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

Mon, 08 Dec 2008 14:19:14 -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/08/t1228771227ue4s3i5cows7nbd.htm/, Retrieved Thu, 16 May 2024 17:14:20 +0000

Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=31051, Retrieved Thu, 16 May 2024 17:14:20 +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

165

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]
- RMP   [Standard Deviation-Mean Plot] [] [2008-12-08 17:09:50] [29747f79f5beb5b2516e1271770ecb47]
- RMP     [Variance Reduction Matrix] [Q2] [2008-12-08 17:26:00] [29747f79f5beb5b2516e1271770ecb47]
F             [Variance Reduction Matrix] [Q2 - VRM] [2008-12-08 21:19:14] [732c025e7dfb439ac3d0c7b7e70fa7a1] [Current]
-   P           [Variance Reduction Matrix] [Step 2 correctie] [2008-12-14 15:02:37] [547636b63517c1c2916a747d66b36ebf] 

Feedback Forum

2008-12-14 08:40:56 [8e2cc0b2ef568da46d009b2f601285b2] [reply] 
De student heeft de correcte module gebruikt en legt deze module ook goed en correct uit. Spijtig genoeg werkt hij met seizoenaliteit 1 terwijl dit op 12 had moeten staan. Hierdoor bekomt hij een foutieve waarde. De correcte laagste variantie is V(Y[t],d=1,D=1) 795.483036989776 wat d = 1 en D = 1 als differentie waarden geeft.
2008-12-14 15:16:11 [Olivier Uyttendaele] [reply] 
Student hierboven heeft gelijk wanneer hij zegt dat de parameter op 12 moet staan ipv 1. Dit omdat je werkt met tijdreeks die per maand is opgedeeld. 
 
Dit heeft wel degelijk invloed op het resultaat. 
zie aangepaste blog met parameter Seasonality 12: 
http://www.freestatistics.org/blog/index.php?v=date/2008/Dec/14/t12292670419bfvpn8dwgw3a3x.htm 
 
De eerste waarden komen wel degelijk overeen, maar vanaf de 5de lijn niet meer. Je neemt dus de foutste laagste waarde. d en D moeten dus allebei 1 zijn. 
 
Je antwoord is dus fout. De korte uitleg die je geeft is wel juist. De VRM is echter wel een vrij ruwe matrix. 
De matrix geeft bij de spreiding weer wanneer je de verschillende combinaties parameters zou toepassen. Concreet wil dit dus zeggen, hoe kleiner de varantie, hoe beter de differentatie. 
 
Zoals eerder gezegd is dit een vrij ruwe manier om parameters d en D te bepalen. Het dient als een eerste stap in de juiste richting, verder onderzoek (via spectruw, autocorrelatie e.d.) is  zeker nodig. 
 
Stel dat je trimmed variance niet overeen komt met je 'gewone' variance dien je zeker verder onderzoek te voeren. 
 
De trimmed variance heeft als verschil met de 'gewone' variance dat hier de extreme waarden worden weggelaten. 
 
Je gebruikt dus doorheen het document de foute parameters.
2008-12-15 09:37:24 [Elias Van Deun] [reply] 
De vorige studenten hebben volledig gelijk. Ik heb per ongeluk de seizonaliteit laten staan op 1 waardoor er inderdaad foute waarden zijn berekend. Hierdoor is mijn conclusie niet juist: bij de kleinste variantie zijn d en D allebei gelijk aan 1.
2008-12-15 18:01:26 [Jonas De Kinder] [reply] 
In de berekening die je maakt vergeet je de parameter van de seasonal period te veranderen naar 12, dit gebeurt omdat we met maandgegevens werken.  
 
dit heeft een invloed op het resultaat wat maakt dat je VR matrix niet volledig correct is en vervolgens ook de foute 'laagste' waarde zal aflezen in beide kolommen en nadien fout zal nadien ook verkeerd differentieren omdat je met de foute parameters werkt. Als je 'juist' wil differentieren had je d=1 en D=1 moeten instellen. Om zeker te zijn van de waarden van de VRM kan je je data ook ingeven in de (p)acf en dan de juiste waarden zoeken om stationariteit te bekomen. 
2008-12-15 19:43:27 [Jeroen Aerts] [reply] 
De berekening is verkeerd aangezien je niet de seasonal period niet op 12 hebt gezet. 
 
