Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*Unverified author*

R Software Module

rwasp_smp.wasp

Title produced by software

Standard Deviation-Mean Plot

Date of computation

Thu, 04 Dec 2008 12:23:52 -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/04/t1228419320mpxvnvou5jg9ehl.htm/, Retrieved Fri, 17 May 2024 07:00:34 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=29034, Retrieved Fri, 17 May 2024 07:00:34 +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

191

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

F       [Standard Deviation-Mean Plot] [] [2008-12-04 19:23:52] [ba8414dd214a21fbd6c7bde748ac585f] [Current]
F    D    [Standard Deviation-Mean Plot] [] [2008-12-09 10:58:42] [03c8f0b5f6fe0fafd3d60ad5379ae7bd] 

Feedback Forum

2008-12-13 12:09:42 [Ken Wright] [reply] 
Juist, maar besluit is niet volledig: de beta in de eerste tabel stelt een positieve of negatieve verband voor tussen de SD en het gemiddelde. Hier is dus duidelijk een positief verband. Ook  moet men zien of dat  beta wel significant verschillend is van 0, hier moeten we dan naar de p-waarde zien en deze is kleiner als 0.005 dus beta is significant van 0.  Het positief verband betekent wanneer het gemiddelde stijgt, dat de SD ook stijgt. Als men de grafiek bekijkt ziet men ook een positief verband , als men de outlier van linksboven niet zou meerekenen, dan zou er zelfs nog een groter positief verband zijn. Deze calculator heeft de volgende werking : Deze calculator gaat in dit geval de tijdreeks onderverdelen in de verschillende jaren. Hij berekent voor elk jaar het gemiddelde, de standaardafwijking en de range.
2008-12-13 15:02:23 [Loïque Verhasselt] [reply] 
STEP 1: We vinden de juiste output bij de student met een correcte conclusie van de lambda waarde. Een interpretatie tussenin is wel niet gegeven. Hier een aanvulling.Nu is het de opdracht om uit te zoeken welke λ nodig is om de spreiding constant te maken. De juiste paramaters voor D en d worden berekend in  stap 2. 
λ(Yt) kan 2 dingen betekenen: 
- Y^λt indien λ ≠ 0 
- ln λt indien λ = 0 
We gaan dus nu de optimale Lambda bepalen met het Standard Deviation Mean Plot. Wat doet deze calculator juist?Deze gaat de tijdreeks in gelijke perioden onderverdelen,hier in jaren.Hij gaat voor het eerste jaar het gemiddelde, de standaard afwijking en de range(=grootste en kleinste waarde) bepalen en dit voor elk jaar.We gaan dus zoeken naar het verband tussen de gemiddelden en de standaard afwijkingen. Dit gaan we beoordelen op de grafiek van de output.De punten geven de verschillende jaren weer. De x-as is het gemiddelde en de y-as de standaard afwijking.We zien duidelijk een positief verband tussen beiden. Dit is echter een beetje vertekend door enkele outliers. We gaan dus een regressie rechten tekenen met vergelijking die we vinden in de output. De p-value is kleiner dan 0,05 dus significant verschillend van 0. We gaan nu een logaritmische transformatie doorvoeren om de tijdreeks van outliers te zuiveren. We vinden opnieuw een p-waarde van kleiner dan 0 en onze lambda is dus significant verschillend van 0. De lambda is hier gelijk aan 0,46 met een standaard afwijking van 0,11 , dus we nemen een λ = 0,5 !
2008-12-13 20:14:56 [006ad2c49b6a7c2ad6ab685cfc1dae56] [reply] 
Goede berekeningen maar niet genoeg uitgelegd. 
 
Grafiek: Er is een zwak lineair verband tussen het gemiddelde en de standaardfout. De outlier bij het punt 340,90 heeft wel een vertekenende invloed. De punten op de grafiek vallen een beetje samen met de regressierechte. 
 
