FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_cross.wasp
Title produced by softwareCross Correlation Function
Date of computationTue, 02 Dec 2008 09:16:22 -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/02/t1228234612wwiiva0dysks0qa.htm/, Retrieved Fri, 17 May 2024 04:18:19 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28014, Retrieved Fri, 17 May 2024 04:18:19 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact176

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Cross Correlation Function] [] [2008-12-02 16:16:22] [cdc575afe547a0c8f1ab59a46ec2fd93] [Current]
Feedback Forum
2008-12-04 12:41:34 [Glenn Maras] [reply] 
De cross correlatie berekent de correlatie tussen het verleden van Xt en het heden van Yt. Bij de analyse van de student zijn er juiste berekeningen gedaan maar niet echt veel uitleg. Zo kon hij misschien zeggen dat de correlaties rond 0 aan de hoge kant liggen. Op de grafiek kan er een duidelijk patroon opgemerkt worden. Stijgend tot 0 en vanalf 0 een dalend verloop, met in het begin van elke tijdsperiode(0,12,24,36) een kleine piek. Er is ook niet gezegd wat X en Y is dus is het moeilijk om er juist een interpretatie aan te geven.
2008-12-04 14:03:38 [Philip Van Herck] [reply] 
Om op de vraag te antwoorden gaven wij twee tijdreeksen van dezelfde lengte die dezelfde periode beschrijven in de calculator “Cross Correlation Function” in. We kunnen aan de hand van het resultaat zeggen dat er zich enkel positieve correlaties voordoen tussen de Y-variabele en alle verschuivingen in de tijd van de X-variabele. De Cross Correlatie functie berekent namelijk de correlatiecoëfficiënt die ontstaat de een bepaalde variabele Yt steeds tegenover een variabele Xt op een ander tijdstip te zetten. Deze Xt varieert in dit voorbeeld als de k in volgende functie: rho(Y[t],X[t+k]).Zo kunnen we nagaan of we aan de hand van het verleden van de Xt-variabele voorspellingen kunnen maken wat betreft het verloop van Yt. Voorlopig, zonder seizoenaal en niet-seizonaal te differentiëren, zien we dat het merendeel van de correlaties buiten het 95% betrouwbaarheidsinterval liggen wat erop wijst dat deze X-variabelen gebruikt kunnen worden om de Y-variabele te voorspellen. Dit is echter nog niet correct want we moeten beide tijdreeksen nog differentiëren. Het kan bijvoorbeeld zijn dat er veel significante verschillen zijn tussen twee tijdreeksen maar dat dit gewoon een nonsenscorrelatie is die gewoon een verband vertoont omdat de tijdreeksen een gelijksoortige trend bevatten. Deze trend (en ook eventuele seizoenaliteit) moet dan geëlimineerd worden.
2008-12-06 13:47:02 [Maarten Van Gucht] [reply] 
De Cross Correlatie functie berekent namelijk de correlatiecoëfficiënt die ontstaat de een bepaalde variabele Yt steeds tegenover een variabele Xt op een ander tijdstip te zetten.We zien hier dat de correlatie het sterkst is als we de tijdreeks niet verschuiven in de tijd.

De cross correlation functie berekent de correlatie tussen Yt en Yt+k
Bij getallen < 0 : correlatie tussen het heden van Yt en het verleden van Xt
Bij getallen >0: correlatie tussen het heden van Yt en de toekomst van Xt