Je hebt zelf al op het forum gezet dat het om het vergissing gaat. 
 
Dit zal dus invloed hebben op het resultaat van je VR matrix omdat je een laagste waarde zal aflezen en dan zal leiden tot een foute differentiatie omdat je foute paramters zal bekomen.  
De juiste conclusie om te differentieren is dat je d=1 en D=1 bekomt. 
 

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	0 seconds
R Server	'George Udny Yule' @ 72.249.76.132

\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 & 0 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31051&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]0 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'George Udny Yule' @ 72.249.76.132[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31051&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31051&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	0 seconds
R Server	'George Udny Yule' @ 72.249.76.132

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)	1855.27831616522	Range	306.2	Trim Var.	1019.21726473461
V(Y[t],d=1,D=1)	3601.51571083278	Range	388.2	Trim Var.	1764.07169175190
V(Y[t],d=2,D=1)	10155.4683153647	Range	595.5	Trim Var.	5250.86267655406
V(Y[t],d=3,D=1)	33224.2144269044	Range	1114.6	Trim Var.	17114.7065520862
V(Y[t],d=0,D=2)	3601.51571083278	Range	388.2	Trim Var.	1764.07169175190
V(Y[t],d=1,D=2)	10155.4683153647	Range	595.5	Trim Var.	5250.86267655406
V(Y[t],d=2,D=2)	33224.2144269044	Range	1114.6	Trim Var.	17114.7065520862
V(Y[t],d=3,D=2)	116281.440460684	Range	1939.9	Trim Var.	65727.4635102676

\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) & 1855.27831616522 & Range & 306.2 & Trim Var. & 1019.21726473461 \tabularnewline
V(Y[t],d=1,D=1) & 3601.51571083278 & Range & 388.2 & Trim Var. & 1764.07169175190 \tabularnewline
V(Y[t],d=2,D=1) & 10155.4683153647 & Range & 595.5 & Trim Var. & 5250.86267655406 \tabularnewline
V(Y[t],d=3,D=1) & 33224.2144269044 & Range & 1114.6 & Trim Var. & 17114.7065520862 \tabularnewline
V(Y[t],d=0,D=2) & 3601.51571083278 & Range & 388.2 & Trim Var. & 1764.07169175190 \tabularnewline
V(Y[t],d=1,D=2) & 10155.4683153647 & Range & 595.5 & Trim Var. & 5250.86267655406 \tabularnewline
V(Y[t],d=2,D=2) & 33224.2144269044 & Range & 1114.6 & Trim Var. & 17114.7065520862 \tabularnewline
V(Y[t],d=3,D=2) & 116281.440460684 & Range & 1939.9 & Trim Var. & 65727.4635102676 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=31051&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]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=1,D=1)[/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=2,D=1)[/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=3,D=1)[/C][C]33224.2144269044[/C][C]Range[/C][C]1114.6[/C][C]Trim Var.[/C][C]17114.7065520862[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=2)[/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=1,D=2)[/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=2,D=2)[/C][C]33224.2144269044[/C][C]Range[/C][C]1114.6[/C][C]Trim Var.[/C][C]17114.7065520862[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=2)[/C][C]116281.440460684[/C][C]Range[/C][C]1939.9[/C][C]Trim Var.[/C][C]65727.4635102676[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=31051&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=31051&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)	1855.27831616522	Range	306.2	Trim Var.	1019.21726473461
V(Y[t],d=1,D=1)	3601.51571083278	Range	388.2	Trim Var.	1764.07169175190
V(Y[t],d=2,D=1)	10155.4683153647	Range	595.5	Trim Var.	5250.86267655406
V(Y[t],d=3,D=1)	33224.2144269044	Range	1114.6	Trim Var.	17114.7065520862
V(Y[t],d=0,D=2)	3601.51571083278	Range	388.2	Trim Var.	1764.07169175190
V(Y[t],d=1,D=2)	10155.4683153647	Range	595.5	Trim Var.	5250.86267655406
V(Y[t],d=2,D=2)	33224.2144269044	Range	1114.6	Trim Var.	17114.7065520862
V(Y[t],d=3,D=2)	116281.440460684	Range	1939.9	Trim Var.	65727.4635102676

Parameters (Session):

par1 = 1 ;

Parameters (R input):

par1 = 1 ;

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