Tabellen: De eerste tabel onderzoekt of er een verband bestaat tussen tussen het gemiddelde en de standaarddeviatie. We kunnen zien dat de p-waarde veel kleiner is dan 1. Dit wijst erop dat de kans dat we ons vergissen bij het verwerpen van de nulhypothese minder dan 1 % is. Er bestaat dus een verband. 
Als er dus een verband bestaat tussen gemiddelde en standaardfout moet je in de tweede tabel gaan kijken naar de lambda-waarde. Deze lambda-waarde kan al ingevuld worden in de vergelijking.  
2008-12-14 10:12:26 [Thomas Plasschaert] [reply] 
De beta in de eerste tabel toont ons een positief verband, je moet echter wel rekening houden met de p-value verder in deze tabel, die weergeeft of de beta waarde wel significant verschillend is van 0. Hier is deze waarde kleiner dan 0,005, waardoor we kunnen besluiten dat de beta-waarde significant verschillend is van 0. Het positief verband dat door de beta waarde en de grafiek getoond wordt, wijst erop dat wanneer het gemiddelde stijgt, ook de standard deviation zal stijgen. De lambda is hier gelijk aan 0,46 met een standaard afwijking van 0,11 , dus we nemen een lambda waarde = 0,5 voor de calculator.
2008-12-14 16:14:56 [Thomas Plasschaert] [reply] 
De beta in de eerste tabel toont ons een positief verband, je moet echter wel rekening houden met de p-value verder in deze tabel, die weergeeft of de beta waarde wel significant verschillend is van 0. Hier is deze waarde kleiner dan 0,005, waardoor we kunnen besluiten dat de beta-waarde significant verschillend is van 0. Het positief verband dat door de beta waarde en de grafiek getoond wordt, wijst erop dat wanneer het gemiddelde stijgt, ook de standard deviation zal stijgen. De lambda is hier gelijk aan 0,46 met een standaard afwijking van 0,11 , dus we nemen een lambda waarde = 0,5 voor de calculator.
2008-12-14 16:37:12 [Thomas Plasschaert] [reply] 
De beta in de eerste tabel toont ons een positief verband, je moet echter wel rekening houden met de p-value verder in deze tabel, die weergeeft of de beta waarde wel significant verschillend is van 0. Hier is deze waarde kleiner dan 0,005, waardoor we kunnen besluiten dat de beta-waarde significant verschillend is van 0. Het positief verband dat door de beta waarde en de grafiek getoond wordt, wijst erop dat wanneer het gemiddelde stijgt, ook de standard deviation zal stijgen. De lambda is hier gelijk aan 0,46 met een standaard afwijking van 0,11 , dus we nemen een lambda waarde = 0,5 voor de calculator.

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=29034&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=29034&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29034&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

Standard Deviation-Mean Plot
Section	Mean	Standard Deviation	Range
1	227.733333333333	29.1940010442162	106
2	363.65	36.3267119348834	139.3
3	328.916666666667	93.5458451857438	273.6
4	205.45	30.3247123946491	89.5
5	188.333333333333	27.3773739803621	86
6	181.25	26.1571995999016	85.2
7	353.341666666667	36.2089506346236	110.8
8	285.308333333333	46.6051783766048	138.5
9	275.125	35.0509272345255	108.8
10	285.85	30.7409262296136	86.7
11	460.166666666667	56.0969831198748	147.3
12	373.95	53.1021228817215	150.3
13	385.1	35.1442999387072	115.5
14	471.358333333333	64.2130184808676	179.1
15	394.208333333333	40.6847628018454	138.7
16	407	46.6030432092544	147.6
17	378.575	49.9696839912143	132
18	336.633333333333	51.5290973993129	146.3
19	287.841666666667	33.2699826033054	112.7
20	297.566666666667	30.476438987082	117
21	281.666666666667	40.7140434412173	131.1
22	283.033333333333	28.4860837901065	109
23	408.85	48.934882520271	128.5
24	499.333333333333	37.5159925494408	109.6
25	484.008333333333	48.4390236808249	133.1
26	430.433333333333	37.4665022103584	108.4
27	507.583333333333	53.8722703730919	196.2
28	782.975	48.4555489832973	137.4
29	728.8	53.3077684940777	187
30	685.558333333333	72.5442618285032	222.9
31	604.716666666667	50.4040372360882	144

