FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_variancereduction.wasp
Title produced by softwareVariance Reduction Matrix
Date of computationWed, 03 Dec 2008 03:31:56 -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/03/t1228300509v73g6122eqr3eyd.htm/, Retrieved Fri, 17 May 2024 18:13:33 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28605, Retrieved Fri, 17 May 2024 18:13:33 +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       [Variance Reduction Matrix] [] [2008-12-03 10:31:56] [ed75e673b8609ce7f7795f94157397be] [Current]
Feedback Forum
2008-12-06 13:02:03 [Nicolaj Wuyts] [reply] 
Bij deze bewerking heb ik twee opmerkingen omtrent de VRM:

1° Het is niet aan te raden om de VRM te gebruiken voordat je de ACF hebt gebruikt. Dit is omdat deze twee berekeningswijzen verschillende resultaten zouden kunnen opleveren. Bij de ACF kan je dan nog grafisch controleren, terwijl je bij de VRM enkel op blinde cijfers moet afgaan.

2°Met de VRM kan je de lamba niet berekenen. Dit kan je enkel met Standard deviation-mean plot.
2008-12-07 19:24:24 [Jasmine Hendrikx] [reply] 
Evaluatie Q8:
Om deze vraag op te lossen, heeft de student gebruik gemaakt van de VRM. Dit is inderdaad een methode om de vraag op te lossen. Het klopt inderdaad dat men naar de combinatie van d en D moet kijken met de kleinste variantie en deze komt in dit geval overeen met d=0 en D=1. Er moet dus maar één keer seizoenaal gedifferentieerd worden. Maar eigenlijk is dit slechts één methode en zou je ook nog gebruik moeten maken van de ACF en van Spectral Analysis om de resultaten uit de VRM te controleren. Het is namelijk zo dat deze niet altijd overeenkomen en wanneer de VRM en de ACF een verschillend resultaat geven, zou men eerder geneigd moeten zijn om de ACF te gebruiken. Je zou dus ook van de andere methodes gebruik moeten maken ter controle.

Ook is de optimale lambda niet berekend. Deze moet je kunnen berekenen via de methode Standard Deviation – Mean plot. Met de optimale lambda zou je de variantie kunnen stabiliseren om zo de tijdreeks meer stationair te maken.
2008-12-08 19:39:19 [Erik Geysen] [reply] 
Er zijn 3 methodes om een trend te analyseren.
1) VRM
2) ACF
3) Spectraal analyse

De student heeft hier enkel de VRM gebruikt. Het is nodig om minstens ACF ook te berekenen om de uitkomsten te controleren. Deze komen niet altijd overeen en als dit het geval is zijn we geneigd om ACF te geloven. Je hebt de Standard deviation mean-plot nodig om de lambda te berekenen.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
101.2
100.5
98
106.6
90.1
96.9
125.9
112
100
123.9
79.8
83.4
113.6
112.9
104
109.9
99
106.3
128.9
111.1
102.9
130
87
87.5
117.6
103.4
110.8
112.6
102.5
112.4
135.6
105.1
127.7
137
91
90.5
122.4
123.3
124.3
120
118.1
119
142.7
123.6
129.6
151.6
110.4
99.2
130.5
136.2
129.7
128
121.6
135.8
143.8
147.5
136.2
156.6
123.3
104.5
143.6

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time2 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 2 seconds \tabularnewline
R Server & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28605&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]2 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28605&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28605&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 time2 seconds
R Server'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Variance Reduction Matrix
V(Y[t],d=0,D=0)318.770207650273Range76.8Trim Var.200.353998548621
V(Y[t],d=1,D=0)398.737920903955Range85.1Trim Var.264.534968553459
V(Y[t],d=2,D=0)1041.92158386908Range128Trim Var.737.512140783744
V(Y[t],d=3,D=0)2967.63579249849Range221.1Trim Var.2006.17705505279
V(Y[t],d=0,D=1)45.3375Range34.3Trim Var.21.8321705426357
V(Y[t],d=1,D=1)101.612761524823Range48.6Trim Var.52.2599593495935
V(Y[t],d=2,D=1)331.754468085106Range92.1Trim Var.154.597804878049
V(Y[t],d=3,D=1)1152.90241545894Range159.6Trim Var.584.030096153846
V(Y[t],d=0,D=2)117.933138138138Range52.3Trim Var.55.9745454545454
V(Y[t],d=1,D=2)257.630063492063Range77.9Trim Var.144.941129032258
V(Y[t],d=2,D=2)822.005495798319Range149.4Trim Var.426.963161290322
V(Y[t],d=3,D=2)2794.12385918003Range250Trim Var.1563.66988505747

