Spsskonyv

HUZSVAl LASZL VlNCZE SZlLVlA
SPSS-knyv
Seneca Books
20l2
Huzsvai - Vincze: SPSS Statisztika
Minden jog fenntartva. Jelen knyvet vagy annak rszleteit a Kiad engedlye
nlkl brmilyen formban vagy eszkzzel reproduklni, trolni s kzlni
tilos.
Szerkesztette:
Dr. Huzsvai Lszl
lrtk:
Dr. Huzsvai Lszl
Dr. Vincze Szilvia
Kiad: SENECA BOOKS
lSBN:
978-963-08-5666-9
20l2
- 2 -
TARTALOMJEGYZK
ELSZ .................................................................................................................................................................. 7
BEVEZETS ........................................................................................................................................................... 8
FILE MEN ............................................................................................................................................................ 9
READ TEXT DATA: ................................................................................................................................................... 9
APPLY DATA DICTIONARY: ....................................................................................................................................... 9
DISPLAY DATA INFO: ................................................................................................................................................ 9
SZERKESZTS (EDIT) MEN .......................................................................................................................... 10
OPTIONS ............................................................................................................................................................ 10
NZET (VIEW) MEN ....................................................................................................................................... 11
STATUS BAR .......................................................................................................................................................... 11
TOOLBARS ......................................................................................................................................................... 11
FONTS ............................................................................................................................................................... 11
GRID LINES ........................................................................................................................................................... 11
ADATOK (DATA) MEN ................................................................................................................................... 12
DEFINE VARIABLE .............................................................................................................................................. 12
TEMPLATES ........................................................................................................................................................ 12
INSERT VARIABLE ................................................................................................................................................... 12
INSERT CASE ......................................................................................................................................................... 12
GOTO CASE ....................................................................................................................................................... 12
SORT CASES ...................................................................................................................................................... 12
TRANSPOSE ........................................................................................................................................................ 12
RESTRUCTURE .................................................................................................................................................... 12
MERGE FILES ........................................................................................................................................................ 15
AGGREGATE DATA ................................................................................................................................................. 16
ORTHOGONAL DESIGN ............................................................................................................................................. 16
Generate .................................................................................................................................................... 16
SPLIT FILE ......................................................................................................................................................... 1
SELECT CASES ................................................................................................................................................... 1
Nagy mennyisg adat lekrdezse .............................................................................................................. 17
!EIGHT CASES" ................................................................................................................................................. 20
TALAK!TSOK (TRANSFORM) MEN ...................................................................................................... 21
COMPUTE VARIABLE: .............................................................................................................................................. 21
RANDOM NUMBER SEED: ........................................................................................................................................ 21
RECODE: ............................................................................................................................................................... 21
CATEGORI#E VARIABLES: ........................................................................................................................................ 22
RAN$ CASES: ........................................................................................................................................................ 22
AUTOMATIC RECODE: ............................................................................................................................................. 22
RUN PENDING TRANSFORMS: ................................................................................................................................... 22
ELOSZLSOK ...................................................................................................................................................... 2"
ANAL!ZISEK ........................................................................................................................................................ 2#
RIPORTO$ .............................................................................................................................................................. 25
OLAP Cubes .............................................................................................................................................. !
Case summaries ........................................................................................................................................ "
#e$%rt summaries in #%&s ........................................................................................................................ '(
#e$%rt summaries in C%lumns .................................................................................................................. '(
LE%R& STATIS#TI$'$ (DESCRIPTIVE STATISTICS) ......................................................................................................... *0
Huzsvai - Vincze: SPSS-knyv
Gyak%ris)g%k *+re,uen-ies. ..................................................................................................................... '(
/es-ri$ti0es ............................................................................................................................................... '
12$l%re ...................................................................................................................................................... '
3eresztt)bl)k *Cr%sstabs. ......................................................................................................................... '4
Ngy5mez6s C7i5$r8ba 9:ggetlensg s 7%m%genit)s 0izsg)latra ............................................................. '"
CUSTOM TABLES .................................................................................................................................................... +0
$,#-P-RT-$ ,SS#EHASONL%T'S (COMPARE MEANS) ................................................................................................... +0
3;z$rtkek *<eans. ............................................................................................................................... =(
1gy5mint)s t5teszt *One >am$le ? ?est. .................................................................................................... =1
1gy5mint)s z5$r8ba ...................................................................................................................................... =
3t 9:ggetlen minta k;z$rtknek ;ssze7as%nl@t)sa *Ande$endent5>am$les ? ?est. ............................. ='
3t5mint)s z5$r8ba ....................................................................................................................................... ==
P)r%s@t%tt t5$r8ba *Paired5>am$les ? ?est. ............................................................................................. =!
1gyt5nyez6s 0arian-ia5anal@zis *One5Bay ANOCA. ............................................................................... =6
'LTAL'NOS LINE'RIS MODELL (GENERAL LINEAR MODEL) .......................................................................................... 5+
1gy50)lt%z8s 0arian-ia5anal@zis *Dni0ariate. ........................................................................................... !6
?;bb0)lt%z8s 0arian-ia5anal@zisE *<ulti0ariate. ...................................................................................... !7
K!SRLETEK TERVEZSE S RTKELSE LTALNOS LINERIS MODELLEL ...................... #8
ELM-LETI 'TTE$INT-S ............................................................................................................................................. 5.
E$%&TN%EZS VARIAN'IA&ANAL!ZIS AZ S(SS&BEN ......................................................................... )"
A MODELL -RV-NYESS-G-NE$ VI#SG'LATA ................................................................................................................ 6+
N%rmalit)s 0izsg)lat ..................................................................................................................................... 6=
F%m%genit)s 0izsg)lat .................................................................................................................................. 66
3iugr8 rtkek 0izsg)lata ............................................................................................................................. 6"
A VARIANCIA/ANAL%#IST $IEG-S#%T0 $,#-P-RT-$ ,SS#EHASONL%T& TES#TE$ ................................................................... 2
3%ntraszt%k ................................................................................................................................................... 7
>zimult)n 0agy t;bbsz;r;s ;ssze7as%nl@t8 tesztek ....................................................................................... 7=
Legkisebb szigni9ik)ns di99eren-ia *L>/. ..................................................................................................... 76
Ne&man5teszt ................................................................................................................................................ 76
G%n9err%ni5teszt ............................................................................................................................................ 77
?ukey5tesztE H.B. ?ukey *1"!'. .................................................................................................................... 77
F. >-7e99 *1"!'. >-7e99e5teszt ..................................................................................................................... 74
/unnett5teszt ................................................................................................................................................. 74
>tudent5Ne&man53euls $r8ba ...................................................................................................................... 41
/un-an t;bbsz;r;s rang teszt *1"!!E 1"6!. ................................................................................................. 41
LTALNOS LINERIS MODELLEK ........................................................................................................... 8)
TOV'BBI LEHET0S-GE$ A GLM/BEN ........................................................................................................................ ..
SZNTF*LDI K!SRLETEK TERVEZSE S RTKELSE .............................................................. 89
$%S-RLETI ELRENDE#-SE$ ........................................................................................................................................ 91
EGY/T-NYE#0S $%S-RLETE$ ..................................................................................................................................... 99
?elIesen 0letlen elrendezs *C#/. .............................................................................................................. ""
Cletlen bl%kk5elrendezs *#CG/. ............................................................................................................. 1(
Latin ngyzet elrendezs ............................................................................................................................. 1(=
Latin tgla elrendezs ................................................................................................................................. 1(7
Cs%$%rt%s@t%tt elrendezs ........................................................................................................................... 1("
$-T/T-NYE#0S $%S-RLETE$ .................................................................................................................................... 11*
Cletlen bl%kkelrendezs ............................................................................................................................ 11'
Oszt%tt $ar-ell)s *s$lit5$l%t. elrendezs ..................................................................................................... 11!
>)0%s elrendezs ......................................................................................................................................... 114
H'ROM/ -S T,BB/T-NYE#0S $%S-RLETE$ ................................................................................................................. 122
Cletlen bl%kkelrendezs ............................................................................................................................ 1
3tszeresen %szt%tt $ar-ell)s *s$lit5s$lit5$l%t. elrendezs ......................................................................... 1=
$OVARI'NSO$ AL$ALMA#'SA A LINE'RIS MODELLBEN ............................................................................................... 12.
KORREL'I& S RE$RESSZISZM!TS ............................................................................................ 1""
- 4 -
KT&VLTOZS SZTO'+ASZTIK,S KA('SOLATOK ......................................................................... 1"-
ASS#OCI'CI& ....................................................................................................................................................... 1*5
A 5 $r8ba ..................................................................................................................................................... 1'6
Assz%-i)-i8 s 9:ggetlensg 5es t)bl)ban ................................................................................................... 1'6
A 0)lt%z8k 9:ggetlensgnek tesztelse ....................................................................................................... 1'7
Az assz%-i)-i8 mrse 5es t)bl)zat esetben .............................................................................................. 1'"
Assz%-i)-i8 s 9:ggetlensg 5s t)bl)ban ..................................................................................................... 1=(
Az assz%-i)-i8 mrse 5s t)bl)zat esetben ................................................................................................ 1=1
N%min)lis 0)lt%z8k7%z tart%z8 assz%-i)-i8s mutat8k ................................................................................. 1=1
Ordin)lis 0)lt%z8k7%z tart%z8 assz%-i)-i8s mutat8k .................................................................................. 1=1
#angk%rrel)-i8 ........................................................................................................................................... 1=6
Cegyes ka$-s%lat ........................................................................................................................................ 1!!
$-T $VANTITAT%V V'LTO#& $,#,TTI $APCSOLAT ELEM#-SE ........................................................................................ 155
<agas mrsi szint 0)lt%z8k k;z;tti ka$-s%lat 0izsg)lata ........................................................................ 1!!
P%ntdiagram .............................................................................................................................................. 1!6
Line)ris k%rrel)-i8s egy:tt7at8 .................................................................................................................. 1!"
3%rrel)-i8s inde2 ....................................................................................................................................... 161
A line)ris k%rrel)-i8s egy:tt7at8 meg7at)r%z)sa >P>>5ben ..................................................................... 161
A regresszi8s egyenes ................................................................................................................................. 16'
A legkisebb ngyzetek m8dszere ................................................................................................................. 16=
A line)ris regresszi8sz)m@t)s menete ......................................................................................................... 16!
A line)ris 9:gg0ny meg7at)r%z)sa ............................................................................................................ 16!
A k%rrel)-i8s egy:tt7at8 s a determin)-i8s egy:tt7at8 kisz)m@t)sa ........................................................ 167
A regresszi8 szigni9ikan-ia0izsg)lata ......................................................................................................... 16"
A kt 0)lt%z8 ;ssze9:ggsnek szigni9ikan-ia0izsg)lata ............................................................................. 16"
A regresszi8s egyenesb6l sz)m@t%tt rtkek 7ib)Ia .................................................................................... 17(
A regresszi8s k%e99i-iens statisztikai $r8b)i ............................................................................................... 17
A regresszi8s k%e99i-iens 7ibasz8r)sa ........................................................................................................ 17
A regresszi8s k%e99i-iens k%n9iden-ia7at)rai ............................................................................................. 17
A regresszi8s egyenlet k%nstans tagI)nak $r8b)Ia ..................................................................................... 17'
A k%rrel)-i8s k%e99i-iens statisztikai $r8b)i ............................................................................................... 17'
A LINE'RIS REGRESS#I& ELV-G#-SE A# SPSS/BEN .................................................................................................... 15
T*BBSZ*R*S LINERIS RE$RESSZISZM!TS ............................................................................... 18-
A STANDARD LINE'RIS REGRESS#I&S MODELL ............................................................................................................ 1.+
<ultik%llinearit)s ....................................................................................................................................... 14!
A multik%llinearit)s mrse ........................................................................................................................ 146
Aut%k%rrel)-i8 ............................................................................................................................................ 147
Az els6rend aut%k%rrel)-i8 tesztelse ...................................................................................................... 147
Feter%szkedaszti-it)s ................................................................................................................................. 14"
A T,BBS#,R,S LINE'RIS REGRESS#I&S#'M%T'S L-P-SEI .............................................................................................. 1.9
A regresszi8s m%dell illeszkedsnek 0izsg)lata ........................................................................................ 1"(
A $aramterek tesztelse ............................................................................................................................ 1"1
A be-s:lt $aramterek Ielentse ................................................................................................................. 1"
A reziduum%k 0izsg)lata ............................................................................................................................. 1"
$-T F1GGETLEN V'LTO#&S LINE'RIS REGRESS#I&ELEM#-S .......................................................................................... 19*
A regresszi8 $aramtereinek meg7at)r%z)sa kzi sz)m@t)ssal .................................................................. 1"'
A regresszi8s $aramterek meg7at)r%z)sa az >P>>50el ............................................................................ (!
H'ROM F1GGETLEN V'LTO#&S REGRESS#I&ANAL%#IS .................................................................................................. 20.
NEMLINE'RIS ,SS#EF1GG-SE$ VI#SG'LATA .............................................................................................................. 21
Line)risra 0issza0ezet7et6 ;ssze9:ggsek 0izsg)lata ................................................................................. 14
L%garitmikus regresszi8 ............................................................................................................................. 1"
12$%nen-i)lis regresszi8 ............................................................................................................................ 6
Fat0)nykite06s regresszi8 .......................................................................................................................... '1
Parab%likus regresszi8 ............................................................................................................................... '7
Line)risra nem 0issza0ezet7et6 ;ssze9:ggsek 0izsg)lata ......................................................................... =1
L%gisztikus 9:gg0ny .................................................................................................................................. =1
A l%gisztikus 9:gg0ny $aramtereinek meg7at)r%z)sa ............................................................................. =
ADATRED,K'IK .......................................................................................................................................... 2#"
- 5 -
F0$OMPONENS/ANAL%#IS ........................................................................................................................................ 25*
3%rrel)-i8s m)tri2 meg7at)r%z)sa ............................................................................................................ !!
Az D saI)t0ekt%r m)tri2 s a saI)trtkek *JI. meg7at)r%z)sa .................................................................. !6
+6k%m$%nens k%e99i-iensek ........................................................................................................................ !6
+6k%m$%nens 0)lt%z8k ............................................................................................................................... !7
A 96k%m$%nens 0)lt%z8k )br)z%l)sa .......................................................................................................... !4
A 96k%m$%nens sKly%k meg7at)r%z)sa ....................................................................................................... !"
+6k%m$%nensek )br)z%l)sa ....................................................................................................................... 6
A 96k%m$%nenssKly%k gyak%rlati rtelmezse ............................................................................................ 6'
+6k%m$%nens5anal@zis 9%rgat)ssal ............................................................................................................. 6=
FA$TOR/ANAL%#IS ................................................................................................................................................. 269
$ATEGORI$US F0$OMPONENS/ANAL%#IS .................................................................................................................... 269
NEM (ARAMTERES (RBK .................................................................................................................... 271
CHI/N-GY#ET TES#T .............................................................................................................................................. 21
BINOMI'LIS TES#T ................................................................................................................................................ 22
RUNS TEST .......................................................................................................................................................... 2*
EGYMINT'S $OLMOGOROV/SMIRNOV TES#T (ONE/SAMPLE $OLMOGOROV/SMIRNOV TEST) ........................................... 2
$-T F1GGETLEN MINT'S TES#TE$ (T!O INDEPENDENT SAMPES TESTS) ........................................................................ 2.
T,BB F1GGETLEN MINT'S TES#T ($ INDEPENDET SAMPLES...) .................................................................................... 2.0
$-T P'RON$-NT ,SS#ETARTO#& MINT'$ TES#T2EI (2 RELATED SAMPLES) ................................................................ 2.0
$ S#'M3 ,SS#ETARTO#& MINTA TES#T2EI ($ RELATED SAMPLES) ............................................................................ 2.1
IDSOROK ANAL!ZISE .................................................................................................................................. 28"
TREND ................................................................................................................................................................ 2.+
R,VID LE2'RAT3 S#E#ON'LIS -S V-LETLEN ,SS#ETEV0$ ............................................................................................. 2.+
A s%r%zat 0letlenszersgnek 0izsg)lata ................................................................................................. 4=
Peri%d%gram5elemzs ................................................................................................................................. 46
12$%nen-i)lis sim@t)s ................................................................................................................................. 46
A szez%n)lis 7at)s 9elb%nt)sa ..................................................................................................................... "
$RAFIKONOK ................................................................................................................................................... 29-
OS#LOP DIAGRAMO$ (BAR CHARTS) ....................................................................................................................... 29+
1gyszer *>im$le. ....................................................................................................................................... "=
Cs%$%rt%s@t%tt *Clustered. .......................................................................................................................... "!
Falm%z%tt *>ta-ked. ................................................................................................................................... "7
$,RDIAGRAMO$ (PIE CHARTS) .............................................................................................................................. 29.
KRD!VEK TERVEZSE ............................................................................................................................. "01
KRD!VEK KIRTKELSE ..................................................................................................................... "0-
NOMIN'LIS T%PUS3 ADATO$ $I-RT-$EL-SE ............................................................................................................... *0+
ORDIN'LIS T%PUS3 ADATO$ $I-RT-$EL-SE ................................................................................................................ *0.
S$'LA T%PUS3 ADATO$ $I-RT-$EL-SE ...................................................................................................................... *10
T,BBS#,R,S V'LAS#AD'SO$ ELEM#-SE 1. ............................................................................................................... *1*
MAXIMUM $ V'LAS# ELEM#-SE 2. .......................................................................................................................... *19
$%AKORL FELADATOK ............................................................................................................................. "20
F$$ELK ........................................................................................................................................................ "22
A.NLOTT IRODALOM ................................................................................................................................. ""1
$A,SS/ 'ARL FRIEDRI'+ ............................................................................................................................ """
- 6 -
ELSZ
A knyv megrsakor az egyik fontos clunk az volt, hogy a statisztikai s
biometriai mdszereket konkrt szmtgpes krnyezetben mutassuk be,
tovbb a mdszerek elmleti elsajttsn tlmenen, azok szmtgpen
val helyes alkalmazst s a kapott eredmnyek tudomnyos igny
rtelmezst is megismerje az olvas.
Korbban ilyen tfog m Svb Jnos s Wellisch Pter munkssga nyomn
jelent meg, melyben a szerzk a mdszerek kzi szmtsait, valamint a
publikcikban megjelenthet eredmnyek, tblzatok tartalmt s formjt
ismertettk. Sok kutat a mai napig bibliaknt hasznlja.
Az azta eltelt vekben sok j biometriai mdszer kerlt be a gyakorlatba s a
szmtgpes statisztikai programcsomagokba. Ez a tny teszi indokoltt,
hogy egy olyan tfog kiadvnyt jelentessnk meg, amelyben a Debreceni
Egyetemen vgzett tbb vtizedes kutatmunka eredmnyeit s tapasztalatait
felhasznlva mutatjuk be napjaink legkorszerbb statisztikai s biometriai
mdszereit. Ez a knyv egy matematikus s egy mezgazdsz kzs munkja
sorn szletett meg.
A knyv egyik sajtossga, hogy a mdszereket tbbnyire vals ksrleti
adatokon keresztl szemllteti. Nhny mdszer ismertetsekor azonban a
knnyebb rthetsg rdekben a pldkban kitallt adatokat hasznlunk fel;
ilyenkor nem clunk a szakmailag helytll kvetkeztets levonsa.
A knyv fejezetei azonos elvek alapjn plnek fel: elszr ismertetjk az
elmletet, az alkalmazhatsg feltteleit, majd konkrt pldn keresztl a
szmtgpes megoldst, vgezetl megvizsgljuk, hogy teljesltek-e az
alkalmazhatsg felttelei.
Mirt pont az SPSS?
Mert ezt a programot a felsoktatsi intzmnyek ingyen hasznlhatjk, s a
statisztika minden terlett felleli.
Ajnljuk ezt a knyvet a felsoktatsi intzmnyek hallgatinak, oktatknak,
kutatknak, minden olyan embernek, akik munkjuk sorn a biometrihoz
kzel kerltek valamint nem utols sorban a mindenkori oktatsi miniszternek.
A szerzk
Debrecen, 20l2. mrcius
BEVEZETS
Az SPSS hasonlan tbb Windows programhoz tbbablakos technikval
dolgozik. Kln ablakban kezelhetjk az adatbzist, mely leginkbb egy
- 7 -
tblzatkezel adatbzishoz hasonlt, kln ablakban jelenik meg az
eredmny, s kln-kln ablakban szerkeszthetjk a syntaxokat s
szkripteket.
A syntax az SPSS bels nyelve, melyben a prbeszdablakokban belltott
utastsokat trolhatjuk s futtathatjuk. Ezen bels nyelv segtsgvel olyan
elemzseket, ill. utastsokat is kiadhatunk, melyeket a prbeszdpanelbl
nem. Az SPSS kiterjesztett matematikai, ill. mtrix mveletei, melyekkel a
legbonyolultabb szmtsi mveletek is elvgezhetk, csak ezen bels
nyelven megrt nagyon egyszer utastsokkal vgezhetk el. A mtrix eljrs
tartalmazza az elemi mtrix mveletektl (sszeads, kivons, szorzs,
oszts) kezdden a determinns, inverzmtrix, sajtrtk, sajtvektor, stb.
meghatrozst. Ezekre a korrelci- s regresszi szmtsban mutatunk be
nhny pldt. A ciklusutastsok, itercis eljrsok, automatikus adatbzis
ksztsek is csak a syntax editor ablakban futtathatk. Syntaxot a
legegyszerbb mdon a prbeszdablakok Paste utastsval hozhatunk
ltre. llyenkor megnylik a syntax editor ablak s megjelennek a parancssorok.
Az ilyen mdon el nem rhet parancsokat, a szintaktikai szablyoknak
megfelelen, sajt kezleg kell berni. A szintaktikai lers megtallhat az
SPSS Syntax Reference Guide-ban. A legfontosabb utastsok az aktulis
fejezetekben kerlnek ismertetsre.
A szkriptek valjban sax basic nyelven rt fggvnyek s eljrsok sorozata.
Ez a nyelv, nhny specilis szablytl eltekintve, nagyon hasonlt a Visual
Basicre. Aki mr programozott Visual Basicben, a programhoz szlltott plda
szkriptek tanulmnyozsa utn, knnyedn elksztheti a sajt szkriptjeit. A
szkriptek segtsgvel az SPSS minden lehetsgt ki lehet aknzni. Az un.
autoszkriptek segtsgvel egy esemny bekvetkezsekor vgrehajtdik egy
utastssorozat, amivel pldul egy kimutatstblzat ltrehozsakor
automatikusan bellthatjuk, hogy mely vltozk jelenjenek meg a kimutats
soraiban, oszlopaiban, legyen-e rszsszegzs, s ezek milyen formtumot
vegyenek fel. A szkriptek s syntaxok egyms kztt tjrhatk (szkriptbl
futtathatunk syntaxot s syntaxbl szkriptet).
A knyvben lertak az SPSS 9.0-tl kezdden a ksbbi verzikban is jl
alkalmazhatk, mivel a program kszti csupn aprbb mdostsokat
eszkzltek, ami nem okozott lnyegi vltozst. A knyelmi szolgltatsok
beptse a ksbbi verzikban esetenknt mg egyszerbb teszi az egyes
mveletek vgrehajtst.
FILE MEN
Read Text Data:
text tpus adatok beolvassa, pl. automata meteorolgia lloms adatait.
.dat kiterjesztssel. Fixed widht, a fels sor tartalmazza a vltozk neveit. A
- 8 -
vltozk rgi neveinek jakat adhatunk. Mentsk el a fjl formtumt ksbbi
munkk szmra .tpf kiterjesztssel.
Apply Data Dictionary:
Az SPSS-be mr beolvasott adatok oszlop, cmke, stb. kiegszt adatait mr
meglv adatbzisbl is beolvashatjuk a fenti paranccsal, .sav kiterjeszts
fjlt vlasztva.
Display Data Info:
Lemezen trolt adatbzis tulajdonsgait, vltozit, cmkit listzza ki.
rdemes nha .por, portable formtumba menteni az adatokat, mert ezt mg
a DOS-os programok is el tudjk olvasni, mivel majdnem szveg fjlknt
menti. Excelbl 4.0-s munkalapknt kell menteni az adatokat.
SZERKESZTS (EDIT) MEN
Options
Charts: A grafikonok formtumt, kinzett lehet megadni. A mintt (template)
elre szerkesztett formtumban, fjlban megrizve is megadhatjuk. Figyeljnk
arra, hogy a megadott knyvtrban ott legyen a .sct kiterjeszts fjl. Ha
trljk, a program indtsa utn hibajelzst kapunk. Bettpusokat, szneket,
vonalakat, mintzatot hatrozhatunk meg. A grafikon kerett, rcsozatt
llthatjuk be interaktv mdon.
Alapbelltsok: Edit Options General, Output Labels, Data
NZET (VIEW) MEN
Status Bar
A tblzat aljn tallhat informcis svot jelenthetjk meg vagy rejthetjk el.
Toolbars
A mensor al klnbz ikonokat rakhatunk ki, amelyek gy gyors
billentyknt szolglnak. A leggyakrabban hasznlt eljrsokat rdemes itt
megjelenteni. (Show Toolbars). A bellts paranccsal (Customize.)
elvgezhetjk a szksges belltsokat. Az Edit Tool. billentyvel mg az
ikonokat is trajzolhatjuk kvnsg szerint. Bal egr gombbal fogjuk meg az
- 9 -
ikonokat s vigyk a kvnt helyre. Az ikonok trlst is hasonl mdon
vgezhetjk, egyszeren vontassuk ki az ikon terletrl.
Fonts
Meghatrozhatjuk a bet tpust (Arial, Courier, stb., stlust (norml, dlt,
flkvr, flkvr dlt), mrett (8-72). Kivlaszthatjuk az alkalmazott
rsrendszert (Kzp-eurpai, Nyugati, Grg, stb.).
Grid Lines
Az adatbzis ablakban a rcsozatot tudjuk ki, illetve bekapcsolni.
ADATK (DATA) MEN
Define ariable
Az aktv adat editor ablakban a kivlasztott vltoz ler fejlc adatait lehet
megvltoztatni, vagy j adatbzis vltozit lehet definilni.
Te!plates
Ha tbb vltoznak egyszerre akarjuk belltani a tulajdonsgait, akkor ezt a
parancsot kell hasznlni. Elzetesen az aktv editor ablakban a mdostand
vltozkat lenyomott egrbillentyvel ki kell jellni
Insert ariable
j vltoz (oszlop) beszrst vgzi az aktv vltoz utn.
Insert "ase
Egy j eset (sor) beszrst vgzi az aktv eset utn.
Goto "ase
Megkeresi az adott esetet. Ha nem az adat ablak az aktv, akkor ennek a
parancsnak hatsra azz vlik. A keres dobozt a kvnt eset megkeresse
utn a Close gomb megnyomsval lehet lezrni.
- l0 -
Sort "ases
Az adatmtrix sorai cskken vagy nvekv sorrendbe rendezhetk. A
parancsdobozban meghatrozhatjuk, hogy melyik legyen az elsdleges,
msodlagos, stb. kulcs.
Transpose
Az adatmtrix sorainak s oszlopainak felcserlse, ezzel az esetek s
vltozk szerepei is felcserldnek. A rgi vltozk nevei a legels j vltoz
esetei lesznek, a tbbi j vltoz neve case_l, case_2, . stb. lesznek.
Restructure
ltt az adatbzisok szerkezett tudjuk megvltoztatni. Ezt tstrukturlsnak is
nevezik. Vegyk az albbi egyszer adatbzist, s vltoztassuk meg a
szerkezett. A mrt nedvessgi rtkek rtegenknt kerljenek j vltozkba.
ntz
s
Talajmvel
s
Rte
g
Nedvess
g
l,00 l,00 l,00 l4,00
l,00 l,00 2,00 l5,00
l,00 l,00 3,00 l6,00
l,00 2,00 l,00 l7,00
l,00 2,00 2,00 l8,00
l,00 2,00 3,00 l9,00
2,00 l,00 l,00 20,00
2,00 l,00 2,00 2l,00
2,00 l,00 3,00 22,00
2,00 2,00 l,00 23,00
2,00 2,00 2,00 24,00
2,00 2,00 3,00 25,00
Data, Restructure. parancs utn az albbi prbeszdpanelt kapjuk. ltt
kivlaszthatjuk, hogy a vltozkbl csinljuk eseteket vagy fordtva, a
kivlasztott esetekbl legyenek j vltozk. A harmadik esetben az adatbzist
transzponljuk.
- ll -
A Tovbb billenty utn meg kell adni az j adatbzis szerkezett. Szerintem,
ez a prbeszdablakokban kiss nehzkes, sokkal egyszerbb programbl
megadni. A baloldali ablakban lthatk a jelenlegi adatbzis vltozi
(Variables in the Current File). Azonost vltozknak adjuk meg az ntzs
s talajmvels vltozkat. Ezek kln sorokban fognak megjelenni az j
adatbzisban. lndex vltoznak jelljk ki a rteg vltozt. Ez az adatbzis
oszlopaiban fog megjelenni j vltozknt. Mivel hrom rteg van a
nedvessg hrom j vltozban fog megjelenni.
- l2 -
ntzs Talajmvels Nedvessg_l Nedvessg_2 Nedvessg_3
l,00 l,00 l4,00 l5,00 l6,00
l,00 2,00 l7,00 l8,00 l9,00
2,00 l,00 20,00 2l,00 22,00
2,00 2,00 23,00 24,00 25,00
#er$e Files
Fjlok bvtse, sszekapcsolsa. j megfigyelsekkel (esetekkel) vagy j
vltozkkal bvthetjk az adatbzist. Az esetek bvtsvel jabb
megfigyelseket csatolhatunk az adatainkhoz. j vltozkkal trtn
bvtskor tbb vlasztsi lehetsgnk is van, el tudjuk lltani, pl. kt fjl
kombincijt egy kulcs vltoz felhasznlsval. Legyen a terms.sav fjlnak
hrom vltozja: v, npk, terms. sszesen 84 megfigyelt
termseredmnynk van, t-t l990-tl 2003-ig. Legyen a csapadk.sav
fjlnak kt vltozja: v s csapadk. sszesen l4 megfigyelsnk (rekord)
- l3 -
van, l990-tl 2003-ig. Ki szeretnnk bvteni a terms.sav fjlunkat a
csapadk rtkekkel, hogy minden megfigyelshez a megfelel csapadkrtk
tartozzon. Nyissuk meg a terms.sav fjlt, s rendezzk nvekv sorrendbe az
vek szerint. Vlasszuk az Add Variables parancsot, a fjl megnyits
prbeszdpanelbl vlasszuk ki a csapadk.sav fjlt. j prbeszdpanelt
kapunk, amiben a kt fjl informcii lthatk. Vlasszuk a Match cases on
key variables in sorted files lehetsget, s a rdigombok kzl External file
is keyed table. A kls adatbzis lesz a kulcsmez tbla, ez tartalmazza a
kulcsmezt. A kulcsmez csak egyszer fordulhat el a tblban. Az Excluded
Variables: mezben jelljk ki az vvltozt, s hzzuk a Key Variables:
mezbe. Az OK gomb lenyomsa utn figyelmeztetst kapunk: ha nincsenek a
fjlok a kulcsmez szerint sorba rendezve, rossz eredmnyt kapunk. Ez a
lehetsg nagyon jl hasznlhat a logikailag sszetartoz klnbz tblk
idszakos sszekapcsolsra, s elemzsi feladatok elvgzsre. Ez nem
ms, mint az egy a tbbhez kapcsolat megteremtse egy relcis
adatbzisban. Ennek kt felttele van, hogy mindkt fjlban legyen azonos
kulcsmez, ami alapjn ssze lehet kapcsolni a kt adatbzist, s mindkt fjl
a kulcsmez szerint sorba legyen rendezve.
A$$re$ate Data
Break Variables: az a vltoz, ami szerint az sszegzs ill. statisztika
kszljn. Aggregate Variables: vltoz, amit sszegezni szeretnnk. Create
new data file: ezt vlasztva egy j aggr.sav kiterjeszts fjl kszl az
aggreglt adatokkal.
Ort%o$onal Desi$n
!"#"$%&"'
Mtrgyzs ntzs Status Krtya
N 60 nem ntztt Design l
N 30 nem ntztt Design 2
N 30 ntztt Design 3
nem trgyzott ntztt Design 4
nem trgyzott nem ntztt Design 5
N 60 ntztt Design 6
Tbb-tnyezs ksrletek szmra linerisan fggetlen kezelskombinci
tervet kszthetnk vletlen szm genertor segtsgvel. A tnyez nevnek
(Factor Name) s cmkjnek (Factor Label) megadsa utn az Add
billentyvel felvesszk a tnyezk ablakba. Az egrrel kivlasztva a tnyezt
- l4 -
definilni kell a kezelsszintek szmt (Define Values.), s el is lehet
nevezni, pl. mtrgybl l.3, nem trgyzott, 30 kg nitrogn, 60 kg nitrogn,
stb.
Split File
Lehetsgnk van az adatbzist felosztani s az elvgzett analziseket gy
elvgezni. Hrom lehetsg kzl vlaszthatunk:
Minden esetet megvizsglunk, nem kpeznk csoportokat.
A csoportokat hasonltjuk ssze.
Az analzisek eredmnyt csoportonknt jelentjk meg.
Select "ases
eseteket vlaszthatunk ki az adatbzisbl. Ngy lehetsg kzl
vlaszthatunk:
Minden eset rszt vegyen az analzisben.
Ha valamilyen felttel teljesl (if then)
Vletlen minta az esetekbl
Kijellhetjk az esetek bizonyos tartomnyt, az els s utols eset
megjellsvel
Hasznlhatunk szr vltozt
Mi legyen a ki nem vlasztott esetek sorsa? Lehet szrni s trlni ket az
adatbzisbl.
N%() *"##)+,-(. %/%& 0"1-$/"2-,"
Egy viszonylag nagy adatbzisbl nagy mennyisg adatot klnbzkppen
krdezhetnk le. Az egyik legegyszerbb megolds az adatok szrse (select
cases) parancs hasznlata, azonban nagy mennyisg adat, illetve tbb-
szempontos lekrdezskor nagyon sokat kell rni, s bonyolult logikai
kifejezseket kell megalkotni. Nagy a hibzsi valsznsg. A msik nagyon
hatkony megolds, ha ksztnk egy lekrdez adatbzist, s ehhez
kapcsoljuk a nagy adatbzisbl az adatokat az sszekapcsol utastssal
(merge files, add variables).
Pl.: a nagy adatbzis harminc v klnbz kukorica hibridjeinek termseit
tartalmazza. Ksztsk el az elre kivlasztott harminc hibrid egy-kt vagy
tbb ves termseredmnyt. Az els lps, alkossuk meg a lekrdez
adatbzist. Rendezzk nvekv sorrendbe az adatokat a hibridek s v
szempont alapjn (Data, Sort Cases.).
A msodik lpsben kapcsoljuk hozz a termseredmnyeket a nagy
adatbzisbl.
- l5 -
- l6 -
- l7 -
&ei$%t "ases'
Alul vagy tl reprezentlt mintk esetben lehet slyztnyezt alkalmazni. Ha
tbb ismrv alapjn is alul vagy tl reprezentlt a minta, akkor egyenknt kell a
slyztnyezket kiszmtani, s az egyenknti slyztnyezket ssze kell
szorozni. (Ez a szociolgiai s trsadalomkutatsban elfogadott eljrs.) Pl.:
60 megfigyelsbl 50 frfi s l0 n. A frfiak tl reprezentltak ebben a
mintban ezrt a kt slyz tnyez frfiak esetben l0/60, nk esetben
50/60.
3TALAK4T3SK (TRANSFRM) MEN
Az adatmtrix elemeit lehet megvltoztatni, illetve j vltozkat lehet
ellltania rgi vltozk segtsgvel. Atkdolhatjuk a rgi esetek rtkeit
akr j, akr a rgi vltozkba. Az esetek rangszmait is kiszmthatjuk.
"o!pute ariable:
Szmtott vltoz ltrehozsa. Meg kell adni a clvltoz nevt s a
numerikus kifejezst. Lehetsg van arra is, hogy valamilyen logikai kifejezst
is belltsunk, s ilyenkor csak azoknl az eseteknl kpzdik a szmtott
rtk, amelyeknl a logikai rtk igaz. A tbbi helyre system missing value
kerl.
Gyakran elfordul feladat, hogy idsort kell ellltani, vagy meglv idsort
kell klnbz szempontok szerint talaktani. A talaj-nvny-atmoszfra
modellekben az idt az aktulis v janur elsejtl eltelt napok szmval
jellik (Julianus dtum). Havonknti, negyedvenknti sszestst ill.
kimutatst gy elg nehz elvgezni. A program a klnbz dtum
fggvnyekkel lehetsget biztost az talaktsokra. Pl. DATE.YRDAY(v, az
v napja) segtsgvel rendes dtumot lehet ellltani. A szmtott j
vltoznak termszetesen dtum tpust kell megadni. A DATE. fggvnyekkel
szmokbl lehet klnfle dtumot ellltani, az XDATE. fggvnyek pedig
dtumbl szmokat, pl. napok szma, hnap szma, negyedvek szma, stb.
Az gy elksztett attribtumokkal klnfle szempontok szerint
csoportosthatjuk az adatokat, kszthetnk statisztikkat, elemzseket. (ld.
esztend2002.sav).
Vletlen szmokat is el tudunk lltani a beptett eloszlsfggvnyek
segtsgvel. Pl. RV.NORMAL(mean, stddev) norml eloszls ismert
kzprtk s szrs esetn.
Rando! (u!ber Seed:
A szmtgppel generlt u.n. pszeud-vletlen szmok ellltsakor a
kiindulsi szm megadsa. Csak sok szmjegy, pratlan szm adhat meg.
- l8 -
Amennyiben sokszor generlunk vletlen szmokat, idnknt clszer
tlltani, nehogy ismtlds lpjen fel a vletlen szmok kztt.
Count:
Egy olyan j vltoz hozhat ltre, amelyben a vltozlistra felvitt vltozk
egyttes elfordulsait lehet regisztrlni.
Recode:
Elfordulhat, hogy ugyanazt a hibridet szintaktikailag ktfle mdon
rgztettk, pl. Pelican s Pelikn. Az automatikus jrakdols sorn kt
klnbz szm fog hozzrendeldni a kt megnevezshez. Hogyan lehet ezt
kijavtani?
Az jrakdols sorn vlaszthatjuk, hogy ugyanabba a vltozba (lnto Same
Variables) vagy j vltozba (lnto Different Variables) kerljenek az j rtkek.
Vlasszuk, hogy ugyanabba a vltozba kerljenek az rtkek. Fel kell
sorolnunk a rgi s j rtkeket, s fel kell venni ket a listba, majd OK. Az
jrakdols megtrtnik. Meg kell jegyezni, hogy a rgi rtkek, amelyek most
mr nem szerepelnek az adatbzisban, cmki tovbbra is megrzdnek.
A rgi felesleges cmkket az Automatikus jrakdolssal (Autamatic Recode)
trlhetjk. sszefoglalsknt: Automatic Recode Recode lnto Same
Variable Automatic Recode.
"ate$ori)e ariables:
Egy vltoz tartomnyt lehet felosztani kategrikra, alapllapotban ngy
kategrit ajnl fel a program, de lehet vltoztatni.
Ran* "ases:
Egy vltoz rtkeinek a nagysg szerinti sorrendben elfoglalt helyzetnek
megfelel rangszmt generlja egy j vltozba. Ha kt egyforma rtk ll a
vltozban, megfelezi a sorszmot, pl. l,5 s l,5.
Auto!atic Recode:
Vltozkat lehet automatikusan jrakdolni. A vltoz listbl vlasszuk ki az
jrakdoland vltozt, a New Name ablakba rjuk be az j vltoz nevt s
nyomjuk meg a New Name gombot. OK utn automatikusan jrakdolja a
vltozt. Text tpus vltoz esetben, ha a vltoz klnbz csoportokat
jell nem rdemes a szveget minden egyes rekordban trolni, elg csak a
kdokat. Ezzel az adatfjlt mrete jelentsen cskken. A kdok numerikus
rtkek lesznek. Az jrakdolt vltozban a szmokhoz cmkk (labels)
kapcsoldnak, melyek az eredeti text tpus vltoz tartalmt veszik fel.
- l9 -
Run +endin$ Transfor!s:
A felfggesztett transzformcis parancsokat hajtja vgre. Fknt a syntax-ok
futtatsakor hasznljuk. amelyeket a transzformcis opcikat hasznlva a
Preferences parancsdobozban felfggesztettnk.
ELSZL3SK
UNlFORM(max) = egyenletes eloszls pszeud vletlen szmok ellltsa a
0 s max tartomnyban.
RV.UNlFORM(min, max) = egyenletes eloszls pszeud vletlen szmok
ellltsa min s max kztt.
RND(numexpr) = egsz rsz fggvny
Kockadobsok szimullsa:
RND(UNlFORM(6)+0.5), egyenletes eloszls l-tl 6-ig. brzolni a
gyakorisgot oszlopdiagramon.
VL1
6.00 5.00 4.00 3.00 2.00 1.00
C
o
u
n
t
640
630
620
610
600
590
580
570
Hat j egyenletes eloszls vltoz ltrehozsa, sszeg kiszmtsa.
Abrzoljuk az sszeget!
- 20 -
SSZEG
34.00
32.00
30.00
28.00
26.00
24.00
22.00
20.00
18.00
16.00
14.00
12.00
10.00
7.00
C
o
u
n
t
400
300
200
100
0
Az adatok standardizlsa, Analyze, Descriptive Statistics, Descriptives.,
Save standardized values as variables. Abrzols.
Zscore(SSZEG)
3.11661
2.63735
2.15808
1.67881
1.19954
.72028
.24101
-.23826
-.71752
-1.19679
-1.67606
-2.15532
-2.63459
-3.35349
C
o
u
n
t
400
300
200
100
0
- 2l -
ANAL4ZISEK
Riporto*
Adatbzisunkrl klnbz szempontok alapjn kszthetnk kimutatsokat
tblzatos formban.
LA5 678",'
Kimutatsokat, kimutats tblzatokat kszthetnk skla tpus adatokkal
(Olap Cubes), Pivot tbla formtumban. OLAP (Online Analytical Processing).
Rteg (layer), sor (row) s oszlop (column) vltozk szerint csoportosthatjuk
az adatainkat. Klnbz statisztikkat jelenthetnk meg, centrlis mutatkat,
szrdsi s terjedelmi jellemzket.
Analyze, Reports, OLAP Cubes.
Az elemezni kvnt skla tpus adatot vagy adatokat a
1. ra! Kimutats varzsl prbeszdablaka
Summary Variable(s): ablakba tegyk. A csoportkpz vltozkat a Grouping
Variable(s) ablakba. A Statistics. gombra kattintva klnbz statisztikai
jellemzket vlaszthatunk.
- 22 -
2. ra! A kimutatsban megjelenthet statisztikk
Differences. gomb a vltozk, ill. csoportok kztti klnbsgeket jelenti
meg.
". ra! A kimutatsban megjelenthet klnbsgek
- 23 -
Az OK gomb lenyomsa utn az Output ablakban megjelenik az eredmny
sszezrt formban, azaz minden csoportkpz vltoz a rtegekben (layer)
kerl.
LA5 678",
Esztend: Total
NAP: Total
5l0l.l RAlN
Sum
A kimutatst tetszs szerinti formba nthetjk, a rtegeket sorokba illetve
oszlopokba hzhatjuk. Ehhez kattintsunk kettt a tblzatban az egr
balgombjval. A fels mensoron megjelenik a Pivot parancs, melyben a
Pivoting Trays parancs megnyitja a szerkesztsi lehetsget.
#. ra! A kimutats szerkezetnek megvltoztatsa
A baloldalon a rteg (layer), alul a sor (row) s jobboldalon az oszlop (column)
tallhat. A vltozkat az egrrel hzzuk a kvnt helyre, pl.
- 24 -
LA5 678",
NAP: Total
Sum
4l4.0
573.0
397.0
635.0
637.0
359.0
585.0
4ll.5
520.9
568.7
5l0l.l
l995
l996
l997
l998
l999
2000
200l
2002
2003
2004
Total
RAlN
A tblzat minden egyes elemt formzhatjuk, s elmenthetjk a kimutats
egyes vltozatait. Ehhez nyissuk meg a Bookmarks (knyvjelzk) parancsot.
$. ra! A knyvjelzk megadsa
Adjunk nevet az aktulis kimutats vltozatnak, s az Add gombbal adjuk
hozz a knyvjelzt.
A View menparancsban vlasszuk a Toolbars. lehetsget, ekkor
megjelennek a segdeszkzk (tolltart), melyek segtsgvel hasznos
eszkzk llnak rendelkezsnkre a kimutatsok tovbbi elemzshez,
formzshoz.
- 25 -
%. ra! Segdeszkzk a kimutatsok formzshoz
ltt megtallhatk a knyvjelzk is, amivel a kimutatsok klnbz vltozatai
knnyen ttekinthetk.
6%," ,7**%$+",'
Nagyon hasonlt a pivot tblhoz, csak sokkal egyszerbb formtumban
jelenti meg az adatokat. Jl hasznlhat a bevitt adatok ellenrzsre,
klnbz csoportostsok szerinti adat-megjelentshez.
6%," S7**%$+",
Mean
-l,268 -7,496
-l,629 -l2,093
7,677 -2,0l9
l5,650 3,2l3
26,l00 l2,6l6
28,057 l4,823
27,352 l5,674
29,67l l3,008
22,063 9,453
l2,l65 3,248
l0,490 2,657
2,652 -3,039
l5,005 4,43l
HONAP
l,000
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
l0,000
ll,000
l2,000
Total
TMAX TMlN
1. tlzat
- 26 -
R"9:$& ,7**%$+", +# R:;,'
R"9:$& ,7**%$+", +# 6:07*#,'
A meteorolgia adatbzisbl minden kimutats elvgezhet ezzel az
eljrssal. A D%&% 6:07*#, prbeszd ablakban kell megadni az elemzend
vltozkat. Minden vltozhoz klnbz statisztikt rendelhetnk, st
ugyanazt a vltozt tbbszr is felvehetjk klnbz szmtsi eljrsokkal.
Pl. a hmrskletvltozbl az tlagot, minimumot, maximumot gy egy
tblzaton (kimutatson) bell egyszeren ki tudjuk szmtani. A csoportkpz
vltozt a B$"%1 6:07*#, ablakban kell megadni. Vlaszthatunk nvekv, ill.
cskken kirats kztt. A kimutats rtf formtumban kszl. Nagyon jl
hasznlhat az aggreglt adatok megjelentshez.
Le,r- statis)ti*.* /Descripti0e Statistics1
Centrlis mutatk: Atlag (vrhat rtk), Medin (kzps adat, gyakran
helyettesti a szmtani kzepet), Mdusz (leggyakrabban elfordul elem)
Szrdsi mutatk: Helyzeti s szmtott, Maximum (standardizlt rtke),
Minimum (standardizlt rtke), Terjedelem (max.-min., range), Kiugr
rtkek, Kvartilisek (negyedelk), lnterkvartilis (Q3-Ql)/2, Szrs (standard
eltrs), Variancia (szrsngyzet), Standard hibja az tlagnak,Standard
hibja a medinnak
Az eloszls alakjnak jellemzse: Ferdesg (skewness, jobbra-balra ferde
eloszlsok), Cscsossg (kurtosis, 0 normlis mg 2, +2 kztt), Boxplot
brzols
Trimmelt, csonktott, robusztus ler statisztika, a kiugr rtkek elhagysa.
!)%1:$+,<(:1 (F$"=7"#>+",')
A megfigyelt vltozk relatv s kumulatv eloszlst tudjuk elemezni, ill.
brzolni. Megjelenthetjk a gyakorisgi tblzatot (Display frequency tables).
A szzalkos rtkeken bell (Percentile Values): a kvartiliseket, ahol az
adatok 25, 50 s 75%-a tallhat. Feloszthatjuk az adatokat egyenl
csoportokra (2-tl l00-ig) (Cut points for x equal groups) valamint
tetszlegesen megadott szzalkok alapjn is megjelenthetjk az adatok
eloszlst. A centrlis mutatk kzl az tlagot (mean), medint, mduszt
valamint a megfigyelsek sszegt (sum), az eloszlsi mutatk kzl a szrst
(std. Deviation), a variancit, a terjedelmet (range), a minimum s maximum
rtkeket valamint az tlag hibjt (S.E. mean) tudjuk kiszmtani.
- 27 -
S&%&+,&+>,
t/ha
l8208
0
9.86786
3.05ll6
-.474
.0l8
-.207
.036
4.59l00
7.75800
l0.22800
l2.22500
l4.20255
Valid
Missing
N
Mean
Std. Deviation
Skewness
Std. Error of Skewness
Kurtosis
Std. Error of Kurtosis
5
25
50
75
95
Percentiles
2. tlzat
Meghatrozhatjuk az eloszls jellemz paramtereit is. Az eloszls
szimmetrijt a ferdesgi mutatval (skewness) jellemezhetjk. A norml
eloszls szimmetrikus s a ferdesge nulla. Pozitv ferdesgi rtk mellett az
eloszlsnak hossz jobboldali rsze, farka van (right tail), ekkor balra ferdl,
negatv rtk esetben jobbra ferdl az eloszls. Amennyiben a ferdesg
rtke nagyobb, mint egy, az eloszls nem norml. Az adatok kzppont krli
csoportosulst a cscsossgi mutatval (kurtosis) mrhetjk. Norml
eloszls esetn az rtke ennek is nulla. A cscsossg pozitv rtke azt
mutatja, hogy az adatok szlesebb csoportban helyezkednek el, az eloszls
kt szle hossz. Negatv rtk esetben kisebb csoportban helyezkednek el
az adatok, az eloszls kt szle rvidebb. A plda a kukorica termsnek
(t/ha) eloszlst mutatja be.
Abrzolhatjuk az adatokat oszlop s kr diagramon, valamint hisztogram
formjban is. A diagramokon brzolhatjuk a gyakorisgokat vagy a
megfigyelsek szzalkos rtkeit.
- 28 -
t!"
1
9
.
0
1
8
.
0
1
7
.
0
1
6
.
0
1
5
.
0
1
4
.
0
1
3
.
0
1
2
.
0
1
1
.
0
1
0
.
0
9
.
0
8
.
0
7
.
0
6
.
0
5
.
0
4
.
0
3
.
0
2
.
0
1
.
0
0
.
0
t!"
#
r
e
$
u
e
n
c
%
3000
2000
1000
0
St&. (e) * 3.05
+e"n * 9.9
, * 18208.00
&. ra
D",>$+9&+?",'
E@90:$"'
ltt exploratv adatanalzist vgezhetnk. Ez klnsen fontos nagy
adatbzisok esetben az adatok alapos megismersre, feldertsre.
'. ra
- 29 -
A Statistics. gombra kattintva klnbz statisztikkat szmthatunk ki. Ler
statisztikk (Descriptives): tlag, medin, mdusz, 5%-os csonkolt tlag, az
tlag hibja, variancia, szrs, minimum, maximum, terjedelem,
interkvartilisek, ferdesg, cscsossg.
(. ra
Robosztus centrlis mutat meghatrozsa maximum-likelihood mdszerrel
(M-estimators). Ngyfle mdszerrel lehet meghatrozni a centrlis mutatt,
mely torz eloszls vagy extrm, kiugr rtkek esetn jobb becslst ad, mint
az tlag.
10. ra
- 30 -
Az t legnagyobb s legkisebb rtk kijelzse (Outliers), ezeket az
eredmnylistban extrm rtkknt lthatjuk.

