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_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationMon, 01 Dec 2008 13:46:46 -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/Dec/01/t1228164469jhn3lo55nl7kcna.htm/, Retrieved Sun, 05 May 2024 15:02:17 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27384, Retrieved Sun, 05 May 2024 15:02:17 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact155

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Law of Averages] [Random Walk Simul...] [2008-11-25 18:40:39] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [Non stat time ser...] [2008-12-01 20:46:46] [c5d6d05aee6be5527ac4a30a8c3b8fe5] [Current]
Feedback Forum
2008-12-06 14:06:43 [Thomas Plasschaert] [reply] 
De spectraalanalyse is de 3e methode om een trend te analyseren. De frequentie is het omgekeerde van de periode. Als je een hoge frequentie hebt, dan gaat die zeer snel op en neer en heb je dus een kleine periode. De periode = afstand tussen 2 toppen, de frequentie = hoe snel het op en neer gaat, de amplitude is de hoogte.

We zien hier een lange termijn trend met een lage frequentie en dus een lange periode. De lijn beweegt zich dus langzaam op en neer. Dit is typisch voor een lange termijn trend. Als we dit zien moeten we differentiëren om deze trend te verwijderen. We kunnen ook de cummulatieve curve nemen. Dan hebben we een schaal van 0 tot 1. 0.8 wil dan zeggen = dan verklaren we 80% van de tijdreeks. Dan is er zeer lage frequentie.
De lange termijnbewegingen nodig om 80% te kunnen verklaren. Steil stijgende cummulatieve curve wijst op lange termijn. in dit geval zijn er geen trappen bovenaan de grafiek,dit wil zeggen dat er hier geen sprake is van seizoenaliteit.
met het blauwe lijntje in de 'raw periods' kan je verschuiven over de grafiek heen, en kan je zo zien welke frequentie significant verschillend is.
2008-12-08 13:15:41 [Katja van Hek] [reply] 
Er is hier sprake van een lage frequentie: het gaat hier om lange perioden met een langzaam op en neer gaande sinus. Doordat hier een lage frequentie is kun je zeggen dat er een lange termijn trend is aangezien een lage frequentie typisch is voor de lange termijn trend. Er is een dalend patroon dat je kunt verwijderen door differentiatie toe te passen. De cumulatieve periodogram kent in het begin een steil stijgend verloop, op de y-as kun je de verklaringsgraad aflezen. Het steile verloop is ook weer typisch voor de lange termijn. De lange termijn kan 80% van de tijdreeks verklaren.
2008-12-08 14:18:01 [Jonas Janssens] [reply] 
- Het patroon in de 'Raw Periodogram' geeft weer dat er niet-seizonale differentiatie nodig is om de tijdreeks stationair te maken.
- 'Cumulative Periodogram': De steile stijging in het begin geeft weer dat we een zeer lage frequentie (X-as: +/- 0.01) nodig hebben om 80% (Y-as) van de tijdreeks te verklaren.
Verder is de uitleg correct.
2008-12-08 19:33:38 [5faab2fc6fb120339944528a32d48a04] [reply] 
De student heeft deze opdracht goed uitgewerkt.
Lange termijn trend wijst op een lange periode met een lage frequentie. Dit is het typische patroon. Hier is er sprake van een licht dalende die differentiatie vereist om de trend te vermijden.

Het cumulatieve periodogram verklaart de R-kwadraat. Het cumulatief periodogram toont in het begin een stijle stijging. Dit wijst erop dat we een zeer groot percentage van de spreiding kunnen verklaren.
2008-12-09 22:18:33 [Gert-Jan Geudens] [reply] 
De conclusie is niet volledig. In het cumulative periodogram zien we duidelijk een zeer steile grafiek. Dit is typisch voor een langetermijn trend. Op de y-as kunnen we duidelijk aflezen dat we ongeveer 0.8 of 80% van de gegevens via deze langetermijn trend kunnen verklaren. Het is hier dus aangeraden om niet-seizonaal te differentiëren.

Post a new message

Dataset

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time3 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 3 seconds \tabularnewline
R Server & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27384&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]3 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27384&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27384&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 time3 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 0.5 ;
Parameters (R input):
par1 = 500 ; par2 = 0.5 ;
R code (references can be found in the software module):
n <- as.numeric(par1)
p <- as.numeric(par2)
heads=rbinom(n-1,1,p)
a=2*(heads)-1
b=diffinv(a,xi=0)
c=1:n
pheads=(diffinv(heads,xi=.5))/c
bitmap(file='test1.png')
op=par(mfrow=c(2,1))
plot(c,b,type='n',main='Law of Averages',xlab='Toss Number',ylab='Excess of Heads',lwd=2,cex.lab=1.5,cex.main=2)
lines(c,b,col='red')
lines(c,rep(0,n),col='black')
plot(c,pheads,type='n',xlab='Toss Number',ylab='Proportion of Heads',lwd=2,cex.lab=1.5)
lines(c,pheads,col='blue')
lines(c,rep(.5,n),col='black')
par(op)
dev.off()
b
x <- b
bitmap(file='test1.png')
r <- spectrum(x,main='Raw Periodogram')
dev.off()
r
bitmap(file='test2.png')
cpgram(x,main='Cumulative Periodogram')
dev.off()