\begin{tabular}{lllllllll}
\hline
Variance Reduction Matrix \tabularnewline
V(Y[t],d=0,D=0) & 318.770207650273 & Range & 76.8 & Trim Var. & 200.353998548621 \tabularnewline
V(Y[t],d=1,D=0) & 398.737920903955 & Range & 85.1 & Trim Var. & 264.534968553459 \tabularnewline
V(Y[t],d=2,D=0) & 1041.92158386908 & Range & 128 & Trim Var. & 737.512140783744 \tabularnewline
V(Y[t],d=3,D=0) & 2967.63579249849 & Range & 221.1 & Trim Var. & 2006.17705505279 \tabularnewline
V(Y[t],d=0,D=1) & 45.3375 & Range & 34.3 & Trim Var. & 21.8321705426357 \tabularnewline
V(Y[t],d=1,D=1) & 101.612761524823 & Range & 48.6 & Trim Var. & 52.2599593495935 \tabularnewline
V(Y[t],d=2,D=1) & 331.754468085106 & Range & 92.1 & Trim Var. & 154.597804878049 \tabularnewline
V(Y[t],d=3,D=1) & 1152.90241545894 & Range & 159.6 & Trim Var. & 584.030096153846 \tabularnewline
V(Y[t],d=0,D=2) & 117.933138138138 & Range & 52.3 & Trim Var. & 55.9745454545454 \tabularnewline
V(Y[t],d=1,D=2) & 257.630063492063 & Range & 77.9 & Trim Var. & 144.941129032258 \tabularnewline
V(Y[t],d=2,D=2) & 822.005495798319 & Range & 149.4 & Trim Var. & 426.963161290322 \tabularnewline
V(Y[t],d=3,D=2) & 2794.12385918003 & Range & 250 & Trim Var. & 1563.66988505747 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=28605&T=1

[TABLE]
[ROW][C]Variance Reduction Matrix[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=0)[/C][C]318.770207650273[/C][C]Range[/C][C]76.8[/C][C]Trim Var.[/C][C]200.353998548621[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=0)[/C][C]398.737920903955[/C][C]Range[/C][C]85.1[/C][C]Trim Var.[/C][C]264.534968553459[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=0)[/C][C]1041.92158386908[/C][C]Range[/C][C]128[/C][C]Trim Var.[/C][C]737.512140783744[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=0)[/C][C]2967.63579249849[/C][C]Range[/C][C]221.1[/C][C]Trim Var.[/C][C]2006.17705505279[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=1)[/C][C]45.3375[/C][C]Range[/C][C]34.3[/C][C]Trim Var.[/C][C]21.8321705426357[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=1)[/C][C]101.612761524823[/C][C]Range[/C][C]48.6[/C][C]Trim Var.[/C][C]52.2599593495935[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=1)[/C][C]331.754468085106[/C][C]Range[/C][C]92.1[/C][C]Trim Var.[/C][C]154.597804878049[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=1)[/C][C]1152.90241545894[/C][C]Range[/C][C]159.6[/C][C]Trim Var.[/C][C]584.030096153846[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=2)[/C][C]117.933138138138[/C][C]Range[/C][C]52.3[/C][C]Trim Var.[/C][C]55.9745454545454[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=2)[/C][C]257.630063492063[/C][C]Range[/C][C]77.9[/C][C]Trim Var.[/C][C]144.941129032258[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=2)[/C][C]822.005495798319[/C][C]Range[/C][C]149.4[/C][C]Trim Var.[/C][C]426.963161290322[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=2)[/C][C]2794.12385918003[/C][C]Range[/C][C]250[/C][C]Trim Var.[/C][C]1563.66988505747[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=28605&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28605&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:

Variance Reduction Matrix
V(Y[t],d=0,D=0)318.770207650273Range76.8Trim Var.200.353998548621
V(Y[t],d=1,D=0)398.737920903955Range85.1Trim Var.264.534968553459
V(Y[t],d=2,D=0)1041.92158386908Range128Trim Var.737.512140783744
V(Y[t],d=3,D=0)2967.63579249849Range221.1Trim Var.2006.17705505279
V(Y[t],d=0,D=1)45.3375Range34.3Trim Var.21.8321705426357
V(Y[t],d=1,D=1)101.612761524823Range48.6Trim Var.52.2599593495935
V(Y[t],d=2,D=1)331.754468085106Range92.1Trim Var.154.597804878049
V(Y[t],d=3,D=1)1152.90241545894Range159.6Trim Var.584.030096153846
V(Y[t],d=0,D=2)117.933138138138Range52.3Trim Var.55.9745454545454
V(Y[t],d=1,D=2)257.630063492063Range77.9Trim Var.144.941129032258
V(Y[t],d=2,D=2)822.005495798319Range149.4Trim Var.426.963161290322
V(Y[t],d=3,D=2)2794.12385918003Range250Trim Var.1563.66988505747


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 1 ; par2 = 0 ; par3 = 0 ; par4 = 12 ;
Parameters (R input):
par1 = 12 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
n <- length(x)
sx <- sort(x)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Variance Reduction Matrix',6,TRUE)
a<-table.row.end(a)
for (bigd in 0:2) {
for (smalld in 0:3) {
mylabel <- 'V(Y[t],d='
mylabel <- paste(mylabel,as.character(smalld),sep='')
mylabel <- paste(mylabel,',D=',sep='')
mylabel <- paste(mylabel,as.character(bigd),sep='')
mylabel <- paste(mylabel,')',sep='')
a<-table.row.start(a)
a<-table.element(a,mylabel,header=TRUE)
myx <- x
if (smalld > 0) myx <- diff(x,lag=1,differences=smalld)
if (bigd > 0) myx <- diff(myx,lag=par1,differences=bigd)
a<-table.element(a,var(myx))
a<-table.element(a,'Range',header=TRUE)
a<-table.element(a,max(myx)-min(myx))
a<-table.element(a,'Trim Var.',header=TRUE)
smyx <- sort(myx)
sn <- length(smyx)
a<-table.element(a,var(smyx[smyx>quantile(smyx,0.05) & smyxa<-table.row.end(a)
}
}
a<-table.end(a)
table.save(a,file='mytable.tab')