Repository of Reproducible Computations

Free Statistics

of Irreproducible Research!

Author's title

Author

*The author of this computation has been verified*

R Software Module

rwasp_variancereduction.wasp

Title produced by software

Variance Reduction Matrix

Date of computation

Fri, 05 Dec 2008 04:42:42 -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/05/t12284792135mcgndz101iwox0.htm/, Retrieved Thu, 16 May 2024 17:16:16 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=29210, Retrieved Thu, 16 May 2024 17:16:16 +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

175

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

-     [Univariate Data Series] [data set] [2008-12-01 19:54:57] [b98453cac15ba1066b407e146608df68]
F RMP     [Variance Reduction Matrix] [Q4] [2008-12-05 11:42:42] [d41d8cd98f00b204e9800998ecf8427e] [Current]

Feedback Forum

2008-12-11 19:18:07 [An Knapen] [reply] 
 
Met behulp van de ACF en de PACF kunnen we op zoek gaan naar de juiste processen en vervolgens de orde bepalen.  
 
We kunnen duidelijk opmerken dat de verticale staafjes eerst positief zijn en vervolgens sterk naar 0 gaan. Er is dus een daling merkbaar van de staafjes naar 0.Dit wijst op een AR-proces. 
Om nu de orde te kunnen bepalen van het proces, moeten we kijken naar de PACF. 
We kunnen op de grafiek zien dat er twee staafjes significant zijn, m.a.w. die boven het betrouwbarheidsinterval uitkomen. Om echter zeker de zijn, zal er een controle volgen met behulp van de computer. 
Om nu te kijken of er een seizoenaal effect aanwezig is, gaan we opnieuw kijken naar de partiële autocorrelatie. 
We kunnen op de grafiek zien dat de uitstekende staafjes zich om de 12 maanden voordoen en dan ook nog eens lichtjes afnemen. Dit is typisch voor een MA- proces. 
 
De parameters zijn dus als volgt: 
Lambda= 0,5 
p=2  (AR-proces, de orde is twee want we kunnen zien dat bij de PACF er 2 staafjes van de 4 significant zijn, ze steken met andere woorden boven het betrouwbaarheidsinterval uit) 
P=0 want er is geen seizoenaliteit bij een AR proces 
q= 0 
Om de waarde van q te bepalen,gaan we kijken of er een MA proces aanwezig is. We moeten hiervoor kijken naar de PACF. Het gaat hier om de negatieve correlatiecoëfficiënten, onder 0. In het algemeen is er niet echt een trend merkbaar aan de onderkant.  
 
 
Q= 1  
Om de waarde van Q te bepalen, moeten we kijken of er een seizoenale trend aanwezig is .Hiervoor moeten we kijken naar de ACF. Het eerste seizoenale streepje, op lag 12, komt significant buiten het betrouwbaarheidsinterval. Het streepje bij lag 24 al niet meer. Er is dus een SMA(1) proces aanwezig. 
2008-12-14 10:27:54 [94a54c888ac7f7d6874c3108eb0e1808] [reply] 
De student geeft een correcte conclusie. Toch vind ik het beter om AR 3 te nemen.  
 
*Om een AR proces te herkennen, moet gekeken worden naar de autocorrelation. Hierin is duidelijk een van de typische AR-patronen te herkennen, namelijk deze met een dalend verloop. Wanneer gekeken wordt naar de eerst 6 streepjes, is duidelijk een dalend patroon vast te stellen. Het ene streepje dat korter is vormt een uitzondering en kan uitgetrokken worden. Gezien er nu reeds vastgesteld is dat er sprake is van een AR proces, moet er alleen nog gezocht worden het type AR proces. Hiervoor moet gekeken worden naar PACF en moet het aantal significante streepjes gesteld worden. We zouden kunnen twijfelen tussen AR(2) en AR(3), gezien het derde streepje net onder het betrouwbaarheidsinterval ligt. Om het wat ruimer te nemen, kiezen we voor AR(3). Met andere woorden, p=3. Gezien er geen seizonaliteit meer is, mogen we P gelijkstellen aan 0. 
* Op de partial autocorrelation zie je geen typisch patroon dat kenmerkend is voor een MA-proces, dus q=0. Wel zien we duidelijk dat er seizonaliteit is, gezien de lijntjes om da 12 maanden een dalend patroon kennen. Om dan te zien wat de waarde is voor Q, moet gekeken worden naar hoeveel van deze seizonale lijnen buiten het betrouwbaarheidsinterval liggen op de autocorrelatie functie. Er is duidelijk maar1 enkele uitschieter, waardoor we Q gelijk mogen stellen aan 1. 
 
DUS:  
-	p= 3 
-	P=0 
-	q=0 
-	Q=1 

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=29210&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=29210&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29210&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

Variance Reduction Matrix
V(Y[t],d=0,D=0)	24040.7319917109	Range	708.9	Trim Var.	14891.1423067379
V(Y[t],d=1,D=0)	1855.27831616522	Range	306.2	Trim Var.	1019.21726473461
V(Y[t],d=2,D=0)	3601.51571083278	Range	388.2	Trim Var.	1764.07169175190
V(Y[t],d=3,D=0)	10155.4683153647	Range	595.5	Trim Var.	5250.86267655406
V(Y[t],d=0,D=1)	10061.5318845559	Range	585.7	Trim Var.	5798.12009737033
V(Y[t],d=1,D=1)	795.483036989776	Range	221.9	Trim Var.	451.063415764475
V(Y[t],d=2,D=1)	1251.20020977106	Range	223.4	Trim Var.	751.938251968809
V(Y[t],d=3,D=1)	3933.17493248985	Range	389.7	Trim Var.	2351.74535475078
V(Y[t],d=0,D=2)	23022.65043915	Range	819	Trim Var.	13637.4877562041
V(Y[t],d=1,D=2)	2352.87163598807	Range	333.6	Trim Var.	1332.90434353283
V(Y[t],d=2,D=2)	3506.43060400436	Range	407	Trim Var.	2059.39114521349
V(Y[t],d=3,D=2)	10920.6579647792	Range	659.1	Trim Var.	6490.07402051023

