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 07:54:10 -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/t1228488884fdhcu4gvjyaezui.htm/, Retrieved Thu, 16 May 2024 11:40:03 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=29292, Retrieved Thu, 16 May 2024 11:40:03 +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

183

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] [step 2] [2008-12-05 14:54:10] [821c4b3d195be8e737cf8c9dc649d3cf] [Current]

Feedback Forum

2008-12-14 20:17:11 [Vincent Vanden Poel] [reply] 
Je hebt deze vraag volledig juist beantwoord. Ook heb je rekening gehouden met de getrimde variantie. 
 
De Variance Reduction Matrix geeft de waarden weer nadat er gedifferentieerd is. Het werkt volgens volgende formule: Nablad * NablaDS * Yt = et waarbij d = # keer gewoon gedifferentieerd en D = # keer seizoenaal gedifferentieerd. Deze laatste waarde wordt gebruikt om seizoenaliteit te verwijderen. 
De 2e kolom geeft de bijhorende varianties weer. Dit is het risico/ de volatiliteit dat in de tijdreeksen zit. Deze waarde moet zo klein mogelijk zijn opdat men veel zou kunnen verklaren. We moeten ons dus de vraag stellen welke differentiatie nodig is om zoveel mogelijk van de tijdreeks te verklaren. Hier is de kleinste variantie 795,48 bij 1 maal gewoon differentiëren en 1 maal seizoenaal differentiëren. Ook de getrimde variantie is bij deze transformatie het kleinst. Indien deze verschillend zouden zijn moet je je de vraag stellen of er outliers aanwezig zijn. Zoja, kijk dan naar de kleinste waarde bij de getrimde variantie. 
 
2008-12-15 14:50:40 [Natalie De Wilde] [reply] 
Goed, juist beantwoordt. Nog een kleine opmerking: De VRM is een zeer ruwe manier om de waarde van de parameters voor de transformatie te bepalen, we moeten dit nagaan met de ACF.
2008-12-15 15:33:35 [Vincent Dolhain] [reply] 
correct 
2008-12-16 18:46:45 [Gert-Jan Geudens] [reply] 
Correct. In geval van outliers moeten we naar de getrimde variantie kijken.  
 
CORRECTIE VAN AL ONZE VORIGE FEEDBACKS MET BETREKKING TOT DE VRM :  
Voor de getrimde variantie is er GEEN logaritme gebruikt. Via een logaritme kunnen we enkel de grootste waarden verkleinen en de kleinse waarden groter maken. Trimmen is dus niet gelijk aan een logaritme toevoegen ! 
 
CORRECTIE VAN AL ONZE FEEDBACKS MET BETREKKING TOT DE VRM VAN STAP 2 VAN DEZE OPDRACHT :  
We zien hier wel een outlier maar deze heeft echter geen invloed op de regressielijn. Tevens bekomen we dezelfde resultaten met de getrimde variantie als met de gewone variantie. Het volstaat hier dus om naar de gewone variantie te kijken.
2008-12-17 08:15:59 [Jolien Van Landeghem] [reply] 
Dit is juist. We gebruiken drie verschillende methoden om de waarden die we nodig hebben om seizoenaal en niet seizoenaal te differentiëren, te vinden. We gebruiken de variance reduction matrix, de autocorrelatiefunctie en het cumulative periodogram.We gaan de variantie van de tijdreeks interpreteren als we het risico zo klein mogelijk wensen te houden (we willen een kleine variantie) deze vinden we voor d=1 en D=1.  We gaan dus 1 keer niet seizoenaal differentiëren en 1 keer seizoenaal differentiëren. 

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=29292&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=29292&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29292&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=29292&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=29292&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=29292&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