de waarden liggen bijna allemaal boven het interval en zijn dus allemaal goede waarden om Yt te kunnen voorspellen, maar we hebben nog niet gedifferentieerd en dus kan dit nog veranderen. er kan mss een seizonaal effect inzitten, of een trendmatig verloop.
2008-12-10 09:42:11 [Peter Van Doninck] [reply] 
Zeer korte maar correcte analyse! De cross corerlatiefunctie gaat na of we op basis van de ene parameter, de andere kunnen vorospellen. We kunnen hier echter niet differentiëren of zoeken naar een trend! Er is enkel sprake van voorspelbaarheid, wat hier wel aanwezig is omdat we buiten het 95% betroubaarheidsinterval zitten.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
7,5
7,2
6,9
6,7
6,4
6,3
6,8
7,3
7,1
7,1
6,8
6,5
6,3
6,1
6,1
6,3
6,3
6
6,2
6,4
6,8
7,5
7,5
7,6
7,6
7,4
7,3
7,1
6,9
6,8
7,5
7,6
7,8
8,0
8,1
8,2
8,3
8,2
8,0
7,9
7,6
7,6
8,2
8,3
8,4
8,4
8,4
8,6
8,9
8,8
8,3
7,5
7,2
7,5
8,8
9,3
9,3
8,7
8,2
8,3
8,5
8,6
8,6
8,2
8,1
8,0
8,6
8,7
8,8
8,5
8,4
8,5
8,7
8,7
8,6
8,5
8,3
8,1
8,2
8,1
8,1
7,9
7,9
7,9
8,0
8,0
7,9
8,0
7,7
7,2
7,5
7,3
7,0
7,0
7,0
7,2
7,3
7,1
6,8
6,6
6,2
6,2
6,8
6,9
6,8
Dataseries Y:
Download CSV
Histogram 
15,9
15,5
15,3
14,5
14,4
14,7
19,1
21,6
20,2
17,9
15,7
14,5
14,1
13,9
14,2
15,3
15,4
15,2
16,5
18,2
18,6
21,0
19,2
18,7
18,4
17,8
17,2
16,2
15,5
15,3
18,3
19,2
19,0
18,7
18,1
18,5
21,1
21,0
20,4
19,5
18,6
18,8
23,7
24,8
25,0
23,6
22,3
21,8
20,8
19,7
18,3
17,4
17,0
18,1
23,9
25,6
25,3
23,6
21,9
21,4
20,6
20,5
20,2
20,6
19,7
19,3
22,8
23,5
23,8
22,6
22,0
21,7
20,7
20,2
19,1
19,5
18,7
18,6
22,2
23,2
23,5
21,3
20,0
18,7
18,9
18,3
18,4
19,9
19,2
18,5
20,9
20,5
19,4
18,1
17,0
17,0
17,3
16,7
15,5
15,3
13,7
14,1
17,3
18,1
18,1

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time0 seconds
R Server'George Udny Yule' @ 72.249.76.132

\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 & 0 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28014&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]0 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'George Udny Yule' @ 72.249.76.132[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28014&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28014&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 time0 seconds
R Server'George Udny Yule' @ 72.249.76.132






Cross Correlation Function
ParameterValue
Box-Cox transformation parameter (lambda) of X series1
Degree of non-seasonal differencing (d) of X series0
Degree of seasonal differencing (D) of X series0
Seasonal Period (s)1
Box-Cox transformation parameter (lambda) of Y series1
Degree of non-seasonal differencing (d) of Y series0
Degree of seasonal differencing (D) of Y series0
krho(Y[t],X[t+k])
-170.100745397482206
-160.114260068005301
-150.167827735892231
-140.257899633182939
-130.367082199215939
-120.469796484956352
-110.489812164857304
-100.489731017506205
-90.494034788317431
-80.494262229484597
-70.49400418922025
-60.469788848169789
-50.421172805154192
-40.396170407529366
-30.438861888675301
-20.552083769315447
-10.708907415279483
00.833907091033436
10.813660359375752
20.735990447610797
30.655848710643976
40.583425193321505
50.536611795591312
60.484606941526053
70.412079782100226
80.35231267997829
90.330472353573501
100.352323018213161
110.410969356968295
120.459071865050717
130.425822725005351
140.373787479646628
150.329133032648392
160.291990300351727
170.264317183393356

