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_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationFri, 08 Oct 2010 13:51:26 +0000
Cite this page as followsStatistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2010/Oct/08/t1286545818w3xrtnk0rgvgizg.htm/, Retrieved Thu, 02 May 2024 11:34:21 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=82010, Retrieved Thu, 02 May 2024 11:34:21 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact151

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Bivariate Kernel Density Estimation] [Connected vs Sepa...] [2010-10-04 07:40:49] [b98453cac15ba1066b407e146608df68]
F         [Bivariate Kernel Density Estimation] [Connected vs Sepa...] [2010-10-08 13:51:26] [18ef3d986e8801a4b28404e69e5bf56b] [Current]
Feedback Forum
2010-10-13 18:16:50 [Stefanie Van Esbroeck] [reply] 
  2010-10-13 18:21:00 [Stefanie Van Esbroeck] [reply] 
De student heeft deze opgave goed opgelost. Alleen vind ik zijn conclusie bij de scatterplot wat kort. De student had dit beter kunnen interpreteren. Nu word er enkel iets over de relatie tussen de twee variabelen en de positieve relatie gezegd. De student had aan de conclusie kunnen toevoegen dat er duidelijk een verband is tussen de connected index en de seperated index. Dit kan wel voor een probleem zorgen. Als je goed kijkt naar deze grafiek zie je dat de puntenwolk mooi geordend ligt. Er ontstaat dus een regelmaat waarbij de punten mooi onder en naast elkaar liggen. Dit valt te verklaren door het feit dat de gegevens die gebruikt zijn gehele getallen zijn. Waardoor de kans groot is dat de bolletjes op elkaar liggen. Je kunt dit duidelijk zien door dat sommige punten vetter gedrukt zijn wat erop wijst dat er 1 of meerdere punten op elkaar liggen. Dit wijst er dus op dat er een centrum is van hoge frequentie wat duidelijker te zien is in de histogrammen boven en rechts van de grafiek.

De uitleg bij de bivariate kernel index is goed. De student vermeld hier iets over de kern van concentratie en zegt dat je dit ook ziet bij de scatterplot maar vermeld dit niet in zijn conclusie. Bij de hoogtelijnen had hij nog kunnen zeggen dat deze lijnen de punten met dezelfde frequentie verbinden. Bovendien volgen ze de vorm van de puntenwolk die ook te zien is in de scatterplot. Deze hoogtelijnen geven trouwens ene bijna lineair verband weer. De student zegt wel niets over de rechte die door de grafiek loopt. Deze rechte geeft de graad van correlatie weer. We kunnen aflezen dat de correlatie: 0,52 bedraagt. 0,52 ligt dichter bij 1 wat wijst op een positieve correlatie. Bovendien zien we ook dat de puntenwolk redelijk ver van deze rechte ligt wat er op wijst dat dit geen perfecte collinaliteit is