48 48 48 , *
-"."/01)e.2s
t3rcs3s t")"s45 s43nt3s 6s45 s43nt3s
t
e
r
0
2
s

t
!
"
16
14
12
10
8
6
4
11. ra
A megfigyelsek szzalkos eloszlst hatrozhatjuk meg, 5, l0, 25, 50, 75,
90, 95% (Percentiles).
Abrk ksztse, eloszlsok tesztelse. Boxgrafikonok: a fggetlen vltozk
fggvnyben kszthetnk kvartilis brt. A kiugrrtkeket kln jelzi a
program.
Az adatok eloszlsnak lersa (Descriptive):
Stem-and-leaf grafikon: stem=szr, leaf=levl skla tpus adatok felbontsa,
hogy a f rtket a szr, az utols jegyeket a leaf adja. Pl. 7.l8 t/ha stem=7,
leaf=l.
terms t/ha Stem-and-Leaf Plot for
TALAJMUV= szi sznts
Frequency Stem & Leaf
2.00 7 . 99
- 3l -
6.00 8 . 002458
6.00 9 . 0l3699
3.00 l0 . 009
5.00 ll . 02278
8.00 l2 . 00035679
l3.00 l3 . l223346666668
3.00 l4 . 233
2.00 Extremes (>=ll3.5)
Stem width: l.000
Each leaf: l case(s)
Hisztogram ksztse (Histogram):
ter02s t!"
13.00
12.50
12.00
11.50
11.00
10.50
10.00
9.50
9.00
8.50
8.00
7.50
7.00
6.50
75sto8r"0
#
r
e
$
u
e
n
c
%
14
12
10
8
6
4
2
0
St&. (e) * 2.07
+e"n * 10.31
, * 48.00
12. ra
Norml eloszls tesztelse Kolmogorov-Smirnov s Shapiro-Wilk prbval.
- 32 -
T",&, :A N:$*%0+&)
.l27 48 .050 .9l6 48 .002
.227 48 .000 .845 48 .000
.263 48 .000 .8l7 48 .000
Talajmvels
szi sznts
tavaszi sznts
trcss
terms t/ha
Statistic df Sig. Statistic df Sig.
Kolmogorov-Smirnov
a
Shapiro-Wilk
Lilliefors Significance Correction
a.
SB%9+$: -, W+01C, W-9$D8%
Normlis eloszls tesztelsre szolgl mdszer, rtke maximum l lehet.
Ennl jval kisebb rtk esetn nem normlis az eloszls. Szignifikancia
vizsglata megoldott, = 0,05. Akkor rdemes kiszmolni, ha a minta
elemszma nem haladja meg az 50-et.
,or0". 9-9 :.ot o; ter02s t!"
#or -<L<=+>V* 6s45 s43nt3s
?@ser)e& V".ue
16 14 12 10 8 6
E
A
B
e
c
t
e
&

,
o
r
0
"
.
3
2
1
0
-1
-2
-3
- 33 -
(etren&e& ,or0". 9-9 :.ot o; ter02s t!"
#or -<L<=+>V* 6s45 s43nt3s
?@ser)e& V".ue
15 14 13 12 11 10 9 8 7
(
e
)

;
r
o
0

,
o
r
0
"
.
.4
.2
0.0
-.2
-.4
-.6
-.8
- 34 -
K"$",2&&<80<1 (6$:,,&%8,')
A meteorolgiai alapadatok ellenrzst is el lehet vgezni vele. Minden nap
24 darab nulla, negyed, fl s hromnegyed rs mrsnek kell lennie. Adjuk
meg a napokat sorknt, a negyedrkat oszlopknt.
A BD#%9 #%9E% F 5"$> 6$:,,&%870%&+:#
Count
23 24 24 24 95
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
24 24 24 24 96
7l9 720 720 720 2879
l
2
3
4
5
6
7
8
9
l0
ll
l2
l3
l4
l5
l6
l7
l8
l9
20
2l
22
23
24
25
26
27
28
29
30
A
hnap
napja
Total
0 l5 30 45
Perc
Total
". tlzat
- 35 -
N-()-*"2G, 6B+
H
-9$D8% AI(("&0"#,-( -, B:*:("#+&<, ?+2,(<0%&$%
Osszunk fel egy vletlen minta alapjn kivlasztott l00 szemlyt kt alternatv
ismrv szerint: nemek szerint s dohnyzsi szoks szerint.
Nem dohnyz Dohnyz

Nk 33 20 53
Frfiak 9 38 47
42 58 l00
+

a b a+b = n
l
+ c d c+d = n
2
a+c b+d a+b+c+d = n
Fggetlensg esetn:
a/ n
l
= c/n
2
= (a+c)/n vagy
b/ n
l
= d/n
2
= (b+d)/n stb
) )( )( )( (
) )( 1 (
2
2
d b - a d - b a
b- ad n
C7i
+ + + +

.19 " 1.
) *. 20 )( 9 ** )( *. 9 )( 20 ** (
) 9 4 20 *. 4 ** ( 99
2
2
+ + + +
C7i
DF = l
Kritikus Chi
2
-rtkek 5%-on: 3,84l
Plda:
Kukorica fajtk csvesedse:
FAJTA F 6SKVESD 6$:,,&%870%&+:#
Count
73 23 96
48 8 56
l2l 3l l52
A fajta
B fajta
FAJTA
Total
Egy cs
Legalbb
kt cs
CSVESD
Total
- 36 -
6B+-S=7%$" T",&,
2.038
b
l .l53
l.486 l .223
2.l23 l .l45
.2l0 .ll0
2.025 l .l55
l52
Pearson Chi-Square
Continuity Correction
a
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value df
Asymp. Sig.
(2-sided)
Exact Sig.
(2-sided)
Exact Sig.
(l-sided)
Computed only for a 2x2 table
a.
0 cells (.0%) have expected count less than 5. The minimum expected
count is ll.42.
b.
A Yates korrekcival korriglt klnbsg ngyzetbl szmtott Chi-ngyzetet
a Continuity Correction mutatja. A kt kukoricafajta a vizsglt tulajdonsg
szempontjbl egyforma.
"usto! Tables
23)4p4rt4* 3ss)e%asonl,t.s /"o!pare #eans1
A kezelstlagok kztti klnbsgek megbzhatsgnak igazolsra
tbbfle teszt ismeretes. Az sszehasonlts sorn, vagy kt tlag
klnbsgre vagyunk kvncsiak, vagy a kezelsszintjeinket akarjuk
sszehasonltani egymssal, sorban tesztelve, hogy melyik kett vagy tbb
kezels tlag tr el a tbbitl (szimultn vagy tbbszrs sszehasonlts). A
ktfle eljrs ktfle sszehasonltsi mdszer csoportot takar. Az els
mdszer a pronknti-tesztek csoportja a msodik a tbbszrs
sszehasonlt tesztek csoportja.
KL2-9-$&-1"1 (M"%#,')
A fgg vltozk (Dependent List) klnbz statisztikai mutatit lehet
kiszmtani a fggetlen vltozk (lndependent List) fggvnyben.
Elkszthetjk a variancia-tblzatot, tesztelhetjk az sszefggs linearitst
s az sszefggs szorossgra az R s eta paramter nagysgbl
kvetkeztethetnk. Az R-rtk, ill. R
2
a fgg vltoz megfigyelt s becslt
rtkei kztti lineris kapcsolat erssgt mri. rtke 0,0 l,0 terjedhet. Kis
rtk esetben a fgg s fggetlen vltoz kztt gyenge a kapcsolat vagy
nem lineris. Az eta paramter a korrelcis koefficienshez hasonlt, de itt a
fggetlen vltoz nem folytonos, hanem kategria vltoz.
- 37 -
R"9:$&
terms t/ha
ll.50673 48 2.06058
l0.30987 48 2.06889
9.56033 48 2.28744
l0.45898 l44 2.27357
Talajmvels
szi sznts
tavaszi sznts
trcss
Total
Mean N
Std.
Deviation
ANVA T%80"
92.524 2 46.262 l0.087 .000
90.923 l 90.923 l9.825 .000
l.60l l l.60l .349 .556
646.657 l4l 4.586
739.l8l l43
(Combined)
Linearity
Deviation from Linearity
Between
Groups
Within Groups
Total
terms t/ha
Talajmvels
Sum of
Squares df
Mean
Square F Sig.
M"%,7$", :A A,,:>+%&+:#
-.35l .l23 .354 .l25
terms t/ha
Talajmvels
R R Squared Eta
Eta
Squared
#. tlzat
E()-*+#&<, &-&",2& (#" S%*90" T T",&')
Egy-mints t-prba. Tesztelhetjk, hogy a valsznsgi vltoznk rtke
megegyezik-e egy konkrt rtkkel. Megvlaszthatjuk a konfidencia
intervallum nagysgt is.
Felttel:
Normlis eloszls populci, szigma ismeretlen s n>30.
n s
L
z
5
0

DF = n-l
A minta elemszmnak nvekedsvel a t eloszls egyre jobban kzelti a
standard normlis eloszlst.
Az X kzprtk minta abban az esetben szrmazhat a m kzprtk
populcibl ha t prbastatisztika abszolt rtke kisebb, mint az adott
valsznsghez tartoz kritikus t rtk.
- 38 -
#"-S%*90" S&%&+,&+>,
l44 l0.45898 2.27357 .l8946 terms t/ha
N Mean
Std.
Deviation
Std. Error
Mean
#"-S%*90" T",&
2.423 l43 .0l7 .45898 8.45E-02 .83349 terms t/ha
t df
Sig.
(2-tailed)
Mean
Difference Lower Upper
95% Confidence
lnterval of the
Difference
Test Value = l0
$. tlzat
E()-*+#&<, 2-9$D8%
A minta kzprtknek sszehasonltsa egy felttelezett kzprtkkel.
Szrmazhat-e az X kzprtk minta egy
0
kzprtk populcibl? H
0
hipotzis:
H0: =
0
Felttel:
Normlis eloszls populci, s ismert szrs,
Vagy tetszleges eloszls populci, s n>30.
A minta alapjn szmtott X kzprtk standardizlt rtk felrhat az albbi
formban:
n
L
z
5
0
Ahol:
z a prbastatisztika minta alapjn meghatrozott rtke
X a minta kzprtke,
a populci felttelezett kzprtke (adott kzprtk),
a populci (ismert) szrsa,
n a minta elemszma.
A minta abban az esetben szrmazhat az m kzprtk populcibl, ha
minta alapjn meghatrozott z prbastatisztika rtke kisebb az adott
- 39 -
valsznsgi szinthez tartoz kritikus z - rtknl. Egyoldal hipotzis esetn
alfnl, ktoldal hipotzis esetn alfa/2-nl kell kikeresni.
z < kritikus z
K-& AI(("&0"# *+#&% 1L2-9-$&-1-#"1 L,,2"B%,:#0M&<,% (I#/"9"#/"#&-
S%*90", T T",&')
Szrmazhat-e a kt fggetlen megfigyels, minta azonos kzprtk
populcibl?
Azonosnak tekinthet-e a kt populci kzprtke, amelyekbl a mintk
szrmaznak? A kt populci, amelyekbl a mintk szrmaznak, l, ill. 2
vrhat rtknek becslsre a mintk kzprtkei szolglnak,
1 1
) ( L 1
, ill.
2 2
) ( L 1
.
H
0
:
l
=
2
A kzprtkek sszehasonltsra szolgl statisztikai prbk az egy-
mints prbkhoz hasonlan nmileg eltrek attl fggen, hogy mekkora
az egyes mintk elemszma, ill. hogy ismert-e az alappopulcik szrsa.
Kt fggetlen minta kzprtknek sszehasonltsa. Felttel:
Kt fggetlen minta,
Normlis eloszls sokasgok,
A variancik ismeretlenek, de azonosak
s n<30 (n nem elg nagy a kt-mints z prba alkalmazshoz)
Ha a variancik ismeretlenek, akkor azokat a mintkbl szmtott
szrsngyzetekbl becslhetjk. A prbastatisztika rtke:
) 5 1 ( ) 5 1 (
2 1
2 1
n n s
L L
t
$
+
DF = nl + n2 2
A nevezben az s
p
a kt minta sszevont variancijnak (pooled variancie)
ngyzetgykt jelenti, melyet a kt minta sszevont szrsnak nevezzk s
az albbi kplettel szmtjuk ki:
2
) 1 ( ) 1 (
2 1
2
2 2
2
1 1
+
+
n n
s n s n
s
$
A kt populci kzprtke, amelyekbl a mintk szrmaznak, abban az
esetben tekinthetk azonosnak, ha:
4
t t
A prba statisztika kritikus t rtkt ktoldali alternatv hipotzis esetn /2-
nl, egyoldali alternatv hipotzis esetn, -nl kell a tblzatbl
- 40 -
meghatrozni. Ha a kt populci ismeretlen szrsngyzete korbbi
ismeretek, ill. a mintkbl szmtott szrsngyzetek alapjn nem tekinthet
azonosnak, akkor a t prba helyett a Welch-prbt kell alkalmazni, mely igen
hasonl a t-prbhoz, a klnbsg a szabadsgfokok meghatrozsban van.
A t-teszt alkalmazsakor elre tudni kell, hogy a kt csoport szrsa
megegyezik-e, teht tesztelni kell a csoportok szrst (Levene-pba).
Amennyiben a szrsok egyenlk, akkor a vizsglatba vont sszes csoportbl
kell a variancit becslni (pooled variancia). A prba valsznsgi vltozja t-
eloszls, gy a kzprtkek klnbsgnek szignifikancija a t-rtk
tblzatbl megllapthat.
Ha a kt csoport szrsa szignifiknsan klnbzik, ilyenkor a kt
sszehasonltand csoport variancijt slyozni kell a variancia becslshez
(separate variancia). A mdostott variancia becsls az albbi:
,
_
+
2
2
2
1
2
1
n
s
n
s
>
d
A prba valsznsgi vltozja ebben az esetben nem t-eloszls, ezrt nem
a t-tblzatot, hanem a B:#A"$$:#+-*D/:,M&:&& szignifikancia rtkeket kell
hasznlni a kzprtkek klnbzsgnek elbrlsakor.
%. tlzat
!$:79 S&%&+,&+>,
48 7.66l06 l.23444 .l78l8
48 ll.772l3 l.08695 .l5689
Trgya kezels
nem trgyzott
nitrogn l20
terms t/ha
N Mean
Std.
Deviation
Std. Error
Mean
I#/"9"#/"#& S%*90", T",&
.472 .494 -l7.3l7 94 .000 -4.lll06 .23740 -4.58243 -3.63969
-l7.3l7 92.5l8 .000 -4.lll06 .23740 -4.58253 -3.63959
Equal variances
assumed
Equal variances
not assumed
terms t/ha
F Sig.
Levene's Test for
Equality of Variances
t df
Sig.
(2-tailed)
Mean
Difference
Std. Error
Difference Lower Upper
95% Confidence
lnterval of the
Difference
t-test for Equality of Means
- 4l -
K-&-*+#&<, 2-9$D8%
Felttel:
Normlis eloszls fggetlen sokasgok, a variancia ismert,
Vagy tetszleges eloszls, mindkt mintban n>30.
Az X
l
s X
2
kzprtkek klnbsge akkor normlis, ill. kzeltleg normlis
eloszls, ha a sokasgok amelyekbl a mintk szrmaznak normlis
eloszlsak, illetve tetszleges eloszlsak, de a mintaelemek szma mindkt
populciban nagyobb, mint 30.
A prbastatisztika:
) 5 ( ) 5 (
2
2
2 1
2
1
2 1
n n
L L
z
+
A kt populci kzprtke, amelyekbl a mintk szrmaznak, abban az

esetben tekinthetk azonosnak, ha:
4
z z
A prba statisztika kritikus z-rtkt ktoldali alternatv hipotzis esetn /2-
nl, egyoldali alternatv hipotzis esetn, -nl kell a tblzatbl
meghatrozni.
5<$:,M&:&& &-9$D8% (5%+$"/-S%*90", T T",&')
Prostott t-prba, kt sszefgg minta kzprtknek sszehasonltsra
szolgl.
Ugyanazon egyeden kt klnbz idpontban mrnk egy tulajdonsgot,
vagy valamilyen csoportkpz tulajdonsg alapjn prokat tudok kpezni.
A kt minta kzprtknek azonossga helyett a prostott mintk d
(eljeles) klnbsgnek kzprtkre is megfogalmazhatjuk a H
0
hipotzist:
H
0
: d
tlag
= 0
Az elz eljrsokhoz hasonlan itt is z-. ill. t-prbt alkalmazhatunk attl
fggen, hogy ismert-e a d klnbsgek eloszlsa s szrsa, illetve mekkora
a minta elemszma?
Felttel:
a d klnbsgek eloszlsa normlis, s
d
ismeretlen (a mintbl szmtott),
s n<30.
n s
d
t
d
5
DF = n-l
A kpletben s
d
a prostott mintk klnbsgnek szrsa, amelyet a minta
alapjn becsljk.
- 42 -
5%+$"/ S%*90", S&%&+,&+>,
l5.l33 365 l0.034 .525
5.7l0 365 7.868 .4l2
Maximlis
hmrsklet (C)
Minimlis
hmrsklet (C)
Pair
l
Mean N
Std.
Deviation
Std. Error
Mean
5%+$"/ S%*90", 6:$$"0%&+:#,
365 .900 .000
Maximlis hmrsklet
(C) & Minimlis
hmrsklet (C)
Pair
l
N Correlation Sig.
5%+$"/ S%*90", T",&
9.424 4.52l .237 8.958 9.889 39.824 364 .000
Maximlis hmrsklet
(C) - Minimlis
hmrsklet (C)
Pair
l
Mean
Std.
Deviation
Std. Error
Mean Lower Upper
95% Confidence
lnterval of the
Difference
Paired Differences
t df
Sig.
(2-tailed)
&. tlzat
Atlag, az esetek szma, szrs, az tlag hibja. A kt csoport kztti lineris
korrelcis egytthat. Prostott t-prba eredmny tblzata: a kt csoport
klnbsgnek tlaga, szrsa, az tlag hibja, az tlag 95%-os konfidencia
intervalluma, t-rtk, szabadsgfok, ktoldal szignifikancia szint.
E()-&-#)"2G, ?%$+%#>+%-%#%0M2+, (#"-W%) ANVA')
Egy-tnyezs variancia-analzis. Segtsgvel egy tnyez hatst lehet
vizsglni a fgg vltoz mennyisgi alakulsra. A tnyez, faktor valamilyen
csoportkpz ismrvvel rendelkezik, a fgg vltoz pedig legtbbszr skla
tpus adat. Egyszerre tbb fgg vltozt is kijellhetnk az analzis
szmra. A teszt sorn a nullhipotzis, hogy az tlagok egyenlk, nincs
kzttk klnbsg. Ez a technika a kt-mints t-teszt ltalnostsa,
kiterjesztse tbb mintra.
Kzs szrsngyzet (variancia) =Vizsglt tnyezk + Hiba
A szmts sorn az SQ-t bontjuk fel.
iI i I iI
A G 2 + + +
= a ksrlet ftlaga
- 43 -
B
i
= (R
tlagok
-)
A
i
= (Kezels
tlagok
-)
s
ij
= hiba
A hiba normlis eloszls, fggetlen a blokk s kezels hatstl. Mi van, ha
nem teljesl? Lehet transzformlni az alapadatokat, logaritmikus vagy egyb
transzformcival. A blokk, kezels s hiba hatsok sszege nulla.
Alkalmazsi felttelek:
Fggetlen megfigyelsek
Normlis eloszls sokasgok
Azonos szrsok
Amennyiben az analzis az tlagok kztti egyenlsget nem igazolja,
szksges az tlagok kztti klnbsgek kimutatsa. A variancia-analzist
kiegszt kzprtk sszehasonlt teszteknek ktfle tpusa ltezik:
elzetes, un. a priori kontrasztok s
az analzis utn elvgezhet, un. post hoc analzisek
A kontrasztokat teht a ksrleti adatok elemzse eltt kell ellltani, s gy
elvgezni az elemzst.
Az albbi statisztikk kszlnek: minden csoportrl az esetek szma, tlag,
szrs, az tlag hibja, minimum, maximum s az tlag 95%-os konfidencia
intervalluma.
A csoportok variancijnak egyezsgt Levene's teszttel vgezzk. Minden
fgg vltozra elkszlnek a variancia-tblzatok. A post hoc range s
tbbszrs kzprtk sszehasonlt tesztek: Bonferroni, Sidak, Tukey's
honestly szignifikns differencia, Hochberg's GT2, Gabriel, Dunnett, Ryan-
Einot-Gabriel-Welsch F test (R-E-G-W F), Ryan-Einot-Gabriel-Welsch range
teszt (R-E-G-W Q), Tamhane's T2, Dunnett's T3, Games-Howell, Dunnett's C,
Duncan's multiple range test, Student-Newman-Keuls (S-N-K), Tukey's b,
Waller-Duncan, Scheff, and least-significant difference.
Szimultn vagy tbbszrs sszehasonlts (multiple comparison) a
kztudatban a szrsanalzis kiegsztje, fejldst fleg felhasznli
ignyek indtottk tjra. Jelentsge azonban jval nagyobb, klnsen a
nem paramteres esetben, ahol szrsanalzisre, e normalitst felttelez
eljrsra, nem kerlhet sor. Ha az egy-szempontos szrsanalzis F-prbja
szignifikns, kvncsiak vagyunk, mely populcik miatt nem homogn a
minta. Eleinte csak pronknt az sszes lehetsges csoport prra kt-mints
t-prbt hajtottak vgre. Elfordulhat azonban, hogy adott -szinten
szignifikns F-prba esetn egyik csoport pr sem mutat szignifikns t-rtket
- 44 -
az adott -szint mellett. A szimultn hipotzis vizsglatok nemcsak az egy-
szempontos szrsanalzisben hdtottak teret, hanem mindentt, ahol
egyidej dntsre van szksg, pl. regresszi, kovariancia, tbb-szempontos
szrsanalzis, stb.
Szimultn dnts, ha kettnl tbb sszehasonltand mintm van. Olyan
lltsokat fogalmaznak meg, amelyek egyidejleg rvnyesek. Ezek lehetnek:
Egyidejleg rvnyes konfidencia intervallumok vagy
Szimultn vgzett statisztikai prbk.
A tbbszrs statisztikai prbk zme paramteres, a normlis eloszlsra
pl eljrs. Sorozatos statisztikai sszehasonltsok vgzsekor halmozdik
a prbaknt vllalt elsfaj hiba (kockzat). A szimultn sszehasonltsi
mdszerek f clkitzse ennek a halmozdsnak a cskkentse illetve
megszntetse. Ennek eredmnyeknt az egyes sszehasonltsok
konzervatv irnyba toldnak el: a prbnknt fenyeget elsfaj hiba
tnylegesen kisebb a vllalt (nvleges) kockzatnl. Ez azonnal szembetlik a
tbbszrs sszehasonltsok azon csoportjnl, amelyek az n. Bonferroni-
egyenltlensg alapjn dolgoznak. Az els ilyen javaslat Fisher knyvben
(l935) tallhat. A lnyege, hogy m sszehasonlts estn, az egyes
sszehasonltsokat a nvleges szint helyett /m valsznsgi szinten
hajtjk vgre. A valsznsg szubadditv tulajdonsga miatt, ha az
sszehasonltsonknt vllalt
i
kockzatok sszege olyan nagy, mint a teljes
sorozatra vllalt valsznsgi szint, akkor annak valsznsge, hogy m
elvgzett sszehasonlts utn valahol elkvetjk az elsfaj hibt, legfeljebb
:

m
i
i
F P
1
) (
ahol: H esemny azt jelenti, hogy az lltsok kzt legalbb egy hibs. Ha az
egyes lltsok (valsznsg-szmtsi rtelemben) fggetlenek lennnek,
akkor a fenti becsls helyett az

m
i
i
F P
1
) 1 ( ) ( 1
egyenlsget alkalmazhatnnk, ami azt mutatja, hogy az lltsok kztt nincs
hibs. Miller (l966) megmutatta, hogy a szimultn konfidencia-intervallumokra
a fenti egyenlsg helyett mindig a rvnyes. A szimultn vizsglt mintk
kztt vgezhet sszehasonltsok nem fggetlenek. Legyen valamennyi
i
valsznsge egyforma:
i
=
m
= /m, akkor az sszehasonltsok nem
fggetlen termszett figyelembe vve, a szimultn prbk egyttes
kockzata:
P(H) <= l-(l-
m
)
m
A levezetsbl ltszik, hogy az egyes szintek egyformasgnak semmifle
szerepe nincs. Megtehetjk teht, hogy a fontosabb sszehasonltsok
- 45 -
szmra magasabb szintet jellnk ki, ezzel biztostva szmukra a nagyobb
ert.
K:#&$%,2&:1N a csoportok kztti eltrs ngyzetsszeget (sums of squares)
fel lehet bontani trend komponensekre, vagy elzetesen megadhatunk ltalunk
definilt kontrasztokat is. A trendek kztt klnbz hatvny fggvnyekkel
lerhat trend-sszetevket tesztelhetnk.
A kontrasztok az egyes csoportok vrhat rtkeinek lineris kombincii. A
slyok segtsgvel meg lehet adni a csoportviszonyokat, akr tbb
kontrasztot is egyidejleg. llyen csoportviszonyok a mezgazdasgban, pl.
mtrgyadzis ksrletekben nagyon knnyen rtelmezhetek. A lineris
sszehasonlt fggvnyek elmletvel tbb szerz is foglalkozott. Magyar
nyelven LTET .-ZlERMANN M. l964 megjelent mvben tallhat meg.
A mdszer lnyege, hogy egy olyan lineris fggvnyt kell alkotni, mint pl.
g
= c
gl
x
l.
+ c
g2
x
2.
+ ... + c
gp
x
p.
s ha teljesl a
c
gl
+ c
g2
+ ... c
gp
= 0
felttel, akkor ez egy lineris sszehasonlt fggvny. A fenti defincibl
kvetkezen vgtelen szm
g
ltezik.
A kontrasztokra vonatkoz nullhipotzis: H
g
:
g
= 0,
Az ellenhipotzis: A
g
:
g
0.
Ha pl. egy tnyez hatst Tl, T2, T3, T4 szinten vizsglunk, akkor a (Tl, T2)
csoport egybevetst a (T3, T4) csoporttal a
g
= x
l.
+ x
2.
-x
3.
-x
4.
fggvny
segtsgvel vgezhetjk el (itt l+l-l-l=0).
A fenti sszehasonlts a variancia-analzis ltal szolgltatott pooled variancia
felhasznlsval trtnik, ezrt kvetelmny, hogy a csoportok szrsai
megegyezzenek, gy gyakran a variancia-analzis kiegszt rszt kpezi. A
contrast fejezetben a hattnyezk sokfle csoportostsa tjn kapott tlagok
klnbzsgt lehet vizsglni, pl. mtrgyzs esetn, a felttelezsem az,
hogy az szi bza a legnagyobb termst a l20 kg nitrogn adag mellet ri el.
Vizsglhatom az ez alatti adagokat, mintt vve, vagy az e feletti adagokat,
szintn mintt vve, vletlenszeren, ha nem l20 kg-t alkalmazok, vajon
milyen eredmny szletne.
Az egy-szempontos szrsanalzis F-prbja akkor ad -szinten szignifikns
eredmnyt, ha ezen a szinten ltezik szignifikns kontraszt a csoportok kztt.
Feladat:
Nyissuk meg a )erms1('(.sav fjlt, s vizsgljuk meg, hogy a
talajmvelsnek milyen hatsa volt ebben az vben a kukorica termsre.
- 46 -
A legels lpsben brzoljuk talajmvelsi vltozatonknt a termsek
tlagnak hibjt, pontosabban az tlagot az tlag hibjnak ktszerest.
Ebbe a tartomnyba fog legalbb 95%-os valsznsggel a valdi tlag esni.
Graph, Error Bar., Simple, Summaries for groups of cases, Define, Variable:
terms t/ha, Category Axis: Talajmvels, Bars Represent: Standard error of
mean, Multiplier: 2.
Talajmvels
22
20
18
16
14
12
10
8
M
e
a
n