\begin{tabular}{lllllllll}
\hline
Cross Correlation Function \tabularnewline
Parameter & Value \tabularnewline
Box-Cox transformation parameter (lambda) of X series & 1 \tabularnewline
Degree of non-seasonal differencing (d) of X series & 0 \tabularnewline
Degree of seasonal differencing (D) of X series & 0 \tabularnewline
Seasonal Period (s) & 1 \tabularnewline
Box-Cox transformation parameter (lambda) of Y series & 1 \tabularnewline
Degree of non-seasonal differencing (d) of Y series & 0 \tabularnewline
Degree of seasonal differencing (D) of Y series & 0 \tabularnewline
k & rho(Y[t],X[t+k]) \tabularnewline
-17 & 0.100745397482206 \tabularnewline
-16 & 0.114260068005301 \tabularnewline
-15 & 0.167827735892231 \tabularnewline
-14 & 0.257899633182939 \tabularnewline
-13 & 0.367082199215939 \tabularnewline
-12 & 0.469796484956352 \tabularnewline
-11 & 0.489812164857304 \tabularnewline
-10 & 0.489731017506205 \tabularnewline
-9 & 0.494034788317431 \tabularnewline
-8 & 0.494262229484597 \tabularnewline
-7 & 0.49400418922025 \tabularnewline
-6 & 0.469788848169789 \tabularnewline
-5 & 0.421172805154192 \tabularnewline
-4 & 0.396170407529366 \tabularnewline
-3 & 0.438861888675301 \tabularnewline
-2 & 0.552083769315447 \tabularnewline
-1 & 0.708907415279483 \tabularnewline
0 & 0.833907091033436 \tabularnewline
1 & 0.813660359375752 \tabularnewline
2 & 0.735990447610797 \tabularnewline
3 & 0.655848710643976 \tabularnewline
4 & 0.583425193321505 \tabularnewline
5 & 0.536611795591312 \tabularnewline
6 & 0.484606941526053 \tabularnewline
7 & 0.412079782100226 \tabularnewline
8 & 0.35231267997829 \tabularnewline
9 & 0.330472353573501 \tabularnewline
10 & 0.352323018213161 \tabularnewline
11 & 0.410969356968295 \tabularnewline
12 & 0.459071865050717 \tabularnewline
13 & 0.425822725005351 \tabularnewline
14 & 0.373787479646628 \tabularnewline
15 & 0.329133032648392 \tabularnewline
16 & 0.291990300351727 \tabularnewline
17 & 0.264317183393356 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28014&T=1

[TABLE]
[ROW][C]Cross Correlation Function[/C][/ROW]
[ROW][C]Parameter[/C][C]Value[/C][/ROW]
[ROW][C]Box-Cox transformation parameter (lambda) of X series[/C][C]1[/C][/ROW]
[ROW][C]Degree of non-seasonal differencing (d) of X series[/C][C]0[/C][/ROW]
[ROW][C]Degree of seasonal differencing (D) of X series[/C][C]0[/C][/ROW]
[ROW][C]Seasonal Period (s)[/C][C]1[/C][/ROW]
[ROW][C]Box-Cox transformation parameter (lambda) of Y series[/C][C]1[/C][/ROW]
[ROW][C]Degree of non-seasonal differencing (d) of Y series[/C][C]0[/C][/ROW]
[ROW][C]Degree of seasonal differencing (D) of Y series[/C][C]0[/C][/ROW]
[ROW][C]k[/C][C]rho(Y[t],X[t+k])[/C][/ROW]
[ROW][C]-17[/C][C]0.100745397482206[/C][/ROW]
[ROW][C]-16[/C][C]0.114260068005301[/C][/ROW]
[ROW][C]-15[/C][C]0.167827735892231[/C][/ROW]
[ROW][C]-14[/C][C]0.257899633182939[/C][/ROW]
[ROW][C]-13[/C][C]0.367082199215939[/C][/ROW]
[ROW][C]-12[/C][C]0.469796484956352[/C][/ROW]
[ROW][C]-11[/C][C]0.489812164857304[/C][/ROW]
[ROW][C]-10[/C][C]0.489731017506205[/C][/ROW]
[ROW][C]-9[/C][C]0.494034788317431[/C][/ROW]
[ROW][C]-8[/C][C]0.494262229484597[/C][/ROW]
[ROW][C]-7[/C][C]0.49400418922025[/C][/ROW]
[ROW][C]-6[/C][C]0.469788848169789[/C][/ROW]
[ROW][C]-5[/C][C]0.421172805154192[/C][/ROW]
[ROW][C]-4[/C][C]0.396170407529366[/C][/ROW]
[ROW][C]-3[/C][C]0.438861888675301[/C][/ROW]
[ROW][C]-2[/C][C]0.552083769315447[/C][/ROW]
[ROW][C]-1[/C][C]0.708907415279483[/C][/ROW]
[ROW][C]0[/C][C]0.833907091033436[/C][/ROW]
[ROW][C]1[/C][C]0.813660359375752[/C][/ROW]
[ROW][C]2[/C][C]0.735990447610797[/C][/ROW]
[ROW][C]3[/C][C]0.655848710643976[/C][/ROW]
[ROW][C]4[/C][C]0.583425193321505[/C][/ROW]
[ROW][C]5[/C][C]0.536611795591312[/C][/ROW]
[ROW][C]6[/C][C]0.484606941526053[/C][/ROW]
[ROW][C]7[/C][C]0.412079782100226[/C][/ROW]
[ROW][C]8[/C][C]0.35231267997829[/C][/ROW]
[ROW][C]9[/C][C]0.330472353573501[/C][/ROW]
[ROW][C]10[/C][C]0.352323018213161[/C][/ROW]
[ROW][C]11[/C][C]0.410969356968295[/C][/ROW]
[ROW][C]12[/C][C]0.459071865050717[/C][/ROW]
[ROW][C]13[/C][C]0.425822725005351[/C][/ROW]
[ROW][C]14[/C][C]0.373787479646628[/C][/ROW]
[ROW][C]15[/C][C]0.329133032648392[/C][/ROW]
[ROW][C]16[/C][C]0.291990300351727[/C][/ROW]
[ROW][C]17[/C][C]0.264317183393356[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28014&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28014&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:

