien dat er geen sprake meer is van seizoenaliteit en van een LT-trend. 

Post a new message

Dataseries X:

Download CSV

Histogram

Boxplots

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 seconds
R Server	'Gwilym Jenkins' @ 72.249.127.135

\begin{tabular}{lllllllll}
\hline
Summary of computational transaction \tabularnewline
Raw Input & view raw input (R code)  \tabularnewline
Raw Output & view raw output of R engine  \tabularnewline
Computing time & 1 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27014&T=0

[TABLE]
[ROW][C]Summary of computational transaction[/C][/ROW]
[ROW][C]Raw Input[/C][C]view raw input (R code) [/C][/ROW]
[ROW][C]Raw Output[/C][C]view raw output of R engine [/C][/ROW]
[ROW][C]Computing time[/C][C]1 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27014&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27014&T=0

As an alternative you can also use a QR Code:

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

Summary of computational transaction
Raw Input	view raw input (R code)
Raw Output	view raw output of R engine
Computing time	1 seconds
R Server	'Gwilym Jenkins' @ 72.249.127.135

Autocorrelation Function
Time lag k	ACF(k)	T-STAT	P-value
1	0.948047	11.3766	0
2	0.875575	10.5069	0
3	0.806681	9.6802	0
4	0.752625	9.0315	0
5	0.71377	8.5652	0
6	0.681734	8.1808	0
7	0.662904	7.9549	0
8	0.65561	7.8673	0
9	0.670948	8.0514	0
10	0.70272	8.4326	0
11	0.74324	8.9189	0
12	0.760395	9.1247	0

\begin{tabular}{lllllllll}
\hline
Autocorrelation Function \tabularnewline
Time lag k & ACF(k) & T-STAT & P-value \tabularnewline
1 & 0.948047 & 11.3766 & 0 \tabularnewline
2 & 0.875575 & 10.5069 & 0 \tabularnewline
3 & 0.806681 & 9.6802 & 0 \tabularnewline
4 & 0.752625 & 9.0315 & 0 \tabularnewline
5 & 0.71377 & 8.5652 & 0 \tabularnewline
6 & 0.681734 & 8.1808 & 0 \tabularnewline
7 & 0.662904 & 7.9549 & 0 \tabularnewline
8 & 0.65561 & 7.8673 & 0 \tabularnewline
9 & 0.670948 & 8.0514 & 0 \tabularnewline
10 & 0.70272 & 8.4326 & 0 \tabularnewline
11 & 0.74324 & 8.9189 & 0 \tabularnewline
12 & 0.760395 & 9.1247 & 0 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27014&T=1

[TABLE]
[ROW][C]Autocorrelation Function[/C][/ROW]
[ROW][C]Time lag k[/C][C]ACF(k)[/C][C]T-STAT[/C][C]P-value[/C][/ROW]
[ROW][C]1[/C][C]0.948047[/C][C]11.3766[/C][C]0[/C][/ROW]
[ROW][C]2[/C][C]0.875575[/C][C]10.5069[/C][C]0[/C][/ROW]
[ROW][C]3[/C][C]0.806681[/C][C]9.6802[/C][C]0[/C][/ROW]
[ROW][C]4[/C][C]0.752625[/C][C]9.0315[/C][C]0[/C][/ROW]
[ROW][C]5[/C][C]0.71377[/C][C]8.5652[/C][C]0[/C][/ROW]
[ROW][C]6[/C][C]0.681734[/C][C]8.1808[/C][C]0[/C][/ROW]
[ROW][C]7[/C][C]0.662904[/C][C]7.9549[/C][C]0[/C][/ROW]
[ROW][C]8[/C][C]0.65561[/C][C]7.8673[/C][C]0[/C][/ROW]
[ROW][C]9[/C][C]0.670948[/C][C]8.0514[/C][C]0[/C][/ROW]
[ROW][C]10[/C][C]0.70272[/C][C]8.4326[/C][C]0[/C][/ROW]
[ROW][C]11[/C][C]0.74324[/C][C]8.9189[/C][C]0[/C][/ROW]
[ROW][C]12[/C][C]0.760395[/C][C]9.1247[/C][C]0[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27014&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27014&T=1

As an alternative you can also use a QR Code:

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

Autocorrelation Function
Time lag k	ACF(k)	T-STAT	P-value
1	0.948047	11.3766	0
2	0.875575	10.5069	0
3	0.806681	9.6802	0
4	0.752625	9.0315	0
5	0.71377	8.5652	0
6	0.681734	8.1808	0
7	0.662904	7.9549	0
8	0.65561	7.8673	0
9	0.670948	8.0514	0
10	0.70272	8.4326	0
11	0.74324	8.9189	0
12	0.760395	9.1247	0

Partial Autocorrelation Function
Time lag k	PACF(k)	T-STAT	P-value
1	0.948047	11.3766	0
2	-0.229422	-2.7531	0.003332
3	0.038148	0.4578	0.323903
4	0.093785	1.1254	0.131141
5	0.073607	0.8833	0.189279
6	0.007728	0.0927	0.463123
7	0.125597	1.5072	0.066979
8	0.089951	1.0794	0.141103
9	0.232489	2.7899	0.002994
10	0.166051	1.9926	0.024097
11	0.171274	2.0553	0.020829
12	-0.135431	-1.6252	0.053156

\begin{tabular}{lllllllll}
\hline
Partial Autocorrelation Function \tabularnewline
Time lag k & PACF(k) & T-STAT & P-value \tabularnewline
1 & 0.948047 & 11.3766 & 0 \tabularnewline
2 & -0.229422 & -2.7531 & 0.003332 \tabularnewline
3 & 0.038148 & 0.4578 & 0.323903 \tabularnewline
4 & 0.093785 & 1.1254 & 0.131141 \tabularnewline
5 & 0.073607 & 0.8833 & 0.189279 \tabularnewline
6 & 0.007728 & 0.0927 & 0.463123 \tabularnewline
7 & 0.125597 & 1.5072 & 0.066979 \tabularnewline
8 & 0.089951 & 1.0794 & 0.141103 \tabularnewline
9 & 0.232489 & 2.7899 & 0.002994 \tabularnewline
10 & 0.166051 & 1.9926 & 0.024097 \tabularnewline
11 & 0.171274 & 2.0553 & 0.020829 \tabularnewline
12 & -0.135431 & -1.6252 & 0.053156 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27014&T=2