+
-

2

S
E

t
e
r
m
s

t
/
h
a
1". ra! *z tlag s az tlag hi+nak ktszerese
Az szi szntsos kezels adataival valami problma lehet, mert tlsgosan
nagy az tlag hibja, magba leli a msik kt kezelst is. Egyelre hagyjuk
gy, s vgezzk el a variancia-analzist.
Analyze, Compare Means, One-Way ANOVA, Dependent List: terms t/ha,
Factor: Talajmvels, Options.: Homogeneity of variance test.
T",& :A O:*:("#"+&) :A V%$+%#>",
terms t/ha
5.l07 2 l4l .007
Levene
Statistic dfl df2 Sig.
'. tlzat
- 47 -
A Levene-teszt azt mutatja, hogy a csoportokon bell a variancik nem
egyenlk. Ezek szerint valsznleg az szi szntsos parcellk termseinek
szrsa szignifiknsan nagyobb, mint a msik kett. A variancia-analzis
alkalmazsnak egyik felttele nem teljesl, ezrt a lenti tblzat eredmnyt
fenntartsokkal kell kezelni. Az elvgzett analzis a talajmvels szignifikns
hatst igazolja ltszlag, sig. < 0,05. Ezt csak akkor fogadhatnnk el, ha a
variancik megegyeznnek.
ANVA
terms t/ha
ll06.779 2 553.390 3.758 .026
20763.765 l4l l47.26l
2l870.544 l43
Between Groups
Within Groups
Total
Sum of
Squares df Mean Square F Sig.
(. tlzat
Vgezzk el a kzprtkek tbbszrs sszehasonltst (Post Hoc
analzis)! A tbbszrs sszehasonlt teszteknek kt nagy csoportja van: l. a
varianciknak egyenlknek kell lenni, 2. nem felttel a variancik egyenlsge.
Vlasszuk ki mindkt csoportbl az elst!
One-Way ANOVA, Post Hoc., Equal Variances Assumed: LSD, Equal
Variances Not Assumed: Tamhane's T2.
M70&+90" 6:*9%$+,:#,
Dependent Variable: terms t/ha
5.470354 2.477068 .029 .57336 l0.36735
6.2l9896 2.477068 .0l3 l.32290 ll.ll689
-5.470354 2.477068 .029 -l0.36735 -.57336
.749542 2.477068 .763 -4.l4745 5.64653
-6.2l9896 2.477068 .0l3 -ll.ll689 -l.32290
-.749542 2.477068 .763 -5.64653 4.l4745
5.470354 3.0l5757 .2ll -l.99077 l2.93l48
6.2l9896 3.0l9043 .l28 -l.2482l l3.68800
-5.470354 3.0l5757 .2ll -l2.93l48 l.99077
.749542 .445l75 .260 -.33289 l.83l97
-6.2l9896 3.0l9043 .l28 -l3.68800 l.2482l
-.749542 .445l75 .260 -l.83l97 .33289
(J) Talajmvels
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
(l) Talajmvels
szi sznts
tavaszi sznts
trcss
szi sznts
tavaszi sznts
trcss
LSD
Tamhane
Mean
Difference
(l-J) Std. Error Sig. Lower Bound Upper Bound
95% Confidence lnterval
The mean difference is significant at the .05 level. .
10. tlzat
- 48 -
Az LSD-teszt az szi sznts s tavaszi sznts, valamint az szi sznts s
trcss talajmvels kztt 5%-os szignifikns klnbsget mutat. A Tamhane
teszt egyik kezels pr kztt sem mutat szignifikns klnbsget. Mivel a
variancik klnbzsge miatt LSD tesztet nem csinlhatunk, a Tamhane-
teszt eredmnyt kell elfogadni, s kiderteni, hogy mirt nem tudjuk kimutatni
a talajmvels okozta hatst.
Vizsgljuk meg az szi szntsos kezelsek adatait!
Analyze, Descriptive Statistics, Explore., Dependent List: terms t/ha, Factor
List: Talajmvels, Statistics., Outliers.
Az eredmnylistbl csak a kiugr rtkek tblzatt mutatjuk be.
E@&$"*" V%07",
9 szi sznts ll4.4l
l0 szi sznts ll3.5l
32 szi sznts l4.395
35 szi sznts l4.392
36 szi sznts l4.286
l35 trcss 5.355
l34 trcss 5.42l
l36 trcss 5.652
l22 trcss 5.697
l24 trcss 6.059
l
2
3
4
5
l
2
3
4
5
Highest
Lowest
terms t/ha
Case Number Talajmvels Value
11. tlzat
Jl lthat, hogy a 9. s l0. megfigyels adatrgztsi hiba miatt egy
nagysgrenddel nagyobb, mint a tbbi. Javtsuk ki a hibs adatokat s
ismteljk meg az analzist a legels lpstl kezdden!
Talajmvels
12
11
10
9
M
e
a
n

+
-

2

S
E

t
e
r
m
s

t
/
h
a
1#. ra! *z tlag s az tlag hi+nak ktszerese
- 49 -
Az tlagok ebben az esetben mr jl elklnlnek egymstl. Az tlagok
hibibl kpzett intervallumok mr kevsb rnek egymsba.
T",& :A O:*:("#"+&) :A V%$+%#>",
terms t/ha
l.096 2 l4l .337
Levene
12. tlzat
A variancia-analzis alkalmazsi felttele, a csoporton belli variancik
egyezsge teljesl, teht lehet variancia-analzist csinlni.
ANVA
terms t/ha
92.524 2 46.262 l0.087 .000
646.657 l4l 4.586
739.l8l l43
Between Groups
Within Groups
Total
Sum of
1". tlzat
A variancia-analzis a talajmvels szignifikns hatst mutatja. Az elvgzett
tbbszrs kzprtk sszehasonlt tesztek most mr hasonl eredmnyt
adnak. Mivel a variancik megegyeznek, az LSD-teszt eredmnyt rdemes
figyelembe venni, mert ennek a tesztnek ebben az esetben nagyobb a prba
ereje. Ez azt jelenti, hogy a meglv valdi klnbsget nagyobb biztonsggal
tudja kimutatni, mint a Tamhane teszt.
- 50 -
M70&+90" 6:*9%$+,:#,
l.l96854 .437l4l .007 .33266 2.06l05
l.946396 .437l4l .000 l.08220 2.8l059
-l.l96854 .437l4l .007 -2.06l05 -.33266
.749542 .437l4l .089 -.ll466 l.6l374
-l.946396 .437l4l .000 -2.8l059 -l.08220
-.749542 .437l4l .089 -l.6l374 .ll466
l.l96854 .42l463 .0l7 .l7227 2.22l44
l.946396 .44437l .000 .8659l 3.02689
-l.l96854 .42l463 .0l7 -2.22l44 -.l7227
.749542 .445l75 .260 -.33289 l.83l97
-l.946396 .44437l .000 -3.02689 -.8659l
-.749542 .445l75 .260 -l.83l97 .33289
(J) Talajmvels
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
(l) Talajmvels
szi sznts
tavaszi sznts
trcss
szi sznts
tavaszi sznts
trcss
LSD
Tamhane
Mean
Difference
1#. tlzat
5ltal.nos line.ris !odell /General Linear #odel1
Az ltalnos lineris modell a hagyomnyos variancia-analzis s a lineris
regresszi-analzis tvzete. Egyetlen tblzatban jelenik meg a szrs
elemzs s regresszi-analzis eredmnye (l5. tblzat). Napjainkban a
variancia-analzisnek nagyon sokfle technikja ltezik, amik lehetv teszik a
feladat sajtossgainak figyelembevtelvel a legalkalmasabb rtkelsi
mdszer kivlasztst. Az elemzs megbzhatsga a hiba (error)
meghatrozsnak mdjtl fgg, ami tulajdonkppen az eltrs
ngyzetsszeg (SQ) szmtsi technikjnak fggvnye. Az SPSS lehetv
teszi a ksrleti elrendezshez h, a felhasznl ltal megalkotott lineris
modell megbzhat rtkelst.
T",&, :A B"&;""#-S78E">&, EAA">&,
Dependent Variable: X
ll9.248
a
3 39.749 4.706 .006
20563.279 l 20563.279 2434.723 .000
ll9.248 3 39.749 4.706 .006
439.l84 52 8.446
2ll2l.7l0 56
558.43l 55
Source
Corrected Model
lntercept
FAJTA
Error
Total
Corrected Total
Type lll
Sum of
Squares df
Mean
Square F Sig.
R Squared = .2l4 (Adjusted R Squared = .l68)
a.
1$. tlzat
- 5l -
A l5. tblzat l-4 oszlopnak rtelmezse logikai sorrendben:
Total: az alapadatok ngyzet sszege (2l l2l),
2
2
, szabadsgfok (56)
lntercept: az alapadatok sszegnek ngyzete osztva az adatok szmval
(20 563)
( )
n
2
2
, szabadsgfok (l) valamint tlaga (20 563). Amennyiben az

adatok egyltaln nem szrnak (minden adat megegyezik), akkor a fenti kt
kifejezs rtke megegyezik. Az lntercept SS rtket Svb knyveiben
korrekcis tnyezknt (,C") emlti, mely nem ms, mint a ksrlet ftlagnak
ngyzetsszege,
2
2
Corrected Total: egyenl Total lntercept (558), vagyis
2
2
-
( )
n
2
2
, ez
tulajdonkppen az alapadatok eltrsngyzet-sszege. Svb knyveiben ez
jelentette az ,sszesen" sort. Szabadsgfok (55).
Error: ebben a pldban a ngy FAJTA csoporton belli eltrs
ngyzetsszege (439)
( )

i I
i iI
2 2
2
, szabadsgfok (52), valamint ennek
tlaga (8,446), ami gyakorlatilag a csoporton belli variancik tlaga. Svb
knyveiben a Hiba, a vletlen hatsa, a meg nem magyarzott hatsok.
Minden FAJTA csoportban l4-l4 megfigyels van. Ebbl az rtkbl gykt
vonva megkapjuk a csoporton belli tlagos szrs nagysgt.
FAJTA: a kezels okozta hats, a ngy fajta tlagnak eltrse a ftlagtl.
2
9aIta
r
Corrected Model: a lineris modellel becslt s a megfigyelt rtkekre illesztett
lineris fggvny jsgt mutatja. Eldnthet, hogy az alkalmazott modell
megfelel-e. ( )

2
2y
i #
>>
>P
M M >>
2
2
6
r-ngyzet rtke Corrected Model SS/Corrected Total SS, (ll9/558).
Ha az ltalnos lineris modell alkalmazsa sorn a becslt (predicted values)
rtkeket is elmentjk, elvgezhetjk a lineris regresszi-analzist (l6.
tblzat). A regresszi eredmnye megknnyti a GLM tblzatnak jbli
rtelmezst.
M:/"0 S7**%$)
.462
a
.2l4 .l99 2.85l8
Model
l
R R Square
Adjusted
R Square
Std. Error
of the
Estimate
Predictors: (Constant), Predicted Value for X
a.
- 52 -
ANVA
8
ll9.248 l ll9.248 l4.662 .000
a
439.l84 54 8.l33
558.43l 55
Regression
Residual
Total
Model
l
Sum of
Squares df
Mean
Square F Sig.
a.
b.
1%. tlzat! * lineris regresszi,-anal.zis eredmnye
A lineris fggvny illesztse sorn kapott eltrs ngyzetsszegek teljesen
megegyeznek a GLM-vel kapott rtkekkel. A lineris regresszi-analzis
tblzatnak (ANOVA) rtelmezse:
Total: az alapadatok eltrs ngyzetsszege, szabadsgfoka. Ez megegyezik
a GLM Corrected Total rtkvel.
( )

n
y
y >>
i
i y
2
2
Regression: a lineris modellel becslt s a megfigyelt rtkekre illesztett
megfelel-e. ( )

2
2y
i #
>>
>P
M M >>
2
2
6
Residual: maradkok ngyzetsszege, szabadsgfok, ngyzetsszeg tlagok.
A lineris egyenessel meg nem magyarzott hats.
Az r-ngyzet rtke 0,2l4. Ez a Regression SS/Total SS hnyadosa
(ll9/558).
E()-?<0&:2D, ?%$+%#>+%-%#%0M2+, (P#+?%$+%&"')
A variancia-analzis sorn ngyflekppen tudjuk kiszmtani az eltrs
ngyzetsszegeket (SS). Rmai szmokkal jellm a ngy tpust (l-lV.). A
programban kezdrtkknt a lll. jelenik meg, ezt hasznlhatjuk az egy vagy
tbb-tnyezs, kiegyenslyozott (balanced) vagy kiegyenslyozatlan
(unbalanced), teljes, azaz nincs hinyz parcella adat ksrletek
kirtkelsekor (ez a leggyakoribb). Ez a mdszer megegyezik a szles
krben ismert Yates-fle mdszerrel. A Yates mdszer lnyegben az tlagok
slyozott eltrsngyzet technikjt hasznlja a ngyzetsszegek
szmtsakor. Ez a mdszer jl ismert a mezgazdasgi kutatsban, mivel
Svb knyveiben a variancia-analzis ismertetsekor ezt a technikt mutatja
be.
- 53 -
Type l: ezt kell hasznlni, ha a kezelsekben nem egyezik meg a
megfigyelsek szma, hinyz parcellaadat van.
TL88?<0&:2D, ?%$+%#>+%-%#%0M2+,Q (M70&+?%$+%&"')
Tbb kvantitatv tulajdonsg egyttes figyelembe vtele alapjn kvnjuk
kimutatni a kezelsek hatsa kztti klnbsgeket. Kt kezels kztti
klnbsg szignifikancijnak vizsglata, D
2
ltalnostott tvolsg tesztelse
F-prbval. A DA a MANOVA hatresete. Hotelling T
2
.
K4SRLETEK TERVEZSE S RTKELSE 3LTAL3NS LINE3RIS
MDELLEL
Az albbi fejezetekben a mezgazdasgi, fldmvelsi, nvnytermesztsi,
nemestsi, fajta sszehasonlt, stb. ksrletek laboratriumi s klnbz
szntfldi kis-parcells elrendezseinek rtkelst mutatom be a teljessg
ignye nlkl. Az ismertetsre kerl klasszikus elrendezsek
tanulmnyozsa s megrtse segtsget nyjt a jvbeli ksrletek
megtervezshez s kirtkelshez. A fejezetekben az elrendezs rvid
ismertetse utn megadom a ksrlet vzrajzt, a matematikai modell lerst
s a GLM-tblzat szerkezett valamint a kirtkelshez szksges
parancsokat, amit a parancsszerkeszt (syntax editor) ablakban lehet futtatni.
Az elrendezshez h kirtkels legfontosabb parancsa a DESlGN, ezrt ezt
a GLM-tblzat szerkezetben is megadom. Ezt kveti a mintaplda GLM-
tblzata, melyben a tnyezk, ngyzetsszegek, szabadsgfokok, tlagos
ngyzetsszegek, F-prbk eredmnyei, valamint a szignifikancia szintek
lthatk.
6l!4leti .tte*int4s
A variancia-analzis modellben a fgg vltozkat magyarzzuk fggetlen
vltoz(k) segtsgvel. A magyarzat a fgg vltoz teljes
heterogenitsnak
l
kt rszre bontst jelenti. A teljes heterogenits egyik
rsze az, amelynek ,okai" a fggetlen vltozk, a msik heterogenits-rsz
pedig az, amelynek ,okait" az egyb, ltalunk nem vizsglt tnyezk
tartalmazzk. Ez utbbit sokszor a vletlen hatsaknt is emlegetik. A
heterogenits mrsre tbbfle mrszm szolgl:
(l) range (terjedelem); a legnagyobb s legkisebb rtk kztti tvolsg
(2) tlagos eltrs;
,
_
N
i
i
2 2
N
1
1
;
(3) sz,rs/
( )
,
_
N
i
i
2 2
N
1
2 1
;
l
A vltoz heterogenitsa azt jelenti, hogy az adott vltoz nem konstans.
- 54 -
(4) variancia- vagy szrsngyzet;
( )

,
_
N
i
i
2 2
N
1
2
2
1
.
Ebbl ltszik, hogy a fgg vltoznak magas (intervallum- vagy arnyskla)
mrsi szintnek kell lenni. Attl fggen, hogy a fggetlen vltozk alacsony
vagy magas mrsi szintek, eltr magyarz modelleket kell felpteni. Ha
ugyanis a fggetlen vltozink nominlis vagy ordinlis mrsi szintek, akkor
0ariancia7anal,)issell kereshetjk a magyarzatot a fgg vltoz
,viselkedsre". Ha a fggetlen vltozk is magas mrsi szintek, akkor
re$ress)i-7anal,)ist alkalmazhatunk. (Ha a fgg vltoz alacsony mrsi
szint, a magyarzatra szolgl vltozk pedig magas mrsi szintek, akkor
dis)*ri!inancia7anal,)ist hasznlhatunk.)
A variancia-analzis sorn kettnl tbb sokasg kzprtkeinek minta
alapjn trtn sszehasonltsa trtnik. Ezrt nevezik a kt-mints t-prba
ltalnostsnak.
A variancia-analzis modellek olyan rugalmas statisztikai eszkzk, amelyek
alkalmasak valamely kvantitatv (numerikus vagy intervallum sklj)
vltoznak (fgg vltoznak) egy vagy tbb nem felttlenl kvantitatv
vltozval (fggetlen vltozk) val kapcsolata elemzsre. Arra vagyunk
kvncsiak, hogy van-e hatsa a fggetlen vltozknak a fgg vltozra, s a
hats klnbzik-e vagy egyforma? A hats, kapcsolat fggvnyszer lersa
azonban nem clunk, mg akkor sem, ha a fggetlen vltozk kvantitatvek. A
regresszi-analzistl kt szempont klnbzteti meg a variancia-analzist:
A vizsglt fggetlen vltozk kvalitatvek is lehetnek (pl. a vizsglt szemly
neme, lakhelye stb.). Ebben az esetben ugyanis regresszi-analzis nem
alkalmazhatunk.
Mg ha a fgg vltozk kvantitatvek is, nem cl a fggetlen vltozval val
kapcsolat termszetnek feltrsa. A szrsanalzist tekinthetjk a regresszi-
analzis vizsglat megelz vizsglatnak, ha ugyanis pozitv sszefggst
kapunk a fgg s fggetlen vltoz kapcsolatra, akkor van rtelme vizsglni
az sszefggs jellegt.
Alap-fogalmak
Nzzk t azokat az alap-fogalmakat, amelyeket a variancia-analzis sorn
hasznlunk.
Fakt0r! Faktornak nevezzk a vizsglatba bevont fggetlen vltozkat, pl.
klnbz kezelseket, tnyezket.
Fakt0r szint! A faktor rtkkszletnek az eleme, mely belltsa mellett
vizsglhatjuk meg a fgg vltoznkat. A kezelsek szintjei, pl.
mtrgyaadagok.
1valitat.v s kvantitat.v 2akt0r0k! Ha a faktorszintek nem numerikusak vagy
intervallum skljak, akkor kvalitatv, ellenkez esetben kvantitatv faktorokrl
beszlnk.
- 55 -
1ezelsek 3cellk4: Egy-faktoros esetekben a kezelsek megfelelnek a
faktorok szintjeinek, tbb-faktoros esetben a figyelembe vett faktorok
szintjeibl elll kombincik a kezelsek. Pl. amikor a 2 faktor
mtrgyaadagok s ntzsi mdok, akkor a kezelsek a (mtrgyaadagok,
ntzsi mdok) sszes lehetsges kombincijbl ll.
5nterakci,: Kt vltoz kapcsolatban akkor ll fenn interakci (klcsnhats),
ha
1
2
vltoz hatsa fgg az
2
2
vltoz szintjtl s fordtva.
6gy-szemp0nt0s variancia-anal.zis: Variancia-analzis, ahol csak egy faktor
van.
)7-szemp0nt0s variancia-anal.zis: Variancia-analzis, ahol kett vagy tbb
faktor van.
6gy-vlt0z,s variancia-anal.zis: ANOVA technika, amely egy fgg vltozt
hasznl.
)7-vlt0z,s variancia-anal.zis: ANOVA technika, amely kett vagy tbb
fgg vltozt hasznl.
A variancia-analzis alkalmazsnak felttelei
A variancia-analzis adott n

szm populci kzprtkeinek mintk alapjn
trtn sszehasonltsra szolgl (a kt-mints t-prba ltalnostsnak
tekinthet). A kzprtkre vonatkoz hipotzisek a kvetkezk:
:
0
F
azoknak a populciknak a kzprtkei, amelyekbl a mintk
szrmaznak azonosak:
k
...
2 1
;
:
A
F
legalbb egy olyan kzprtk
pr van, ahol a kzprtkek nem tekinthetk azonosnak: legalbb egyszer
I i

.
A variancia-analzis adatait a szoksos jellsekkel l7. tblzat tartalmazza.
A statisztikai mintra alapozott variancia-analzis a kvetkez lpsekben
vgezhet el:
A variancia-analzis modell fellltsa.
A variancia-analzis kiszmtsa, az F-prba.
A modell rvnyessgnek ellenrzse.
A kzprtkek tbbszrs sszehasonltsa.
- 56 -
1&. tlzat. * variancia-anal.zis adatai.
Sors
zm
Populci Minta
vrhatrt
k
varianc
ia
elemsz
m
mintaelemek
kzprtk
ek
varian
cia
l
l

2
1
1
r
1
1 12 11
...
r
L L L
1
L
2
1
s
2
2

2
2
2
r
2
2 22 21
...
r
L L L
2
L
2
2
s
. . . . . . .
n
n
2
n
n
r
n
nr n n
L L L ...
2 1
n
L
2
n
s
l. A variancia-analzis modell fellltsa
A mdszer alapgondolata szerint a modellben a mrsi, megfigyelsi
rtkeket sszegknt tekintjk. A k megfigyels mindegyikre egy-egy
modellegyenlet rhat fel, amelynek alapjn a mintaelemeken mrt, ill.
megfigyelt 8
i+
rtkek felbonthatk a modell ltal meghatrozott rszekre s a
hibra. A modell ltal meghatrozott rsz a szisztematikus hatsokat
tartalmazza, a hibakomponens pedig a vletlen hatst jelenti.
A variancia-analzis legegyszerbb modelljben a vizsglatban szerepl
n

szm populcibl egyszeren vletlen mintt vesznk, majd a mintnknti
kzprtkeket hasonltjuk ssze, ezt nevezzk egy-szemp0nt0s variancia-
anal.zisnek (ksrlet esetn teljesen vletlen elrendezsnek). Az elrendezs
modellegyenlete:
iI i iI
e A L + +
ahol 8
i+
az
i
-edik minta
I
-edik eleme
( )
i
r I n i "..." 1 "..." 1
;
a ksrlet vagy
minta ftlaga; *
i
az i-edik minthoz tartoz populci hatsa (nvelheti vagy
cskkentheti a ftlagot); e
i+
vletlen hats. Ebben a modellben a modell ltal
meghatrozott rsz, csak az
i
-edik minthoz tartoz populci vrhat
rtkt tartalmazza, teht szisztematikus klnbsget csak a populcik
vrhat rtkei kztt felttelezhetnk. A vletlen okozta hatsokat a
hibakomponens tartalmazza. Amennyiben teljeslnek a variancia-analzis
alkalmazsnak felttelei, akkor *
i
sszege nulla, s e
i+
normlis eloszls
nulla vrhatrtk sokasg, s fggetlen a blokk s kezelshatstl.
A variancia-analzis alkalmazsnak felttelei:
A2 "()", 1"2"0-,"1B"2 &%$&:2D *+#&<1#%1 AI(("&0"#"1#"1 1"00 0"##+I1R
Ezt leginkbb a ksrleti elrendezssel, randomizlssal biztosthatjuk A
ksrleti elrendezsekrl a vonatkoz fejezetben szlunk.
- 57 -
A AI((G ?<0&:2D "0:,20<,% #:$*<0+, 0"()"#Q 9:#&:,%88%# %2 iI
e
*%$%/-1#%1 1"00 #:$*<0+, "0:,20<,S#%1 0"##+"R Attl, hogy egy norml
eloszls minthoz egy konstans rtket hozzadunk, vagy abbl levonunk,
az eloszls s a minta szrsa nem vltozik. A normalits vizsglatt
korbban ismertetett mdszerek valamelyikvel ellenrizhetjk.
(Megjegyezzk, hogy a matematikai-statisztikai kziknyvek az ANOVA-t
robusztus eljrsnak tekintik, s azt lltjk, hogy a fgg vltoznak nem kell
normlis eloszlsnak lennie). Ha matematikailag korrekt mdon akarjuk az
ANOVA-t hasznlni, akkor a fgg vltozt normlis eloszlsv
transzformlhatjuk.
A *+#&<1 ,2D$<,#-()2"&"+ "()"22"#"1 *"( ( )
2 2
2
2
1
...
n
R (Az SPSS
programnl ezt a homogenitst a Levene teszt alapjn tesztelhetjk:
ANALYZE/COMPARE MEANS/ONE-WAY ANOVA menben az OPTlONS alatt jellhetjk
ki.)
+4lda: egy-szempontos variancia-analzisre. Egy termeszt k kukoricafajta
termesztse kztt vlaszthat. Jelljk a fajtkat A, B, C, D-vel. Dntsk el,
hogy a 4 fajta termesztse esetn azonos termseredmnyre szmthatunk-e.
1'. tlzat. 1uk0ricaterms 3t9ha4
Fajta Terms (t/ha)
A 9,3 7,2 8,2
B 5,4 7,l 5,9
C 4,5 2,9 5,0
D 3,5 0,9 2,5
A i
rtkek a ngy fajtapopulci ismeretlen kzprtkeit jelentik, amiket az

i L -vel tudjuk becslni.
1(. tlzat. *z alapadat0k munkatlzata
Fajta
i
n
Terms (t/ha)
iI
L

i
i
L
i L
A 9,3 7,2 8,2 24,7 8,23
B 5,4 7,l 5,9 l8,4 6,l3
C 4,5 2,9 5,0 l2,4 4,l3
D 3,5 0,9 2,5 6,9 2,30
sszesen: 62,4 5,20
A kzs
becslsre a ksrlet ftlaga szolgl.

- 58 -
E!T-TNTEZS VARIAN6IA-ANAL4ZIS AZ S5SS-BEN
Segtsgvel egy tnyez hatst lehet vizsglni a fgg vltoz mennyisgi
alakulsra. A tnyez, faktor valamilyen csoportkpz ismrvvel rendelkezik,
a fgg vltoz pedig legtbbszr skla tpus adat. Egyszerre tbb fgg
vltozt is kijellhetnk az analzis szmra.
Amennyiben az analzis az tlagok kztti egyenlsget nem igazolja,
szksges az tlagok kztti klnbsgek kimutatsa. A variancia-analzist
kiegszt kzprtk sszehasonlt teszteknek ktfle tpusa ltezik:
elzetes, n. a priori kontrasztok s
az analzis utn elvgezhet, n. post hoc analzisek
A kontrasztokat teht a
ksrleti adatok elemzse eltt
kell ellltani, s gy
elvgezni az elemzst.
Az egy-szempontos
szrsanalzis F-prbja
akkor ad -szinten
szignifikns eredmnyt, ha
ezen a szinten ltezik
szignifikns kontraszt a
csoportok kztt.
+4lda: vizsgljuk meg, hogy
hrom talajmvelsi
vltozatban hogyan alakul a
kukorica termse. Az egy-
tnyezs variancia-analzis
alkalmazshoz kattintsunk az
ANALYZE menpont COMPARE
MEANS almenjben az ONE-
WAY ANOVA parancsra (l5.
bra).
A statisztikai szmts
elvgzshez a vizsglt fgg
vltozt helyezzk a DEPENDENT LlST ablakba, mg FACTOR-nt definiljuk a
talajmvelst, hiszen a termsnek a talajmvelsi vltozatok kztti
klnbsgt prbljuk igazolni. Amennyiben a variancia-analzis a
talajmvels szignifikns hatst igazolja, kvncsiak lesznk, hogy a hrom
talajmvelsi vltozat kzl vajon melyik kztt van lnyeges (szignifikns)
klnbsg. A variancia-analzis utn elvgzend kzprtk sszehasonlt
tesztek helyes alkalmazshoz azonban tudni kell, hogy a csoporton belli
1$. ra! 6gy-tnyezs variancia-anal.zis
1%. ra! * vlt0z,k s a tnyez
megadsa
- 59 -
variancia vajon megegyezik-e. Ezeket a teszteket a ksbbi fejezetekben
mutatjuk be.
20. tlzat! * variancia-anal.zis eredmnye
ANVA
terms t/ha
92.524 2 46.262 l0.087 .000
646.657 l4l 4.586
739.l8l l43
Between Groups
Within Groups
Total
Sum of
A fenti tblzat a szrs-elemzs eredmnyt mutatja. 5%-os elsfaj hibt
vlasztva, megllapthat, hogy a talajmvelsi vltozatokban a
kukoricatermse szignifiknsan klnbzik. Hangslyozzuk, hogy az F-prba
eredmnye csak akkor fogadhat el, ha a vizsglt vltoz norml eloszls s
a csoportokon belli variancik megegyeznek.
A !odell 4r04nyess4$4ne* 0i)s$.lata
N:$*%0+&<, ?+2,(<0%&
A variancia-analzis alkalmazhatsgnak felttele, hogy a fgg vltoz
normlis eloszls legyen, pontosabban a klnbz kezelsek mintinak
1&. ra. *z adatzis meg0sztsa
(lnyegben azonban a hibnak, vagy eltrsnek) kell norml eloszlsnak
lenni. A kezelscsoportok elklntett elemzshez meg kell osztani az
adatbzist a DATA, majd a SPLlT FlLE. kivlasztsa utn a megjelen ablakban
- 60 -
vlasszuk a COMPARE GROUPS rdigombot, s a GROUPS BASED ON: ablakba
helyezzk a ,talajmvels" vltozt. Az OK gomb megnyomsa utn trjnk
vissza az adatbzis ablakhoz.
Normalits vizsglatot az SPSS-ben tbbflekppen is vgezhetnk, pl.
ANALYZE/NONPARAMETRlC TEST/l-SAMPLE K-S. a megjelen prbeszdablakban
(l8. bra) adjuk meg a vizsgland vltozt, s jelljk be a norml eloszlst
(alapesetben ez van megjellve). A nullhipotzisnk ennek megfelelen az
lesz, hogy a vizsglt vltoz eloszlsa nem klnbzik a normlis eloszlstl.
Vlasszuk a szignifikancia szintet 5%-osra, s vgezzk el az analzist az OK
gomb megnyomsval. Az eredmny a 2l. tblzatban lthat.
1'. ra. *z egy-mints 10lm0g0r0v-:mirn0v teszt
Az ASYMP. SlG. (2-TAlLED) sort tanulmnyozva elmondhat, hogy az szi
szntsos parcellk kukoricatermse norml eloszls (p;0,0$), azonban a
msik kt talajmvelsi vltozat (tavaszi sznts, trcss) nem norml
eloszls, mert p<0,0$, vagyis elvetjk a nullhipotzist. A kapott eredmny
alapjn ebben az esetben nem szabadna variancia-analzissel rtkelni a
ksrletet. Vajon mi lehet ennek az oka? Sokszor a kiugr rtkek, vagy
adatrgztsi hiba okozza a hibt.
O:*:("#+&<, ?+2,(<0%&
A variancik homogenitsnak ellenrzsre az OPTlONS parancsgomb
megnyomsa utn, a HOMOGENlTY OF VARlANCE megjellsvel trtnik (l9. bra).
A homogenitst Levene-teszttel llapthatjuk meg. Visszatrve a variancia-
analzis prbeszdablakhoz, s az OK gomb megnyomsa utn megkapjuk az
eredmnyeket.
- 6l -
21. tlzat! * vlt0z, el0szlsnak vizsglata 10lm0g0r0v-
:mirn0v pr,val
#"-S%*90" K:0*:(:$:?-S*+$#:? T",&
48
ll.50673
2.060577
.l27
.095
-.l27
.882
.4l8
48
l0.30988
2.068890
.227
.l48
-.227
l.574
.0l4
48
9.56033
2.28744l
.263
.l36
-.263
l.82l
.003
N
Mean
Std. Deviation
Normal Parameters
a,b
Absolute
Positive
Negative
Most Extreme
Differences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
N
Mean
Std. Deviation
Normal Parameters
a,b
Absolute
Positive
Negative
Most Extreme
Differences
N
Mean
Std. Deviation
Normal Parameters
a,b
Absolute
Positive
Negative
Most Extreme
Differences
Talajmvels
szi sznts
tavaszi sznts
trcss
terms t/ha
Test distribution is Normal. a.
Calculated from data. b.
1(. ra. =0m0genits vizsglat
Amennyiben a szignifikancia szintet elzetesen 5%-on rgztettk, a
talajmvels esetn megtartjuk a nullhipotzisnket (p;0,0$) (22. tblzat). Ez
azt jelenti, hogy majd a kezelstlagok sszehasonltsa sorn nyugodtan
- 62 -
alkalmazhatjuk az egyenl variancikat felttelez teszteket. Abban az
esetben, ha a Levene-teszt a variancik klnbzsgt igazolja (23.
tblzat), nem hasznlhatjuk a Fischer-fle tesztet. llyenkor robusztusabb
prbt kell vlasztani, pl. Brown-Forsythe vagy Welch prbt (WELCH, l938).
22. tlzat! * tala+m>velsi vlt0zat0k0n el?li variancik
egyenlsgnek ellenrzse
T",& :A O:*:("#"+&) :A V%$+%#>",
terms t/ha
l.096 2 l4l .337
Levene
2". tlzat! * tala+m>velsi vlt0zat0k0n el?li variancik
egyenlsgnek ellenrzse
T",& :A O:*:("#"+&) :A V%$+%#>",
terms t/ha
5,l44 2 l4l ,007
Levene
A statisztika panelen klnbz kiegszt szmtsokat krhetnk. Ler
statisztika (Descriptive): esetek szma, tlag, szrs, az tlag hibja,
minimum, maximum, 95%-os konfidencia intervallum minden egyes csoportra.
Fix s vletlen hatsok (Fixed and random effects):
Brown-Forsythe prba
Ezt a prbt BROWN-FORSYTHE l974-ben kzlte elszr. A szrsok
klnbzsge esetn meg kell vizsglni, mirt klnbzik a szrs, milyen
szakmai magyarzatot lehet r adni. Ha a szrsok klnbzsgnek
semmilyen logikai vagy szakmai okt nem tudjuk megadni, nagy
valsznsggel a szrsok vletlenl vagy valamilyen ksrleti hiba miatt
klnbznek.
A Welch s Brown-Forsythe-prba mezgazdasgi alkalmazsval mg nem
tallkoztunk, ezrt a tbb ves kutatmunka tapasztalatai alapjn itt ragadjuk
meg az alkalmat, hogy a hasznlatukhoz nhny tancsot adjunk. Ha a
csoporton belli szrs ngyzetek (variancik) nem egyformk nyugodtan
hasznlhatjuk a kezelstlagok egyenlsgnek tesztelsre brmelyiket a
kett kzl. A legjobb, ha mindkettt kiprbljuk s sszehasonltjuk az
eredmnyeket.
Vlasszuk ki az OPTlONS prbeszdablakban (l9. bra) a Brown-Forsythe s
Welch prbkat s futtassuk le a programot jbl. A kapott eredmnyeket
lentebb lthatjuk.
- 63 -
2#. tlzat! * kezels k7zprtkek 7sszehas0nl.tsa r0usztus
tesztekkel
R:87,& T",&, :A E=7%0+&) :A M"%#,
terms t/ha
3,238 2 83,57l ,044
3,725 2 49,027 ,03l
Welch
Brown-Forsythe
Statistic
a
dfl df2 Sig.
Asymptotically F distributed.
a.
Ebben az esetben a kt teszt ugyanazt az eredmnyt adta, ha klnbsg lett
volna a kt eredmny kztt, tovbb kell folytatni az rtkelst. llyenkor
szlssges esetben a Welch-prba szignifikns klnbsget mutathat a
kezels tlagok kztt, mg a Brown-Forsythe-prba nem. Mi lehet ennek az
oka? Ez akkor kvetkezik be, ha a csoportok variancija nagyon
nagymrtkben klnbzik egymstl. llyenkor az elklntett (separate)
variancia tesztek a szabadsgfok cskkentsvel vlaszolnak, s ezzel rontjk
a teszt eredmnyt. A variancik nagyon nagy mrtk klnbzsgt
legtbbszr a csoportokon belli kiugr rtkek okozzk. A kiugr rtkek
zavar hatst tbbflekppen szrhetjk ki. Az egyik hatsos eszkz a
csonktott (trimmed) teszt, amikor minden egyes csoportbl elhagyjuk a
legnagyobb s legkisebb rtk l5%-t. A csonkols mrtkt szakmai
megfontolsok miatt tetszlegesen megvltoztathatjuk. A csonkols utn
megismtelt Brown-Forsythe prbban a szabadsgfokok szma nni fog s a
teszt eredmnye javul (25. tblzat). A fenti felttelek esetn a szrs
hagyomnyos meghatrozsa helyett a @ABC:) :D s E5F:A@5G6D :D
kiszmtsa jobb becslst ad a csoporton belli szrs nagysgra. Ezek a
prbk kevsb rzkenyek a kiugr rtkekre. A klnbz mdon
kiszmtott szrsok sszehasonltsa kzvetett mdon, a csoporton belli
variancik egyenlsgre vagy egyenltlensgre is rmutat. Szntfldn
tszm ksrleteknl, ahol a variancik egyezsge nem vrhat, a Welch
vagy Brown-Forsythe- ltal kidolgozott variancia-analzist kell alkalmazni.
2$. tlzat! * kezels k7zprtkek 7sszehas0nl.tsa r0usztus
tesztekkel a cs0nk0ls utn
R:87,& T",&, :A E=7%0+&) :A M"%#,
terms t/ha
9,905 2 93,797 ,000
l0,087 2 l39,6l3 ,000
Welch
Brown-Forsythe
Statistic
a
dfl df2 Sig.
Asymptotically F distributed.
a.
- 64 -
K+7($D -$&-1"1 ?+2,(<0%&%
Az elz fejezetben lttuk, hogy a kiugr rtkek milyen nagymrtkben tudjk
megzavarni a variancia-
analzis eredmnyt. Ezrt a
statisztikai elemzsek els s
egyik legfontosabb lpse a
kiugr rtkek ellenrzse. Az
SPSS ennek ellenrzsre is
knl lehetsget.
Az elemzs els lpseknt
nzzk meg, hogy a
kukoricaterms adataiban
tallunk-e kiugr rtket. Van-
e vajon adatrgztsi, gpelsi
hiba?
A kiugr rtkek ellenrzse az ANALYZE / DESClPTRlVE STATlSTlCS blokkjban az
EXPLORE parancs szolgl.
A DEPENDENT LlST mezbe helyezzk a vizsglni kvnt vltozt (vltozkat).
Mivel mind a hrom talajmvelsre ellenrizni kvnjuk, hogy a kukoricaterms
adatok tartalmaznak-e kiugr rtket, a FACTOR LlST mezbe helyezzk a
,terms" vltozt. Ezzel rjk el, hogy a program a kiugr rtkeket
talajmvelsi vltozatonknt kln-kln s nem sszevont llomnyon
ellenrizze. A STATlSTlCS nyomgombra kattintva a megjelen beszdpanelban
vlasszuk ki az OUTLlERS lehetsget (2l. bra).
A belltsok elvgzse utn futtassuk le a programot. A 26. tblzat
talajmvelsi vltozatonknt az t legnagyobb s legkisebb rtket
tartalmazza. A kiugr rtkek ugyanis biztos, hogy itt keresendk, hiszen azok
vagy sokkal nagyobbak, vagy sokkal
kisebbek, mint a tbbi rtk a mintban. A
tblzatbl jl ltszik, hogy az szi
szntsos adatokban a 9. s l0. adat kiugr
rtk, adatrgztsi hiba miatt a
tizedesvessz eggyel jobbra csszott. A
msik kt talajmvelsnl nem tallunk
kiugr eseteket. Hasonlan vgezhetjk el
ms vltoz esetben is a vizsglatot.
20. ra. *z kiugr, rtkek vizsglata
21. ra. 1iugr, rtkek
meg+elen.tse
- 65 -
A kiugr rtkek ellenrzsnek egy msik lehetsges mdja az adatok
grafikus megjelentse. Az EXPLORE prbeszdpanel ablakbl vlasszuk a
PLOTS lehetsget (20. bra). A
BOXPLOTS panelrszben jelljk meg a
FACTOR LEVELS TOGETHER lehetsget,
majd a CONTlNUES gombra kattintva
menjnk vissza a fablakba, s ott az
OK gomb megnyomsval hagyjuk
jv a statisztika szmtst. Ezt a
vizsglatot mindhrom talajmvelsre
futtatva a 23. brat kapjuk.
A megjelen bra legals s legfels
vonala a klnbz talajmvelsekben
a kiugr rtkeket nem szmtva a
mrt legnagyobb s legkisebb
rtkeket jellik. Az brn e kt vonal
alatt s fltt jelennek meg a kiugr rtkek (9. l0. adat szi sznts) pontok
formjban brzolva
2
.
26. tblzat: A kiugr rtket ellenrz tblzat
E@&$"*" V%07",
9 ll4,4l
l0 ll3,5l
32 l4,395
35 l4,392
36 l4,286
l 7,906
2 7,957
l3 8,0l0
4 8,043
38 8,248
84 l3,ll8
83 l2,859
78 l2,746
82 l2,672
80 l2,569
88 6,7l5
87 6,865
85 6,929
49 7,078
62 7,099
ll8 l2,070
ll5 ll,966
ll7 ll,936
l29 ll,859
ll9 ll,80l
l35 5,355
l34 5,42l
l36 5,652
l22 5,697
l24 6,059
l
2
3
4
5
l
2
3
4
5
l
2
3
4
5
l
2
3
4
5
l
2
3
4
5
l
2
3
4
5
Highest
Lowest
Highest
Lowest
Highest
Lowest
Talajmvels
szi sznts
tavaszi sznts
trcss
terms t/ha
Case Number Value
2
A kiugr rtkek ellenrzsre az SPSS mg szmos lehetsget knl, ezek tovbbi bemutatsra
most nem kerl sor.
22. ra. * kiugr, esetek
gra2ikus rz0lsa
- 66 -
48 48 48 , *
-"."/01)e.2s
t
e
r
0
2
s

t
!
"
140
120
100
80
60
40
20
0
-20
10
9
2". ra. * kiugr, rtkek gra2ikus ellenrzse 30x-pl0t ra4
A 0ariancia7anal,)ist *ie$4s),t8 *3)4p4rt4* 3ss)e%asonl,t- tes)te*
K:#&$%,2&:1
A csoportok kztti eltrs ngyzetsszeget (SUMS OF SQUARES) fel lehet bontani
trend komponensekre, vagy elzetesen megadhatunk ltalunk definilt
kontrasztokat is. A trendek kztt klnbz hatvnyfggvnyekkel lerhat
trend-sszetevket tesztelhetnk.
A kontrasztok az egyes csoportok vrhat rtkeinek lineris kombincii. A
slyok segtsgvel meg lehet adni a csoportviszonyokat, akr tbb
kontrasztot is egyidejleg. llyen csoportviszonyok a mezgazdasgban, pl.
mtrgyadzis ksrletekben nagyon knnyen rtelmezhetek. A lineris
sszehasonlt fggvnyek elmletvel tbb szerz is foglalkozott. Magyar
nyelven LTET .-ZlERMANN M. l964 megjelent mvben tallhat meg.
A mdszer lnyege, hogy egy olyan lineris fggvnyt kell alkotni, mint pl.
g
= c
gl
x
l.
+ c
g2
x
2.
+ ... + c
gp
x
p.
s ha teljesl a
c
gl
+ c
g2
+ ... c
gp
= 0
felttel, akkor ez egy lineris sszehasonlt fggvny. A fenti defincibl
kvetkezen vgtelen szm
g
ltezik.
A kontrasztokra vonatkoz nullhipotzis: H
g
:
g
= 0, az ellenhipotzis: A
g
:
g