\begin{tabular}{lllllllll}
\hline
Standard Deviation-Mean Plot \tabularnewline
Section & Mean & Standard Deviation & Range \tabularnewline
1 & 227.733333333333 & 29.1940010442162 & 106 \tabularnewline
2 & 363.65 & 36.3267119348834 & 139.3 \tabularnewline
3 & 328.916666666667 & 93.5458451857438 & 273.6 \tabularnewline
4 & 205.45 & 30.3247123946491 & 89.5 \tabularnewline
5 & 188.333333333333 & 27.3773739803621 & 86 \tabularnewline
6 & 181.25 & 26.1571995999016 & 85.2 \tabularnewline
7 & 353.341666666667 & 36.2089506346236 & 110.8 \tabularnewline
8 & 285.308333333333 & 46.6051783766048 & 138.5 \tabularnewline
9 & 275.125 & 35.0509272345255 & 108.8 \tabularnewline
10 & 285.85 & 30.7409262296136 & 86.7 \tabularnewline
11 & 460.166666666667 & 56.0969831198748 & 147.3 \tabularnewline
12 & 373.95 & 53.1021228817215 & 150.3 \tabularnewline
13 & 385.1 & 35.1442999387072 & 115.5 \tabularnewline
14 & 471.358333333333 & 64.2130184808676 & 179.1 \tabularnewline
15 & 394.208333333333 & 40.6847628018454 & 138.7 \tabularnewline
16 & 407 & 46.6030432092544 & 147.6 \tabularnewline
17 & 378.575 & 49.9696839912143 & 132 \tabularnewline
18 & 336.633333333333 & 51.5290973993129 & 146.3 \tabularnewline
19 & 287.841666666667 & 33.2699826033054 & 112.7 \tabularnewline
20 & 297.566666666667 & 30.476438987082 & 117 \tabularnewline
21 & 281.666666666667 & 40.7140434412173 & 131.1 \tabularnewline
22 & 283.033333333333 & 28.4860837901065 & 109 \tabularnewline
23 & 408.85 & 48.934882520271 & 128.5 \tabularnewline
24 & 499.333333333333 & 37.5159925494408 & 109.6 \tabularnewline
25 & 484.008333333333 & 48.4390236808249 & 133.1 \tabularnewline
26 & 430.433333333333 & 37.4665022103584 & 108.4 \tabularnewline
27 & 507.583333333333 & 53.8722703730919 & 196.2 \tabularnewline
28 & 782.975 & 48.4555489832973 & 137.4 \tabularnewline
29 & 728.8 & 53.3077684940777 & 187 \tabularnewline
30 & 685.558333333333 & 72.5442618285032 & 222.9 \tabularnewline
31 & 604.716666666667 & 50.4040372360882 & 144 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=29034&T=1