\begin{tabular}{lllllllll}
\hline
Variance Reduction Matrix \tabularnewline
V(Y[t],d=0,D=0) & 24040.7319917109 & Range & 708.9 & Trim Var. & 14891.1423067379 \tabularnewline
V(Y[t],d=1,D=0) & 1855.27831616522 & Range & 306.2 & Trim Var. & 1019.21726473461 \tabularnewline
V(Y[t],d=2,D=0) & 3601.51571083278 & Range & 388.2 & Trim Var. & 1764.07169175190 \tabularnewline
V(Y[t],d=3,D=0) & 10155.4683153647 & Range & 595.5 & Trim Var. & 5250.86267655406 \tabularnewline
V(Y[t],d=0,D=1) & 10061.5318845559 & Range & 585.7 & Trim Var. & 5798.12009737033 \tabularnewline
V(Y[t],d=1,D=1) & 795.483036989776 & Range & 221.9 & Trim Var. & 451.063415764475 \tabularnewline
V(Y[t],d=2,D=1) & 1251.20020977106 & Range & 223.4 & Trim Var. & 751.938251968809 \tabularnewline
V(Y[t],d=3,D=1) & 3933.17493248985 & Range & 389.7 & Trim Var. & 2351.74535475078 \tabularnewline
V(Y[t],d=0,D=2) & 23022.65043915 & Range & 819 & Trim Var. & 13637.4877562041 \tabularnewline
V(Y[t],d=1,D=2) & 2352.87163598807 & Range & 333.6 & Trim Var. & 1332.90434353283 \tabularnewline
V(Y[t],d=2,D=2) & 3506.43060400436 & Range & 407 & Trim Var. & 2059.39114521349 \tabularnewline
V(Y[t],d=3,D=2) & 10920.6579647792 & Range & 659.1 & Trim Var. & 6490.07402051023 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=29210&T=1

[TABLE]
[ROW][C]Variance Reduction Matrix[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=0)[/C][C]24040.7319917109[/C][C]Range[/C][C]708.9[/C][C]Trim Var.[/C][C]14891.1423067379[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=0)[/C][C]1855.27831616522[/C][C]Range[/C][C]306.2[/C][C]Trim Var.[/C][C]1019.21726473461[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=0)[/C][C]3601.51571083278[/C][C]Range[/C][C]388.2[/C][C]Trim Var.[/C][C]1764.07169175190[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=0)[/C][C]10155.4683153647[/C][C]Range[/C][C]595.5[/C][C]Trim Var.[/C][C]5250.86267655406[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=1)[/C][C]10061.5318845559[/C][C]Range[/C][C]585.7[/C][C]Trim Var.[/C][C]5798.12009737033[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=1)[/C][C]795.483036989776[/C][C]Range[/C][C]221.9[/C][C]Trim Var.[/C][C]451.063415764475[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=1)[/C][C]1251.20020977106[/C][C]Range[/C][C]223.4[/C][C]Trim Var.[/C][C]751.938251968809[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=1)[/C][C]3933.17493248985[/C][C]Range[/C][C]389.7[/C][C]Trim Var.[/C][C]2351.74535475078[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=2)[/C][C]23022.65043915[/C][C]Range[/C][C]819[/C][C]Trim Var.[/C][C]13637.4877562041[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=2)[/C][C]2352.87163598807[/C][C]Range[/C][C]333.6[/C][C]Trim Var.[/C][C]1332.90434353283[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=2)[/C][C]3506.43060400436[/C][C]Range[/C][C]407[/C][C]Trim Var.[/C][C]2059.39114521349[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=2)[/C][C]10920.6579647792[/C][C]Range[/C][C]659.1[/C][C]Trim Var.[/C][C]6490.07402051023[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=29210&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29210&T=1

As an alternative you can also use a QR Code:

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

Variance Reduction Matrix
V(Y[t],d=0,D=0)	24040.7319917109	Range	708.9	Trim Var.	14891.1423067379
V(Y[t],d=1,D=0)	1855.27831616522	Range	306.2	Trim Var.	1019.21726473461
V(Y[t],d=2,D=0)	3601.51571083278	Range	388.2	Trim Var.	1764.07169175190
V(Y[t],d=3,D=0)	10155.4683153647	Range	595.5	Trim Var.	5250.86267655406
V(Y[t],d=0,D=1)	10061.5318845559	Range	585.7	Trim Var.	5798.12009737033
V(Y[t],d=1,D=1)	795.483036989776	Range	221.9	Trim Var.	451.063415764475
V(Y[t],d=2,D=1)	1251.20020977106	Range	223.4	Trim Var.	751.938251968809
V(Y[t],d=3,D=1)	3933.17493248985	Range	389.7	Trim Var.	2351.74535475078
V(Y[t],d=0,D=2)	23022.65043915	Range	819	Trim Var.	13637.4877562041
V(Y[t],d=1,D=2)	2352.87163598807	Range	333.6	Trim Var.	1332.90434353283
V(Y[t],d=2,D=2)	3506.43060400436	Range	407	Trim Var.	2059.39114521349
V(Y[t],d=3,D=2)	10920.6579647792	Range	659.1	Trim Var.	6490.07402051023

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)
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')

Free Statistics

Description of Statistical Computation

Tree of Dependent Computations

Dataset

Tables (Output of Computation)

Figures (Output of Computation)

Input Parameters & R Code