0.
- 67 -
Ha pl. egy tnyez hatst Tl, T2, T3, T4 szinten vizsglunk, akkor a (Tl, T2)
csoport egybevetst a (T3, T4) csoporttal a
g
= x
l.
+ x
2.
-x
3.
-x
4.
fggvny
segtsgvel vgezhetjk el (itt l+l-l-l=0).
A fenti sszehasonlts a variancia-analzis ltal szolgltatott pooled variancia
felhasznlsval trtnik, ezrt kvetelmny, hogy a csoportok szrsai
megegyezzenek, gy gyakran a variancia-analzis kiegszt rszt kpezi. A
contrast fejezetben a hattnyezk sokfle csoportostsa tjn kapott tlagok
klnbzsgt lehet vizsglni, pl. mtrgyzs esetn, a felttelezsem az,
hogy az szi bza a legnagyobb termst a l20 kg nitrogn adag mellet ri el.
Vizsglhatom az ez alatti adagokat, mintt vve, vagy az e feletti adagokat,
szintn mintt vve, vletlenszeren, ha nem l20 kg-t alkalmazok, vajon
milyen eredmny szletne.
Korbban emltettk, hogy a kontrasztok segtsgvel a csoportok kztti
eltrs ngyzetsszeget (Sums of Squares) fel lehet bontani trend
komponensekre, ill. a trendek kztt klnbz hatvny fggvnyekkel
lerhat trend-sszetevket tesztelhetnk. Ennek egyik gyakorlati alkalmazsa
mtrgyadzis ksrletekben a hatsfggvny lineris, msodfok,
harmadfok jellegnek megllaptsa.
2#. ra. 6gy-tnyezs variancia-anal.zis
+4lda: kukorica mtrgyzsi tartamksrletben a nem trgyzott kezelsen
fell t klnbz trgyaadagot alkalmaznak, ekvidisztns tvolsgokra. (30,
60, 90, l20, l50 kg/ha N s PK). Fgg vltoz a terms (t/ha), kezels
(factor) a mtrgyzs (24. bra). A Contrasts. gombra kattintva llthatjuk
be a kontrasztokat. Kt lehetsgnk is van. Polinomilis trendeket
vizsglhatunk, lineris, kvadratikus, kbs, stb. tagokkal, vagy sajt magunk
adhatjuk meg a lineris sszehasonlt fggvnyek egytthatit. Az
egytthatkra a korbban lert szablyok az rvnyesek. A mtrgyzs s
terms kztti sszefggst gyakran msodfok fggvnnyel rjk le. Erre
jellemz, hogy egy hatrozott maximum pontja van, ami a legmagasabb
termst jelenti. Az ehhez tartoz mtrgyaadag ismerete fontos a szakszer
tpanyag-visszaptls elvgzshez. Vlasszuk ki a legrdl listbl a
polinom fokt (Degree) msodfokra (Quadratic). A Continue gomb
- 68 -
segtsgvel trjnk vissza az egyutas variancia-analzis ablakhoz, s az Ok
gomb megnyomsval futtassuk az analzist.
2$. ra. 10ntraszt0k megadsa
A korbban mr megismert variancia-analzis eredmnytblzata tovbbi
sorokkal bvlt ki. Az els sor (Between) a mtrgyzs termsre gyakorolt
hatst, ill. ennek F-prbjt mutatja. Amennyiben elzetesen a szignifikancia
szintet 5%-osra vlasztottuk, megllapthatjuk, hogy a mtrgyzs
szignifiknsan befolysolja a kukoricatermst.
2&. tlzat. Hariancia-anal.zis eredmnytlzata, kiegsz.tve
lineris s ms0d20kI k0ntraszt0kkal, trendk0mp0nensekkel
ANVA
TERMS
2025,772 5 405,l54 77,247 ,000
l693,864 l l693,864 322,955 ,000
33l,908 4 82,977 l5,82l ,000
296,0l9 l 296,0l9 56,439 ,000
35,889 3 ll,963 2,28l ,078
3493,l0l 666 5,245
55l8,873 67l
(Combined)
Contrast
Deviation
Linear Term
Contrast
Deviation
Quadratic
Term
Between
Groups
Within Groups
Total
Sum of
A tovbbi sorokban a lineris s ngyzetes hatsgrbe tesztjei lthatk. A
Linear Term a lineris komponens hatst mutatja a termsre. A Contrast sora
a lineris tagot, a Deviation sora a maradk, nem lineris, hanem egyb,
magasabb fokszm polinomokkal jellemezhet rszt mutatja. Lnyegben az
eltrs-ngyzetsszegek (Sum of Squares) kerlnek felbontsra lineris s
egyb sszetevkre. A lineris tag szignifikns p<0,05. A maradk tag is
szignifikns, teht rdemes megvizsglni a msodfok sszetevt is. A
msodfok sszetev sor (Quadratic Contrast) szintn a mtrgyzs
szignifikns hatst mutatja (Sig. 0,000), azonban a maradk tag mr nem
- 69 -
p>0,05 (Sig. 0,078). Ebben az esetben teht a magasabb fokszm polinomok
bevonsa a modellbe mr nem indokolt.
S2+*70&<# ?%() &L88,2L$L, L,,2"B%,:#0M&D &",2&"1
Szimultn vagy tbbszrs sszehasonlts (multiple comparison) a
kztudatban a szrsanalzis kiegsztje, fejldst fleg felhasznli
ignyek indtottk tjra. Jelentsge azonban jval nagyobb, klnsen a
nem paramteres esetben, ahol szrsanalzisre, e normalitst felttelez
eljrsra, nem kerlhet sor. Ha az egy-szempontos szrsanalzis F-prbja
szignifikns, kvncsiak vagyunk, mely populcik miatt nem homogn a
minta. Eleinte csak pronknt az sszes lehetsges csoport prra kt-mints
t-prbt hajtottak vgre. Elfordulhat azonban, hogy adott -szinten
szignifikns F-prba esetn egyik csoport pr sem mutat szignifikns t-rtket
az adott -szint mellett. A szimultn hipotzis vizsglatok nemcsak az egy-
szempontos szrsanalzisben hdtottak teret, hanem mindentt, ahol
egyidej dntsre van szksg, pl. regresszi, kovariancia, tbb-szempontos
szrsanalzis, stb.
Szimultn dnts, ha kettnl tbb sszehasonltand mintm van. Olyan
lltsokat fogalmaznak meg, amelyek egyidejleg rvnyesek. Ezek lehetnek:
Szimultn vgzett statisztikai prbk vagy
Egyidejleg rvnyes konfidencia intervallumok
A tbbszrs statisztikai prbk zme paramteres, a normlis eloszlsra
pl eljrs. Sorozatos statisztikai sszehasonltsok vgzsekor halmozdik
a prbaknt vllalt elsfaj hiba (kockzat). A szimultn sszehasonltsi
mdszerek f clkitzse ennek a halmozdsnak a cskkentse illetve
megszntetse. Ennek eredmnyeknt az egyes sszehasonltsok
konzervatv irnyba toldnak el: a prbnknt fenyeget elsfaj hiba
tnylegesen kisebb a vllalt (nvleges) kockzatnl. Ez azonnal szembetlik a
tbbszrs sszehasonltsok azon csoportjnl, amelyek az n. Bonferroni-
egyenltlensg alapjn dolgoznak. Az els ilyen javaslat Fisher knyvben
(l935) tallhat. A lnyege, hogy m sszehasonlts estn, az egyes
sszehasonltsokat a nvleges szint helyett /m valsznsgi szinten
hajtjk vgre. A valsznsg szubadditv tulajdonsga miatt, ha az
sszehasonltsonknt vllalt
i
kockzatok sszege olyan nagy, mint a teljes
sorozatra vllalt valsznsgi szint, akkor annak valsznsge, hogy m
elvgzett sszehasonlts utn valahol elkvetjk az elsfaj hibt, legfeljebb
:

m
i
i
F P
1
) (
- 70 -
ahol: H esemny azt jelenti, hogy az lltsok kzt legalbb egy hibs. Ha az
egyes lltsok (valsznsg-szmtsi rtelemben) fggetlenek lennnek,
akkor a fenti becsls helyett az

m
i
i
F P
1
) 1 ( ) ( 1
egyenlsget alkalmazhatnnk, ami azt mutatja, hogy az lltsok kztt nincs
hibs. Miller (l966) megmutatta, hogy a szimultn konfidencia-intervallumokra
a fenti egyenlsg helyett mindig a rvnyes. A szimultn vizsglt mintk
kztt vgezhet sszehasonltsok nem fggetlenek. Legyen valamennyi
i
valsznsge egyforma:
i
=
m
= /m, akkor az sszehasonltsok nem
fggetlen termszett figyelembe vve, a szimultn prbk egyttes
kockzata:
P(H) <= l-(l-
m
)
m
A levezetsbl ltszik, hogy az egyes szintek egyformasgnak semmifle
szerepe nincs. Megtehetjk teht, hogy a fontosabb sszehasonltsok
szmra magasabb szintet jellnk ki, ezzel biztostva szmukra a nagyobb
ert.
Le$*isebb s)i$nifi*.ns differencia /LSD1
R.A.Fisher l935-ben gy mdostotta az egyszer t-prbt, amennyiben a
szrsanalzis F-prbja szignifikns, akkor alkalmazhatjuk a legkisebb
szignifikns klnbsg (LSD) prbt, amelyben a kzs hiba ngyzetsszeg
osztva a szabadsgfokval (error mean square) becsli a variancit. A
mezgazdasgi kutatsban, a ksrletek kirtkelsben, a legrgebben
hasznlt mdszer a kezelsszintek klnbsgnek vizsglatra. A variancia-
analzis szolgltatta Hiba MQ-bl kiszmolt SZDp% -bl ( d $ $
s t >z/
7 7

) levont
kvetkeztetsek azonban csak akkor rvnyesek, ha az analzis eltt
vletlenl vlasztunk ki kt kezelstlagot, s ennek a klnbsgt teszteljk.
Altalban a legnagyobb s legkisebb rtket ad kezelsek kztti
klnbsgek akkor is nagyobbak, mint az SZDp%, ha a kezelsek vletlen
mintk ugyanabbl a sokasgbl, teht nincs kzttk klnbsg. Erre a
kvetkeztetsre jutott Svb, l98l is s a fenti htrnyok kikszblsre a
Duncan-tesztet emlti, de az rtkels krlmnyes voltra hivatkozva nem
foglalkozik vele. Sajnos a mezgazdasgi kutatsban is sokszor tvesen
alkalmazzk az SZDp%-t s gyakorlatilag sorba tesztelik a kezelsszinteket,
s azt nzik melyik kt kezels kztti klnbsg nagyobb, mint az SZDp%.
Az gy kimutatott szignifikns klnbsgek igen ktes rtkek, mivel az -
hiba valsznsge (a kockzat) az sszehasonltsok sorn halmozdik,
mivel az elsfaj hiba a pronknti sszehasonltsra rgztett. Ez a teszt nem
alkalmaz semmifle korrekcit.
- 7l -
(e9!an7tes)t
D.Newman (l939) dolgozta ki az els, studentizlt terjedelmeken alapul
tbbszrs sszehasonlt tesztet. Erre az eloszlsra elszr lltott fel
tblzatokat, ksbb Pearson s Hartley (l943) rszletesebb tblzatot
ksztett. Ha a prba rtk szignifikns, akkor elhagyjk valamelyik szls
rtket, s a kvetkez terjedelmet vizsgljk tovbb. Newman a prbt
Student (alias W.S. Gosset) (l927) cikke alapjn dolgozta ki. Statisztikja:
s
2 2
,
k 1
k, paramterekkel, ahol k a norml eloszls populcik szma s

I i
i iI
2 2 s
"
2
.
2
) (
ngyzetsszeg, amelynek szabadsgfoka Jk(m-1), ahol m a minta
elemszma.
Bonferroni7tes)t
Pronknti tlagok klnbsgnek vizsglatra hasznlhat, a kt csoport
elemszma lehet klnbz is. Lnyege, hogy az -hibhoz tartoz t-rtket
korriglja a fggetlen sszehasonltsok szmnak megfelelen, gy az
elsfaj hiba az sszes lehetsges sszehasonltsra rgztett
(experimentwise error). Amennyiben * a lehetsges pronknti
sszehasonltst jelenti, akkor egy sszehasonltsban az elsfaj hiba
valsznsge :*.
,
_
+
I i
$
n n
> li t)bl)zatbe t L
1 1
) (
2
Tu*ey7tes)t' ;<&< Tu*ey /=>?@1
Studentizlt terjedelem tesztjben a p-elem rszcsoportokat ugyanazzal a
kritikus rtkkel hasonltja ssze. ltt a teljes vizsglat elsfaj hibja rgztett,
s az egyes sszehasonltsok elsfaj hibja n nvekedsvel cskken, s
gy a msodfaj n. A Tukey teszt (l953) alapesetben egyforma minta
nagysg csoportok tlagainak klnbsgt tudja tesztelni, s a kvetkez
null-hipotzist vizsglja:
H
0
:
l
=.=
k,
.
Ezt felbontja a kvetkez hipotzisek metszetre:
2
. .
2
) (
s
m
2 2 t
I i iI

H
ij
=
i
-
j
=0,
- 72 -
Ellenhipotzis: A
ij
:
i
-
j
0. Mivel a mintk azonos elemszmak: n
i
=m, ezrt
=k(m-1). Teht a pronknti egyenlsgeket szimultn teszteli. Statisztikja:
A H
ij
hipotzist elfogadja -szinten, ha t
ij
<t
l
, ahol
P(t
ij
<t
l
|H)=l-
Annak a valsznsge, hogy a szmtott rtk kisebb a tblzati rtknl, ha
a nullhipotzis igaz, teht a teljes elsfaj hiba . A
1
2

t
rtkre , k,
fggvnyben studentized range nven tblzatokat ksztettek.
A fenti sszefggsbl H.Scheff (l959) ksztett
g
-re konfidencia-
intervallumot. A H
g
hipotzist akkor fogadjuk el, ha a konfidencia-intervallum
tartalmazza a 0-t. Ezt kiterjesztett Tukey-prbnak vagy T-mdszernek
nevezik.
Tukey s tle fggetlenl C.Y.Kramer (l956) javaslata alapjn kiterjesztettk
nem egyenl elemszmra. Ez a mdszer a T71")-K$%*"$ mdostott teszt. A
teszt a Newman-Keuls-teszttel kiszmtott legnagyobb klnbsggel egyenl,
ezrt is hvjk Tukey's Honestly (szinte, becslet) Significant Difference-nek.
Ksbb ltalnostottk tetszleges kontrasztokra is.
L=, t)bl)zatbeli
s
n
$
( )
Dunett (l980a) cikkben szmtgpes szimulcival tbb szerz hasonl
eljrst hasonltotta ssze s ezek kzl a Tukey-Kramer prbt tallta a
legjobbnak, azaz a klnbz elsfaj hibk mellett a konfidencia-intervallum
hosszt a legrvidebbnek.
A< Sc%eff4 /=>?@1 Sc%effe7tes)t
A hagyomnyos tesztek kz tartozik. mr valban a H
g
hipotziseket
vizsglta. Az egyszer F-prba akkor utastja el a H
0
-hipotzist, ha ltezik egy
a<>0 vektor, amelynl a konfidencia-intervallum nem tartalmazza a 0-t. Ha k
darab sszehasonltand csoportom van akkor k(k-l)/2 sszehasonltst kell
vgeznem. A statisztikja:
( )
,
_
+
I i
li t)bl)zatbe $
n n
+ k s L
1 1
1
) (
2
A teszt tetszleges elemszmok esetn rvnyes, s a paramterek
valamennyi kontrasztjnak egyidej vizsglatra alkalmas. A kontrasztok
szimultn vizsglata legtbbszr a szimultn konfidencia intervallumok
felrsval trtnik, s nzzk, hogy azok tartalmazzk-e a nullt vagy nem.
Mivel a kontrasztok szma vgtelen, a Scheff ltal kezdemnyezett
kiterjeszts igen lnyeges ltalnostst jelent. Ez a mdszer a
legltalnosabb, egyedl ennek van meg az a tulajdonsga, hogy ekvivalens a
szrsanalzissel. Az olyan vizsglatokat azonban, amelyek megfelelnek a
- 73 -
Tukey vagy Dunett-mdszer eredeti krdsfelvetsnek (egyenl elemszm
csoportok kztti klnbsgek vizsglata ill. ezek egy kontrollal val
sszehasonltsa a cl) rdemes ezekkel a mdszerekkel elvgezni, erejk
ilyenkor nagyobb a Scheff-mdszer erejnl. A Scheff-mdszer ereje a
Bonferroni-egyenltlensg alapjn kiterjesztett t-prbknl is kisebb
mindaddig, mg az elvgzett sszehasonltsok m szma lnyegesen meg
nem haladja az elvgezhet sszehasonltsok dimenzijt (Miller, l966) k
fggetlen csoport egyszempontos sszehasonltsakor ez a dimenzi (k-l).
A Scheffe-teszt gyakorlati alkalmazshoz nyjt nagy segtsget O BRlEN R.
R. l983 megjelent mve s LOTHAR SACHS l985.
Dunnett7tes)t
A Dunnett-teszt (l955) egy kijellt csoportot (kontroll) hasonlt ssze a
tbbivel. Eredetileg egyenl elemszmokra volt rvnyes, de ksbb elkszlt
az ltalnostsa egyenltlen elemszmokra is. Lnyegt tekintve pronknti
sszehasonltst vgez szimultn, de meg kell adni egy kezd, kontroll
csoportot, s ehhez hasonltja a tbbi csoport tlagt. Statisztikja:
n
s d 2 2
$ % i
2
t
2
%
= kontrol csoport tlaga
Statisztikja megegyezik Tukey statisztikjval, elfogadsi tartomnya viszont
nem.
P(t
ik
<t
2
|H)=l-
2%. ra. * Dunett-teszt
- 74 -
Ehhez a statisztikhoz J. P. Shaffer ksztett konfidencia intervallumot,
g
-re.
ltt is a H
g
:
g
=0 hipotzist elfogadjk, ha az intervallum tartalmazza a 0-t. Ezt
nevezik kiterjesztett Dunett-prbnak.
+4lda: l3 FAO 300-as rscsoportba tartoz kukorica hibridet vizsgltak
azonos termesztsi krlmnyek kztt. Az rscsoport standardjnak az
Alpha hibridet vlasztottk, s ehhez hasonltottk az sszes tbbit. Az
elsfaj hiba halmozdsnak elkerlsre a hibridek sszehasonltst
Dunett-teszttel vgeztk.
A Dunett-tesztet az ANALYZE, COMPARE MEANS, ONE-WAY ANOVA, POST HOC (26.
ABRA) parancsok utn rhetjk el. A teszt alkalmazsa eltt ki kell vlasztani a
kontroll csoportot (Control Category). A prbeszd ablakbl csak az els vagy
utols csoportot tudjuk kivlasztani a legrdl listbl. Amennyiben ms
csoportot szeretnnk kontrollnak, ezt csak a Syntax Editor ablakban tudjuk
megtenni. Tovbb meg kell adni, hogy az sszehasonlts egyoldal vagy
ktoldal legyen. Alapbelltsknt ktoldal sszehasonlts trtnik,
ktoldal szimmetrikus. Ebben az esetben nincs semmifle elzetes
informcink az sszehasonltand prokrl, brmelyik csoport lehet nagyobb,
vagy kisebb, mint a kontroll. Egyoldal prba esetben elzetesen mr van
informcink arrl, hogy az sszehasonltand csoport vagy csak nagyobb,
vagy csak kisebb lehet, mint a kontroll csoport. Ez az informci sokszor
valamilyen logikai felttelezsbl ered. Az egyoldal prba ereje nagyobb,
mint a ktoldal prb. Ez azt jelenti, hogy egy egyoldal prbval
ugyanolyan szignifikancia szint mellett mr kisebb valdi klnbsg is
kimutathat. Amennyiben nincs informcink a csoportok kztti relcirl,
mindig a ktoldal prbt hasznljuk.
A CONTlNUE gombra kattintssal trjnk vissza az egy-tnyezs variancia-
analzis ablakhoz, s az OK gombbal futtassuk a programot. A Dunett-teszt
eredm
nyt, az elre rgztett 5%-os szignifikancia szint mellett, a 28. tblzat
mutatja.
Az els oszlopban az sszehasonltand hibridek nevei, a msodikban a
kontroll szerepel. A harmadik oszlopban a kt hibrid termsnek klnbsge
(t/ha) lthat. A klnbsg melletti csillag 5%-os szinten szignifikns
klnbsget jelez. A kvetkez oszlopokban sorban a standard hiba,
szignifikancia szint s a konfidencia intervallum als fels hatra lthat. A
szignifikancia rtke a hibzs valsznsgt mutatja, ha elvetjk a
nullhipotzist. Amennyiben a konfidencia intervallum magban foglalja a nullt,
meg kell tartani a nullhipotzist.
- 75 -
2'. tlzat. * Dunnett-teszt eredmnye
M70&+90" 6:*9%$+,:#,
Dependent Variable: TERMS
Dunnett t (2-sided)
a
-3.02l7 .87697 .0l3 -5.5696 -.4739
-2.5845 .87697 .045 -5.l323 -.0367
-.5730 .87697 .998 -3.l208 l.9748
-l.6240 .87697 .406 -4.l7l8 .9238
-l.79l5 .87697 .297 -4.3393 .7563
-.7653 .87697 .977 -3.3l3l l.7826
.0l28 .87697 l.000 -2.535l 2.5606
-.ll47 .87697 l.000 -2.6626 2.433l
-.6l85 .87697 .996 -3.l663 l.9293
.2450 .87697 l.000 -2.3028 2.7928
-.8767 .87697 .945 -3.4246 l.67ll
-l.2873 .87697 .675 -3.835l l.2606
(J) HlBRlDEK
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
(l) HlBRlDEK
Debreceni 35l
Debreceni 377
Ella (Sze 36l)
Mv 370 Hunor
Norma
Occitn
DKC 35ll
DKC 4626
Goldacord
LG 3362
Szegedi 352
PR38A24
Mean
Difference
Dunnett t-tests treat one group as a control, and compare all other groups against it. a.
A 28. tblzat alapjn csak az els kt hibrid termett kevesebbet, mint a
kontroll, a tbbi termsklnbsg statisztikailag nem igazolhat.
Student7(e9!an72euls pr-ba
M.Keuls (l952) Mdostotta a Newman prbt. A statisztikja megegyezik
Newmanval, az elsfaj hiba sszehasonltsonknt rgztett, ezrt a teljes
vizsglat elsfaj hibja n-nel egytt n.
n
s
r , &
$
r

" "
A prba teszteli, hogy mely kezels kombincik tartoznak egy homogn
csoportba. Kiszmtsa bonyolultabb, ezrt clszer szmtgppel elvgezni.
Az eredmny grafikusan brzolhat s knnyen rtelmezhet. Legtbb
szmtgpes program elszr az tlagokat sorba rendezi, kicsitl a nagy fel
s vzszintes vagy fggleges vonallal jelzi a homogn csoportokat, ahol nincs
szignifikns klnbsg a kezels kombincik kztt. Vlemnyem szerint a
kezels kombincik sorba tesztelsre a mezgazdasgban is az egyik
legjobban hasznlhat prba.
Duncan t3bbs)3r3s ran$ tes)t /=>??' =>B?1
ltt is homogn csoportok kpzse a cl. Napjainkban az egyik legjobbnak
tartott tbbszrs sszehasonlt teszt. ltt is a grafikus megjelents nagyban
- 76 -
segti a kapott eredmnyek interpretcijt. A mezgazdasgi kutatsban is
potencilisan nagy jelentsggel br teszt.
Az SPSS-ben a variancia-analzis utni kzprtk sszehasonlt teszteket a
POST HOC. gombra kattintva rhetjk el (27. bra).
Az jonnan megnyl prbeszdablakban talljuk a teszteket. Az analzis utni
tesztek kt nagy csoportjt klnthetjk el: az egyikben a vizsglt csoportok
variancijnak meg kell egyeznie (Equal Variances Assumed), mg a msik
csoportban ennek a szigor felttelnek nem kell teljeslnie (Equal Variances
Not Assumed) (27. bra). Ebben a fejezetben csak a pronknti teszteket
ismertetjk, a tbbszrs sszehasonlt teszteket a kvetkez fejezetben
trgyaljuk.
+4lda: A homogn variancikat felttelez tesztek kzl vlasszuk a
leggyakrabban alkalmazottakat. Az LSD teszt (Least Significant Difference =
legkisebb szignifikns klnbsg) a legengedkenyebb a felsorolt tesztek
kzl, ami azt jelenti, hogy mr nagyon kicsi kzprtk klnbsget is
szignifiknsnak mutat. A tbbi teszt ennl szigorbb feltteleket tmaszt, gy
sokszor elfordul, hogy az LSD-vel szignifikns klnbsgek egy msik,
szigorbb teszt hasznlatval mr statisztikailag nem igazolhatk. Jelljk
meg a legengedkenyebb LSD s a legszigorbb feltteleket tmaszt Tukey
tesztet. Vlasszuk a szignifikancia szintet l0%-nak (Significance level = 0,l0).
Futtassuk le a programot.
2&. ra. 17zprtk 7sszehas0nl.t, tesztek
- 77 -
A 29. tblzat foglalja ssze a vizsglt vltoz (Dependent Variable) s a
talajmvelsek nevt. A kukorica termsnek klnbsgt kt-kt
talajmvelst sszehasonltva a Mean Difference oszlop mutatja. Ezutn
kvetkezik a klnbsgek standard hibja (Std. Error), a szmtott p-rtk
(Sig.), illetve a 90%-os konfidencia intervallum als (Lower Bound) s fels
(Upper Bound) hatra.
Az rtelmezst kezdjk az LSD-vel. Vlasszunk ki egy sort, pl. szi sznts
tavaszi sznts. ltt a klnbsg plusz l,l97 t/ha, amit azt jelenti, hogy az szi
szntsban a kukorica ennyivel tbbet termett. A szm mellett tallhat csillag
szignifikns klnbsget jell l0%-on. A Sig. oszlop az elsfaj hiba
valsznsgt mutatja, abban az esetben, ha elvetjk a nullhipotzist.
2(. tlzat. *z K:D s )ukey teszt eredmnye
M70&+90" 6:*9%$+,:#,
l,l9685 ,437l4l ,0l9 ,29235 2,l0l36
l,94640 ,437l4l ,000 l,04l89 2,85090
-l,l9685 ,437l4l ,0l9 -2,l0l36 -,29235
,74954 ,437l4l ,203 -,l5497 l,65405
-l,94640 ,437l4l ,000 -2,85090 -l,04l89
-,74954 ,437l4l ,203 -l,65405 ,l5497
l,l9685 ,437l4l ,007 ,47307 l,92064
l,94640 ,437l4l ,000 l,2226l 2,670l8
-l,l9685 ,437l4l ,007 -l,92064 -,47307
,74954 ,437l4l ,089 ,02575 l,47333
-l,94640 ,437l4l ,000 -2,670l8 -l,2226l
-,74954 ,437l4l ,089 -l,47333 -,02575
(J) Talajmvels
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
(l) Talajmvels
szi sznts
tavaszi sznts
trcss
szi sznts
tavaszi sznts
trcss
Tukey HSD
LSD
Mean
Difference
The mean difference is significant at the .l0 level.
.
A kockzat csak 0,7%, ami jval kisebb, mint az elre megvlasztott l0%,
ezrt nyugodtan, nagy biztonsggal elvethetjk a nullhipotzist. A konfidencia
intervallum als s fels hatra egyarnt pozitv eljel, nem leli krbe a
nullt, ezrt a kt talajmvelsi vltozat kztt meglv klnbsg valsnak
tekinthet. Abban az esetben, ha a konfidencia intervallum magban foglalja a
nullt, ld. Tukey teszt tavaszi sznts trcss sort, akkor konzervatv irnyba
kell dnteni, meg kell tartani a nullhipotzist.
Az LSD mdszer a legengedkenyebb az sszes teszt kzl, ezrt ennl tbb
szignifikns klnbsget nem lehet kimutatni a talajmvelsi vltozatok kztt.
Vizsgljuk meg a Tukey teszt eredmnyt, ami a legszigorbb feltteleket
tmasztja az sszehasonltsok sorn. Ltjuk, hogy az LSD-vel szignifikns
tavaszi sznts s trcss talajmvels kztti klnbsg ezzel a teszttel
statisztikailag mr nem igazolhat. Ezrt is hvjk ,szinte vagy becsletes"
tesztnek, mert ha ezzel szignifikns klnbsget mutatunk ki, akkor az valdi
klnbsg.
- 78 -
A Studentizlt terjedelmet hasznl tbbszrs kzprtk sszehasonlt
tesztek (pl. Tukey) msik nagy elnye, hogy nem csak pronknti
sszehasonlts (29. tblzat) vgezhet vele, hanem gynevezett homogn
csoportok is kpezhetk a kezelsek szintjeibl.
Kt homogn alcsoportot kaptunk. Az elsbe a trcss s tavaszi talajmvels
parcellinak termseredmnyei nem klnbznek szignifiknsan. Az elsfaj
hiba 20,3% szzalk, ami sokkal nagyobb, mint a vlasztott l0%, ezrt
homognnek tekinthetk az ebben az alcsoportban tallhat termstlagok. A
msodik alcsoportba egyedl az szi sznts tartozik, ez szignifiknsan
nagyobb termst eredmnyezett mind a trcss, mind a tavaszi
talajmvelstl.
"0. tlzat. =0m0gn alcs0p0rt0k kpzse )ukey m,dszervel
&"$*-, &UB%
48 9,56033
48 l0,30988
48 ll,50673
,203 l,000
Talajmvels
trcss
tavaszi sznts
szi sznts
Sig.
Tukey HSD
a
N l 2
Subset for alpha = .l0
Means for groups in homogeneous subsets are displayed.
Uses Harmonic Mean Sample Size = 48,000.
a.
Az One-Way ANOVA panel-ablakban megjelen Options ltal felajnlott
lehetsgeket tekintsk tovbb (l9. bra). A Descriptive vlasztsval egy
sszefoglal tblzatot kszthetnk a vizsglt vltozrl. Ez a tblzat
csoportonknti bontsban tartalmazza a megfigyelsek szmt, tlagot,
szrst, a kzprtk standard hibjt, a 95%-os konfidencia intervallum als
s fels hatrt, valamint a minimum s maximum rtkeket.
"1. tlzat. * le.r, statisztika eredmnytlzata
D",>$+9&+?",
terms t/ha
48 ll,50673 2,060577 ,2974l9 l0,90840 l2,l0506 7,906 l4,395
48 l0,30988 2,068890 ,2986l9 9,709l3 l0,9l062 6,7l5 l3,ll8
48 9,56033 2,287440 ,330l64 8,896l3 l0,22454 5,355 l2,070
l44 l0,45898 2,273565 ,l89464 l0,08447 l0,83349 5,355 l4,395
szi sznts
tavaszi sznts
trcss
Total
N Mean Std. Deviation Std. Error Lower Bound Upper Bound
95% Confidence lnterval for
Mean
Minimum Maximum
A Means Plot kivlasztsval a vizsglt vltoz csoportonknti tlagrtkei
jelennek meg grafikusan. A Missing Values csoportban vlaszthat utastsok
vagy az res cellk (Exclude cases analysis by analysis), vagy pedit az res
- 79 -
cellkat tartalmaz sorok (Exclude cases listwise) figyelmen kvl hagyst
teszi lehetv.
Mr tudjuk, hogy a talajmvels szignifiknsan befolysolja a kukorica
termst. Vajon milyen mrtkben magyarzhat a talajmvelssel a terms
variancija? Ehhez nyissuk meg az Analyze menpont Compare Means
alpontjban a Means. prbeszd ablakot (28. bra).
2'. ra. *z *F*KLG69MANO*@6 N6*F:9N6*F: men?
A belltsokat a fablakban hasonlan vgezzk, mint korbban, majd az
AO)5AF: gombra kattintva tegynk egy pipt az *FAH* )*BK6 *FD 6)* mell.
Futtassuk le a programot. ltt is megkapjuk a korbbi ANOVA tblt s a
vltozk kztti sszefggs szorossgt mr asszocicis tblzatot (32.
tblzat).
"2. tlzat. *z assz0cici, mrtke a terms s a tala+m>vels
k7z7tt
M"%,7$", :A A,,:>+%&+:#
,354 ,l25
terms t/ha
Talajmvels
Eta Eta Squared
Az eta-ngyzet alapjn (Eta Squared) kijelenthetjk, hogy a talajmvels
ebben az esztendben l2,5%-ban befolysolta a kukorica termsnek
vltozst. Ez elg kevsnek tnik, de az adatok egy olyan tartamksrletbl
szrmaznak, ahol a talajmvels mellett tszm, hibrid s mtrgyakezelsek
is szerepeltek. A mtrgyzs hatst a kukorica termsre a 33. tblzat
mutatja.
- 80 -
"". tlzat. *z assz0cici, mrtke a terms s a m>trgyzs
k7z7tt
M"%,7$", :A A,,:>+%&+:#
,874 ,763
terms t/ha
Trgya kezels
Eta Eta Squared
3LTAL3NS LINE3RIS MDELLEK
Az SPSS programcsomagban az elrendezshez h egy-tnyezs valamint
tbb-tnyezs variancia-analzist
ltalnos lineris modellel helyettestjk.
Az ltalnos lineris modell a
hagyomnyos variancia-analzis s a
lineris regresszi-analzis tvzete.
Egyetlen tblzatban jelenik meg a
szrs elemzs s regresszi-analzis
eredmnye (34. tblzat). Napjainkban
a variancia-analzisnek nagyon sokfle
technikja ltezik, amik lehetv teszik
a feladat sajtossgainak
figyelembevtelvel a legalkalmasabb
rtkelsi mdszer kivlasztst. Az
elemzs megbzhatsga a hiba (error)
meghatrozsnak mdjtl fgg, ami
tulajdonkppen az eltrs ngyzetsszeg (SQ) szmtstechnikjnak
fggvnye. Az SPSS lehetv teszi a ksrleti elrendezshez h, a felhasznl
ltal megalkotott lineris modell megbzhat rtkelst.
"#. tlzat. * PKN eredmnytlzata
T",&, :A B"&;""#-S78E">&, EAA">&,
ll9.248
a
3 39.749 4.706 .006
20563.279 l 20563.279 2434.723 .000
ll9.248 3 39.749 4.706 .006
439.l84 52 8.446
2ll2l.7l0 56
558.43l 55
Source
Corrected Model
lntercept
FAJTA
Error
Total
Corrected Total
Type lll
Sum of
Squares df
Mean
Square F Sig.
R Squared = .2l4 (Adjusted R Squared = .l68)
a.
2(. ra. * PKN panel+e
- 8l -
A megrts megknnytse rdekben az ltalnos lineris modellel kapott
becslt (predicted values) rtkeket mentsk el, s vgezzk el a lineris
regresszi-analzist (35. tblzat). A regresszi eredmnye megknnyti a
GLM tblzatnak rtelmezst.
A fggvnyilleszts sorn kapott eltrs ngyzetsszegek teljesen
megegyeznek a GLM-vel kapott rtkekkel. A GLM tblzatnak rtelmezse:
Corrected Model: a lineris modellel becslt s a megfigyelt rtkekre illesztett
megfelel-e.
( )