[TABLE]
[ROW][C]Standard Deviation-Mean Plot[/C][/ROW]
[ROW][C]Section[/C][C]Mean[/C][C]Standard Deviation[/C][C]Range[/C][/ROW]
[ROW][C]1[/C][C]227.733333333333[/C][C]29.1940010442162[/C][C]106[/C][/ROW]
[ROW][C]2[/C][C]363.65[/C][C]36.3267119348834[/C][C]139.3[/C][/ROW]
[ROW][C]3[/C][C]328.916666666667[/C][C]93.5458451857438[/C][C]273.6[/C][/ROW]
[ROW][C]4[/C][C]205.45[/C][C]30.3247123946491[/C][C]89.5[/C][/ROW]
[ROW][C]5[/C][C]188.333333333333[/C][C]27.3773739803621[/C][C]86[/C][/ROW]
[ROW][C]6[/C][C]181.25[/C][C]26.1571995999016[/C][C]85.2[/C][/ROW]
[ROW][C]7[/C][C]353.341666666667[/C][C]36.2089506346236[/C][C]110.8[/C][/ROW]
[ROW][C]8[/C][C]285.308333333333[/C][C]46.6051783766048[/C][C]138.5[/C][/ROW]
[ROW][C]9[/C][C]275.125[/C][C]35.0509272345255[/C][C]108.8[/C][/ROW]
[ROW][C]10[/C][C]285.85[/C][C]30.7409262296136[/C][C]86.7[/C][/ROW]
[ROW][C]11[/C][C]460.166666666667[/C][C]56.0969831198748[/C][C]147.3[/C][/ROW]
[ROW][C]12[/C][C]373.95[/C][C]53.1021228817215[/C][C]150.3[/C][/ROW]
[ROW][C]13[/C][C]385.1[/C][C]35.1442999387072[/C][C]115.5[/C][/ROW]
[ROW][C]14[/C][C]471.358333333333[/C][C]64.2130184808676[/C][C]179.1[/C][/ROW]
[ROW][C]15[/C][C]394.208333333333[/C][C]40.6847628018454[/C][C]138.7[/C][/ROW]
[ROW][C]16[/C][C]407[/C][C]46.6030432092544[/C][C]147.6[/C][/ROW]
[ROW][C]17[/C][C]378.575[/C][C]49.9696839912143[/C][C]132[/C][/ROW]
[ROW][C]18[/C][C]336.633333333333[/C][C]51.5290973993129[/C][C]146.3[/C][/ROW]
[ROW][C]19[/C][C]287.841666666667[/C][C]33.2699826033054[/C][C]112.7[/C][/ROW]
[ROW][C]20[/C][C]297.566666666667[/C][C]30.476438987082[/C][C]117[/C][/ROW]
[ROW][C]21[/C][C]281.666666666667[/C][C]40.7140434412173[/C][C]131.1[/C][/ROW]
[ROW][C]22[/C][C]283.033333333333[/C][C]28.4860837901065[/C][C]109[/C][/ROW]
[ROW][C]23[/C][C]408.85[/C][C]48.934882520271[/C][C]128.5[/C][/ROW]
[ROW][C]24[/C][C]499.333333333333[/C][C]37.5159925494408[/C][C]109.6[/C][/ROW]
[ROW][C]25[/C][C]484.008333333333[/C][C]48.4390236808249[/C][C]133.1[/C][/ROW]
[ROW][C]26[/C][C]430.433333333333[/C][C]37.4665022103584[/C][C]108.4[/C][/ROW]
[ROW][C]27[/C][C]507.583333333333[/C][C]53.8722703730919[/C][C]196.2[/C][/ROW]
[ROW][C]28[/C][C]782.975[/C][C]48.4555489832973[/C][C]137.4[/C][/ROW]
[ROW][C]29[/C][C]728.8[/C][C]53.3077684940777[/C][C]187[/C][/ROW]
[ROW][C]30[/C][C]685.558333333333[/C][C]72.5442618285032[/C][C]222.9[/C][/ROW]
[ROW][C]31[/C][C]604.716666666667[/C][C]50.4040372360882[/C][C]144[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=29034&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29034&T=1

As an alternative you can also use a QR Code:

