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 computationWed, 03 Dec 2008 04:10:41 -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/t12283026616jpb6cl5mgkxxn3.htm/, Retrieved Fri, 17 May 2024 16:38:23 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=28613, Retrieved Fri, 17 May 2024 16:38:23 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact208

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 18:05:16] [b98453cac15ba1066b407e146608df68]
F       [Law of Averages] [Q2] [2008-12-02 20:11:49] [17bd4671b42d569d890f7246b2ee4ecc]
F           [Law of Averages] [] [2008-12-03 11:10:41] [d41d8cd98f00b204e9800998ecf8427e] [Current]
Feedback Forum
2008-12-05 15:09:08 [Vincent Vanden Poel] [reply] 
Je antwoord is opnieuw beperkt maar wel juist. Alleen begrijp ik niet goed wat je bedoelt met volgende zien: 'Aangezien het niveau van de tijdsreeks hier langzaam evolueert, spreken we van een positieve autocorrelatie.' Aan de grafiek van de ACF is duidelijk te zien dat het een schijnbaar dalende trend is zoals je ook zelf aangaf. Maar daardoor kunnen we echter niet stellen dat dit een positieve autocorrelatie is. Wel zien we dat alle staafjes binnen dit dalend patroon positief zijn.

Verder kunnen we vaststellen dat alle lags buiten het betrouwbaarheidsinterval liggen (aan de positieve kant) en dus allen significant verschillend zijn van 0. Ze zijn met andere woorden niet te wijten aan het toeval. We merken ook op dat deze een langzaam dalend patroon van positieve getallen weergeeft. Dit is geen toeval. Het langzaam dalende patroon is typisch voor een stochastische trend op lange termijn.

Ook had je voor deze vraag het verband kunnen leggen met beursspeculatie. Sommige beleggers denken ook de beurskoers te kunnen voorspellen volgens dit model. Als we veronderstellen dat de eerste grafiek de beurskoers voorstelt zullen sommige beleggers de toekomstige waarde trachten te voorspellen op basis van bijzondere waarnemingen. Hier zouden ze dan de top (x-as +/-100) en de laagste waarde (x-as +/-450) gebruiken om te toekomstige beurskoers te voorspellen. Bij een positieve autocorrelatie zal door een lage beurskoers in het verleden ook de huidige beurskoers laag liggen of omgekeerd. Bij een negatieve correlatie belandt men echter in een soort van jo-jo effect.
2008-12-09 12:56:11 [b5935c41f1031f8c061510fc5ad27e97] [reply] 
Q2: het besluit dat random-walk series een patroon van schijnbare negatieve trend vertonen is juist.Maar het besluit dat er sprake is van positieve autocorrelatie is te wijten aan het feit dat alle autocorrelatiecoefficienten zijn significant verschillend van 0 en positief (want zij liggen allemaal ver boven het betrouwbaarheidsinterval van 95% )en niet aan de langzame evoluatie van de tijdreeks.Daarom is de kans groot dat geobserveerde patroon niet aan een toeval te wijten is. De model is vatbaar voor verbetering door het middel van differentiatie, om de autocorrelatiecoefficienten binnen het betrouwbaarheidsinterval te krijgen.



2008-12-09 23:42:39 [Gert-Jan Geudens] [reply] 
Ik sluit me aan bij bovenstaande feedbacks. Als we deze berekening telkens opnieuw zouden uitvoeren, zullen we steeds ongeveer hetzelfde patroon bekomen. Tevens zijn alle autocorrelatiecoëfficiënten significant verschillend van nul waardoor we hier kunnen stellen dat er geen sprake is van toeval.

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 time1 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=28613&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=28613&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=28613&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 time1 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135


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
bitmap(file='pic1.png')
racf <- acf(b,n/10,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
racf