2
2y
i #
>>
>P
M M >>
2
2
6
lntercept: a ksrlet ftlaga
FAJTA: a kezels okozta hats.
Error: Svb knyveiben a Hiba, a vletlen hatsa, a meg nem magyarzott
hatsok.
Total: az adatok sszes variancijt mutatja.
Corrected Total: a lineris regresszi-analzis sszesen sora, a megfigyelt
rtkek eltrs ngyzetsszege. Svb knyveiben az sszesen sor.
( )

n
y
y >>
i
i y
2
2
"$. tlzat. * lineris regresszi,-anal.zis eredmnye
M:/"0 S7**%$)
.462
a
.2l4 .l99 2.85l8
Model
l
R R Square
Adjusted
R Square
Std. Error
of the
Estimate
a.
ANVA
8
ll9.248 l ll9.248 l4.662 .000
a
439.l84 54 8.l33
558.43l 55
Regression
Residual
Total
Model
l
Sum of
Squares df
Mean
Square F Sig.
a.
b.
- 82 -
A variancia-analzis sorn ngyflekppen tudjuk kiszmtani az eltrs
ngyzetsszegeket (SS). Rmai szmokkal jellm a ngy tpust (l-lV.). A
programban kezdrtkknt a lll. jelenik meg, ezt hasznlhatjuk az egy vagy
tbb-tnyezs, kiegyenslyozott (balanced) vagy kiegyenslyozatlan
(unbalanced), teljes, azaz nincs hinyz parcella adat ksrletek
kirtkelsekor (ez a leggyakoribb). Ez a mdszer megegyezik a szles
krben ismert Yates-fle mdszerrel. A Yates mdszer lnyegben az tlagok
slyozott eltrsngyzet technikjt hasznlja a ngyzetsszegek
szmtsakor. Ez a mdszer jl ismert a mezgazdasgi kutatsban, mivel
Svb knyveiben a variancia-analzis ismertetsekor ezt a technikt mutatja
be.
Type l: ezt kell hasznlni, ha a kezelsekben nem egyezik meg a
megfigyelsek szma, hinyz parcellaadat van.
To0.bbi le%et8s4$e* a GL#7ben
Univariate options, Estimates of effect size. A hats nagysgt tudjuk
megbecslni a parcilis eta-ngyzet meghatrozsval. Ennek az rtke:
SSH/(SSH+SSE). Ahol SSH a fggetlen vltoz, vagy klcsnhats eltrs
ngyzetsszege, SSE a hiba, eltrs (error) ngyzet sszege. Ennek
segtsgvel meghatrozhat a hats nagysga, kiszrhetk a legjelentsebb
vltozk ill. klcsnhatsok.
SZ3NTFKLDI K4SRLETEK TERVEZSE S RTKELSE
Az albbi fejezetekben a mezgazdasgi, fldmvelsi, nvnytermesztsi,
nemestsi, fajta sszehasonlt, stb. ksrletek laboratriumi s klnbz
szntfldi kis-parcells elrendezseinek rtkelst mutatjuk be a teljessg
ignye nlkl. Az ismertetsre kerl klasszikus elrendezsek
tanulmnyozsa s megrtse segtsget nyjt a jvbeli ksrletek
megtervezshez s kirtkelshez.
A fejezetekben az elrendezs rvid ismertetse utn megadjuk:
a ksrlet vzrajzt,
a matematikai modell lerst,
GLM-tblzat szerkezett,
valamint a kirtkelshez szksges parancsokat, amit a parancsszerkeszt
(SYNTAX EDlTOR) ablakban lehet futtatni.
Az elrendezshez h kirtkels legfontosabb parancsa a DESlGN, ezrt ezt
a GLM-tblzat szerkezetben is megadjuk. Ezt kveti a mintaplda
eredmnytblzata, melyben a tnyezk, ngyzetsszegek, szabadsgfokok,
tlagos ngyzetsszegek, F-prbk eredmnyei valamint a szignifikancia
- 83 -
szintek lthatk. Az analzis utn vgezhet post hoc analzisekre nem trnk
ki mg egyszer, ezek teljesen megegyeznek a korbbi fejezetekben
ismertetekkel. Ugyanezrt nem ismteljk meg a GLM alkalmazsi
feltteleinek tteles vizsglatt, mert ezek is megegyeznek a variancia-analzis
alkalmazsi feltteleivel. Nhny tbb-tnyezs elrendezsben azonban
engedmnyeket tehetnk a szigor
alkalmazsi felttelekbl. llyenek
pldul az osztott vagy ktszeresen
osztott parcells ksrletek.
A GLM nyit prbeszdablakt
mutatja a 29. bra. Az egyik
legfontosabb parancs a MODEL., itt
adhatjuk meg a ksrlet
elrendezst. Alapbelltsknt
mindig teljes faktorilis ksrletknt
rtkeldnek ki az adataink (Full
factorial). llyenkor a fhatsok
mellett a tnyezk kombincijbl
kpezhet sszes klcsnhats (interakci) is szerepel a lineris modellben.
Ezt gy lehet megvltoztatni, hogy a CUSTOM rdigombot jelljk meg,
amelynek hatsra aktvv vlik a FACTORS & COVARlATES ablak. Ebben az
ablakban kivlaszthatjuk a szerepeltetni kvnt vltozkat s ezek vizsglni
kvnt sszefggseit. Jelljk ki elbb a talajmvelst, majd a
tszmvltozt, amiket a BUlLD TERM(S) rszben tallhat nyilacska
segtsgvel helyezhetnk a MODEL ablakba. A kt vltoz klcsnhatsnak
vizsglathoz egyidejleg jelljk ki mind a kettt, s a legrdl listbl
vlasszuk az lNTERACTlON lehetsget, s a kis nyl segtsgvel szintn
helyezzk el a MODEL ablakban. A pldban a talajmvels s a tszm fix
tnyezknt, az ismtls termszetesen random tnyezknt szerepel.
"0. ra. * PKN N0dell alaka
"1. ra. * PKN ell.tsa
- 84 -
A teljesen vletlen elrendezs kt-tnyezs ksrlet lineris modelljt mutatja
az bra. Alapbelltsknt a lineris modellben konstans is szerepel (lNCLUDE
lNTERCEPT lN MODEL), ami legtbb esetben a ksrlet ftlagnak felel meg.
Az eltrs ngyzetsszegek szmtsa a lll. tpus szerint fog trtnni. A
CONTlNUE gombra kattintva visszatrhetnk a fablakba, ahol futtathatjuk a
programot (36. tblzat). Az elemzst a talajmvelstszm soron rdemes
kezdeni. Lthat, hogy e kt tnyez klcsnhatsa nem igazolhat
statisztikailag. A tszm egymagban mint fhats sem befolysolta
szignifiknsan a kukorica termst.
Egyedl a talajmvels befolysolta jelents mrtkben a kukorica termst,
amit a SlG. oszlopban tallhat 0,000 rtk mutat (p<0,0$).
A szmtsok automatikuss tehetk, ha a parancsszerkeszt (SYNTAX EDlTOR)
ablakban megadjuk a kirtkelshez szksges parancsokat. Ennek a
legegyszerbb mdja, ha megnyomjuk a PASTE gombot a GLM ablakban (29.
bra). A gomb megnyomsa utn a parancsszerkeszt ablakba jutunk (32.
bra).
A belltsokat a szintaktikai szablyok betartsa mellett szabadon
megvltoztathatjuk. Vgezhetnk fjl mveleteket, szmtsokat,
brzolhatjuk az adatokat, klnfle kimutatsokat kszthetnk, s a program
olyan funkcijt is ki tudjuk hasznlni gy, amit a prbeszdpanelek
segtsgvel nem tudunk belltani.
"%. tlzat. * t7-tnyezs PKN eredmnytlzata
T",&, :A B"&;""#-S78E">&, EAA">&,
l40,842
a
ll l2,804 2,825 ,002
l5752,l95 l l5752,l95 3475,l03 ,000
92,524 2 46,262 l0,206 ,000
2l,74l 3 7,247 l,599 ,l93
26,577 6 4,430 ,977 ,443
598,339 l32 4,533
l649l,376 l44
739,l8l l43
Source
Corrected Model
lntercept
TALAJMUV
TOSZAM
TALAJMUV TOSZAM
Error
Total
Corrected Total
Type lll Sum
of Squares df Mean Square F Sig.
R Squared = ,l9l (Adjusted R Squared = ,l23)
a.
A RUN paranccsal azutn futtathatjuk az ltalunk szerkesztett programot. Lehet
soronknt vagy egy kijellt rszfeladatonknt futtatni a programot. Ez a
legknyelmesebb mdja az ismtld, nagy adatbzisokon vgzett elemzsek
automatikuss ttelhez.
- 85 -
Az elrendezsek ismertetsnl mr
nem trnk ki mg egyszer az SPSS
belltsaira, az itt lertak minden egyes
elrendezs esetn rvnyesek.
2,s4rleti elrende)4se*
Leggyakrabban egy ksrlet clja az, hogy a klnbz kezelsek hatst
sszehasonltsa, elemezze. A kezels szt ltalnossgban kell rteni, nem
sz szerint. Kezelsnek tekinthetk, pl. fajtaksrletekben a fajtk,
takarmnyadag-ksrletekben a takarmnyadagok. A kezelshatsokat
mrhetjk a termshozamon, a nvnymagassgon, darabszmmal stb. A
kezels lehet egyetlen terms-kialakt tnyez, pl. vetsid, takarmnyadag,
fajta vltozsai vltozatai, vagy ezeknek a vltozatoknak klnbz
kombincii. A ksrleteket eszerint kt nagy csoportba osztjuk: egy-tnyezs
s tbb-tnyezs csoportokba.
6gy-tnyezs k.srletek esetben a kezelsek egyetlen tnyez vltozatai. Pl.
ptis-adag ksrlet esetben a ptis adagja a vizsglt tnyez s a vltoz
adagok a ksrlet kezelsei. Vetsid ksrleteknl a vets ideje a vizsglt
tnyez s a vets vltoz idpontjai a kezelsek; fajtaksrletekben a fajta a
vizsglt tnyez, s a klnbz fajtk jelentik a kezelseket.
)7-tnyezs k.srleteknl a kezelsek tbb tnyez vltozatainak
kombincii. Egyidejleg kett vagy tbb tnyez vltozatait vizsgljuk, s
ezek kombinciit hasonltjuk ssze. Ha a vizsglt tnyezk vltozatainak
hatsai a kombincikban nemcsak sszegzdnek hanem ezen tlmenen
pozitv vagy depresszv sszhatst is okoznak, akkor az a vizsglt tnyezk
klcsnhatsban vannak egymssal. Megklnbztethetnk pozitv s negatv
klcsnhatsokat.
Mg egy-tnyezs ksrletek esetben a kezelsek szma a vizsglt tnyez
vltozatainak a szmval egyezik meg, addig a tbb-tnyezs ksrletekben
tbbnyire a kezelsek szma a tnyeznknti vltozatok sszes lehetsges
kombinciinak a szma. Pl. tekintsnk egy 6 fajts bzaksrletben, ahol
csak a fajta az egyetlen vizsglt tnyez, ekkor a kezelsek szma 6. Hrom-
tnyezs ksrletben 5 ptis-adag, 3 mtrgyzsi idpont s 4 fajta esetn a
"2. ra. * parancsszerkeszt
- 86 -
hrom tnyez vltozatainak a szma a kezelsek szma: 60 + * 5 . Jelljk
a kezelsek szmt
0
-vel, a tnyezket
"... " " C G A
-vel, ezek vltozatainak
szmt
"... " " - b a
-vel. Egy-tnyezs ksrletekben a kezelsek (kombincik)
szma
0
. Tbb-tnyezs ksrleteknl ... - b a 0 .
Kvalitatv s kvantitatv tnyezk, a kezelsek megvlasztsa
A tnyezk lehetnek kvalitatvek s kvantitatvek. A kvalitatv tnyez
vltozatai kztt minsgi klnbsg van, nem kpeznek fokozatokat (pl.
fajtk, az ntzs mdja, mtrgyaksztmnyek). A kvantitatv tnyezk
vltozatai fokozatokat jelentenek, amik folytonos s diszkrt rtkeket
vehetnek fel (pl. az ntzs mennyisge folytonos, az ntzs gyakorisga
diszkrt tnyez).
Attl fggen, hogy a ksrletben kvalitatv vagy kvantitatv tnyezket
vizsglunk-e msknt kell megfogalmazni a krdst. Ennek megfelelen a
kezelsek megvlasztsa, az elrendezs s az rtkels is mskpp alakul.
Kvalitatv tnyez esetben a krds ltalban a vizsglt tnyez
meghatrozott vltozataira vonatkozik. Ekkor a kezelseket a vizsglt
vltozatok kpezik, s arra keressk a krdst, hogy melyik kt kezels kztt
van szignifikns klnbsg s ez a klnbsg mekkora? Olyan ksrleti
elrendezst kell megvlasztani, amellyel a kezelsek kzprtkei
pontosabban hasonlthatk ssze.
Ha kvantitatv tnyezt vizsglunk, akkor ltalban nem az a krds, hogy kt
meghatrozott vltozata, fokozata kztt mekkora a klnbsg, hanem a
hatsgrbe rdekel bennnket. Ezrt gy kell a ksrletet megtervezni, hogy a
hatsgrbe minl tbb pontjt meghatrozzuk. Ha pl. sszesen 24 parcellra
van helynk, akkor elnysebb 8 kezelsfokozat egyenknt 3 ismtlsben,
mint 4 kezelsfokozat egyenknt 6 ismtlsben. A knnyebb rtkels miatt a
kezelsfokozatokat lehetleg egyenl ,tvolsgokra" vlasszuk meg s ne
szablytalan kzkre. Pl. ntzsi ksrletekben a vzmennyisg vizsglata
esetn l0, 30, 50, 70, 90 mm-es adagok kpezzk a kvantitatv sor 5 szintjt
3
.
A hatsgrbe meghatrozshoz legalbb 4 kezelsfokozatnak kell lennie, mert
ekkor tudjuk a lineris s a ngyzetes hatst elklnteni.
A hattnyezk (az ltalunk alkalmazott agrotechnikai beavatkozsok)
kvalitatv vagy kvantitatv jellegnek elbrlsa gyakran nagyon nehz s nem
egyrtelm.
Elvetemny, talajmvels, tszm, fajta, ntzs s trgyzs hatst
vizsglva a termstlag alakulsra az albbiakat kell figyelembe venni. Az
3
Ha az egyenletes tvolsg szakmailag nem helyes, akkor olyan fokozatokat
rdemes megadni, aminl a fokozatok logaritmusai majd egysges
fokozatokat kpeznek (pl. 6, l2, 24, 48, 96).
- 87 -
elvetemnyt kvalitatv vltozknt rdemes figyelembe venni, mert olyan
sokoldal hatst fejt ki a talajra, hogy azt pontos szmszer paramterekkel
lerni nagyon nehzkes lenne. Kvantitatv vltozknt figyelembe vve meg
kellene llaptani a klnbz elvetemnyek talajra gyakorolt hatst, tbbek
kztt, a teljessg ignye nlkl, hogyan hat a talaj vzgazdlkodsra,
mennyivel kevesebb vagy tbb vizet hagy maga utn, mint az elvetemnyek
tlaga. Nem is biztos, hogy az elvetemnyek tlaghoz kellene viszonytani,
s ha igen milyen nvnyeket, milyen slyozssal kellene bevonni az gy
kiszmtand elvetemny tlagba. Vajon a htrahagyott vz mennyisge vagy
gradiense (mlysgbeli, vertiklis elhelyezkedse, rtegzdse) szmt?
Valsznleg mindkett, de hogy milyen mlysgben, milyen sllyal kell ezt
figyelembe venni, fgg attl a nvnytl, aminek a termstlag alakulst
vizsglom. A tpanyag-gazdlkodsra gyakorolt hatssal a helyzet mg
bonyolultabb. Az egyes tpanyagok nem csak klnbz mennyisgben s
mlysgben fordulnak el a klnbz elvetemnyek utn, hanem klnbz
formkban is. A mikrobiolgiai let, biolgiai aktivits, gyomossg, nvny-
egszsggyi krds szmszer megtlse a fentieknl is bonyolultabb. A
felsorolt nehzsgek miatt, egyelre, clszer az elvetemnyt kvalitatv
tnyezknt figyelembe venni.
Talajmvels, szintn nehz megtlni a kvantitatv vagy kvalitatv jelleget. A
kvantitatv jellegnl szmszersteni kellene a talajmvelsek kztti
klnbsgeket. Ez lehetne a mvels mlysge, a lazultsg llapotban
bekvetkezett vltozs, a vz-leveg arny eltoldsnak arnya stb. A
vltozst nehz szmszersteni, mert akadnak olyan vltozk is, amelyek
trbeliek, pl. forgat vagy nem. Ezeket mtrixok segtsgvel vagy logikai
vltozknt lehetne figyelembe venni. A talajmvels minsgnek megtlse
nehz feladat kzvetlenl a talaj-elkszts utn. Mi a j talaj-elkszts,
ami a szemnek tetszets, vagy ami utn egyenletesen gyorsan kell a
nvnyllomny, vagy ami utn a legnagyobb termst kapjuk? Gyakran a fenti
hrom meghatrozs nem esik egybe s az egyb krlmnyek hatsa
kvetkeztben a hats nem egyrtelm. A talajmvelst is vlemnynk
szerint helyesebb kvalitatv tnyez gyannt a vizsglatba vonni.
A tszmot mennyisgi tnyezknt veszik figyelembe, ami vlemnynk
szerint helyes.
A fajta egyrtelmen minsgi tnyez. Ez az a "tnyez" amit megfigyelnk,
inkbb megfigyelsi egysg (subject), mint kezels. A fajta-sszehasonlt
ksrletek problematikja ezrt egy kiss sajtsgos.
Az ntzst figyelembe szoktk venni mind kvantitatv mind kvalitatv tnyez
gyannt. A kvantitatv jellegnl a kiadagolt vz mennyisgt veszik figyelembe.
Ez a vzmennyisg legtbbszr tbb ntzs sszege, ezrt nem egyrtelm
a megtls. Ugyanakkora vzmennyisg az ntzs idpontjtl, a kiadagolt
vznormtl, intenzitstl stb. fggen mskppen hat a termstlag
alakulsra. Az ntzs hatsa mindig sszetett, nem csak a nvny vzigny
kielgtsn keresztl hat, hanem szmos egyb tnyezt is megvltoztat. Az
ntzs lehti a talajt, megvltoztatja a hkapacitst, hmrskletvezet-
- 88 -
kpessgt ezeken keresztl az egsz hgazdlkodst. A talaj vz
tartartalmnak vltozsa a talaj leveg elltottsgt is megvltoztatja. A
megvltozott h-, vz-, leveggazdlkods megvltozott mikrobiolgiai
aktivitst von maga utn. Megvltozik a tpanyagforgalom. Mskppen n a
nvny, mskppen hat vissza a talajra, (rnykols, transzspirci, stb.). A
fenti problmkat mrlegelve rdemes az ntzst is kvalitatv tnyezknt
figyelembe venni a ksrletezs sorn.
A trgyzsi ksrletek kirtkelsekor problmt szokott jelenteni, hogy az
abszolt kontroll parcellt (ami nem kapott mtrgyt) a hatsgrbe
kiszmtsnl, amit legtbbszr msodfok fggvnnyel kzeltenek,
figyelembe vegyk-e vagy sem. A ktfle elgondols alapjn szmtott
egyenletek esetenknt nagyon eltrhetnek egymstl. (SVAB J., l98l) Vajon
ekvidisztnsnak (egyenl tvolsgnak) vehet a nem mtrgyzott s az els
mtrgya lpcs, a tovbbiakban pedig a kvetkez trgyalpcsk. Ha a fenti
fggvnyt alkalmazzuk, a tbb ves tapasztalatok azt mutatjk, hogy nem. A
nem trgyzott s trgyzott kezelsek minsgileg teljesen ms kategriba
tartoznak, ezrt trgyzott s nem trgyzott kezelseket, mint kvalitatv
tnyezket, rdemes elklnteni, s csak a trgyzott kezelsekbl rdemes
kiszmtani a hatsgrbt. Azonban a kutatsi cl nha indokolhatja a kontroll
parcella figyelembe vtelt is.
A szervestrgyzsi ksrletekkel viszonylag kevesebbet foglalkoznak, s itt is
kvantitatv tnyezknt veszik figyelembe a trgyzst. A szerves-trgyban
lv hatanyag-tartalom alapjn lltjk a mennyisgi tnyezk sorba. A
kutatsok kimutattk, hogy a szervestrgya jtkony hatsa nem mindig a
benne tallhat makrotpanyag mennyisgtl fgg, hanem az egyb, a
talajtulajdonsgaira ill. a nvny nvekedsre kedvezen hat anyagok
mennyisgtl. A szervestrgyzst is kvalitatv tnyezknt vehetjk
figyelembe a statisztikai elemzs sorn.
A fentiek ismeretben megllapthat, hogy a ksrletbe vont tnyezk
mindegyikt lehet kvalitatv tnyeznek tekinteni. A kvantitatv jelleg
figyelembe vtele nagy krltekintst ignyel s a szntfldi ksrletezs
tern szinte csak a mtrgyzs terletn hasznlhat, br itt is csak
fenntartsokkal.
Az elbb ismertetett szempontok alapjn az derl ki, hogy a mezgazdasgi
szntfldi ksrletek variancia-analzis tjn trtn rtkelsbl a
jelensgek kvalitatv lersra vllalkozhatunk csak. Egy tudomnyg az adott
szakterletn mindig elszr a jelensg lefolysnak kvalitatv lerst adja
meg. A felhalmozdott ismeretek s egy j hipotzis eredmnyekppen
vllalkozhatnak a kvantitatv lersra is s ez a szakember feladata. A
matematikai lers szolgltatta mennyisgeket ksrleti ton ellenrzik, s ha
eltrs van korrigljk az egyenleteket. A mezgazdasgi kutatsban is
elszr a jelensgek kvalitatv lersa a f cl, amire a variancia-analzis az
egyik hathats eszkz lehet. Ha megvan a kvantitatv sszefggst ler
formula, amelynek egyes paramterei szintn ksrleti ton lettek
meghatrozva, vllalkozhatunk a mezgazdasgban is a szmtott s a
- 89 -
ksrletekben kapott, megfigyelt, rtkek sszehasonltsra. Az elmleti
rtkek s a megfigyelt rtkek sszehasonltsban szintn nagy szerepet
kap a matematikai statisztika.
A lineris modellek megalkotsakor el kell dnteni, hogy a hatsokat fix vagy
random tnyezknt vegyk figyelembe. A fix modellek fleg minst
vizsglatoknl hasznlhatk, ahol adott felttelek mellett vizsgljuk a
hattnyezk viselkedst, s gy az adott felttel melletti dolgozs
eredmnyeit kapjuk meg. A fix modellben legtbbszr kvalitatv tnyezket
hasonltunk ssze. pl. az albbi krdsekre keresem a vlaszt: Fajtknl egyik
fajta a msiknl, azonos termesztsi technolgia mellett, jobb-e?
Elvetemnynl, a szja jobb elvetemny, mint a kukorica? ntzsnl, a
hromszori 40 mm-es vzadag ntzs jobb, mint az egyszeri l20 mm-es?
Talajmvelsnl, a 25 cm-es sznts jobb, mint a l5 cm-es trcszs?
Mtrgyzsnl, az egyik mtrgyaflesg jobb, mint a msik, adott dzis
mellett?
Random modellnl a tnyezk hatsszintjei, amit a ksrletben alkalmazunk,
az ltalunk vizsglt tnyez reprezentatv mintja. Az ilyen modell ltalnos
rvny sszefggsek, trvnyszersgek felismersnek alapjt jelentheti.
Alkalmazsa fleg tbb-szempontos szrselemzsnl a kevert modellek
felptsnl jelents. A mezgazdasgi kutatsban val alkalmazs esetn
felmerlhet a krds, milyen mintt vegynk, ami hen reprezentlja az
ltalunk vizsglt tnyezt. A szakmai ismeretek birtokban erre szinte mindig
megadhat a vlasz.
Ha az szi bza trgya ignyt akarjuk megllaptani, de nem rdekel
bennnket a fajtk kztti klnbsg, akkor az szi bzt ilyenkor a
kztermesztsben lv fajtkkal jellemezhetjk. Milyen fajtk vegyenek rszt
az analzisben? Clszer a terleti rszeseds arnyban kivlogatni a
legjelentsebbeket. Abban az esetben, ha nincs Fa+ta x N>trgyzs
klcsnhats, amit elzetes vizsglatok alapjn meg lehet llaptani, elegend
lenne egyetlen fajta is.
Ha pl. kvncsiak vagyunk, milyen vltozst okoz a talajmvels az szi bza
mtrgyzsban s nem clom kivlasztani a legjobb talajmvelst, csak
jellemezni akarom a magyarorszgi szi bza talajmvelst. A random
modellnl egyarnt vizsglhatunk kvantitatv s kvalitatv tnyezket. Ha
kvantitatv tnyezket vizsglunk elssorban a sszefggs milyensge
(hatsgrbe) rdekel bennnket, s nem a konkrt dzisok kztti klnbsg.
Ebben az estben j, ha ekvidisztnsan vagy logaritmikusan nnek a
kezelsfokozatok. Ha nem valsthat meg, akkor sincs problma, mert a
legtbb korszer software -nl meg lehet adni a kezelsszintek egymstl val
tvolsgt s az ortogonlis polinomok segtsgvel gy mr a pontos hats
mutathat ki. Kvantitatv tnyez vizsglata esetn keverhetem a fix s
random hatsok elemzst.
- 90 -
A random vagy fix modell alkalmazsa nem csak elmleti klnbsg, hanem a
variancia-analzis szmtsa sorn, a variancia-komponensek klnbzsge
miatt, ms szmtsi metdust is jelent.
A hatsok feldertsre szolgl modellek teht legtbbszr lineris
matematikai modellek. Az alkalmazott matematikai modell nagyban
meghatrozza a ksrlet elrendezst is, egymstl elvlaszthatatlanok.
Fordtva is igaz, adott elrendezshez csak meghatrozott matematikai modell
llthat fel.
Parcella, ksrleti egysg
A parcella, k.srleti egysg, meg2igyelsi egysg kifejezseket egyms
szinonimjaknt hasznljuk. A ksrletnek azt a legkisebb rszt jelentik,
amelyre a megfigyelsnk vonatkozik. Szntfldi ksrletben a parcella szt
alkalmazzuk s itt terletet, az egsz ksrleti tr legkisebb egysgt rjk
rajta.
Egy parcella csak egy kezelst reprezentlhat. Ezrt ksrleti egysg a
parcella. Ha a ksrletben rsztvev parcellk eltr kezelst kapnak, akkor
ms-ms kezelst reprezentlnak, ha azonos kezelst kapnak, akkor
ugyanannak a kezelsnek az ismtlsei.
Az ismtlsek jelentsge s szma
Klnbz ellenrizhetetlen hatsok, az n. ksrleti hibk parcellnknt
befolysolhatjk a kezelshatsokat. Ha a kezelseket tbb ismtlsben
hasonltjuk ssze, felttelezhet, hogy a klnbz ismtlsekben minden
kezelst rnek pozitv s negatv hats hibk. Az ismtlsek szmnak
nvelsvel egyre valsznbb, hogy a pozitv s negatv hats ksrleti
hibk kiegyenltdve jelentkeznek.
Az ismtlseknek ketts szerepet tulajdonthatunk: (l) cskkenti a ksrleti
hibk hatst, (2) lehetv teszi a ksrleti hiba (ezen keresztl a
kzprtkek kztti klnbsgek) becslst.
Az ismtlsek szmt azonban nem lehet minden hatron tl nvelni, hiszen a
nagy ismtlsszm nveli a szksges ksrleti egysgek szmt, ami ltal a
ksrlet inhomogenitsa is megnhet.
Ksrletek elrendezsi terve
Minl tbb a ksrleti egysg, a parcella, annl kevsb biztosthat minden
parcellnak azonos krlmny. Mivel a ksrleti hibaforrs egyik oka a
- 9l -
parcellk krlmnyeinek egyenltlensge, ezt cskkenteni kell. Ha magt az
egyenltlensget nem is tudjuk cskkenteni, akkor a parcellkbl rdemes
kisebb csoportokat kpezni oly mdon, hogy a csoporton bell a krlmnyek
azonosak legyenek.
A parcellkbl kpzett csoportokat l0kk0knak nevezzk. A blokk teht
valamilyen szempontbl sszetartoz parcellacsoportot jelent. Pl. szntfldi
ksrleteknl a szomszdos parcellk terlet-blokkot, azonos idpontban
vgzett megfigyelsek id-blokkot, nvnyen az azonos rend hajtsok,
azonos kor, azonos nem lltok biolgiai jelleg blokkot kpeznek.
A legegyszerbb s legltalnosabb parcella-csoportosts az, hogy az
sszes kezels egy-egy parcelljbl kpznk blokkot. Ekkor a kezelsek
teljes sorozata jelent egy blokkot. Az ilyen blokkot, amely az sszes kezels
parcelljt tartalmazza tel+es l0kknak nevezzk.
A ksrletek tervezsekor, amikor meghatrozzuk a kezelsek s az ismtlse
szmt, a ksrleti egysgekbl annyi teljes blokkot kpeznk, ahny
ismtlsnk van. Tz kezelses ngy ismtlses ksrlet sszesen 40 ksrleti
egysgt 4 blokkba rendezzk, Minden blokk l0 ksrleti egysget foglal
magba, minden kezelsbl egy ksrleti egysget.
Egy l2 parcells blokk szmos kialaktsi lehetsgei kzl kettt szemlltet
az 33. bra.
"". ra. 12 parcell,l kpzett l0kk 3F0rrs! :v Qn0s 31('14!
Bi0metriai m,dszerek a kutatsan, (".0.4
A klnbz ismtlseket jelent blokkok lehetnek trben, vagy idben zrt
egysgben egyms mellett vagy sztszrtan elhelyezve (34. bra). A blokkok
klnbz alakak is lehetnek, de legyenek azonos mretek. A blokk mrete
a parcellk (ksrleti egysgek) szmt jelenti.
- 92 -
"#. ra. * l0kk0k k?l7n7z elhelyezkedse. 3F0rrs! :v Qn0s
31('144
A kezelsek elrendezse a parcellkon
A ksrleti terv elksztsekor a kezelsek elrendezse a parcellkon kt
fzisbl ll:
A blokk-kpzs utn a megvlasztott ksrleti elrendezsnek megfelelen
elksztjk az elrendezs alaptervt. Ez azt jelenti, hogy a kezelsek
sorszmt vagy egyb jelt az elrendezs szerkezetnek megfelelen berjuk
a parcellk helyre. Az alapterv mindig valamilyen szisztematikus elrendezs.
Az alapterv elksztse utn a ksrleti elrendezs szerkezetnek keretn
bell randomizljuk, vletlenszeren sszekeverjk a kezelseket. lgy
randomizlva kapjuk meg az elrendezsi tervet. A randomizlssal minden
kezelsnek azonos eslyt adunk.
A 37. tblzat foglalja ssze a tovbbiakban bemutatsra kerl ksrleti
elrendezseket.
"&. tlzat. 1.srleti elrendezsek 7ssze20glal, tlzata.
Egy-tnyezs ksrlek
Teljesen vletlen
elrendezs
Vletlen blokk-
elrendezs
Latin ngyzetes
Kt-tnyezs ksrletek
Vletlen blokkelrendezs
Osztott parcells (split-
plot) elrendezs
Svos elrendezs
Az egyik tnyez nincs
- 93 -
elrendezs
Latin tgla elrendezs
Csoportostott elrendezs
randomizlva
Hrom- s tbb-tnyezs ksrletek
Vletlen blokk elrendezs
Osztott parcells elrendezs
Ngy-tnyezs ksrletek
6$y7t4nye)8s *,s4rlete*
T"0E","# ?-0"&0"# "0$"#/"2-, (6RD)
+4lda: Ngy kezels hatst vizsgljuk a tykok tojs-termelsre. Minden
kezelsben 5 toj van. Azonos id alatt termelt tojsok szmn mrjk le a
kezelsek hatst. Az adatokat a 38. tblzat tartalmazza.
"'. tlzat. 20 tyIk t0+stermelse # kezelses $ ismtlses
tel+esen vletlen elrendezs> k.srleten.
Kezels Adatok
Kezels-
sszeg
l 94 86 52 83 60 375
2
ll
4
8l 97
l0
l
l2
8
52l
3 90 88 78
l0
2
45 403
4 70 58 90 54 65 337
- 94 -
Elfordul, hogy egyb okok miatt az ismtlsekbl nem lehetsges vagy nem
clszer a blokk-kpzs, mg akkor sem, ha azonos szm ismtlsnk van.
Pl. llatokkal vgzett ksrletekben kezelsenknt tbb llat lehet, s ezeket
kzsen tartjuk. lgy llandan keverednek, nem kpezhetk fix blokkok.
A mdszer ltalnosan alkalmazhat azonos elemszm mintk illetve
csoportok sszehasonltsra is, ha (l) meghatrozott szempontok szerint
kivlasztott mintk kzprtkeit hasonltjuk ssze, (2) utlag kpeznk
csoportokat, s ezek kzprtkeit hasonltjuk ssze. Jelljk az alapadatokat
"... "
2 1
2 2
-vel, a ksrletek szma r , a kezelsek szma
0
.
Az elrendezs matematikai modellje:
Y
i+
= m + K
+
+ e
i+
ahol:
Y
i+
= egy tyk tojstermelse (db/tyk)
m = a ksrlet becslt, szmtott tlaga, a ksrlet legjellemzbb
rtke
K
+
= a kezels hatsa a tykok tojstermelsre
e
i+
= a ksrlet hibja, a csoporton belli szrs
"(. tlzat. * PKN-tlzat szerkezete tel+es vletlen
elrendezsen
Tnyez SS df MS F Sig. DESlGN
Korriglt modell
Eltrs l
Kezels (csop.
kztt)
v-l kezels
Hiba (csoporton
bell)
v(r-l)
sszesen rv
Korriglt sszesen rv-l
#0. tlzat! * tel+esen vletlen elrendezs :O:: parancsai
- 95 -
UNlANOVA
tojs BY kezels
/METHOD = SSTYPE(3)
/lNTERCEPT = lNCLUDE
/CRlTERlA = ALPHA(.05)
/DESlGN = kezels .
#1. tlzat. * tel+esen vletlen elrendezs eredmnytlzata,
vJ#, rJ$
T",&, :A B"&;""#-S78E">&, EAA">&,
Dependent Variable: Tojstermels
3784.000
a
3 l26l.333 3.859 .030
l33824.8 l l33824.8 409.469 .000
3784.000 3 l26l.333 3.859 .030
5229.200 l6 326.825
l42838.0 20
90l3.200 l9
Source
Corrected Model
lntercept
KEZELS
Error
Total
Corrected Total
Type lll
Sum of
Squares df
Mean
Square F Sig.
R Squared = .420 (Adjusted R Squared = .3ll)
a.
V-0"&0"# 80:11-"0$"#/"2-, (R6BD)
Plda: A kukorica termst figyeljk 7 kezels esetn. A ksrlet 5 ismtlses
vletlen blokkelrendezs. A parcellnknti kezelseket, s ismtlseket az
albbi tblzat mutatja:
Egyik legegyszerbb s igen elnys ksrleti elrendezs brmilyen tmakr
ksrletben is az a fajta elrendezs, ahol a megfigyelsi egysgeket gy
csoportostjuk, hogy egy csoportba minden kezelsbl egy megfigyelsi
egysg jusson.
+1tr38%343s
1 2 3 4 5 6 7 (5)
2 7 5 6 7 3 1 (4)
5 6 2 3 1 7 4 (3)
3 1 4 5 7 6 2 (2)
4 3 1 7 2 5 6 (1)
5
s
0
2
t
.
2
s

"$. ra. Hletlen l0kk elrendezs terve & kezels 3v4 $
ismtlsen 3r4
- 96 -
Egy ilyen csoport kpezi a blokkot, egyben egy ismtls is. A blokkok szma
gy megegyezik az ismtlsek szmval. A blokkokon bell a kezelsek
randomizljuk.
Az elrendezs elnye, hogy a ksrlet pontossga nem cskken, ha az
ismtlsek, azaz a blokkok, klnbz krlmnyek kztt vannak. Az a
fontos, hogy az egyes blokkon bell biztostsuk az azonos feltteleket. A
blokkok lehetnek egymstl tvolabb is, ha ezt a terepakadlyok szksgess
teszik, st lehetnek ms krlmnyek kztt is.
A vletlenszer blokkelrendezs htrnya, hogy minl nagyobb a blokk
(vagyis minl tbb megfigyelsi egysget tartalmaz), annl kevsb
biztosthat a megfigyelsi egysgek egyntetsge s a ksrlet
pontatlanabb lesz. Ha pl. ngy ismtlst feltteleznk, l5-20 kezelsnl
nagyobb vletlen blokkelrendezs ksrletek nem ajnlottak.

Plda:
#2. tlzat. Oarcella adat0k kuk0rica k.srleten
Kezels
lsmtls
(l) (2) (3) (4) (5) (6)
l l8,9 l7,6 l6,4 l6,4 l4,4 l4,8
2 l6,4 l6,7 l4,7 l4,4 l2,6 l3,8
3 l0,4 l3,5 l3,9 8,7 ll,5 l2,3
4 l7,4 l7,7 l5,7 l7,5 l6,8 l8,3
Y
i+
= m + R
i
+ M
+
+ e
i+
ahol:
Y
i+
= egy parcella termse (kg/parcella)
rtke
R
i
= blokk ill. ismtls hats a talaj heterogenitsa, hogyan
vltozik a talaj termkenysge fentrl lefel haladva
M
+
= a mtrgyzs hatsa a cirok termsre
e
i+
= a ksrlet hibja
- 97 -
#". tlzat. * PKN-tlzat szerkezete vletlen l0kk
elrendezsen
Korriglt modell
Eltrs l
lsmtls r-l ismtls
Kezels (csop.
kztt)
v-l kezels
Hiba (r-l)(v-l)
sszesen rv
##. tlzat. * vletlen l0kkelrendezs :O:: parancsai
UNlANOVA
terms BY ismtls kezels
/METHOD = SSTYPE(3)
/DESlGN = ismtls kezels.
#$. tlzat. * vletlen l0kkelrendezs eredmnytlzata, vJ#,
rJ%
T",&, :A B"&;""#-S78E">&, EAA">&,
Dependent Variable: cirok kg/parcella
l24.943
a
8 l5.6l8 7.4l6 .000
5424.027 l 5424.027 2575.5ll .000
l7.993 5 3.599 l.709 .l93
l06.950 3 35.650 l6.928 .000
3l.590 l5 2.l06
5580.560 24
l56.533 23
Source
Corrected Model
lntercept
lSMTLS
KEZELS
Error
Total
Corrected Total
Type lll
Sum of
Squares df
Mean
Square F Sig.
R Squared = .798 (Adjusted R Squared = .69l)
a.
- 98 -
L%&+# #-()2"& "0$"#/"2-,
+4lda: Hat kezelses hat ismtlses ksrletben nitrogn mtrgyakezelsek
hatst vizsgltk s hasonltottk ssze az szi bza szemtermsn.
1 2 3 4 5 6
6 1 2 3 4 5
5 6 1 2 3 4
4 5 6 1 2 3
3 4 5 6 1 2
2 3 4 5 6 1

"%. ra. :zisztematikus 3diag0nlis elrendezs4 %x% latin ngyzet
vzra+za
Egy-tnyezs ksrletekben 4, 5, 6, 7 s 8 kezels sszehasonltsra
alkalmas ksrleti elrendezs, felttelezve, hogy az ismtlsek szma azonos
a kezelsek szmval. Ebben az elrendezsben ugyanis a kezelsek s az
ismtlsek szmnak meg kell egyeznik. Az elrendezs nagy elnye, ha
ugyanabban a sorban vagy oszlopban tbb parcella is tnkremegy, akr egy
sor vagy egy oszlop is kihagyhat, s a ksrlet vletlen blokkelrendezsnek
tekinthet
4
.
A latin ngyzet elrendezs legegyszerbben a kvetkezkppen
szerkeszthet: a kezelseket az els sorban l-gyel kezdd folyamatos
szmozssal rjuk fel. A kvetkez sorban ugyanebben a sorrendben, de egy
parcellval jobbra eltolva kezdjk meg a felrst. Ezzel a mdszerrel teht
minden egyes sorban eggyel jobbra tovbb tolva, de ugyanabban a sorrenden
rva tltjk ki a latin ngyzetet. Ekkor kapjuk meg az n. diagonlis (tls) latin
ngyzetet (36. bra), amelyben minden sor s oszlop tartalmazza az sszes
kezelst. Aztn elszr a sorokat (46. tblzat), majd az oszlopokat (47.
tblzat) vletlenszeren felcserljk. Az gy szerkesztett latin ngyzet mr
vletlen elrendezs.
4
Ez az elrendezs abban klnbzik a vletlen blokkelrendezstl, hogy az
sszes kezels egy-egy parcelljbl kt irnyban kpznk blokkokat.
- 99 -
#%. tlzat. :0r0k 2elcserlse. %x% latin ngyzet vzra+za
5 6 l 2 3 4
3 4 5 6 l 2
l 2 3 4 5 6
6 l 2 3 4 5
2 3 4 5 6 l
4 5 6 l 2 3
#&. tlzat. Aszl0p0k 2elcserlse a s0r0k 2elcserlse tlzat,l
l 3 6 2 5 4
5 l 4 6 3 2
3 5 2 4 l 6
2 4 l 3 6 5
4 6 3 5 2 l
6 2 5 l 4 3
Y
i+k
= m + S
i
+ O
+
+ K
k
+ e
i+k
ahol:
Y
i+
rtke
S
i
vltozik a talaj termkenysge fentrl lefel haladva
O
+
vltozik a talaj termkenysge jobbrl balra haladva
K
k
= kezelshats
e
i+k
= a ksrlet hibja
- l00 -
#'. tlzat. * PKN-tlzat szerkezete vletlen l0kk
elrendezsen
Korriglt modell
Eltrs l
Sor r-l sor
Oszlop r-l oszlop
Kezels (csop.
kztt)
v-l kezels
Hiba (r-l)(v-2)
sszesen rv
#(. tlzat. * latin ngyzet elrendezs :O:: parancsai
UNlANOVA
terms BY sor oszlop kezels
/METHOD = SSTYPE(3)
/DESlGN = sor oszlop kezels .
$0. tlzat. $x$ latin ngyzet eredmnytlzata
T",&, :A B"&;""#-S78E">&, EAA">&,
Dependent Variable: TERMS
45l2.27l
a
l2 376.023 22.332 .000
l08860.4 l l08860.4 6465.l88 .000
2326.386 4 58l.597 34.54l .000
90l.374 4 225.344 l3.383 .000
l284.5l0 4 32l.l28 l9.072 .000
202.055 l2 l6.838
ll3574.7 25
47l4.326 24
Source
Corrected Model
lntercept
SOR
OSZLOP
KEZELS
Error
Total
Corrected Total
Type lll
Sum of
Squares df
Mean
Square F Sig.
R Squared = .957 (Adjusted R Squared = .9l4)
a.
- l0l -
L%&+# &-(0% "0$"#/"2-,
A mdszer a latin ngyzet kiterjesztse 8, 9, l0, l2, l4, l5, l6, l8 kezels
sszehasonltsra, felttelezve, hogy a kezelsek szma ktszer, hromszor
annyi, mint az ismtlsek szma. Latin tgla elrendezsben ugyanis a
kezelsek szma az ismtlsek szmnak egsz szm tbbszrse
5
.
A latin tgla elrendezs nagyon hasonlt a latin ngyzet elrendezshez: itt is
sorokat s oszlopokat klnbztetnk meg, a sorok s az oszlopok szma
megegyezik egymssal, illetve az ismtlsek szmval. Minden sorban s
oszlopban az sszes kezels egy-egy parcellja szerepel. Mivel a kezelsek
szma az ismtlsek szmnak kt- vagy hromszorosa, brmely sor s
oszlop keresztezdsben kt vagy hrom kezels parcellja van. Ez gy
lehet, hogy minden oszlop kt vagy hrom rszoszlopbl ll
6
. Ettl eltekintve
az elrendezs vletlenszer.
Plda: 5 ismtlses l0 kezelses, 5xl0-es latin tgla elrendezs terv (37.
bra).
Oszlop
Sor
1 2 ! "
1 8 5 9 7 2 4 10 3 1 6
2 9 7 8 1 3 10 4 6 5 2
3 6 3 5 10 1 7 9 2 8 4
4 4 10 6 2 8 9 1 5 7 3
5 1 2 3 4 5 6 7 8 9 10