De student verkiest de eerste methode. Persoonlijk vind ik de tweede methode meer toepasselijker. Omdat deze een duidelijker beeld geeft van het verband tussen de twee variabelen. Zo laat methode twee met kleurschakering zien hoe de graad van concentratie van de puntenwolk is, wat onduidelijker af te lezen is op de scatterplot.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
34
33
29
34
32
35
41
27
40
40
36
40
43
40
33
37
32
26
36
39
38
34
35
41
42
36
39
33
33
36
37
36
34
32
35
39
30
25
29
39
31
26
28
40
32
35
32
41
34
36
38
34
32
34
32
40
43
35
45
36
39
31
36
36
37
40
35
36
32
36
37
42
37
36
36
33
37
35
37
28
33
45
38
43
37
36
40
39
43
32
37
34
44
35
34
37
40
36
44
35
34
40
34
39
36
40
37
35
45
39
39
37
38
46
37
27
33
42
33
33
33
38
37
35
33
39
38
39
38
30
43
34
39
36
32
37
42
40
35
39
34
28
30
36
31
34
33
37
40
39
42
47
38
38
40
37
29
37
37
33
31
36
37
39
35
33
37
42
31
32
36
32
40
32
30
37
42
37
47
37
31
41
44
40
37
33
35
40
38
36
36
35
30
37
43
33
39
38
40
29
35
37
26
28
38
29
35
38
39
44
33
35
42
30
36
40
39
36
37
37
37
36
30
32
35
42
41
35
33
39
34
39
41
34
30
29
33
40
32
37
37
36
41
34
38
40
42
32
40
38
35
34
38
24
39
42
44
35
37
34
41
33
42
30
30
40
49
39
29
39
35
35
34
24
47
24
30
34
41
32
32
35
37
40
45
35
39
46
33
40
35
38
36
34
30
44
37
36
37
34
43
31
34
38
38
34
26
36
35
37
40
43
29
30
36
38
43
41
31
36
44
35
42
31
38
34
40
41
30
43
Dataseries Y:
Download CSV
Histogram 
30
28
31
35
35
37
39
31
38
37
37
35
37
42
28
37
36
37
33
40
30
36
33
40
37
37
39
35
36
34
36
32
33
27
37
32
31
31
32
37
25
30
37
37
40
35
35
43
32
42
35
27
30
31
36
36
41
34
36
33
35
28
33
38
37
39
34
32
36
36
35
33
42
36
33
36
32
35
38
33
32
38
39
39
39
30
38
38
42
41
31
39
40
31
34
23
28
36
41
29
31
33
35
35
34
40
34
36
35
39
33
37
40
32
37
27
35
37
32
31
31
38
34
30
34
37
38
33
35
27
34
35
39
35
34
36
36
32
39
40
35
31
35
38
37
31
32
35
39
31
39
48
33
36
40
37
34
42
39
28
26
30
30
39
37
40
38
35
33
34
33
41
36
27
33
38
31
31
46
33
34
47
36
38
32
33
34
34
37
37
41
27
31
38
30
36
30
34
32
29
29
39
32
30
39
30
40
41
38
37
33
34
36
39
41
42
38
40
32
40
37
36
28
36
35
32
38
32
39
39
31
33
46
38
24
28
35
39
37
38
38
32
36
28
38
28
37
28
40
34
33
32
30
33
37
39
42
36
35
32
35
33
36
31
32
38
46
39
31
39
36
37
33
22
42
28
28
31
36
37
35
31
37
38
46
40
43
49
39
37
36
31
32
38
37
36
21
32
36
35
39
28
42
36
41
30
18
37
28
39
40
44
26
34
37
37
32
29
31
32
44
39
39
35
36
33
35
35
30
38

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time2 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 & 2 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=82010&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]2 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=82010&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=82010&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 time2 seconds
R Server'George Udny Yule' @ 72.249.76.132






Bandwidth
x axis1.49671962080113
y axis1.30492764651663
Correlation
correlation used in KDE0.52595026181494
correlation(x,y)0.52595026181494

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 1.49671962080113 \tabularnewline
y axis & 1.30492764651663 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.52595026181494 \tabularnewline
correlation(x,y) & 0.52595026181494 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=82010&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]1.49671962080113[/C][/ROW]
[ROW][C]y axis[/C][C]1.30492764651663[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.52595026181494[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.52595026181494[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=82010&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=82010&T=1

As an alternative you can also use a QR Code:  
QR Code


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

Bandwidth
x axis1.49671962080113
y axis1.30492764651663
Correlation
correlation used in KDE0.52595026181494
correlation(x,y)0.52595026181494


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
R code (references can be found in the software module):
par1 <- as(par1,'numeric')
par2 <- as(par2,'numeric')
par3 <- as(par3,'numeric')
par4 <- as(par4,'numeric')
par5 <- as(par5,'numeric')
library('GenKern')
if (par3==0) par3 <- dpik(x)
if (par4==0) par4 <- dpik(y)
if (par5==0) par5 <- cor(x,y)
if (par1 > 500) par1 <- 500
if (par2 > 500) par2 <- 500
bitmap(file='bidensity.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=par5, xbandwidth=par3, ybandwidth=par4)
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main=main,xlab=xlab,ylab=ylab)
if (par6=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par7=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Bandwidth',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'x axis',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'y axis',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation used in KDE',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation(x,y)',header=TRUE)
a<-table.element(a,cor(x,y))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')