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

Standard Deviation-Mean Plot
Section	Mean	Standard Deviation	Range
1	227.733333333333	29.1940010442162	106
2	363.65	36.3267119348834	139.3
3	328.916666666667	93.5458451857438	273.6
4	205.45	30.3247123946491	89.5
5	188.333333333333	27.3773739803621	86
6	181.25	26.1571995999016	85.2
7	353.341666666667	36.2089506346236	110.8
8	285.308333333333	46.6051783766048	138.5
9	275.125	35.0509272345255	108.8
10	285.85	30.7409262296136	86.7
11	460.166666666667	56.0969831198748	147.3
12	373.95	53.1021228817215	150.3
13	385.1	35.1442999387072	115.5
14	471.358333333333	64.2130184808676	179.1
15	394.208333333333	40.6847628018454	138.7
16	407	46.6030432092544	147.6
17	378.575	49.9696839912143	132
18	336.633333333333	51.5290973993129	146.3
19	287.841666666667	33.2699826033054	112.7
20	297.566666666667	30.476438987082	117
21	281.666666666667	40.7140434412173	131.1
22	283.033333333333	28.4860837901065	109
23	408.85	48.934882520271	128.5
24	499.333333333333	37.5159925494408	109.6
25	484.008333333333	48.4390236808249	133.1
26	430.433333333333	37.4665022103584	108.4
27	507.583333333333	53.8722703730919	196.2
28	782.975	48.4555489832973	137.4
29	728.8	53.3077684940777	187
30	685.558333333333	72.5442618285032	222.9
31	604.716666666667	50.4040372360882	144

Regression: S.E.(k) = alpha + beta * Mean(k)
alpha	25.0818554501784
beta	0.0488516650103526
S.D.	0.0155384837695400
T-STAT	3.14391453728042
p-value	0.00382792717820021

\begin{tabular}{lllllllll}
\hline
Regression: S.E.(k) = alpha + beta * Mean(k) \tabularnewline
alpha & 25.0818554501784 \tabularnewline
beta & 0.0488516650103526 \tabularnewline
S.D. & 0.0155384837695400 \tabularnewline
T-STAT & 3.14391453728042 \tabularnewline
p-value & 0.00382792717820021 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=29034&T=2

[TABLE]
[ROW][C]Regression: S.E.(k) = alpha + beta * Mean(k)[/C][/ROW]
[ROW][C]alpha[/C][C]25.0818554501784[/C][/ROW]
[ROW][C]beta[/C][C]0.0488516650103526[/C][/ROW]
[ROW][C]S.D.[/C][C]0.0155384837695400[/C][/ROW]
[ROW][C]T-STAT[/C][C]3.14391453728042[/C][/ROW]
[ROW][C]p-value[/C][C]0.00382792717820021[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=29034&T=2

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29034&T=2

As an alternative you can also use a QR Code:

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

Regression: S.E.(k) = alpha + beta * Mean(k)
alpha	25.0818554501784
beta	0.0488516650103526
S.D.	0.0155384837695400
T-STAT	3.14391453728042
p-value	0.00382792717820021

Regression: ln S.E.(k) = alpha + beta * ln Mean(k)
alpha	0.596066412617842
beta	0.532942026074986
S.D.	0.115396834084912
T-STAT	4.61834183148243
p-value	7.31833172336408e-05
Lambda	0.467057973925014

\begin{tabular}{lllllllll}
\hline
Regression: ln S.E.(k) = alpha + beta * ln Mean(k) \tabularnewline
alpha & 0.596066412617842 \tabularnewline
beta & 0.532942026074986 \tabularnewline
S.D. & 0.115396834084912 \tabularnewline
T-STAT & 4.61834183148243 \tabularnewline
p-value & 7.31833172336408e-05 \tabularnewline
Lambda & 0.467057973925014 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=29034&T=3

[TABLE]
[ROW][C]Regression: ln S.E.(k) = alpha + beta * ln Mean(k)[/C][/ROW]
[ROW][C]alpha[/C][C]0.596066412617842[/C][/ROW]
[ROW][C]beta[/C][C]0.532942026074986[/C][/ROW]
[ROW][C]S.D.[/C][C]0.115396834084912[/C][/ROW]
[ROW][C]T-STAT[/C][C]4.61834183148243[/C][/ROW]
[ROW][C]p-value[/C][C]7.31833172336408e-05[/C][/ROW]
[ROW][C]Lambda[/C][C]0.467057973925014[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=29034&T=3