"&. ra. $x10-es latin tgla elrendezs, a 10 kezels elhelyezse
Minden sor minden egyms melletti kt rszoszlop a kezelsek egy teljes
ismtlst tartalmazza. Kt rszoszlop egyttesen kpez egy oszlopot.
A latin tgla elrendezsben, a latin ngyzet elrendezssel teljesen egyezen,
kt alaptblzatot ksztnk. Az elsben a termsadatokat az elrendezsi terv
alapjn csoportostjuk (5l. tblzat).
5
Nem clszer azonban, hogy a kezelsek szma az ismtlsek szmnak ngyszerese, vagy annl
is tbbszrse legyen.
6
A latin ngyzet mdszernl minden keresztezdsben csak egy parcella van.
- l02 -
$1. tlzat. *z adat0k 0szl0p0k s s0r0k szerinti elrendezse.
Sor
Oszlop
l 2 3 4 5
l
0,9
6
l,l
7
l,l
2
l,0
3
l,3
8
l,5
0
2,2
2
2,0
4
2,2
4
l,2
9
2
l,7
0
l,9
0
l,4
8
l,4
l
l,9
7
2,3
5
2,4
0
2,0
5
l,9
5
l,7
0
3
2,l
2
l,7
3
l,9
7
l,6
8
l,8
6
l,6
9
l,8
0
l,7
5
l,9
2
l,5
3
4
l,9
4
2,4
2
l,7
5
l,9
3
l,7
9
l,6
4
l,9
3
l,5
9
l,8
2
l,4
5
5
l,0
0
l,6
9
2,0
6
l,5
9
l,9
3
l,7
0
l,9
2
l,7
6
l,7
6
l,l
l
A msodik alaptblzatban a termsadatokat a kezelsek s a sorok szerint
csoportostjuk (52. tblzat).
$2. tlzat. *z adat0k kezelsek s s0r0k szerint rendezve.
Kezel
s
Sor
l 2 3 4 5
l 2,24 l,4l l,86 l,93 l,00
2 l,38 l,70 l,75 l,93 l,69
3 2,04 l,97 l,73 l,45 2,06
4 l,50 2,40 l,53 l,94 l,59
5 l,l7 l,95 l,97 l,59 l,93
6 l,29 2,05 2,l2 l,75 l,70
7 l,03 l,90 l,69 l,82 l,92
8 0,96 l,48 l,92 l,79 l,76
9 l,l2 l,70 l,80 l,64 l,76
l0 2,22 2,35 l,68 2,42 l,ll
- l03 -
6,:9:$&:,M&:&& "0$"#/"2-,
Egy-tnyezs ksrletek esetn, ha sok kezelst hasonltunk ssze gyakran
olyan kezelscsoportokat kpeznk, amelyeken bell a kezelsek
sszehasonltsnak a pontossgra nagyobb slyt helyeznk, mint a
klnbz csoportokban lv kezelsek sszehasonltsnak pontossgra. A
kezelsek kzvetlen sszehasonltsn tl vizsglni akarjuk mg a
csoporttlagok kztti klnbsgeket is. llyen esetekben, ahelyett, hogy miden
csoporttal kln elvgeznnk a ksrletet, a klnbz csoportokat egy kzs
ksrletbe foglaljuk. A csoportonknti kezelsek szma klnbz lehet.
+4lda: Burgonya ksrletben ll burgonyafajta hrom rsi csoportba
sorolhat, egyenknt 4 fajtval. A ksrlet clja, hogy elssorban
sszehasonltsa az azonos rsi csoportokon belli fajtk kztti
termsklnbsget. A klnbz rsi csoportokban lv fajtkat ill. ltalban
az rsi csoportok tlagos termkpessgnek sszehasonltsa csak
msodlagos jelentsg.
.
5s02t.2s
CCC C CC
1
10 9 11 1 3 4 2 8 6 5 7
CC CCC C
2
5 6 8 7 11 9 10 2 1 4 3
C CC CCC
3
4 1 3 2 6 7 5 8 10 11 9
CCC C CC
4
9 11 10 1 2 3 4 7 5 8 6
CC CCC C
5
6 8 7 5 10 9 11 2 3 4 1

"'. ra. Ms0p0rt0s.t0tt elrendezs terve, 11 kezelssel, "
cs0p0rtan, $ ismtlsen
Az alaptblzatban ismtlsenknt s csoportonknt, csoportokon bell
kezelsenknt rendezzk az adatokat.
- l04 -
$". tlzat. *z alaptlzat
rsi
csoporto
k
Kezel
s
lsmtls
(l) (2) (3) (4) (5)
l.
kzpkor
ai
l 6l 49 60 63 60
2 42 33 66 64 5l
3 66 50 54 68 58
4 54 50 53 60 49
ll.
kzp
5 64 55 67 69 70
6 47 39 4l 37 52
7 62 6l 62 64 66
8 72 56 62 60 7l
lll.
Ksei
9 6l 62 74 60 80
l0 87 77 80 83 86
ll 82 73 85 83 74
Y
i+k
= m + R
i
+ C
+
+e
i+
+ K
k
+ e
i+k
ahol:
Y
i+
rtke
R
i
= blokk ill. ismtls hats a talaj heterogenitsa
C
+
= az rscsoportok termsre gyakorolt hatsa
e
i+
= az rscsoportok kztti hiba
K
k
= a fajtk hatsa a burgonya termsre
e
i+k
= a ksrlet hibja
- l05 -
$#. tlzat. * PKN-tlzat szerkezete cs0p0rt0s.t0tt
elrendezsen
Tnyez SS df M
S
F Sig. DESlGN
Eltrs l
lsmtls r-l ismtls
Csoportok
kztt
cs-l csoport
Hiba (cs) (r-l)(cs-l) ismtlscsopo
rt
Kezels
csp. bell
v-cs kezels
Hiba (v) (r-l)(v-cs)
$$. tlzat. * cs0p0rt0s.t0tt elrendezs :O:: parancsai
UNlANOVA
terms BY ismtls csoport kezels
/METHOD = SSTYPE(l)
/RANDOM = ismtls
/DESlGN = ismtls csoport csoportismtls kezels .
Az eltrs ngyzetsszeget az els tpus szerint kell szmtani.
- l06 -
$%. tlzat. * cs0p0rt0s.t0tt elrendezs eredmnytlzata, csJ",
vJ11, rJ$
Tests of Between-Subjects Effects
Dependent Variable: Terms kg/parcella
Source
Type l Sum
of Squares df
Mean
Square F Sig.
lnterce
pt
Hypothesi
s
2l453l,364 l 2l453l,364 l096,328 ,000
Error 782,727 4 l95,682(a)
ismtl
s
Hypothesi
s
782,727 4 l95,682 3,708 ,056
Error 409,209 7,754 52,772(b)
csopor
t
Hypothesi
s
4l58,403 2 2079,202 39,76l ,000
Error 4l8,339 8 52,292(c)
Hiba
(cs)
Hypothesi
s
4l8,339 8 52,292 l,579 ,l70
Error l059,733 32 33,ll7(d)
kezel
s
Hypothesi
s
2520,433 8 3l5,054 9,5l3 ,000
Hiba (v) l059,733 32 33,ll7(d)
a MS(ismtls)
b l,025 MS(ismtls csoport) - ,025 MS(Error)
c MS(ismtls csoport)
d MS(Error)
A csoportok kztti szignifikancia vizsglatkor, ha a 'Hiba (cs) MS' kisebb, mint
a 'Hiba (v) MS', akkor a csoportok kztti tnyezt az F-prbban a Hiba (v)-
hez viszonytjuk.
- l07 -
24t7t4nye)8s *,s4rlete*
V-0"&0"# 80:11"0$"#/"2-,
A vletlen blokkelrendezs az egyik legegyszerbb kt-tnyezs ksrleti
elrendezs. Az egy-tnyezs vletlen blokkelrendezstl annyiban klnbzik,
hogy itt az egyes kezelsek kt tnyez sszes lehetsges kombincii. Akkor
alkalmazzuk, ha minden kombinci kztti klnbsget azonos pontossggal
akarunk elbrlni, s ha mindkt tnyez vltozatai kztti klnbsgek
elbrlsra egyforma hangslyt fektetnk. Azonban ha az egyiket nagyobb
pontossggal akarjuk elbrlni, akkor az osztott parcells eljrst alkalmazzuk.
+4lda: Hrom agrotechnikai eljrst hasonltsunk ssze, a tesztnvny
burgonya legyen. Mivel felttelezhet, hogy a klnfle burgonyafajtk a
vizsglt agrotechnikai eljrsokra klnbzkppen reaglnak, a ksrletet 2
burgonyafajtval lltjuk be
( )
2 1
" b b
. 5 ismtlses vletlenszer
blokkelrendezsben. A ksrletben a kvetkez krdseket lehet feltenni:
Melyik mvelsi mddal lehet a legnagyobb termst elrni a burgonyafajtk
tlagban?
Melyik burgonyafajta ad nagyobb termst a vizsglt mvelsi mdok
tlagban?
A mvelsi mdok kzti klnbsg vltozik-e burgonyafajtk szerint, illetve
a burgonyafajtk termsklnbsge vltozik-e a mvelsi mdok szerint?
$&. tlzat. $ ismtlses vletlen l0kkelrendezs>, 2x"-as k.srlet
terms adatai, a1, a2, a" m>velsi m,d0k, 1, 2.
ismtl
s
kezelsek
l 1 1
b a
2 1
b a
1 2
b a
2 2
b a
1 *
b a
2 *
b a
2 1 2
b a
1 1
b a
2 1
b a
1 *
b a
2 *
b a
2 2
b a
3 1 *
b a
1 2
b a
1 1
b a
2 *
b a
2 2
b a
2 1
b a
4 2 2
b a
2 *
b a
1 *
b a
2 1
b a
1 1
b a
1 2
b a
5 2 *
b a
1 *
b a
2 2
b a
1 2
b a
2 1
b a
1 1
b a
- l08 -
Kt-tnyezs ksrleti elrendezst felttelezve az A tnyez vltozatainak a
szmt jelljk
a
-val, a G tnyez vltozatainak a szmt b -vel. A
kezelsek szma b a .
Y
i+k
= m + R
i
+ A
+
+ B
k
+ AB
+k
+ e
i+k
ahol:
Y
i+
rtke
R
i
= blokk ill. ismtls hats a talaj heterogenitst mutatja
A
+
= az ,A" tnyez termsre gyakorolt hatsa
B
k
= a ,B" tnyez termsre gyakorolt hatsa
AB
+k
= a kt tnyez klcsnhatsa
e
i+k
= a ksrlet hibja
$'. tlzat. * PKN-tlzat szerkezete kt-tnyezs vletlen
l0kkelrendezsen
Tnyez SS df M
S
F Si
g.
DESlGN
Korriglt
modell
?
Eltrs l
lsmtls r-l ismtls
A tnyez a-l atnyez
B tnyez b-l btnyez
AxB
klcsnhats
(a-l)(b-l) atnyezbtn
yez
Hiba (r-l)(ab-l)
sszesen rab
Korriglt
sszesen
rab-l
$(. tlzat. * kt-tnyezs vletlen l0kkelrendezs :O::
parancsai
- l09 -
UNlANOVA
terms BY ismtls atnyez btnyez
/METHOD = SSTYPE(3)
/DESlGN = ismtls atnyez btnyez atnyezbtnyez
%0. tlzat. A kt-tnyezs vletlen blokkelrendezs
eredmnytblzata, a=3, b=2, r=5
T",&, :A B"&;""#-S78E">&, EAA">&,
Dependent Variable: Terms kg/parcella
62695
a
9 6966.l30 l8.867 .000
l393207 l l393207 3773.4l4 .000
2720 4 679.9l7 l.842 .l60
57965 2 28982.500 78.497 .000
3 l 2.700 .007 .933
2008 2 l003.900 2.7l9 .090
7384 20 369.2l7
l463287 30
70080 29
Source
Corrected Model
lntercept
lSMTLS
A TNYEZ
B TNYEZ
A x B
Error (Hiba)
Total
Corrected Total
Type lll
Sum of
Squares df
Mean
Square F Sig.
R Squared = .895 (Adjusted R Squared = .847)
a.
,2&:&& 9%$>"00<, (,90+&-90:&) "0$"#/"2-,
Osztott parcells elrendezs alkalmazsnak a felttelei:
A ksrlet eredeti cljnak megfelelen egy-tnyezs
( ) G
. A kezelsek kztti
klnbsgeket azonban egy msik tnyez
( ) A
klnbz vltozataival
kombinlva akarjuk vizsglni;
Az egyik vizsglt tnyez
( ) A
parcellnknti vltoztatsa technikai
nehzsgbe tkzik;
Mindkt vizsglt tnyez vltozatai kztti klnbsgek, s ezek
klcsnhatsa rdekel;
Az egyik vizsglt tnyez
( ) A
vltozatai kztti klnbsgek elbrlsa nem
elsdleges cl. A ksrlet krdse elssorban a msik tnyez
( ) G

vltozatainak rtkelsre s az G A klcsnhatsra irnyul.
- ll0 -
+4lda: 3 kukoricafajtt 4 idpontban vetve hasonltunk ssze 5 ismtlses
ksrletben. Mrjk a vetstl a hmvirgzsig eltelt napok szmt. A ksrlet
elsdleges clja, hogy a fajtk vegetatv tenyszideje kztt milyen klnbsg
van. Krds lehet mg, hogy a vetstl a hmvirgzsig eltelt id hossza a
fajtk tlagban hogyan vltozik a vetsidpont szerint? A vetsid a kevsb
lnyeges, A tnyez, a fajta a fontosabb, G tnyez.
5s02t.2s De4e.2seD
1
1 1
b a
2 1
b a
1 2
b a
2 2
b a
1 *
b a
2 *
b a
2
1 2
b a
1 1
b a
2 1
b a
1 *
b a
2 *
b a
2 2
b a
3
1 *
b a
1 2
b a
1 1
b a
2 *
b a
2 2
b a
2 1
b a
4
2 2
b a
2 *
b a
1 *
b a
2 1
b a
1 1
b a
1 2
b a
5
2 *
b a
1 *
b a
2 2
b a
1 2
b a
2 1
b a
1 1
b a

39. bra. 3x2 kttnyezs ksrlet elrendezsi terve osztott parcells
elrendezsben, parcellnknti adatokkal
A pldban a vetsid az A tnyez ngy vltozata az t ismtlses
ksrletben vletlen blokkelrendezsben van. A fajta a B tnyez, ennek 3
vltozatt vizsgljuk.
Y
i+k
= m + R
i
+ A
+
+ e
i+
+ B
k
+ AB
+k
+ e
i+k
ahol:
Y
i+
rtke
R
i
A
+
e
i+
= az ,A" tnyez hibja
B
k
AB
+k
e
i+k
= a ,B" tnyez hibja
%1. tlzat. * PKN-tlzat szerkezete kt-tnyezs 0szt0tt
parcells elrendezsen
- lll -
Tnyez SS df M
S
F Sig
.
DESlGN
Eltrs l
lsmtls r-l ismtls
A tnyez a-l atnyez
Hiba (a) (r-l)(a-l) atnyezismtl
s
B tnyez b-l btnyez
AxB
klcsnhat
s
(a-l)(b-l) atnyezbtny
ez
Hiba (b) a(r-l)(b-
l)
%2. tlzat. * kt-tnyezs 0szt0tt parcells elrendezs :O::
parancsai
UNlANOVA
napok BY ismtls atnyez btnyez
/METHOD = SSTYPE(3)
/RANDOM = ismtls
/DESlGN = ismtls atnyez atnyezismtls btnyez
atnyezbtnyez .
%". tlzat. * kt-tnyezs 0szt0tt parcells elrendezs
eredmnytlzata, aJ#, J", rJ$
Tests of Between-Subjects Effects
Dependent Variable: Napok szma vetstl hmvirgzsig
Source
Type lll
Sum of
Squares df
Mean
Square F Sig.
lntercep
t5
Hypoth
esis
675220,
4l7
l
675220,
4l7
58292
,4l0
,000
Error
46,333 4
ll,583(a
)

ismtls Hypoth 46,333 4 ll,583 l,590 ,240
- ll2 -
esis
Error 87,400 l2 7,283(b)
A
tnyez
Hypoth
esis
l704,l8
3
3 568,06l
77,99
5
,000
Error 87,400 l2 7,283(b)
Hiba (a) Hypoth
esis
87,400 l2 7,283 ,495 ,902
Error
470,667 32
l4,708(c
)

B
tnyez
Hypoth
esis
9l68,23
3
2
4584,ll
7
3ll,6
68
,000
Error
470,667 32
l4,708(c
)

AB
klcsn
hats
Hypoth
esis l9,767 6 3,294 ,224 ,966
Hiba
(b)
470,667 32
l4,708(c
)

a MS(ismtls)
b MS(ismtls atnyez)
c MS(Error)
Az ,A" tnyez kztti szignifikancia vizsglatkor az ,A" tnyez MS-t akkor
kell osztani a Hiba (a) MS-vel, ha ez az rtk nagyobb, mint a Hiba (b) MS.
Egyb esetben a Hiba (b)-hez kell viszonytani az ,A" tnyez hatst.
S<?:, "0$"#/"2-,
A kt-tnyezs ksrletek kevsb javasolhat elrendezse. Mgis gyakran ez
az egyetlen megolds, fknt szntfldi ksrletekben, ha a parcellamret
olyan kicsi, hogy azon technikai nehzsgek miatt a tnyezk egyiknek
vizsglata sem kivitelezhet. llyenkor a pontossg rovsra a bels ismtlsek
felldozsval mindkt tnyezt fparcellkon helyezzk el. Elnye viszont,
hogy a klcsnhatst pontosabban lehet becslni.
+4lda: 4 vetsidpont s 3 talaj-elkszts hatst vizsgljk cukorrpn. Az
sszes kombinci szma l2. A ksrlet ngy ismtlses, az sszes
- ll3 -
parcellaszm ezrt 48. A rendelkezsre ll terlet miatt egy parcella mrete
csak l0 m
2
lehet. A talajmvels s vets kombinciinak elhelyezse
gyakorlatilag kivitelezhetetlen a gpek fordulsa s helyignye miatt. Mindkt
kezelshez nagyobb terletre van szksg, mint l0 m
2
. lgy csak a svos
elrendezs nyjthat segtsget.
Az egsz ksrleti teret annyi egyforma nagysg rszre, blokkra bontjuk,
ahny ismtlses ksrletet terveznk. Ezt kveten ismtlsenknt
elhelyezzk az A tnyez minden vltozatt, mintha nem is lenne G
tnyez, majd ezekre keresztbe helyezzk el a G tnyez minden vltozatt,
mintha nem lenne A tnyez. A kt kezels szintjeinek elhelyezst minden
ismtlsben SE$% $%#/:*+2<0E71.
#0. ra. 1t-tnyezs k.srlet sv0s elrendezsen.
L
i+k
= m + R
i
+ A
+
+ e
i+
+ B
k
+ e
ik
+ *B
+k
+ e
i+k
ahol:
L
i+k
rtke
R
i
A
+
e
i+
B
k
e
ik
= a ,B" tnyez hibja
*B
+k
e
i+k
= a ,B" tnyez hibja
- ll4 -
%#. tlzat. * PKN-tlzat szerkezete kt-tnyezs sv0s
elrendezsen
Tnyez SS df M
S
F Si
g.
DESlGN
Eltrs l
lsmtls r-l ismtls
A tnyez a-l atnyez
Hiba (a) (r-l)(a-l) atnyezismtl
s
B tnyez b-l btnyez
Hiba (b) (r-l)(b-l) btnyezismtl
s
AxB
klcsnhat
s
(a-l)(b-l) atnyezbtny
ez
Hiba (a x b) (r-l)(a-l)
(b-l)
%$. tlzat. A kt-tnyezs svos elrendezs SPSS parancsai
UNlANOVA
terms BY ismtls atnyez btnyez
/METHOD = SSTYPE(3)
/RANDOM = ismtls
/DESlGN = ismtls atnyez atnyezismtls btnyez
btnyezismtls atnyezbtnyez
- ll5 -
%%. tlzat. * kttnyezs sv0s elrendezs eredmnytlzata,
aJ#, J", rJ#
Dependent Variable: c.rpa terms kg/l0 m2
Source
Type lll
Sum of
Squares df
Mean
Square F Sig.
lntercept Hypothe
sis
34l33,33
3
l
34l33,3
33
967,55
9
0
Error
l05,833 3
35,278(a
)

lsmtls Hypothe
sis
l05,833 3 35,278 2,988 ,l34
Error
59,652
5,0
53
ll,806(b
)

A
tnyez
Hypothe
sis
l33,667 3 44,556 4,367 ,037
Error
9l,833 9
l0,204(c
)

Hiba (a) Hypothe
sis
9l,833 9 l0,204 l,406 ,257
Error l30,667 l8 7,259(d)
B
tnyez
Hypothe
sis
lll3,l67 2 556,583 62,8l2 ,000
Error 53,l67 6 8,86l(e)
Hiba (b) Hypothe
sis
53,l67 6 8,86l l,22l ,34l
Error l30,667 l8 7,259(d)
AxB
klcsnh
ats
Hypothe
sis 86,333 6 l4,389 l,982 ,l22
Hiba
(axb)
l30,667 l8 7,259(d)
a MS(ismtls)
b MS(ismtls atnyez) + MS(ismtls btnyez) - MS(Error)
c MS(ismtls atnyez)
d MS(Error)
e MS(ismtls btnyez)
- ll6 -
A.ro!7 4s t3bb7t4nye)8s *,s4rlete*
Hrom vagy ennl tbb tnyezs ksrleti elrendezsek kzl gyakorlatilag
knnyen tervezhet s rtkelhet a vletlen blokk, az osztott parcells s a
svos elrendezs kombincii.
Hrom-tnyezs ksrletekben ebbl a hrom alaptpusbl a kvetkez
kombincikat kpezhetjk:
A hrom tnyez vltozatainak minden kombincijt az ismtlsen bell
vletlenszeren rendezzk el (vletlen blokkelrendezs).
Az A s B tnyezk vltozatainak kombinciit ismtlsen bell l.)
vletlenszeren, 2.) osztott parcellsan, 3.) svosan rendezzk el. Az a x b
kombincij parcellkat osztjuk fel a " tnyez szerint alparcellkra.
Az A tnyez vltozatait ismtlsen bell vletlenszeren rendezzk el. Az A
tnyez vltozatai teht fparcellkat kpeznek. Ezeket a fparcellkat osztjuk
fel B s " tnyezk vltozatainak kombinciira: l.) vletlenszer, 2.) osztott
parcells, 3.) svos elrendezsben.
V-0"&0"# 80:11"0$"#/"2-,
Hrom tnyez vizsglatakor ez az elrendezs fknt laboratriumi vagy
tenyszedny ksrletekben elnys, mivel minden kombinci azonos
pontossggal hasonlthat ssze. Szntfldi ksrletekben ritkn
alkalmazzk, mivel a sok kombincihoz nagy blokkokat kell kpezni, s
egyes kezelsek belltsa technikailag szinte lehetetlen, pl. talajmvels,
ntzs, stb.
Az albbi plda egy tszm (2), hibrid (3) s mtrgyzsi (3) ksrlet
kirtkelst mutatja be.
Y
i+kl
= m + R
i
+ A
+
+ B
k
+ C
l
+ AB
+k
+ AC
+i
+ BC
ki
+ ABC
+kl
+ e
i+kl
ahol:
Y
i+
rtke
R
i
A
+
B
k
- ll7 -
C
l
= a ,C" tnyez termsre gyakorolt hatsa
AB
+k
AC
+i
BC
ki
ABC
+kl
= a hrom tnyez klcsnhatsa
e
i+kl
= hiba
%&. tlzat. * PKN-tlzat szerkezete hr0mtnyezs vletlen
l0kkelrendezsen
Tnyez SS df M
S
F Sig
.
DESlGN
Korriglt
modell
Eltrs l
lsmtls r-l ismtls
A tnyez a-l toszam
B tnyez b-l hibrid
C tnyez c-l tragya
AxB
klcsnhats
(a-l)(b-l) hibridtoszam
AxC
klcsnhats
(a-l)(c-l) toszamtragya
BxC
klcsnhats
(b-l)(c-l) hibridtragya
AxBxC (a-l)(b-l)
(c-l)
hibridtoszamt
ragya
Hiba (r-l)(abc-l)
sszesen rabc
Korriglt
sszesen
rabc-l
- ll8 -
%'. tlzat. * hr0m-tnyezs vletlen l0kkelrendezs :O::
parancsai
UNlANOVA
termes BY ismetles toszam hibrid tragya
/METHOD = SSTYPE(3)
/DESlGN = ismetles toszam hibrid tragya hibridtoszam
toszamtragya hibridtragya hibridtoszamtragya .
%(. tlzat. * hr0m-tnyezs vletlen l0kkelrendezs
eredmnytlzata, aJ2, J", cJ", rJ#
T",&, :A B"&;""#-S78E">&, EAA">&,
204.634
a
20 l0.232 l4.208 .000
6769.0l9 l 6769.0l9 9399.807 .000
l.098 3 .366 .508 .678
l6.872 l l6.872 23.430 .000
23.9l4 2 ll.957 l6.604 .000
l47.237 2 73.6l8 l02.230 .000
3.873 2 l.936 2.689 .078
8.l04 2 4.052 5.627 .006
l.438 4 .360 .499 .736
2.098 4 .525 .728 .577
36.726 5l .720
70l0.379 72
24l.360 7l
Source
Corrected Model
lntercept
lSMETLES
TOSZAM
HlBRlD
TRAGYA
TOSZAM HlBRlD
TOSZAM TRAGYA
HlBRlD TRAGYA
TOSZAM HlBRlD
TRAGYA
Error
Total
Corrected Total
Type lll
Sum of
Squares df
Mean
Square F Sig.
R Squared = .848 (Adjusted R Squared = .788)
a.
K-&,2"$","# :,2&:&& 9%$>"00<, (,90+&-,90+&-90:&) "0$"#/"2-,
Ez az elrendezs technikailag igen elnys hrom-tnyezs elrendezs,
fknt szntfldi ksrletekben, mert a fparcellk, az elsrend s a
msodrend alparcellk eltr mretei klnbz tulajdonsg kezelsek
kombincijt teszik lehetv. A kevsb fontos tnyezt (kezelst) a
fparcelln (A) helyezzk el, a legfontosabbat a msodrend alparcellkon
(C). Az ,A" tnyez vltozatainak ismtlse megegyezik a valdi ismtls
szmval (r). A ,B" tnyez ismtls szma ra, amibl a a bels ismtls. A
,C" tnyez ismtlse ra, amibl a bels ismtls. Amennyiben a
- ll9 -
klcsnhatsok nem szignifiknsan, a bels ismtlsek is valdi ismtlst
jelentenek.
Egy debreceni ksrletben a fparcelln a tszmot (A), az elsrend
alparcelln a hibridet (B) s a msodrend alparcelln a mtrgyakezelseket
(C) helyeztk el ngy ismtlsben (r).
(1) 5s02t.2s (2) 5s02t.2s
#6 B"rce.." <1 <2 <2 <1
<. B"rce.." E1 E2 E2 E1 E2 E1 E1 E2
c1 c4 c3 c2 c2 c3 c4 c1
c2 c2 c4 c1 c1 c4 c2 c2
c3 c3 c1 c4 c4 c1 c3 c3
c4 c1 c2 c3 c3 c2 c1 c4

?s4tF terG.eteD ?s4tF terG.eteD

#1. ra. =r0m-tnyezs ktszeresen 0szt0tt parcells elrendezs
terve
Y
i+kl
= m + R
i
+ A
+
+ e
i+
+ B
k
+ AB
+k
+ e
i+k
+ C
l
+ AC
+i
+ BC
ki
+ ABC
+kl
+ e
i+kl
ahol:
Y
i+
rtke
R
i
A
+
e
i+
B
k
AB
+k
e
i+k
= a ,B" tnyez hibja
C
l
= a ,C" tnyez termsre gyakorolt hatsa
AC
+i
BC
ki
ABC
+kl
= a hrom tnyez klcsnhatsa
e
i+kl
= hiba
- l20 -
&0. tlzat. * PKN-tlzat szerkezete hr0m-tnyezs
ktszeresen 0szt0tt parcells elrendezsen
Tnyez SS df M
S
F Si
g.
DESlGN
Eltrs l
lsmtls r-l ismtls
A tnyez a-l toszam
Hiba (a) (r-l)(a-l) ismetlstoszam
B tnyez b-l hibrid
AxB
klcsnhat
s
(a-l)(b-
l)
hibridtoszam
Hiba (b) a(r-l)(b-
l)
toszam(hibridism
etles)
C tnyez c-l tragya
AxC
klcsnhat
s
(a-l)(c-
l)
toszamtragya
BxC
klcsnhat
s
(b-l)(c-
l)
hibridtragya
AxBxC (a-l)(b-
l)(c-l)
hibridtoszamtrag
ya
Hiba (c) ab(r-l)
(c-l)
&1. tlzat. =r0m-tnyezs ktszeresen 0szt0tt parcells
elrendezs :O:: parancsai
UNlANOVA
termes BY ismetles toszam hibrid tragya
/METHOD = SSTYPE(3)
/RANDOM = ismetles
/DESlGN = ismetles toszam ismetlestoszam hibrid
hibridtoszam toszam(hibridismetles) tragya toszamtragya
hibridtragya hibridtoszamtragya .
- l2l -
&2. tlzat. =r0m-tnyezs ktszeresen 0szt0tt parcells
elrendezs eredmnytlzata, aJ2, J", cJ", rJ#
Dependent Variable: terms
Source
Type lll
Sum of
lntercept Hypothesis 6769,0l9 l 6769,0l9 l8498,464 ,000
Error l,098 3 ,366(a)
lsmetles Hypothesis l,098 3 ,366 ,336 ,803
Error 3,266 3 l,089(b)
Toszam Hypothesis l6,872 l l6,872 l5,498 ,029
Error 3,266 3 l,089(b)
Hiba (a) Hypothesis 3,266 3 l,089 l,865 ,l89
Error 7,005 l2 ,584(c)
Hibrid Hypothesis 23,9l4 2 ll,957 20,482 ,000
Error 7,005 l2 ,584(c)
Toszam
Hibrid
Hypothesis
3,873 2 l,936 3,3l7 ,07l
Error 7,005 l2 ,584(c)
Hiba (b) Hypothesis 7,005 l2 ,584 ,794 ,653
Error 26,455 36 ,735(d)
Tragya Hypothesis l47,237 2 73,6l8 l00,l8l ,000
Error 26,455 36 ,735(d)
Toszam
Tragya
Hypothesis
8,l04 2 4,052 5,5l4 ,008
Error 26,455 36 ,735(d)
Hibrid
Tragya
Hypothesis
l,438 4 ,360 ,489 ,743
Error 26,455 36 ,735(d)
Toszam
Hibrid
Tragya
Hypothesis
2,098 4 ,525 ,7l4 ,588
Hiba (c) 26,455 36 ,735(d)
a MS(ismetles)
b MS(ismetles toszam)
c MS(toszam(ismetles hibrid))
d MS(Error)
- l22 -
2o0ari.nso* al*al!a).sa a line.ris !odellben
A variancia-analzis sorn tekintettel kell lenni arra is, hogy a vizsglni kvnt
fggvltozt vagy vltozkat a szmtsba bevont, ill. ksrletbe lltott
tnyezkn tl egyb ms tnyezk is befolysoljk. Keresni kell egy olyan
vltozt, amelyet folyamatosan kontrollunk, mrnk, s valsznleg lineris
kapcsolatban van a fgg vltozval. Ezt a vltozt nevezzk kovarinsnak. A
kovarins(ok) bevonsakor az analzis sorn gy hajtunk vgre egyszerre
variancia- s regresszi analzist, hogy a lineris regresszival korriglt,
mdostott fgg vltoz variancijt bontjuk fel kezelshatsokra. A
kovarinsnak folytonos, skla tpus adatnak kell lennie.
Alkalmazsi felttel:
A kovarins lineris kapcsolatban legyen a fggvltozval
A kovarins rtke nem fgghet az alkalmazott kezelsektl, tnyezktl
Az els felttel magtl rtetd. Amennyiben a kovarins s a fggvltoz
kztt a kapcsolat nem lineris, a regresszival mdostott adatok torz rtket
fognak felvenni.
A msodik felttel teljeslse gyakorlatilag azt eredmnyezi, hogy a kezelsek
minden egyes parcelljn, celljn, stb. a regresszis koefficiens rtke
megegyezik, azaz egyetlen regresszis egyenessel rhat le az sszefggs.
Egy kt-tnyezs lineris modell kovarinssal kiegsztett matematikai
modellje:
Y
ijk
= + A
i
+B
j
+ AB
ij
+ x
ijk
+ s
ijk
Ahol:
L
i+k
: a fggvltoz rtke
R! a ksrlet ftlaga (fix hats)
*
i
: A tnyez hatsa
B
+
: B tnyez hatsa
*B
i+
: a kt tnyez klcsnhatsa
S: a fggvltoz s a kovarins kztti lineris regresszis
egytthat
x
i+k
: a kovarins rtkei
T
i+k
: hiba, eltrs, a vletlen hatsa
Egy modellbe tbb kovarins is bevonhat, ha teljestik a fenti alkalmazsi
feltteleket.
+4lda: Gymlcsfkat kezeltek virgrgyet indukl szerrel. Megmrtk 50
kezeletlen s 50 kezelt vesszn a virgrgyek szmt. Az adatokat variancia-
analzissel rtkeltk. A kezels hatst az 73. tblzat mutatja.
- l23 -
&". tlzat. Hirgr?gyek szma a kezels hatsra
E,&+*%&",
Dependent Variable: virgyrgyek szma (db)
l.900 .l83 l.536 2.264
l.400 .l83 l.036 l.764
permetezs
nem kezelt
kezelt
Mean Std. Error Lower Bound Upper Bound
Jl lthat, hogy a kezeletlen vesszkn tbb virgrgy van, mint a kezelten.
Vajon szignifiknsan tbb, vagy csak a vletlen ingadozsnak tudhat be a
klnbsg? Vlasszuk a szignifikancia szintet 5%-ra, s vgezzk el a
variancia-analzist! Az eredmnyt az 74. tblzat mutatja.
&#. tlzat. * permetezs hatsa a virgr?gyek szmra
T",&, :A B"&;""#-S78E">&, EAA">&,
6.250
a
l 6.250 3.723 .057
272.250 l 272.250 l62.l9l .000
6.250 l 6.250 3.723 .057
l64.500 98 l.679
443.000 l00
l70.750 99
Source
Corrected Model
lntercept
KEZELS
Error
Total
Corrected Total
Type lll Sum
R Squared = .037 (Adjusted R Squared = .027) a.
A ,KEZELS" sort elemezve, elmondhat, hogy 5%-os szignifikancia szint
mellett nincs klnbsg a kezelt s kezeletlen vesszk virgszma kztt.
Amennyiben elzetesen az elsfaj hiba valsznsgt l0%-ban llaptottuk
volna meg, akkor ki kellene jelenteni, hogy a nem kezelt vesszkn
szignifiknsan tbb virgrgy tallhat. Ez teljesen ellentmond a korbbi
szakirodalmi megllaptsoknak. Vajon mi lehet ennek az oka? Vizsgldjunk
tovbb, nzzk meg az r-ngyzet rtkt! Ez nagyon alacsony 0,037, s a
variancia-analzis tblzat ,Corrected Model" sora sem igazolja a lineris
modell helyessgt (p;0,0$). Valsznleg egyb tnyez befolysolja a
virgrgyek szmt, ami elfedi a kezels hatst.
A virgrgyek a vesszk nduszain fejldnek. Kt ndusz kztti tvolsg
ugyanazon faj esetben elgg konstans. Hossz vesszn potencilisan
tbb, rvidebb vesszn potencilisan kevesebb virgrgy indukldhat.
Vizsgljuk meg a kezelt s kezeletlen vesszk hosszt (42. bra).
- l24 -
50 50 , *
De4e.t ne0 De4e.t
V
e
s
s
4
6
D

!
o
s
s
4
"

(
c
0
)
200
100
0
#2. ra. Py?m7lcs2a vesszh0ssza a k?l7n7z kezelseken
Ezek szerint a nem kezelt vesszk valamilyen szisztematikus hiba miatt
eredetileg hosszabbak voltak, mint a kezelt vesszk. Mi okozhatja ezt?
Valsznleg kt szemly vgezte a fk felvtelezst, az egyik a nem kezelt
vesszket mrte s szmolta
meg rajta a virgrgyeket, a
msik ugyanezt tette a kezelt
vesszkkel. Az els
szemlynek azonban csak a
hosszabb vesszk voltak a
szimpatikusak,
szisztematikusan vlogatott a
vesszk kztt, nem adta meg
az eslyt, hogy brmilyen
hosszsg belekerljn a
mintba. Korbbi ismereteink
alapjn nyugodtan
felttelezhetjk, hogy a
vesszhossz s virgrgyek
szma lineris kapcsolatban
van egymssal. Knnyen
belthat, hogy a vesszk hossza nem fgg a kezelstl, permetezstl.
A kovariancia analzis futtatshoz trjnk vissza az ANALYZE/ GENERAL LlNEAR
MODEL UNlVARlATE parancshoz, ahol a COVARlATE(S) ablakba helyezzk az
gh0ssz vltozt (43. bra). Az OK gombra kattintva futtassuk a programot.
#". ra. PKN m0dell k0varinssal
kiegsz.tve
- l25 -
&$. tlzat. * PKN eredmnytlzata
T",&, :A B"&;""#-S78E">&, EAA">&,
l5l.532
a
2 75.766 382.4l2 .000
22.848 l 22.848 ll5.322 .000
l45.282 l l45.282 733.279 .000
2.06l l 2.06l l0.404 .002
l9.2l8 97 .l98
443.000 l00
l70.750 99
Source
Corrected Model
lntercept
AGHOSSZ
KEZELS
Error
Total
Corrected Total
Type lll Sum
R Squared = .887 (Adjusted R Squared = .885) a.
A ,Corrected Model" sor alapjn megllapthat, hogy a lineris modell helyes,
az R-ngyzet rtke magas, 0,887. Az ,ghossz" vltoz, ami a vesszk
hosszt jelenti, lineris kapcsolatban van a virgrgyek szmval. A kezels
szintn szignifikns, a kezeletlen s kezelt csoportban a virgrgyek szma
jelentsen eltr. Kovarins alkalmazsakor korriglni kell a mrt csoport
tlagokat, mintha minden csoportban a vesszk hossza megegyezett volna.
Ezt egy tlagos vessz-hosszat figyelembe vve kell megtenni. (Gyakorlatilag
ezzel ,hendi kepeltk" a virgszmot.)
A 76,l9cm-es vesszhosszra korriglt virgszmokat az 76. tblzat mutatja.
ltt mr a szakirodalommal megegyez rtkeket ltunk, a kezelt vesszkn
20%-kal tbb virg fejldtt.
&%. tlzat. 10rriglt virgr?gy szm0k
E,&+*%&",
l.499
a
.065 l.370 l.627
l.80l
a
.065 l.673 l.930
permetezs
nem kezelt
kezelt
Mean Std. Error Lower Bound Upper Bound
Evaluated at covariates appeared in the model: AGHOSSZ =
76.l9.
a.
Mivel csak kt csoportunk van nem kell tovbbi teszteket elvgezni a
kzprtkek klnbsgnek szignifikancia vizsglatra.
Azonban kvncsiak lehetnk a lineris modell paramtereinek rtkeire.
Ehhez 43. bra Options. parancsra kattintva ikszeljk be a Parameter
estimates ngyzetet (44. bra). A paramterek rtkeit a 77. tblzat B
oszlopbl olvashatjuk le.
- l26 -

##. ra. * paramterek rtkeinek
meghatr0zsa
&&. tlzat. * lineris m0dell paramterei
5%$%*"&"$ E,&+*%&",
-l.09l .lll -9.79l .000 -l.3l3 -.870
3.80E-02 .00l 27.079 .000 3.5l9E-02 4.075E-02
-.303 .094 -3.226 .002 -.489 -.ll6
0
a
. . . . .
Parameter
lntercept
AGHOSSZ
[KEZELS=0]
[KEZELS=l]
B Std. Error t Sig. Lower Bound Upper Bound
This parameter is set to zero because it is redundant. a.