Cross Correlation Function
ParameterValue
Box-Cox transformation parameter (lambda) of X series1
Degree of non-seasonal differencing (d) of X series0
Degree of seasonal differencing (D) of X series0
Seasonal Period (s)1
Box-Cox transformation parameter (lambda) of Y series1
Degree of non-seasonal differencing (d) of Y series0
Degree of seasonal differencing (D) of Y series0
krho(Y[t],X[t+k])
-170.100745397482206
-160.114260068005301
-150.167827735892231
-140.257899633182939
-130.367082199215939
-120.469796484956352
-110.489812164857304
-100.489731017506205
-90.494034788317431
-80.494262229484597
-70.49400418922025
-60.469788848169789
-50.421172805154192
-40.396170407529366
-30.438861888675301
-20.552083769315447
-10.708907415279483
00.833907091033436
10.813660359375752
20.735990447610797
30.655848710643976
40.583425193321505
50.536611795591312
60.484606941526053
70.412079782100226
80.35231267997829
90.330472353573501
100.352323018213161
110.410969356968295
120.459071865050717
130.425822725005351
140.373787479646628
150.329133032648392
160.291990300351727
170.264317183393356


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 1 ; par2 = 0 ; par3 = 0 ; par4 = 1 ; par5 = 1 ; par6 = 0 ; par7 = 0 ;
Parameters (R input):
par1 = 1 ; par2 = 0 ; par3 = 0 ; par4 = 1 ; par5 = 1 ; par6 = 0 ; par7 = 0 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
par3 <- as.numeric(par3)
par4 <- as.numeric(par4)
par5 <- as.numeric(par5)
par6 <- as.numeric(par6)
par7 <- as.numeric(par7)
if (par1 == 0) {
x <- log(x)
} else {
x <- (x ^ par1 - 1) / par1
}
if (par5 == 0) {
y <- log(y)
} else {
y <- (y ^ par5 - 1) / par5
}
if (par2 > 0) x <- diff(x,lag=1,difference=par2)
if (par6 > 0) y <- diff(y,lag=1,difference=par6)
if (par3 > 0) x <- diff(x,lag=par4,difference=par3)
if (par7 > 0) y <- diff(y,lag=par4,difference=par7)
x
y
bitmap(file='test1.png')
(r <- ccf(x,y,main='Cross Correlation Function',ylab='CCF',xlab='Lag (k)'))
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Cross Correlation Function',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Parameter',header=TRUE)
a<-table.element(a,'Value',header=TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Box-Cox transformation parameter (lambda) of X series',header=TRUE)
a<-table.element(a,par1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Degree of non-seasonal differencing (d) of X series',header=TRUE)
a<-table.element(a,par2)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Degree of seasonal differencing (D) of X series',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Seasonal Period (s)',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Box-Cox transformation parameter (lambda) of Y series',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Degree of non-seasonal differencing (d) of Y series',header=TRUE)
a<-table.element(a,par6)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Degree of seasonal differencing (D) of Y series',header=TRUE)
a<-table.element(a,par7)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'k',header=TRUE)
a<-table.element(a,'rho(Y[t],X[t+k])',header=TRUE)
a<-table.row.end(a)
mylength <- length(r$acf)
myhalf <- floor((mylength-1)/2)
for (i in 1:mylength) {
a<-table.row.start(a)
a<-table.element(a,i-myhalf-1,header=TRUE)
a<-table.element(a,r$acf[i])
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable.tab')