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29034&T=3

As an alternative you can also use a QR Code:

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

Regression: ln S.E.(k) = alpha + beta * ln Mean(k)
alpha	0.596066412617842
beta	0.532942026074986
S.D.	0.115396834084912
T-STAT	4.61834183148243
p-value	7.31833172336408e-05
Lambda	0.467057973925014

Figure 1

PNG link

Postscript link

PDF link

Figure 2

PNG link

Postscript link

PDF link

Parameters (Session):

par1 = 12 ;

Parameters (R input):

par1 = 12 ;

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

par1 <- as.numeric(par1)
(n <- length(x))
(np <- floor(n / par1))
arr <- array(NA,dim=c(par1,np))
j <- 0
k <- 1
for (i in 1:(np*par1))
{
j = j + 1
arr[j,k] <- x[i]
if (j == par1) {
j = 0
k=k+1
}
}
arr
arr.mean <- array(NA,dim=np)
arr.sd <- array(NA,dim=np)
arr.range <- array(NA,dim=np)
for (j in 1:np)
{
arr.mean[j] <- mean(arr[,j],na.rm=TRUE)
arr.sd[j] <- sd(arr[,j],na.rm=TRUE)
arr.range[j] <- max(arr[,j],na.rm=TRUE) - min(arr[,j],na.rm=TRUE)
}
arr.mean
arr.sd
arr.range
(lm1 <- lm(arr.sd~arr.mean))
(lnlm1 <- lm(log(arr.sd)~log(arr.mean)))
(lm2 <- lm(arr.range~arr.mean))
bitmap(file='test1.png')
plot(arr.mean,arr.sd,main='Standard Deviation-Mean Plot',xlab='mean',ylab='standard deviation')
dev.off()
bitmap(file='test2.png')
plot(arr.mean,arr.range,main='Range-Mean Plot',xlab='mean',ylab='range')
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Standard Deviation-Mean Plot',4,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Section',header=TRUE)
a<-table.element(a,'Mean',header=TRUE)
a<-table.element(a,'Standard Deviation',header=TRUE)
a<-table.element(a,'Range',header=TRUE)
a<-table.row.end(a)
for (j in 1:np) {
a<-table.row.start(a)
a<-table.element(a,j,header=TRUE)
a<-table.element(a,arr.mean[j])
a<-table.element(a,arr.sd[j] )
a<-table.element(a,arr.range[j] )
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,'Regression: S.E.(k) = alpha + beta * Mean(k)',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'alpha',header=TRUE)
a<-table.element(a,lm1$coefficients[[1]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'beta',header=TRUE)
a<-table.element(a,lm1$coefficients[[2]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,summary(lm1)$coefficients[2,2])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,summary(lm1)$coefficients[2,3])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'p-value',header=TRUE)
a<-table.element(a,summary(lm1)$coefficients[2,4])
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable1.tab')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Regression: ln S.E.(k) = alpha + beta * ln Mean(k)',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'alpha',header=TRUE)
a<-table.element(a,lnlm1$coefficients[[1]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'beta',header=TRUE)
a<-table.element(a,lnlm1$coefficients[[2]])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'S.D.',header=TRUE)
a<-table.element(a,summary(lnlm1)$coefficients[2,2])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'T-STAT',header=TRUE)
a<-table.element(a,summary(lnlm1)$coefficients[2,3])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'p-value',header=TRUE)
a<-table.element(a,summary(lnlm1)$coefficients[2,4])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Lambda',header=TRUE)
a<-table.element(a,1-lnlm1$coefficients[[2]])
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable2.tab')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code