A fenti plda is jl igazolja, hogy a ksrlet kivitelezse, az adat felvtelezs
krlmnyei, a randomizci hinya dnt mrtkben befolysolhatja egy
ksrletbl levont kvetkeztetsek helyessgt.
- l27 -
KRREL36I- S RE!RESSZISZ3M4T3S
Egy statisztikai vizsglatnak brmi legyen is a clja, megllaptsokat,
kvetkeztetseket csak akkor tudunk levonni, ha a mrt vltozk
klcsnhatsban vannak egymssal s kapcsolataikat nemcsak a vletlen
hatsok befolysoljk, hanem szignifikns sszefggsek is kimutathatk.
A mdszertani tanulmnyok egyik leggyakrabban alkalmazott mdszere a
k0rrelci,- s regresszi,szm.ts, amelyek a vltozk kztti kapcsolatok
elemzsnek eszkzei. A korrelciszmts a magas mrsi szint vltozk
kapcsolatainak vizsglatval foglalkozik, elemzi a vltozk kztti kapcsolat
megltt, szorossgt s annak irnyt. A regressziszmts a vltozk
kztti kapcsolat meglte esetn annak jellegt, minsgi jellemzit vizsglja.
KT-V3LTZS SZT6OASZTIKPS KA56SLATK
Egy gazdasgban termesztett haszonnvny pl. kukorica termst szmos
tnyez befolysolja: talajtpus, tszm, a mtrgyzs jellege, kzi- s gpi
munka rfordts, termkpessg stb. Ezek kztt a vltozk kztt
klnbz kapcsolatok alakulhatnak ki. Kt vltoz kztt hromfle kapcsolat
jhet ltre:
A kt vlt0z, 2?ggetlen egymst,l, ha az egyik vltoz semmilyen informcit
nem szolgltat a msik vltozrl.
Ha az egyik mutat hat a msik mutat alakulsra, de a hats vletlenszer
(kvetkeztets szint s csak kzeltleg becslhet), akkor szt0chasztikus a
kapcsolat kt mutat kztt.
F?ggvnyszer> kapcsolatrl akkor beszlnk, ha az egyik mutat vltozsa
egyrtelmen befolysolja a msik mutat megvltozst.
A mezgazdasgi termelsi folyamatokban elssorban sztochasztikus
kapcsolattal tallkozhatunk, ezeknek van kitntetett szerepk. A
sztochasztikus kapcsolatokat az albbiak szerint csoportosthatjuk.
Kt minsgi ismrv kztti kapcsolatot az assz0cici, fejez ki.
A rangk0rrelci, a sorba rendezett tnyezk kztti kapcsolat elemzsnek
eszkze.
Hegyes kapcs0latrl beszlnk, ha egy minsgi s egy mennyisgi vltoz
kztti kapcsolatot elemznk.
Kt vagy tbb magas mrsi szint ismrv egyttes vizsglatakor (ha nem
fggetlenek egymstl) kt krds merl fel: (l) milyen a kt vltoz kztti
kapcsolat erssge s irnya; (2) hogyan lehet kvetkeztetni az egyik vltoz
- l28 -
rtkeibl a msik vltoz rtkeire. Az els krdsre a k0rrelci,szm.ts, a
msodikra a regresszi,-szm.ts adja meg a vlaszt.
A kvetkezkben rszletesen ismertetjk a fenti mdszereket. A vizsglat
sorn el kell majd dntennk, hogy melyik mdszert kell alkalmazni; a dntst
aszerint kell meghozni, hogy az adataink milyen mrsi szintek (nominlis,
ordinlis, arny s intervallum).
Brmilyen vizsglat megkezdse eltt azonban fontos annak tgondolsa,
hogy van-e valamilyen valsgos alapja a kt vltoz kztti kapcsolatnak.
Ass)oci.ci-
Kt minsgi mutat kztti kapcsolat szorossgt az asszocici
mutatszmaival mrjk. Ezek a mutatk a vltozk kztti kapcsolatok
szorossgt egy szmban fejezik ki.
Mezgazdasgi vllalatoknl, vllalkozsoknl akarjuk azt megvizsglni, hogy
eltr-e a klnbz vgzettsg vezetk szma a vesztesges, a kzepes
nyeresg s a nagy nyeresg vllalkozsokban. Krdves felmrsben
l500 vezett krdeztek meg, az adatokat a 78. tblzat tartalmazza
(assz0ciaci0.sav).
&'. tlzat. * vezetk meg0szlsa a k?l7n7z nyeresg>
mezgazdasgi vllalk0zs0kan
A vllalat
Als- Kzp- Fels-
sszesen
fok vgzettsg vezetk
Vesztesges 280 l45 45 470
Kzepes
nyeresg
260 l80 60 500
Nagy
nyeresg
l80 230 l20 530
sszesen 720 555 225 l500
F0rrs! H5FMG6 :G. 3200$4! * k0rrelci,- s regresszi,szm.ts
m,dszertani alap+ai a ter?leti statisztikai elemzseken.
Amikor megkezdjk kt minsgi ismrv kapcsolatnak vizsglatt s a
kapcsolat erssgnek meghatrozst, elsknt az adatokat kereszttblba
(kombincis tblba) rendezzk. A kereszttblban az adatokat kt (vagy
- l29 -
tbb) szempont / kt (vagy tbb) vltoz szerint rendezve ltjuk. A pldnkban
az egyik szempont (vltoz) a megkrdezett egyn iskolai vgzettsge, ami
hrom kategribl ll: als-, kzp- s felsfok vgzettsg. A msik
szempont a vllalat minstse aszerint, hogy vesztesges, kzepes
nyeresg vagy nagy nyeresg-e a vllalat.
Ha a kontingencia tblzatban a gyakorisgok elhelyezkedse valamilyen
szablyossgot mutat, akkor rdemes konkrt mutatszmmal kimutatni a
kapcsolat szorossgt.
Az asszocicinl alkalmazott mutatszmokat tbb megkzelts szerint
kaphatjuk, ezek kzl mi azzal foglalkozunk, amelyik fggetlensget ttelez fel
(
2
- prba).
A
2
- 9$D8%
A prba kt vltoz kztti kapcsolat ,valdisgnak" az eldntsre szolgl.
Ez a mdszer nmagban nem mutatja meg a kapcsolat erssgt, csak arra
ad vlaszt, hogy a vltozk kztt van-e tnylegesen kapcsolat egy bizonyos
valsznsgi szint mellett.
Az egyik vltoznk legyen
r
osztlyba sorolhat, mg a msik vltozt
-

osztlyba soroljuk. Jelljk a kereszttbla ltalnos elemt iI
2
-vel. A
nullhipotzisnk
( )
0
H
szerint a kt vizsglt vltoz fggetlen egymstl.
A statisztikai prba clja az, hogy megllaptsuk, milyen mrtk eltrs
tapasztalhat a megfigyelt rtkek s a nullhipotzisek alapjn elmletileg vrt
rtkek kztt. Az eltrs mrtke a vltozk egymsra hatsbl addik.
Minl nagyobb ez az eltrs, annl nagyobb a valsznsge, hogy a vltozk
kztt tnyleges kapcsolat van.
A prba:
( )
r
i
-
I
iI
iI iI
9
9 9
1 1
2
2
,
ahol
iI
9
az elvrt, elmleti gyakorisg (felttelezve a fggetlensget):
n
9 9
9
I i
iI
. .

.
A
2
rtkre rvnyes a kvetkez relci: ( ) ( ) { } 1 " 1 89: 0
2
- r N , ahol a
szorzand a kapcsos zrjelben lv szmok kisebbike. A
2
rtke
pontosan akkor nulla, ha a kt ismrv fggetlennek tekinthet, s akkor ri el a
maximumt, ha a kt ismrv kztt fggvnyszer kapcsolat van.
A tovbbiakban klnvlasztjuk a 2 2 -es s az
- r
-s
( ) 2 " > - r
tblkat,
megnzzk, hogy hogyan vizsgljuk a fggetlensget, s milyen asszocicis
mrszmokat lehet hasznlni az egyes esetekben. Szmos mutatt
- l30 -
dolgoztak ki az asszocici mrsre, ezek kzl a legltalnosabban
hasznltakat tekintjk t.
A,,2:>+<>+D -, AI(("&0"#,-( 2 2 -", &<80<8%#
Legyen kt vltoznk, ezeket jelljk A-val s B-vel, s mindkt vltoz
legyen dichotm (ktrtk). A kt-kt kategrit jelljk
1
A
s
2
A
-vel, illetve
1
B
s
2
B
-vel. A megkrdezett szemlyeket gy ngy tpusra lehet bontani
aszerint, hogy
( )
1 1
HB A
,
( )
2 1
HB A
,
( )
1 2
HB A
s
( )
2 2
HB A
kategrik melyikbe
esnek. Jelljk ij
f
-vel azoknak az eseteknek a szmt, amelyek az
( )
j i
B A H

kategriba esnek. Rendezzk a gyakorisgokat a 79. tblzata.
&(. tlzat. *
2 2
-es k0ntingencia tlzat
1
B
2
B
sszesen
1
A
11
f
12
f
. 1
f
2
A
21
f
22
f
. 2
f
sszesen
1 .
f
2
. f N
Az utols oszlopban
( )
. i
f
s az utols sorban
( )
j
f
. szerepl gyakorisgokat
peremgyakorisgoknak (felttel nlkli eloszlsoknak) nevezzk, mg a tbbi
gyakorisgot
( )
ij
f
feltteles eloszlsoknak hvjuk. A tblzatban . i
f
az
i
-edik
sor sszegt (vagyis az i
A
kategriba es vlaszadk teljes szmt), j
f
. a
j
-edik oszlop sszegt (vagyis a j
B
kategriba es vlaszadk teljes
szmt) jelli, mg N a teljes vlaszadk szmt jelenti.
A tblzat alapjn az albbi krdsekre kereshetjk a vlaszt:
Az A s B vltozk kapcsoldnak egymshoz, vagy fggetlenek?
Ha nem fggetlenek, hogyan kapcsoldnak egymshoz?
A 0.lto)-* fC$$etlens4$4ne* tes)tel4se
Ha az A s B vltozk fggetlenek egymstl, akkor ez azt jelenti, hogy az
A kategrijnak ismerete semmifle informcit nem ad a B kategrijra
- l3l -
nzve. Matematikailag ha A s B fggetlenek, akkor
2 .
12
1 .
11
f
f
f
f
s
. 2
21
. 1
11
f
f
f
f

fggetlensg tesztelsekor a kt-vltozs valsznsgeloszlst kell tekinteni.
Tekintsk a 80. tblzat0t, ami az elmleti valsznsgeloszlst tartalmazza.
'0. tlzat.
2 2
-es tlzat elmleti val,sz.n>sg el0szlsa
1
B
2
B
sszesen
1
A
11
p
12
p
. 1
p
2
A
21
p
22
p
. 2
p
sszesen
1 .
p
2
. p
1
A tblzatban szerepl ij
p
elmleti valsznsg annak a valsznsgt adja
meg, hogy vletlenszeren kivlasztva egy megfigyelsi egysget, az ppen
az
( ) j iH
cellhoz tartozik-e. A peremeloszlsokat a kvetkezkppen lehet
felrni:

2
1
.
j
ij i
p p
,

2
1
.
i
ij j
p p
s

i j
ij
p 1
. (A teljes valsznsg l-gyel
egyenl, hiszen egy vlaszol a ngy cella valamelyikbe mindenkppen
beletartozik.)
Ha az A s B vltozk fggetlenek, akkor a
1
B
kategriba tartozk azon
arnya, akik az
1
A
kategriba tartoznak, meg kell hogy egyezzen a
2
B

kategriba tartozk azon arnyval, akik az
1
A
kategriba tartoznak,
vagyis:
1
. 1
2 .
12
1 .
11
p
p
p
p
p

,
azaz
1 . . 1 11
p p p
.
Ha a
1
B
kategrit tekintjk felttelnek, akkor az A kategrira akkor nincs
hatssal ez a felttel, ha:
1
1 .
. 2
21
. 1
11
$
$
$
$
$

,
vagyis . 1 1 . 11
p p p
. Altalnossgban azt mondhatjuk, hogy az A s B
fggetlenek egymstl, ha j i ij
p p p
. .

,
( ) 2 H 1 H j i
.
A tnyleges valsznsgeket rendszerint nem ismerjk, azok becslst
azonban a gyakorisgok alapjn megkaphatjuk:
N
9
$
iI
iI
6 . Fggetlensget
felttelezve:
- l32 -
2
. .
N
9 9
N
9
I i iI

.
A vrhat gyakorisg az A s B vltozk fggetlensgt felttelezve:
N
9 9
$ N 9
I i
iI iI
. .
6

. A tnyleges s a vrhat gyakorisg alapjn

2
-fggvny
tapasztalati rtkt kiszmtjuk s sszehasonltjuk az elmleti rtkkel, amit
szignifikancia-szint s
( ) ( ) 1 1 I i
szabadsgi fok mellett keresnk meg. Ha
az empirikus
2
rtk nagyobb, mint az elmleti rtk, az adott valsznsgi
szinten elvetjk a fggetlensgre vonatkoz nullhipotzist. A
2
kiszmtsa
2 2 -es tblzat esetn:
( )
2 . 1 . . 2 .
2
21 12 22 11 2
9 9 9 9
9 9 9 9
N
i

.
Ha a fggetlensget elvetjk, akkor a kapcsolat erssgt is kiszmthatjuk.
Az asszocici mrsre tbb mutatt is kidolgoztak, ezek kzl a
legltalnosabban hasznltakat tekintjk t.
A) ass)oci.ci- !4r4se 2 2 7es t.bl.)at eset4ben
Dule7f4le ass)oci.ci-s e$yCtt%at-:
21 12 22 11
21 12 22 11
9 9 9 9
9 9 9 9
N
+

. Az egytthat a
[ ] 1 " 1
intervallumban vehet fel rtket. Ha N rtke viszonylag nagy, akkor
Q

normlis eloszls.
Good!an 4s 2rus*al7f4le
O
!4rt4*: A Goodman s a Kruskal-fle
mrtk
2 2 -es tbla esetben megegyezik a
2
statisztikval, ha a
2
rtkt
elosztjuk
N
-nel:
( )
2 . 1 . . 2 .
2
21 12 22 11
f f f f
f f f f
i

.
23)0etlenCl
2
7en alapul- !4rt4*e*: A fggetlensg tesztelsre alkalmas
2
rtk az asszocici mrsre is alkalmas, ha klnbz transzformcit
hajtunk vgre rajta. A transzformci vgrehajtsra azrt van szksg, mert
a
2
rtke a
[ ] " 0
intervallumba esik. A kvetkez kt mutat alkalmas az
asszocici jellemzsre:
N
2
I
, ahol
2
I
rtke megegyezik a
rtkkel;
N
C
+
2
2

.
- l33 -
A
C
-t kontingencia-egytthatnak nevezzk. Ennek a mutatnak az a
htrnya, hogy maximuma nem l, hanem
2
1
.
A,,2:>+<>+D -, AI(("&0"#,-(
- r
-, &<80<8%#
Tekintsk ltalnossgban az r sorbl s
-
oszlopbl ll ktdimenzis
kontingencia tblzatot (8l. tblzat).
A 2 2 -es tbla elemzsnl lttuk, hogy fggetlensg esetn annak
valsznsge, hogy a mintbl egy esetet vletlenl kivlasztva az a tblzat
i
-edik sor
j
-edik oszlopba, vagyis az
( ) j iH
cellba esik: j i ij
p p p
. .

,
( ) c j r i H...H 1 J H...H 1
. ltt sem ismerjk a ij
p
elmleti valsznsget, de meg
lehet becslni a mintbl:
N
f f
f
j i
ij
. .
.
A fggetlensg tesztelse a
2
prbval:
( )
r
i
-
I
iI
iI iI
9
9 9
1 1
2
2
,
ahol
iI
9
az elvrt, elmleti gyakorisg (felttelezve a fggetlensget):
n
9 9
9
I i
iI
. .

.
'1. tlzat. 10ntingencia tlzat
Az Y ismrv szerinti
osztlyok
M
C
1
M
C
2
.
M
I
C
.
M
-
C sszesen
A
z

X

i
s
m
r
v

s
z
e
r
i
n
t
i

o
s
z
t
l
y
o
k
L
C
1 11
9
12
9
. I
9
1 . -
9
1 . 1
9
L
C
2 21
9
22
9
. I
9
2 . -
9
2 . 2
9
.
L
i
C
1 i
9
2 i
9
. iI
9
. i-
9
. i
9
.
L
r
C
1 r
9
2 r
9
. rI
9
. r-
9
. r
9
sszesen 1 .
9
2 .
9
. I
9
. . -
9
.
N
- l34 -
A2 %,,2:>+<>+D *-$-,"
c r
-, &<80<2%& ","&-8"#
Az asszocici mrsnl a vltozk kt mrsi tpust klnbztetjk meg: a
nominlis vltozkat s az ordinlis vltozkat. Nzzk meg, hogy a kt
vltoz esetn milyen asszocicis mrszmokat hasznlhatunk.
(o!in.lis 0.lto)-*%o) tarto)- ass)oci.ci-s !utat-*
23)0etlenCl a
2
7en alapul- !4rt4*e*: A 2 2 -es tblnl alkalmazott
mrtkek ugyangy alkalmazhatk az
c r
-s tblk esetben is.
"ra!er7f4le ass)oci.ci-s e$yCtt%at-:
( ) 1
2

r N
C

ha
- r
; illetve
( ) 1
2

- N
C

ha
- r >
. A Cramer-fle asszocicis egytthat rtke 0, akkor
a kt mutat fggetlen, mg az l-hez kzeli rtk nagyon ers kapcsolatra
utal.
A "supro07f4le ass)oci.ci-s e$yCtt%at-:
( ) ( ) 1 1
2

- r N
?

. A ? rtke
szintn 0 s l kztt mozog.
Good!an 4s 2rus*al7f4le
!4rt4*: A
mrtk rtke a
[ ] 1 H 0
intervallumba
esik s kiszmtsnak kplete:
,
_
-
I
I
r
i
-
I
-
I
I
i
iI
9 N
9
9
9
N
1
2
.
2
1 1 1
2
.
.
2
.
Ordin.lis 0.lto)-*%o) tarto)- ass)oci.ci-s !utat-*
A kvetkezkben olyan tblkkal foglalkozunk, amelyben az A s B vltozk
kategrii rendezettek, vagyis, ha mondjuk valaki az A vltoz els
kategrijba kerl magasabbra rangsorolt, mint aki a msodik kategriba
kerlt.
- l35 -
'2. tlzat. *z 0rdinlis vlt0z,k esetn evezetett ngy
mennyisg
Az j jells:
A megfigyelsi egysgek
azon prjainak a teljes
szma, amelyekre:
S
vagy i i > s
j j >
vagy i i < s
j j <
D
vagy i i > s
j j <
vagy i i < s
j j >
a
T
i i
b
T I I
Vezessnk be ngy j jellst. Tekintsk a megfigyelt szemlyek egy ltalnos
prostst. Az egyik szemly tartozzon az
( ) j iH
cellhoz, vagyis az A vltoz
i
-edik kategrijhoz s a B vltoz
j
-edik kategrijhoz. A msik
szemly kerljn az
( ) j i H
cellba. Az asszocici ordinlis mrtke a
kvetkez ngy mennyisgnek a fggvnye (82. tblzat):
Ha az A s B vltozk kztt ers az asszocici rtke akkor az S rtke
nagy, s D rtke kicsi lesz. Ez azt jelenti, hogy az asszocicit az S s a D
klnbsgvel, ennek a klnbsgnek a standardizlsval kell mrni.
Good!ann 4s 2rus*al7f4le
:
D S
D S
. A
mrtknek a valsznsgi
rtelmezse: annak a valsznsgbl, hogy a mintbl vletlenszeren
kivlasztott kt megfigyels hasonlan rendezett vonjuk ki annak a
valsznsgt, ha nem hasonlan rendezett, eltekintve azoktl a proktl,
amelyik valamelyik vltoz azonos kategrijba esnek. A
a
[ ] 1 H 1

intervallumban veheti fel az rtkt. Ha az A s B vltozk fggetlenek,
akkor
tlagosan nulla.
2endall7f4le
: Kendall-mrtke figyelembe veszi az azonos kategrikba

val esst is:
( )
( ) ( )
b a
T D S T D S
D S
+ + + +

2
.
So!er7f4le

d
: Somer javasolta, hogy a vizsglat sorn vegyk figyelembe
azt is, hogy B fgg A-tl, vagy fordtva. Ha a B a fgg vltoz a d
mrtkt Somer a kvetkez kplettel definilta:
b
ba
T D S
D S
d
+ +
. Hasonl
rtelmezst adhatunk ennek a Somer-fle rtknek, mint a
-nak, azzal a
klnbsggel, hogy most azt felttelezzk, hogy az A vltoz szerint
nincsenek kategriaegyezsek, vagyis i i .
Trjnk vissza a kiindul feladatunkhoz, amelyben azt akarjuk megvizsglni,
hogy a klnbz vgzettsg vezetk s a mezgazdasgi vllalkozsok
jvedelmezsge kztt van-e sszefggs. Els lpsknt a szmtsok
egyszersge miatt megmutatjuk, hogy hogyan lehet kiszmtani a fenti
- l36 -
kpletekben is szerepl, s a statisztikai vizsglatokban gyakran alkalmazott
2
rtkt.
Ehhez ksztsnk el egy olyan tblzatot (83. tblzat), ami a tapasztalati
gyakorisgokat tartalmazza a
n
9 9
9
I i
iI
. .

kplet alapjn. A tblzatba az adatok

szmtsa a kvetkezk szerint trtnik:
; 6 " 225
1500
**.+00
1500
+0 20
11

9

9 " 1*
1500
260.50
1500
+0 555
12

9
, stb.
'". tlzat. * tapasztalati gyak0risg0k
A vllalat
Als- Kzp- Fels-
sszesen
fok vgzettsg vezetk
vesztesges 225,6 l73,9 70,5 470
kzepes
nyeresg
240 l85 75 500
nagy nyeresg 254,4 l96,l 79,5 530
sszesen 720 555 225 l500
A Cramer-fle asszocicis egytthat kiszmtshoz a 84. tblzat ad
segtsget.
'#. tlzat. Nunkatla a Mramer-2le egy?tthat, kiszm.tsh0z
A vllalat iI
9

iI
9

iI iI
9 9
( )
2
iI iI
9 9
( )
iI
iI iI
9
9 9
2
vesztesges alsfok 280
225,
6 54,4
2959,3
6
l3,ll77
3
kzpfok
l45
l73,
9 -28,9 835,2l
4,8028l
8
felsfok 45 70,5
-25,5 650,25
9,22340
4
kzepes
nyer.
alsfok 260 240
20 400
l,66666
7
kzpfok
l80 l85
-5 25
0,l35l3
5
- l37 -
felsfok 60 75 -l5 225 3
nagy nyer. alsfok l80
254,
4 -74,4
5535,3
6
2l,7584
9
kzpfok
230
l96,
l 33,9
ll49,2
l
5,86032
6
felsfok l20 79,5
40,5
l640,2
5
20,6320
8
sszesen l500 l500 0 -
80,l966
5
A tblzat alapjn a
2
rtke 80,l97. A kapott
2
rtk segtsgvel mr a
korbban ismertetett asszocicis mrszmok meghatrozhatk.
Mivel a pldban
- r
, gy ha a Cramer-fle egytthatt szmtjuk ki, akkor a
( ) 1
2

r N
C

kpletbe helyettestnk s ezzel: 16* " 0
2 1500
19 " .0
C . Ha a
Csuprov-fle asszocicis egytthatt hatrozzuk meg, akkor:
( ) ( )
19 " 0
1 * 1500
19 " .0
1 1
2
- r N
?

.
A
C
s a ? rtke alapjn a vezeti szint s a vesztesg kztti kapcsolat
nem tnik jelentsnek.
Az SPSS-ben az asszocicis vizsglatot a kvetkezk szerint vgezhetjk el.
Elszr elkszttetjk a kereszttblt, amit az ANALYZE menpont DESClPTRlVE
STATlSTlCS menjnek CROSSTABS. parancsn bell tehetnk meg.
#$. ra. * kereszttla elksz.tshez
tart0z, panel
Ahogy azt megszoktuk a bal
oldali ablakbl a megfelel
vltozkat tegyk a ROW(S) s
a COLUMN(S) ablakokba. A
DlSPLAY CLUSTERED BAR CHARTS
mell tegynk pipt s
egyelre semmilyen ms
belltst ne hajtsunk vgre,
csak egyszeren futtassuk le
a programot.
- l38 -
Ekkor az OUTPUT ablakban kt tblzat s egy bra jelenik meg. Az els
tblzat csak az esetszmrl tjkoztat bennnket, vagyis hogy hny vals s
hny hinyz adattal rendelkezik az adatmtrixunk, ennek megjelentstl
most eltekintnk. A msodik tblzat (85. tblzat) a tapasztalati
gyakorisgokat tartalmazza, s megegyezik az ltalunk ksztett 83.
tblzattal.
'$. tlzat. *z :O:: ltal ksz.tett tapasztalati gyak0risg0kat
tartalmaz, tlzat
# me$kr%ezett vezet& v$zetts$e ' # v(lllalat m)n&stse nyeres$ess$
szempontj(*+l ,rossta*-lat)on
Count
280 260 180 720
145 180 230 555
45 60 120 225
470 500 530 1500
".sF;oDK
DL42B;oDK
;e.sM;oDK
< 0e8D2r&e4ett
)e4etM )284etts28e
-ot".
)es4tes28es
DL4eBes
n%eres28
n"8%
n%eres28
< )3..."."t 05nMs2t2se n%eres28ess28
s4e0Bont/3@F.
-ot".
A 46. bra a kt vltoz esetn mutatja a gyakorisgokat. Ha az brt
elemzzk, akkor ltjuk, hogy a vesztesges vllatok szma az alsfok
vgzettsg vezetk esetben a legmagasabb, majd egyre nagyobb
vgzettsghez egyre alacsonyabb vesztesges vllalatszm tartozik. Hasonl
tendencia llapthat meg a kzepes nyeresg vllalatok esetben is. A nagy
nyeresg vllalkozsoknl azonban nem lthat semmifle tendenciaszer
sszefggs, ugyanis a kzpfok vgzettsg vezetk esetben a legtbb a
nyeresges vllalatok szma, a felsfok vgzettsg vezetkhz tartozik a
legalacsonyabb gyakorisg rtk.
#%. ra. * vlt0z,k kereszttl+h0z tart0z, 0szl0pdiagram
- l39 -
A tovbbiakban
nzzk meg a
parancsablak
egyb belltsi
lehetsgeit. Ha a
STATlSTlCS gombra
kattintunk,
megjelenik a 47.
bran lthat
panel. ltt llathatjuk
be azt, hogy a
program rja ki a
Khi-ngyzet
statisztika rtkt
(CHl-SQUARE).
#&. ra. * :)*)5:)5M: parancsg0m
ell.tsai
Az elmleti sszefoglalshoz hasonlan lthatjuk felsorolva nominlis s
ordinlis vltozk esetn a klnbz asszocicis mrszmokat. Megjellve
a khi-ngyzet statisztikt s a PHl AND CRAMR'S V asszocicis mrszmot,
futtassuk le a programot.
R%#(1:$$"0<>+D
Kt vltoz kztti sszefggs vizsglatnak egyik egyszer s gyors
mdszere a rangkorrelci. llyen esetben els lpsknt a vltozk megfigyelt
rtkeit rangsoroljuk s az egyes megfigyelseknek a rangsoruknak megfelel
rangszmot adunk l-tl
n
-ig, ahol
n
a megfigyelsi egysgek szma. Azt
vizsgljuk, hogy a vltozk rangszmai az azonos megfigyelsi egysgeken
mennyire egyeznek meg.
Az ordinlis mrsi szint vltozk kztti kapcsolat jellemzsre
hasznlhatjuk a Spearman-fle rangkorrelcis egytthatt
( )
, a Kendall-fle
rang- vagy konkordancia mutatt
( ) B
, ezek a legismertebb rangkorrelcis
egytthatk.
Ha a kt ordinlis skln mrt vltozk l s
n
kztti rangjait (sorszmait)
i
2
#
-vel s
i
y
#
-vel, akkor a kt vltoz kztti kapcsolat szorossgnak
mrsre bevezetett Spearman-fle rangkorrelcis egytthatt az albbi
kplettel hatrozhatjuk meg:
- l40 -
( )
( ) 1
6
1
2
1
2

n n
# #
n
i
y 2
i i
A Spearman-fle rangkorrelcis egytthat rtke -l s l kz esik. Ha az

rtk l-hez kzeli, akkor a kt sorrend azonosnak tekinthet, a -l-hez kzeli
rtk a kt sorrend fordtottsgra utal. A 0 kzeli eredmny azt mutatja, hogy
a kt sorrend kztt nincs kapcsolat.
'%. tlzat. *z alma2a+tk s0rrend+e az .z s sz.n szerint
Alma
sorszma
lz Szn
szerinti sorrend
l 6 6
2 2 3
3 3 l
4 5 7
5 l 2
6 4 4
7 8 8
8 7 5
8 almafajta z s szn kztti sszefggst keressk (rangk0rrelaci0.sav). A 8
almt brmilyen sorrendben l-tl 8-ig sorszmozzuk, majd z s szn szerint
rangsoroljuk ket (86. tblzat).
A legrosszabb z alma az l-es, a legjobb a 8-as rangszmot kapja, mg szn
szerint a legvilgosabbnak az l-es, a legsttebbnek a 8-as rtket adjuk.
Elfordulhat, hogy kt vagy tbb megfigyels kztt nem tudunk klnbsget
tenni, ilyenkor ezeknek azonos rangszmot adunk. Az azonos rangszm
megfigyelsek n. ktst kpeznek.
Vegyk a megfelel rangszmok klnbsgnek ngyzett (87. tblzat).
Behelyettestve a Spearman-fle rangkorrelcis egytthatt megad kpletbe
(a megfigyelt esetek szma 8 n ).
( )
( )
( )
( )
.** " 0
1 . .
+ 0 0 1 + + 1 0 6
1
1
6
1
2 2
1
2

+ + + + + + +

n n
# #
n
i
y 2
i i
.
- l4l -
'&. tlzat. Nunkatla a rangk0rrelci, szm.tsh0z
Alma
sorszma
i
2
#
i
y
#
i i
y 2
# #
( )
2
i
y
i
2
# #
l 6 6 0 0
2 2 3 l l
3 3 l 2 4
4 5 7 -2 4
5 l 2 -l l
6 4 4 0 0
7 8 8 0 0
8 7 5 2 4
A rangkorrelcis koefficiens statisztikai prbjhoz alkalmazhatjuk az
-
tblzatot (. mellklet)
2 n df
szabadsgi fokkal. Pldnkban a szmtott

nagyobb, mint
6 df
esetn az 5%-os szinten megadott tblzati
rtk
7067 H 0
, ami azt jelenti, hogy az almk szne s ze kztti kapcsolat
szignifikns.
Az SPSS statisztikai programcsomagban vgezzk el ugyanezt a szmtst.
Nyissuk meg az adatokat tartalmaz ,:pearmanUrang.sav" fjlt, majd
kattintsunk az ANALYZE menpont CORRELATE almenjben a BlVARlATE.
parancsra (48. bra).
#'. ra. * :pearman-2le rangk0rrelci, parancss0ra az :O::-
en
A megjelent panelban (49. bra) a bal oldali ablakrszben vannak a vltozk
megadva, amelyek kzl ki kell vlasztanunk azokat a vltozkat, amelyek
- l42 -
kztt a Spearman-fle rangkorrelcit ki akarjuk szmtani. Jelljk ki ezeket
a vltozkat, majd helyezzk a VARlABLES ablakba. A CORRELATlON COEFFlClENTS
rszben meg kell adni, hogy milyen korrelcit kvnunk szmtani, itt a
SPEARMAN felirat mell tegynk pipt.
#(. ra. * rangk0rrelci, elvgzse az :O::-en
Miutn a megfelel belltsokat elvgeztk, futtassuk le a programot, majd
elemezzk a kapott eredmnyt (88. tblzat).
''. tlzat. *z :O:: ltal vgzett rangk0rrelci,-szm.ts
eredmnye
,orrelat)ons
1H000 H833N
. H010
8 8
./' 1H000
.010 .
/ 8
Corre."t5on Coe;;5c5ent
S58. (2-t"5.e&)
,
S58. (2-t"5.e&)
,
<4 ".0" O4 s4er5nt5
r"n8s430"
<4 ".0" s4On
s4er5nt5 r"n8s430"
Spearman1s rho
<4 ".0" O4
s4er5nt5
r"n8s430"
<4 ".0" s4On
s4er5nt5
r"n8s430"
Corre."t5on 5s s58n5;5c"nt "t t!e 0.05 .e)e. (2-t"5.e&). N.
Az eredmnyl kapott tblzatban a vizsglt vltozk kztti kapcsolat
szorossgrl (Correlation Coefficient), a korrelci szignifikanciaszintjrl
(Sig. 2-tailed) s a vltoznknt rendelkezsre ll elemszmrl (N)
- l43 -
tjkozdhatunk. Elszr a szignifikancia rtket nzzk meg, ami a
hipotzisvizsglat eredmnye. Nullhipotzisnk alapjn a kt vltoz kztt
nincs kapcsolat. Mivel a szignifikancia sorban
05 H 0 < p
, gy elvetjk a
nullhipotzist, azaz az alma ze s szne kztt van kapcsolat. Mivel a
kapcsolat szignifikns, megnzzk a Spearman-fle rangkorrelcis
egytthat rtkt, amit a CORRELATlON COEFFlClENT sorban tallunk. Az itt
szerepl 0,833 rtk megegyezik a kzi szmts sorn kapott rtkkel. Mivel
a korrelci rtke pozitv, ez azt jelenti, hogy nagyobb ,z-rangszmhoz"
nagyobb ,szn-rangszmok" tartoznak.
Korbban utaltunk arra, hogy elfordul olyan eset is, amikor kt vagy tbb
megfigyelt eset kztt nem tudunk klnbsget tenni, vagyis rangsorolsuk
nem egyrtelm. Az ilyen egyedeknek adjunk azonos rangszmot, s ahogy azt
korbban jeleztk, ezek az egyedek n. ktsben llnak egymssal. Jelljk a
kts elemeinek a szmt
t
-vel. A pldnkat mdostsuk olyan formban,
hogy zben a 3. s 6. sorszm almt ne tudjuk megklnbztetni, gy
mindkett a 3,5-es rangszmot fogja kapni. Sznben a 2., 5. s 6. illetve 4. s
7. sorszm almkat ne tudjuk megklnbztetni. Mivel az els hrom a 2., 3.
s 4. szn-ranghelyeken vannak, gy tlagosan a 3-as szmot kapjk, az
utbbi kett pedig a 7. s 8. szn-ranghelyeket megosztva tlagosan a 7,5
rangszmot kapja.

'(. tlzat. *z alma2a+tk s0rrend+e .z s sz.n szerint
Alma
sorszma
lz Szn
szerinti sorrend
l 6 6
2 2 3
3 3,5 l
4 5 7,5
5 l 3
6 3,5 3
7 8 7,5
8 7 5
Az zben egyetlen kts van 2 t elemmel, mg a sznben kt kts van 3 t
s 2 t elemmel. A ktseket a
rangszm kiszmtsakor figyelembe kell

venni gy, hogy a ktsekbl korrekcis tnyezt kell kiszmtani.
Jelljk
A
T
-val az A tulajdonsg,
B
T
-vel a B tulajdonsg korrekcis
tnyezjt. Ezzel a rangkorrelcis kplet az albbiak szerint mdosul:
- l44 -
( ) [ ]
( ) 1
6
1
2
1
2

+ +

n n
? ? # #
n
i
G A y 2
i i
,
ahol
( )
12
1
2
A
A
A
t t
?
s
( )
12
1
2
G
G
A
t t
?
. A jel az azonos tulajdonsgon
belli klnbz ktsekre vonatkozik.
Pldnkban az A tulajdonsgban (z) egy kts van, gy
2
A
t
elemmel, gy:
( )
5 " 0
12
1 2 2
2
A
? .
A B tulajdonsgban kt kts van 3 t s 2 t elemmel:
( ) ( )
5 " 2
12
1 2 2 1 * *
2 2
G
? .
A kapott rtkeket helyettestsk be a
( ) [ ]
( ) 1
6
1
2
1
2

+ +

n n
T T R R
n
i
B A y x
i i
kpletbe:
( )
( )
02 " 0
1 . .
5 " 2 5 " 0 22 6
1
2

+ +

.
Mivel a szmtott
rtke kisebb, mint a

6 2 . d9
szabadsgi foknl s
5%-os szignifikancia-szintnl megadott elmleti
rtk
( ) 06 " 0
, gy csak
l0%-os szignifikancia-szint mellett kapunk szignifikns sszefggst.
Ha az SPSS-el az eddig szoksos mdon vgeznnk el a vizsglatot, ms
eredmnyt kapnnk, ugyanis az SPSS-be beptett
nem szmol a
ktsekkel. Futtassuk le erre az adatbzisra is a vizsglatot
(:pearmanUk0tes.sav) s az eredmnyl kapott tblzatunkat (90. tblzat)
vessk ssze a kzi szmts eredmnyvel.
(0. tlzat. * :pearman-2le k0rrelci, rtke
,orrelat)ons
1H000 H729N
. H040
8 8
H729N 1H000
H040 .
8 8
S58. (2-t"5.e&)
,
S58. (2-t"5.e&)
,
<4 ".0" O4 s4er5nt5
sors430"
<4 ".0" s4On
s4er5nt5 sors430"
Spearman1s rho
<4 ".0" O4
s4er5nt5
sors430"
<4 ".0"
s4On s4er5nt5
sors430"
Corre."t5on 5s s58n5;5c"nt "t t!e 0.05 .e)e. (2-t"5.e&). N.
- l45 -
Elfordul, hogy nem kt rangsort, hanem tbbet kell sszehasonltani. llyen
tpus feladatoknl a 1endall-2le k0nk0rdancia, vagy egyetrtsi mutat,-t
hasznljuk, melyet a
( )
( ) n n m
# #
B
n
i
i

* *
1
2
12
kplet alapjn kapunk meg. A kpletben lv
m
a klnbz sorrendek
szma,
n
az elemek szma,
i
#
az
i
-edik elem rangszm-sszege s
#
az
tlagos oszlopsszeg, vagyis
( )
2
1 +
n m
#
. Az egyetrtsi mutat rtke 0 s
l kz esik. Azt mondjuk, ha ez az rtk 0,6 fltti, akkor a fellltott sorrendek
azonosnak tekinthetk.
(1. tlzat. *z almk .z, sz.n s elads szerinti s0rrend+e
Az alma
sorszma
lz Szn Eladsi r i
#
l 6 6 7 l9
2 2 3 3 8
3 3 l 2 6
4 5 7 5 l7
5 l 2 l 4
6 4 4 4 l2
7 8 8 8 24
8 7 5 6 l8
A tblzat utols oszlopa az egyes vltozk rangszm-sszegvel van
kiegsztve. Hatrozzuk meg az tlagos oszlopsszeg rtkt:
( ) ( )
5 " 1*
2
1 . *
2
1
n m
#
, mivel
* m
s
. n
.
A Kendall-fle mutat rtke:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
. 9*1 " 0
.
*
.
2
*
2
5 " +
2
5 " 10
2
5 " 1
2
5 " 9
2
5 " *
2
5 "
2
5 " 5
2
5 " 5 12
,
_