[TABLE]
[ROW][C]Partial Autocorrelation Function[/C][/ROW]
[ROW][C]Time lag k[/C][C]PACF(k)[/C][C]T-STAT[/C][C]P-value[/C][/ROW]
[ROW][C]1[/C][C]0.948047[/C][C]11.3766[/C][C]0[/C][/ROW]
[ROW][C]2[/C][C]-0.229422[/C][C]-2.7531[/C][C]0.003332[/C][/ROW]
[ROW][C]3[/C][C]0.038148[/C][C]0.4578[/C][C]0.323903[/C][/ROW]
[ROW][C]4[/C][C]0.093785[/C][C]1.1254[/C][C]0.131141[/C][/ROW]
[ROW][C]5[/C][C]0.073607[/C][C]0.8833[/C][C]0.189279[/C][/ROW]
[ROW][C]6[/C][C]0.007728[/C][C]0.0927[/C][C]0.463123[/C][/ROW]
[ROW][C]7[/C][C]0.125597[/C][C]1.5072[/C][C]0.066979[/C][/ROW]
[ROW][C]8[/C][C]0.089951[/C][C]1.0794[/C][C]0.141103[/C][/ROW]
[ROW][C]9[/C][C]0.232489[/C][C]2.7899[/C][C]0.002994[/C][/ROW]
[ROW][C]10[/C][C]0.166051[/C][C]1.9926[/C][C]0.024097[/C][/ROW]
[ROW][C]11[/C][C]0.171274[/C][C]2.0553[/C][C]0.020829[/C][/ROW]
[ROW][C]12[/C][C]-0.135431[/C][C]-1.6252[/C][C]0.053156[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27014&T=2

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27014&T=2

As an alternative you can also use a QR Code:

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

Partial Autocorrelation Function
Time lag k	PACF(k)	T-STAT	P-value
1	0.948047	11.3766	0
2	-0.229422	-2.7531	0.003332
3	0.038148	0.4578	0.323903
4	0.093785	1.1254	0.131141
5	0.073607	0.8833	0.189279
6	0.007728	0.0927	0.463123
7	0.125597	1.5072	0.066979
8	0.089951	1.0794	0.141103
9	0.232489	2.7899	0.002994
10	0.166051	1.9926	0.024097
11	0.171274	2.0553	0.020829
12	-0.135431	-1.6252	0.053156

Figure 1

PNG link

Postscript link

PDF link

Figure 2

PNG link

Postscript link

PDF link

Parameters (Session):

par1 = 12 ; par2 = 1 ; par3 = 0 ; par4 = 0 ; par5 = 12 ;

Parameters (R input):

par1 = 12 ; par2 = 1 ; par3 = 0 ; par4 = 0 ; par5 = 12 ;

R code (references can be found in the software module):

if (par1 == 'Default') {
par1 = 10*log10(length(x))
} else {
par1 <- as.numeric(par1)
}
par2 <- as.numeric(par2)
par3 <- as.numeric(par3)
par4 <- as.numeric(par4)
par5 <- as.numeric(par5)
if (par2 == 0) {
x <- log(x)
} else {
x <- (x ^ par2 - 1) / par2
}
if (par3 > 0) x <- diff(x,lag=1,difference=par3)
if (par4 > 0) x <- diff(x,lag=par5,difference=par4)
bitmap(file='pic1.png')
racf <- acf(x,par1,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
bitmap(file='pic2.png')
rpacf <- pacf(x,par1,main='Partial Autocorrelation',xlab='lags',ylab='PACF')
dev.off()
(myacf <- c(racf$acf))
(mypacf <- c(rpacf$acf))
lengthx <- length(x)
sqrtn <- sqrt(lengthx)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Autocorrelation Function',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Time lag k',header=TRUE)
a<-table.element(a,hyperlink('basics.htm','ACF(k)','click here for more information about the Autocorrelation Function'),header=TRUE)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,'P-value',header=TRUE)
a<-table.row.end(a)
for (i in 2:(par1+1)) {
a<-table.row.start(a)
a<-table.element(a,i-1,header=TRUE)
a<-table.element(a,round(myacf[i],6))
mytstat <- myacf[i]*sqrtn
a<-table.element(a,round(mytstat,4))
a<-table.element(a,round(1-pt(abs(mytstat),lengthx),6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Partial Autocorrelation Function',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Time lag k',header=TRUE)
a<-table.element(a,hyperlink('basics.htm','PACF(k)','click here for more information about the Partial Autocorrelation Function'),header=TRUE)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,'P-value',header=TRUE)
a<-table.row.end(a)
for (i in 1:par1) {
a<-table.row.start(a)
a<-table.element(a,i,header=TRUE)
a<-table.element(a,round(mypacf[i],6))
mytstat <- mypacf[i]*sqrtn
a<-table.element(a,round(mytstat,4))
a<-table.element(a,round(1-pt(abs(mytstat),lengthx),6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable1.tab')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code