1
]
1
+ + + + + + +
B
- l46 -
Mivel 0,6-nl nagyobb rtket kaptunk, gy elmondhatjuk, hogy az almk
sorrendje a hrom vltoz tekintetben hasonlnak tekinthet (kzeltleg
93%-ban tekinthetk a sorrendek azonosnak).
Nyissuk meg a KendallW.xls fjlt, ami Excel tblzatban tartalmazza az
adatainkat. Ebben a tblzatban hrom oszlopban jelentjk meg az ,z", ,szn"
s ,eladsi r" vltozkat. Jelljk ki a tblzatot, majd msoljuk t a
1endallEUrang.sav nv alatt megnyitott SPSS fjl DATA VlEW adattbljba. A
msols utn az els sor resen maradt, nem jelent meg adat, ezzel most ne
foglalkozzunk. A rszletes lerst azrt mutatjuk be, mert ennl a mutat
kiszmtsnl az adatmtrixunkat transzponlni kell, hiszen nem az ,z",
,szn" s ,eladsi r" vltozkat akarjuk sszehasonltani, hanem az almk
sorrendjre vagyunk kvncsiak a hrom vltoz tekintetben.
$0. ra. * transzp0nls m>velet elvgzse az :O::-en
A transzponls mvelett a DATA men TRANSPOSE. parancsa alatt vgezzk
el. A megjelent panel (50. bra) bal oldali ablakbl a VARlABLE(S) ablakba
helyezzk t a mg varR00000l, var00002 s var00003 vltozkat, majd
kattintsunk az OK gombra.
$1. ra. * transzp0nls utn a D*)* H56E
- l47 -
A transzponls elvgzse utn a DATA VlEW ablak a 5l. bran lthat mdon
fog kinzni. Jelljk ki a var00l oszlopot s trljk. Legyen VAR0000l:
alma_ize, a VAR00002: alma_szin s VAR00003: alma_elad, ezeket az
tnevezseket egyszeren az adott cellra lpve s berva mdosthatjuk.
Ezutn felcmkzhetjk a vltozkat. A Case_lbl vltoznak nv helyett adjuk
a ,megfigy" nevet, majd az egyes almafajtkat rendre jelljk a_l, a_2,.,a_8
jellsekkel. Ezzel elkszlt az az adatfjl, amin most mr elvgezhetjk a
rangkorrelcis vizsglatunkat (52. bra).
$2. ra. * 1endallEUrang.sav 2+l a D*)* H56E alaka
Kattintsunk az ANALYZE men NONPARAMETRlC TEST almenjnek K RELATED
SAMPLES. parancsra (53. bra). Jelljk ki az almkat, ezek sorrendjt
akarjuk ugyanis sszehasonltani a vltozk tekintetben s tegyk t a TEST
VARlABLES listba ezeket.
$". ra. )7 rangs0r 7sszehas0nl.tsa a
Kendall-fle konkordancia mutat segtsgvel
- l48 -
Az alkalmazott teszt tpusa (TEST TYPE) mezben a KENDALL'S W tesztet jelljk
meg. A belltsok utn futtassuk le a programot, majd elemezzk az
eredmnyl kapott 92. tblzat0t.
(2. tlzat. * 1endall-teszt eredmnye
Test Stat)st)2s
3
.31
19H556
7
.004
,
Pen&"..Qs R
"
C!5-S$u"re
&;
<s%0B. S58.
Pen&"..Qs Coe;;5c5ent o; Concor&"nce ".
A Kendall-fle egyetrtsi mutat rtkt a msodik sorban olvassuk le, ami
lthat, hogy nagyobb 0,6-nl (s megegyezik a kzi szmts eredmnyvel),
vagyis az almk sorrendje azonosnak tekinthet a vizsglt vltozk
tekintetben, s a kapcsolat szignifikns
05 " 0 < $
.
V"()", 1%9>,:0%&
Vegyes kapcsolatrl akkor beszlnk, ha mennyisgi s minsgi vltozk
kztti kapcsolatot vizsglunk (pl. a talajmvels s a termstlag kztti
kapcsolat). A vegyes kapcsolatok vizsglatra a varianciaanalzist hasznljuk,
amivel mr a korbbi fejezetek egyikben rszletesen megismerkedtnk.
24t *0antitat,0 0.lto)- *3)3tti *apcsolat ele!)4se
A kvantitatv vltozk kztti kapcsolatok jellemzsre ahogy arra mr
korbban is utaltunk a korrelci- s regressziszmtst alkalmazzuk.
Amikor magas mrsi szint vltozk kztti kapcsolatokat elemeznk, tbb
krdsre keressk a vlaszt: (l) Van-e kapcsolat a vltozk kztt? (2) Milyen
szoros ez a kapcsolat? (3) Hogyan tudunk kvetkeztetni az egyik vltoz
megvltozsbl a msik vltoz megvltozsra?
M%(%, *-$-,+ ,2+#&. ?<0&:2D1 1L2L&&+ 1%9>,:0%& ?+2,(<0%&%
Egy gazdasgban l5 fldterleten l5 bzakalsz hosszt s kalszonknti
szemszmt jegyeztk fel (93. tblzat). Jelentse az i
2
az
i
-edik kalsz
- l49 -
hosszt, mg i
y
az i-edik kalsz esetn a szemszm mennyisgt (db).
Szmtsuk ki, hogy milyen ers s milyen irny a kapcsolat a kt vltoz
kztt. Az adatokat a lienaris.sav fjl tartalmazza.
(". tlzat. BIzakalsz h0ssza s a kalsz0nknti szemszm
Fldterlet
sorszma
A kalsz
hossza
(cm)
i
2
Kalszonknti
szemszm (db)
i
y
l 7,l 26
2 7,3 24
3 7,4 25
4 7,6 27
5 7,7 22
6 8,l 30
7 8,2 32
8 8,2 3l
9 8,3 33
l0 8,5 29
ll 9,3 35
l2 9,4 37
l3 9,5 38
l4 9,7 40
l5 l0,5 4l
A kalszonknti szemszm fgg-e a kalsz hossztl, ha igen milyen
erssg s milyen irny a kapcsolat? Allaptsuk meg tovbb, hogy a
fggetlen vltoz alakulsbl a fgg vltoz alakulsra tudunk-e
kvetkeztetst adni.
5:#&/+%($%*
Amikor mennyisgi mutatk kapcsolatt vizsgljuk, a mutatszmok
meghatrozsa eltt rdemes n. pontdiagram-t kszteni. Ekkor az
egyttesen elfordul
( )
i i
y 2 "
mutatkat brzoljuk, s az empirikus adatok
alapjn a pontok elrendezdsbl prblunk kvetkeztetni a kapcsolatra. A
pontdiagram segtsgvel azonban csak szemlletes kpet kapunk a
kapcsolat erssgrl s irnyrl. A korrelci pozitv irny, ha a pontok
elhelyezkedse megegyezik a 54. bra (a) rszn lthat pontfelhvel; negatv
irny a kapcsolat a (b) esetben. Minl ,vkonyabb" a pontfelh, annl
- l50 -
ersebb a kapcsolat, fggetlenl annak irnytl. A (c) s (d) esetben a
vltozk kztt nincs kapcsolat.
$#. ra. * lineris k0rrelci,! 3a4 p0zit.v, 34 negat.v k0rrelci,, 3c4
s 3d4
2
s
y
k0rrellatlan0k
F0rrs! G*@, Q. =. 31((%4
Az SPSS-ben a pontdiagram ksztshez kattintsunk a GRAPHS men
SCATTER. parancsra. A megjelent panelben (55. bra) hagyjuk megjellve a
SlMPLE parancsgombot, majd a DEFlNE gombra kattintsunk.
$$. ra. * :M*))6@OKA) alak
- l5l -
$%. ra. * :5NOK6 :M*))6@OKA)V alak ell.tsai
A megjelent ablakban (56. bra) vgezzk el a kvetkez belltsokat. A bal
oldali ablakbl vlasszuk ki a fggetlen vltozt s a fgg vltozt, majd
tegyk t az ,* Izakalsz h0ssza" vltozt az ,x-tengely" ablakba, a
,1alsz0nknti szemszm" fgg vltozt pedig az ,y-tengely" ablakba. Ezek
utn kattintsunk az OK gombra, amelynek eredmnyekppen az OUTPUT
ablakban megjelenik a pontdiagram.
- l52 -
$&. ra. * kalsz h0ssza s a kalsz0nknti szemszm k7z7tti
p0ntdiagram
A $&. ra a vltozk kztti kapcsolatot szemllteti. Kisebb ellentmondsok
ellenre gy tnik, hogy az empirikus megfigyelsi pontokra kpzeletbeli
egyenes illeszthet, amely balrl jobbra hatrozott emelked irnyt mutat.
(Megjegyezzk, hogy az esetek szma igen kevs, az empirikus elemzseknl
azonban nem szabad kevs szm megfigyels alapjn statisztikai
sszefggseket keresni.) A kapott bra azonban csak vizulisan mutatja meg
a vltozk kztti kapcsolat jellegt s irnyt, szmszer eredmnyeket itt
nem tudunk leolvasni. Hogyan tudjuk azt eldnteni, hogy milyen ers a
kapcsolat? Hatrozzuk meg tovbb azt a fggvnyt, amely legjobban
illeszkedik a ponthalmazra!
Elszr tekintsk t, hogy a kapcsolat erssgt s irnyt milyen
mutatszmokkal jellemezhetjk!
L+#"<$+, 1:$$"0<>+D, "()I&&B%&D
Amennyiben kt vltoz kztt lineris kapcsolat ll fenn, vagyis a
pontdiagramon lthat pontok kzelten egy kpzeletbeli egyenes krl
csoportosulnak, akkor a kapcsolat erssgnek s irnynak
szmszerstsre a Oears0n-2le k0rrelci,s egy?tthat,t hasznljuk:
- l53 -
( ) ( )
( ) ( )
1
1
]
1

1
1
]
1
n
i
y
i
y
n
i
2
i
2
n
i
y
i
y 2
i
2
r
1
2
1
2
1
.
A kifejezsben szerepl
( )
i i
y 2 "
az
2
-re s
y
-ra vonatkoz
n
elem minta
( ) n i "..." 2 " 1
, tovbb

n
i
i
2
n
2
1
1
s

n
i
i
y
n
y
1
1
.
A kt vltoz kapcsolatnak mrsre alkalmazott Pearson-fle korrelcis
egytthat szmtsra vonatkoz mdszer br a legltalnosabban hasznlt
mdszer, alkalmazsnak felttelei azonban szigorak:
Mindkt vltoz intervallumszint;
Mindkt vltoz normlis eloszls;
Felttelezhet, hogy a kt vltoz kztt lineris kapcsolat van.
A gyakorlatban ezek a felttelek csak ritkn teljeslnek maradktalanul (a
mutat legkevsb a normalitsra rzkeny).
Ha tudjuk, hogy a kt vltoz kztti kapcsolat szignifikns, akkor a
gyakorlatban az
r
rtke alapjn a kvetkezket mondhatjuk (94. tblzat):
(#. tlzat. * k0rrelci, rtkei alap+n a vlt0z,k k7z7tti lineris
kapcs0lat +ellege
Nincs kapcsolat a kt
vltoz kztt
25 " 0 25 " 0 < < r
Gyenge sztochasztikus
kapcsolat
25 " 0 5 " 0 < r
vagy
5 " 0 25 " 0 < r
Kzepes sztochasztikus
kapcsolat
5 " 0 5 " 0 < r
vagy
5 " 0 5 " 0 < r
Ers sztochasztikus
kapcsolat
5 " 0 1 < r
vagy
1 5 " 0 < r
A kapcsolat fggvnyszer 1 r vagy 1 r
A klnbz kutatsoknl jelents szerepet kap a lineris korrelcis
egytthat ngyzete ( )
2
r , amit determinci,s egy?tthat,nak neveznk. A
determincis egytthat rtke megmutatja, hogy az
2
rtkei hny
szzalkban magyarzzk az
y
rtkeinek az alakulst. A determincis
egytthat rtkre: [ ] 1 " 0
2
r .
Mivel az
r
s az
2
r
szimmetrikus kapcsolatot kifejez mutatszmok, gy az
2
-nek
y
-nal val korrelcija megegyezik az
y
-nak az
2
-szel val
- l54 -
korrelcijval, azaz nincs jelentsge annak, hogy melyiket tekintjk fgg
illetve fggetlen vltoznak. A Pearson-fle korrelcis egytthat a lineris
kapcsolatok erssgt mri, gy nem alkalmazhat nem lineris kapcsolatok
esetben. Az
0 r
csupn azt jelenti, hogy nincs lineris kapcsolat az
2
s
y
vltoz kztt s nem azt, hogy nincs kzttk kapcsolat. Ha ugyanis a kt
vltoz kztt nem lineris a kapcsolat, akkor azt az
r
rtke nem mutatja
meg.
K:$$"0<>+D, +#/"@
Az elemzseknl gyakori, hogy a vltozk kztti kapcsolat nem lineris. Ha a
kt vizsglt vltoz kztti kapcsolat nem lineris, akkor a vltozk kztti
kapcsolat erssgnek megadsra nem a korrelcis egytthatt, hanem a
korrelcis indexet szoktuk hasznlni
( ) A
:
( )

n
i
y
i
y
n
i
i
e
A
1
2
1
2
1
,
ahol
i
e
a tapasztalati (mrt)
i
y
s a becslt fggvny ltal szmolt
i
y6

rtkek kztti eltrst jelenti.
A korrelcis index eljelt nem tudjuk rtelmezni, csak az abszolt
nagysgt, amelyre:
[ ] 1 " 0 A
.
A 0+#"<$+, 1:$$"0<>+D, "()I&&B%&D *"(B%&<$:2<,% S5SS-8"#
Kt vltoz kztti kapcsolat erssgnek s irnynak szmszer
megadsra ksztsk el az SPSS-ben a korrelcis mtrixot. Az SPSS-ben a
Pearson-fle korrelcis egytthat kiszmtst az ANALYZE / CORRELATE /
BlVARlATE. menpontban vgezhetjk el ppen gy, ahogy azt tettk a
Spearman-fle korrelcis egytthat kiszmtsnl is. A megjelen
panelben (58. bra) a bal oldali ablakbl a kt vltozt helyezzk a jobb oldali
ablakba, majd a Pearson-korelci belltsa mellett krjk le az eredmnyt az
Ok gombra kattintva.
- l55 -
$'. ra. * Oears0n-2le k0rrelci, vizsglatnak parancss0ra
A korrelciszmts eredmnyekppen a 95. tblzatot kapjuk.
($. tlzat *z :O:: 0utput+a * Oears0n-2le k0rrelci,
elvgzsek0r
,orrelat)ons
1 H938NN
H000
15 15
.3/'' 1
.000
1" 15
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
< D".3s4 !oss4" (c0)
P".3s4onD2nt5
s4e0s430 (&@)
< D".3s4
!oss4" (c0)
P".3s4onD2nt5
s4e0s430
(&@)
Corre."t5on 5s s58n5;5c"nt "t t!e 0.01 .e)e. (2-t"5.e&). NN.
A korrelcis egytthat szignifikancia-vizsglata jelenti a kapott tblzat
elemzsnek els lpst. Azt kell eldnteni, hogy a kapott
r
rtk valdi,
szignifikns kapcsolatot jelent-e a kt vltoz kztt, vagy csak a vletlen
hatsok eredjeknt keletkezett. A statisztikai prba nullhipotzise szerint a
kt vltoz kztt nincs kapcsolat. Mivel
05 " 0 < $
, ezrt elvetjk a
nullhipotzist, azaz a kt vltoz kztt van kapcsolat. Ha tudjuk, hogy a kt
vltoz kztti kapcsolat nem a vletlennek ksznhet, megnzhetjk a
kapcsolat szorossgt. A korrelcis egytthat rtke 0,938, ami igen ers
- l56 -
sztochasztikus kapcsolatot jelent. A vltozk kztti kapcsolatot lineris
fggvnnyel tudjuk legjobban kzelteni.
A $"($",,2+D, "()"#",
Miutn tudjuk, hogy a kt vltoz kztti kapcsolat lineris fggvnnyel
modellezhet, addik a krds, hogy hogyan kapjuk meg azt az egyenest, ami
a pontokra legjobban illeszkedik. A pontok s az egyenes tvolsgnak
meghatrozsa az adott pontbl az illesztett egyenesig (regresszis
egyenesig) hzott fggleges ( M tengellyel prhuzamos) tvolsg alapjn
trtnik.
$(. ra. * regresszi,s egyenes illesztse az egyenes s p0nt
tv0lsgnak mrse alap+n
A regresszis egyenes illesztse gy trtnik, hogy a tvolsgokat
sszegezzk, majd ezt az sszeget minimalizljuk. Ugyanis a legjobban
illeszked regresszis egyenes az az egyenes, ahol a tvolsgok sszege
minimlis. Erre a gyakorlatban a legkise ngyzetek m,dszert szoktuk
hasznlni, ami a nevben is mutatja, hogy az eljrs a tvolsgok
ngyzetsszegeit minimalizlja. (A legkisebb ngyzetek elvnek kidolgozsa
Gauss (l777-l855) nmet matematikushoz kthet.)
Tekintsnk egy
n
elembl ll mintt. Kt-vltozs modell esetben a
regresszis egyenes ltalnos kplete
0 1
+
i i
2 y
alakban rhat fel, ahol
0
s
1
a regresszis paramterek. Ez a modell determinisztikus

kapcsolatot r le, amelyben az
2
teljesen meghatrozza
y
-t. A regresszis
egyenes illesztse az empirikus vizsglatokban soha sem tkletes, az ltala
meghatrozott rtkek eltrnek a tnyleges rtkektl. Az eltrs a hiatag-
ban nyilvnul meg, amit jelljnk
i
-vel.
- l57 -
Ezek alapjn a kvetkez sszefggst rhatjuk fel:
i i i
2 y + +
0 1
. A
0
s
1
tnyleges paramterek regresszis egyenes alapjn becslt rtkeit

jelljk
0
6
s
1
6
-el, mg a hibatagok becslt rtkeit (az n. reziduum-okat)
i
e
-vel. Ezek alapjn!
i i i
e 2 y + +
0 1
6 6

( ) n i "..." 2 " 1
illetve
0 1
6 6
6 +
i i
2 y ,
ahol
i i i
e y y 6
. Az
i
e
maradkok fontos szerepet jtszanak a modellezsben,
ugyanis megmutatjk, hogy a modell mennyire kzelti a valsgot, hiszen
i
e

kis rtkei j, nagy rtkei pedig gyenge illeszkedst jeleznek.
A 0"(1+,"88 #-()2"&"1 *D/,2"$"
Tekintsnk a skban
n
szm pontot (60. bra):
( )
i i
y 2 "
, ahol
N n n i ; "..." 2 " 1
, feltve, hogy I i
2 2
ha
I i
. A minta alapjn becslt
regresszis fggvny
0 1
6 6
6 +
i i
2 y
( ) n i "... 2 " 1
.
%0. ra. Kegkise ngyzetek m,dszere
Keressk a
1 0
6
<=
6
becslt paramterek rtkeit, amely mellett a
megfigyelsekbl szrmaz
( ) ( )
i i
y 2 9
s a regresszis fggvny alapjn
becslt rtkek
( )
i
y6
klnbsgnek ngyzetsszege minimlis:
- l58 -
( ) ( ) ( ) . 89:
6 6
6
6
"
6
2
1
1 0
2
1
1 0
+

n
i
i i
n
i
i i
y 2 P P y y P P N
A feladat teht azon
0
6
s
1
6
(becslt) rtkek meghatrozsa, amelyekre a
( )
1 0
6
"
6
N kt-vltozs fggvny minimlis rtket vesz fel. (Egy adott fggvny
szlsrtke ltezsnek szksges felttele, hogy az els derivltja nullval
legyen egyenl. Mivel kt-vltozs fggvnyrl van sz, gy el kell kszteni a
kt vltoz szerinti elsrend parcilis derivltakat, s ezeket kell nullval
egyenlv tenni.) Elvgezve a derivlst
1 0
6
<=
6
fggvnyben a kvetkez
egyenletrendszert kapjuk:
( ) ( )
( ) ( ) . 0
6 6
2
6
"
6
0
6 6
2
6
"
6
1
1 0 1 0 6
1
1 0 1 0 6
1
0
+
+
n
i
i i i
n
i
i i
y 2 2 N
y 2 N

Az egyenletek kettvel egyszersthetk. A zrjelek felbontsa s

egyenletrendezs utn jutunk az n. n0rmlegyenletek-hez:
i=1
n
2
i
P
1
n
P
0
=
i=1
n
y
i
i=1
n
2
i
2
P
1
i =1
n
2
i
P
0
=
i=1
n
2
i
y
i
.
A szmtgpes programok a lineris regresszis fggvnyek paramtereinek
becslsre a fenti egyenletrendszer megoldsval ksz eljrst adnak meg.
A tovbbiakban a lineris regresszis feladaton keresztl kzi szmtssal
bemutatjuk a vizsglat menett, majd az SPSS-ben trtn elemzsre trnk
t. A nemlineris regressziszmts esetben csak az SPSS segtsgvel
trtn elemzsre trnk ki.
A 0+#"<$+, $"($",,2+D,2<*M&<, *"#"&"
A line.ris fC$$04ny !e$%at.ro).sa
Szmtsuk ki a lineris regresszifggvny paramtereit! Ehhez meg kell
oldanunk a legkisebb ngyzetek mdszernl levezetett normlegyenletekbl
ll lineris egyenletrendszert:
- l59 -
.
6 6
6 6
1
0
1
1
1
2
1
0 1
1

,
_
,
_
,
_
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i
y 2 2 2
y n 2

Az egyenletrendszer felrshoz szksges adatokat sszefoglaltuk a 96.
tblzatan.
Mivel
15 n
,
. " 126
15
1

i
i
2
,
+0
15
1

i
i
y
,
1. " 10.6
15
1
2

i
i
2
s
2 " +052
15
1

i
i i
y 2
, gy
a megoldand egyenletrendszer:
126".
P
1
15
P
0
=+0
10.6"1.
P
1
126".
P
0
=+052"2
(%. tlzat. * regresszi,s paramterek kiszm.tsa
i
2
i
y
2
i
2
i i
y 2
l 7,l 26 50,4l l84,6
2 7,3 24 53,29 l75,2
3 7,4 25 54,76 l85
4 7,6 27 57,76 205,2
5 7,7 22 59,29 l69,4
6 8,l 30 65,6l 243
7 8,2 32 67,24 262,4
8 8,2 3l 67,24 254,2
9 8,3 33 68,89 273,9
l0 8,5 29 72,25 246,5
ll 9,3 35 86,49 325,5
l2 9,4 37 88,36 347,8
l3 9,5 38 90,25 36l
l4 9,7 40 94,09 388
l5
l0,5 4l
ll0,2
5 430,5
_
l26,8 470
l086,
l8 4052,2
Az egyenletrendszer megolds:
5* " 5
6
" +5 " 15
6
1 0
P P
. A kapott
paramterekkel az illesztett egyenes egyenlete:
2 y + 5* " 5 5+ " 15 6
.
- l60 -
rtelmezzk a kapott eredmnyeket! A regresszis paramterek
rtelmezsekor elssorban statisztikai, szakmai rtelmezst kell adnunk, mert
a matematikai rtelmezs nem elegend. A
1
6
regresszis egytthat
megmutatja, hogy az
2
magyarz vltoz egysgnyi nvekedse az
eredmnyvltoz mekkora vltozsval jr egytt. Teht az
2
vltoz rtkt
l egysggel nvelve az
y
vltoz rtke tlagosan
1
6
rtkkel nvekszik,
vagy cskken. A regresszis egytthat pozitv vagy negatv eljele a
kapcsolat irnyt fejezi ki. A
0
6
paramter az
0 2
esetre ad elmleti rtket.
Termszetesen ez csak abban az esetben rtelmezhet, ha a 0 rtk
beletartozik az
2
-ek kz.
Visszatrve most a pldra: A kapott
1
6
regresszis egytthat rtke alapjn
azt mondhatjuk, hogy egy cm-rel nagyobb kalszhossz esetben tlagosan 5-
6 szemmel tbb a kalszonknti szemszm. A
0
6
paramter rtelmezsnek
pldnkban nincs rtelme.
A *orrel.ci-s e$yCtt%at- 4s a deter!in.ci-s e$yCtt%at- *is).!,t.sa
Szmtsuk ki a Pearson-fle korrelcis egytthatt, amit a
( ) ( )
( ) ( )
1
1
]
1

1
1
]
1
n
i
y
i
y
n
i
2
i
2
n
i
y
i
y 2
i
2
r
1
2
1
2
1
kplettel definiltunk.
(&. tlzat. * Oears0n-2le k0rrelci, munkatlzata
( )
i
2 ( )
i
y 2 2
i
y y
i
( ) ( ) y y 2 2
i i

( )
2
2 2
i
( )
2
y y
i

7,l 26
-
l,35
-
5,33 7,22 l,83 28,44
7,3 24
-
l,l5
-
7,33 8,46 l,33 53,78
7,4 25
-
l,05
-
6,33 6,67 l,ll 40,ll
7,6 27
-
0,85
-
4,33 3,70 0,73 l8,78
7,7 22
-
0,75
-
9,33 7,03 0,57 87,ll
8,l 30
-
0,35
-
l,33 0,47 0,l2 l,78
- l6l -
8,2 32
-
0,25 0,67 -0,l7 0,06 0,44
8,2 3l
-
0,25
-
0,33 0,08 0,06 0,ll
8,3 33
-
0,l5 l,67 -0,26 0,02 2,78
8,5 29 0,05
-
2,33 -0,ll 0,00 5,44
9,3 35 0,85 3,67 3,l0 0,72 l3,44
9,4 37 0,95 5,67 5,36 0,90 32,ll
9,5 38 l,05 6,67 6,98 l,l0 44,44
9,7 40 l,25 8,67 l0,80 l,55 75,ll
l0,5 4l 2,05 9,67 l9,78 4,l9 93,44
Vezessk be a kvetkez jellseket: az
>P
jelentse az
2
s
y
vltozk
sszes eltrsszorzatt;
2
>N
az
2
vltoz sszes eltrsngyzett s y
>N

pedig az
y
vltoz sszes eltrsngyzett. A korrelcis egytthat
kiszmtshoz ksztettk el a 97. tblzat0t.
A tblzat alapjn tekintsk a kvetkez sszegzsek eredmnyeit:
+5 " .
15
15
1

2
2
i
i
,
** " *1
15
15
1

y
y
i
i
,
( ) ( ) 1* " 9
15
1

y y 2 2
i
i
i , azaz
1* " 9 >P
;
( ) * " 1+
2
15
1

i
i
2 2 , azaz
* " 1+
2
>N
( ) ** " +9
2
15
1

i
i
y y , azaz
** " +9
y
>N
.
A kapott rszeredmnyekbl:
. 9*. " 0
** " +9 * " 1+
1* " 9
r
Az
r
rtke alapjn a 98. tblzattal sszhangban azt mondhatjuk, hogy a kt
vizsglt vltoz kztt ers, sztochasztikus kapcsolat van.
A korrelcis koefficiens ngyzett kiszmtva kapjuk meg a determincis
egytthatt: .9. " 0
2
r . A determincis egytthat rtelmezse szerint a
vizsglati mintban a bza kalszonknti szemszmnak vltozatossgt
kzel 88%-ban tulajdonthatjuk a kalsz hossznak, s csak l2%-ban
befolysoljk ezt egyb tnyezk.
- l62 -
A $"($",,2+D ,2+(#+A+1%#>+%?+2,(<0%&%
A *4t 0.lto)- 3ss)efC$$4s4ne* s)i$nifi*ancia0i)s$.lata
A kt vltoz sszefggsnek szignifikanciavizsglatt a varianciaanalzisnl
trgyalt + -prbval vgezzk el. A varianciaanalzis tblzat szerkezetvel
mr a korbbi fejezetekben megismerkedtnk (98. tblzat).
('. tlzat. * varianciaanal.zis tlzat
A szrds
oka
Az eltrsek
ngyzetsszege
Szabadsgi
fok
Szrsngyzet
ek becslse
F
Regresszi >># >N >P
2

2
1
1 >># <>#
<>1
<>#
Hiba
>>1 >N >P >N
2 y

2
2 n ( ) 2 n >>1 <>1
sszesen
>>? >N
y

1 n
Ksztsk el a varianciaanalzis tblzatunkat a fenti smnak megfelelen
gy, hogy a megfelel rtkeket behelyettestjk (99. tblzat).
((. tlzat. * varianciaanal.zis tlzat
A
szrds
oka
Az eltrsek
ngyzetsszege
Szabads
gi fok
Szrsngyz
etek becslse
F
Regress
zi
. " +* * " 1+ 1* " 9
2
1
. " +*
.1 " 95
5 " +
. " +*
Hiba
+6 " 59 . " +* ** " +9 1* 5 " +
sszese
n
** " +9
1+
A 99. tblzat alapjn a szmtott + rtk: 95,8l. Az , + -prba kritikus
rtkei" tblzatbl keressk ki a tapasztalati + rtket:
.1 " 1
7 1 " 0
+
. Mivel a
szmtott rtk nagyobb, mint a tapasztalati rtk, gy azt mondhatjuk, hogy a
kt vltoz kztt az adott szignifikancia szinten szignifikns sszefggs van.
- l63 -
A re$ress)i-s e$yenesb8l s).!,tott
i
y6
4rt4*e* %ib.Ea
Kt esetet kell vizsglnunk:
Az els esetben az a krds, hogy a fggetlen vltoz valamely meghatrozott
i
2
rtkhez tartoz tlagos
y6
rtknek a becsls sorn milyen a hibja. A
konfidenciahatrok szmtst a regresszis egyenes egyenletbl az
i
2

ponthoz szmtott
i
y6
rtktl, vagyis az brzolt egyenestl fggleges t
irnyban:
( )
,
_
+ t
2
i
$ y
>N
2 2
n
<>1 t 7
i
2
7 6
1
,
2 n d9
esetn megadott
t
rtkkel
( ) 16 " 2
7 5
t
. Feladatunk ebben az esetben az, hogy pl. a kivlasztott
5 "
i
2
cm-
es kalszok esetn meghatrozzuk, hogy mekkora lesz az tlag0s
kalszonknti szemszm becslsnek a hibja? Vlasszuk a
7 5 $
-os
szignifikancia szintet. A kapott regresszis egyenletbe
( ) 2 y + 5* " 5 5+ " 15 6
ha
behelyettestjk az
2
helyre a 7,5 rtket, akkor
9*5 " 25 6
5 "
y
tlagos
szemszmot kapunk. A becsls konfidenciahatra:
( )
66 " 1
* " 1+
+5 " . 5 "
15
1
5 " + 16 " 2
2
6
5 "
t
,
_

+ t
y
7
. Ez azt jelenti, hogy a becslsnk
kt konfidenciahatra 7,5 cm hossz kalsz esetn
+ " 2 9*5 " 25 t
, vagyis
[ ] 65 " 2. ; 195 " 2*
szem/kalsz.
A msik esetben arra vagyunk kvncsiak, hogy egy egyedre v0natk0z,
ecsls?nk milyen hibval terhelt. A konfidenciahatrok kplete:
( )
,
_
+ + t
2
i
$ y
>N
2 2
n
<>1 t 7
i
2
7 6
1
1
,
2 n d9
esetn megadott
t
rtkkel.
5 "
i
2

cm-es kalszt kivlasztva a regresszis egyenes egyenletbl 25,935 db a
becslt szemek szma. Ezt a becslst
( )
91 " +
* " 1+
+5 " . 5 "
15
1
1 5 " + 16 " 2
2
7 6
t
,
_

+ + t
$ y
i
7
hibahatr terheli. A becslsnk
kt konfidenciahatra vletlenl kivlasztott 7,5 cm-es kalszra vonatkozan
2l,025 s 30,845 szem.
Szmtsuk ki az elbbi konfidenciahatrokat az sszes
i
2
rtkekre (l00.
tblzat). A konfidenciasv kifejezst ltalban az els esethez tartoz
kplettel hatrozzuk meg s nem az egyes egyedekre megadott kplet
alapjn.
Lthat, hogy a konfidenciasv az 2 krl lesz a legkisebb, azonban minl
jobban tvolodunk az 2 -tl, egyre nagyobb konfidencia intervallumokat
kapunk (6l. bra). A 6l. bra az 5%-os szignifikancia szinten mutatja a
konfidenciasvot.
- l64 -
100. tlzat. * k0n2idenciasv0k
7 5 $
-s szigni2ikanciaszinten
i
2 2 2
i

i
y6
i
y
7
6
Als Fels
Konfidenciahatr
7,l -l,35 23,84 t5,05 l8,80 28,89
7,3 -l,l5 24,95 t4,97 l9,98 29,92
7,4 -l,05 25,50 t4,94 20,56 30,44
7,6 -0,85 26,6l t4,88 2l,73 3l,49
7,7 -0,75 27,l6 t4,86 22,3l 32,02
8,l -0,35 29,38 t4,79 24,59 34,l7
8,2 -0,25 29,93 t4,78 25,l5 34,7l
8,2 -0,25 29,93 t4,78 25,l5 34,7l
8,3 -0,l5 30,48 t4,77 25,7l 35,26
8,5 0,05 3l,59 t4,77 26,82 36,36
9,3 0,85 36,02 t4,88 3l,l4 40,90
9,4 0,95 36,57 t4,9l 3l,66 4l,48
9,5 l,05 37,l3 t4,94 32,l9 42,06
9,7 l,25 38,23 t5,0l 33,23 43,24
l0,
5 2,05 42,66 t5,39 37,28 48,05
%1. ra. * lineris regresszi,s egyenlet r+a a k0n2idenciasvval
- l65 -
A $"($",,2+D, 1:"AA+>+"#, ,&%&+,2&+1%+ 9$D8<+
A regresszis koefficiens hibja s statisztikai prbi analgit mutatnak a
kzprtk hibjval s statisztikai prbival.
A re$ress)i-s *oefficiens %ibas)-r.sa
A regresszis koefficiens hibaszrst az
x
SQ
S!

1
kplet alapjn szmtjuk
ki, ami a pldnkban:
565 H 0
3 H 14
57 H 4
1

.
A re$ress)i-s *oefficiens *onfidencia%at.rai
A regresszis koefficiens hibahatrait
1
7
s
2
7
-vel jellve:
( )
1
S 1 p
t t
,
2 n d9
szabadsgfok
t
rtkkel. Pldnkban 5%-os szignifikancia szint
mellett a konfidenciahatrok:
( ) 565 " 0 16 " 2 5* " 5 t
, azaz 4,3l s 6,75.
A szmtott
( )
1
s a hipotetikus
( )
regresszis koefficiens kztti klnbsg
szignifikanciaprbja:
1
1

s
t

2 n d9
szabadsgi fok
t
rtk alapjn trtnik.
Ellenrizzk, hogy az 5,53-os regresszis koefficiens eltr-e a sok-ves
tapasztalat alapjn meghatrozott
5 " +
-s regresszis koefficienstl.
Behelyettestve:
699 " 1
565 " 0
5 " + 5* " 5
t
.
Ez a szmtott
t
rtk kisebb, mint
1* 2 15 d9
szabadsgi fokra a
7 5 $

szinten megadott tblzati
t
rtk
( ) 16 " 2
. Ez azt jelenti, hogy a mintnk
alapjn kapott regresszis koefficiens rtk nem tr el bizonythatan a sok-
ves adatok alapjn szmtott regresszis koefficiens rtktl.
- l66 -
A re$ress)i-s e$yenlet *onstans ta$E.na* pr-b.Ea
A regresszis egyenes konstans tagja
( )
0
az
0 2
helyen adja meg az
y

rtkt. Altalban azonban az
0 2
az analzisek tlnyom tbbsgben a
megfigyelsi tartomnyon kvl esik, ezrt annak rtkbl semmifle
kvetkeztetst nem tudunk megllaptani, vagyis hibja nem adhat meg.
A 1:$$"0<>+D, 1:"AA+>+"#, ,&%&+,2&+1%+ 9$D8<+
Vizsgljuk meg, hogy a korrelcis koefficiens rtke szignifiknsan eltr-e
nulltl? A korrelcis koefficiens statisztikai prbit ismertetjk a
kvetkezkben, ennek vizsglatra ugyanis tbb lehetsgnk van.
A varianciaanalzis tblzatbl kzvetlenl kiszmthatjuk a determincis
koefficienset, hiszen
.. " 0
** " +9
. " +*
2

>>?
>>#
r
. Ennek ngyzetgyke a
korrelcis koefficiens: 9*. " 0
2
r r . Ez alapjn azt mondhatjuk, hogy a
regresszi statisztikai prbja megegyezik a korrelcis koefficiens prbjval.
,* k0rrelci,s k0e22iciens kritikus rtkei" tblzatbl keressk ki megfelel
szabadsgfokhoz tartoz kritikus r rtket. A szabadsgfok
2 n df
, ahol az
n
az adat-prok szmt jelenti. A pldban a szabadsgfokok szma l3, az
ehhez tartoz kritikus r rtk
S 1 H 0 p
-s szignifikancia szinten:
7603 H 0
Dr5t
r
.
Mivel a szmtott r rtk
( ) 938 H 0 r
nagyobb, mint a kritikus rtk. Ez azt
jelenti, hogy
S 1 H 0 p
-os szignifikancia szinten bizonytottnak tekinthetjk, hogy
az r rtke szignifiknsan eltr nulltl, azaz az
x
s
y
vltozk egymssal
sszefggsben vannak.
Elfordulhat, hogy nem ll rendelkezsnkre tblzat, ebben az esetben a
( )
2
2
1
2
r
n r
t

kpletet alkalmazzuk, s
2 n df
szabadsgfok mellett vgznk
t
-prbt. A pldabeli adatokat hasznlva:
76 H 9
88 H 0 1
13 88 H 0
t
. Ez az rtk
nagyobb, mint
13 df
-hoz tartoz
S 1 H 0 p
esetn leolvasott tblzatbeli
t

rtk
( ) 22 H 4 t
, azaz az sszefggs ezen a szignifikancia szinten igazolt.
A tovbbiakban hatrozzuk meg a korrelcis koefficiens hibjt, a
konfidenciaintervallumot. Ennek a vizsglathoz els lpsknt ,* k0rrelci,s
k0e22iciens transz20rmlt "-rtkei" tblzatbl keressk ki a korrelcis
koefficiens rtkt (amit kiszmtottunk) s a bal oldali " oszlopban, valamint
a fels " sorban leolvassuk a megfelel " rtket. A pldabeli r rtk
alapjn
72 H 1 "
. Ezzel az r rtket " rtkk transzformltuk, s lthat,
hogy a " rtke felveszi az r rtk eljelt. Ezutn hatrozzuk meg a "
- l67 -
szrst ehhez a
3
1
"
kpletet hasznljuk:
288 H 0
"
. A kpletbl " kt
konfidenciahatra:
( )
" p
t " #
S 1 s
( )
" p
t " # +
S 2 alapjn hatrozhat meg (a
t
rtk mindig
df
-re megadott tblzati
t
rtk). Behelyettestve az
adatokat.
15 H 1 288 H 0 96 H 1 72 H 1
1
#
s
28 H 2 288 H 0 96 H 1 72 H 1
1
+ #
. Ez a kt
rtk l,72-es "-rtk konfidenciahatrai
S 5 p
-s szignifikanciaszinten. A
tblzatbl
1
#
-et s
2
#
-t "-rl r -re transzformlva kapjuk meg
S p
szinten a
korrelcis koefficiens kt konfidenciahatrt: 0,8l78 s 0,9793, ezek a
szmtott r rtk konfidencia hatrai lesznek.
Ha a korrelcis koefficiens pozitv s szignifikns, akkor a kt
konfidenciahatr is pozitv; ha a korrelcis koefficiens negatv s szignifikns,
akkor a kt konfidenciahatr is negatv. Ha a korrelcis koefficiens nem
szignifikns, akkor a kt konfidenciahatr ellenkez eljel s a 0-t is
kzrefogja.
- l68 -
A line.ris re$ress)i- el04$)4se a) S+SS7ben
Korbban a pontdiagram alapjn azt mr lttuk, hogy a tapasztalati rtkekre
leginkbb egyenes illeszthet, gy lineris regresszit kell vgeznnk.
Ha a szmtsokat az SPSS programban vgezzk, akkor a
regressziszmts elvgzshez kattintsunk az ANALYZE menpont REGRESSlON
almenjben a LlNEAR. parancsra (62. bra).
%2. ra. * lineris regresszi,anal.zis parancss0ra
A bal oldali ablakbl (63. bra) az lNDEPENDENT(S) ablakba a fggetlen vltozt
(,* kalsz h0ssza"), mg a DEPENDENT ablakba a fgg vltozt (,1alsz0nknti
szemszm") tesszk t a nyilacska segtsgvel. A tbbi belltssal egyelre
ne foglalkozzunk, majd kattintsunk az OK gombra. A belltsok elvgzse
utn futtassuk le a programot s elemezzk az OUTPUT ablakban megjelent
tblzatokat.
- l69 -
%". ra. * lineris regresszi, ell.tsai
Tbb tblzat jelenik meg a program eredmnyekppen, az els (l0l.
tblzat) tblzat szmunkra ebben a feladatban nem informatv, gy ennek
elemzsvel most nem foglalkozunk (ksbb a tbb-vltozs lineris
regresszinl trnk erre vissza). A lineris regresszi eredmnyeknt
megjelent kvetkez tblzat (l02. tblzat) msodik oszlopban
( ) R
a
korrelcis egytthat rtkt ltjuk.
101. tlzat. *z 7sszes.t tlzat
Mo%el S-mmary
H938
"
H881 H871 2H137
+o&e.
1
T T S$u"re
<&/uste&
T S$u"re
St&. Error
o; t!e
Est50"te
:re&5ctorsU (Const"nt)H < D".3s4 !oss4" (c0) ".
A harmadik oszlop (R SQUARE) a korrelcis egytthat ngyzett tartalmazza.
A determincis egytthat ( )
2
# megadja, hogy a tnyezvltoz az
eredmnyvltoz variancijt hny szzalkban magyarzza. (Ha 1
2
# ,
akkor a pont-prok tkletesen illeszkednek a regresszis egyenesre, ha
0
2
# , akkor a vltozk kztt nincs lineris kapcsolat.) Pldnkban
..1 " 0 R
2
, vagyis a modell 88,l%-ban tudja magyarzni az

y
rtkek eltrs
- l70 -
ngyzetsszegt, ez az rtk azonban torztott becsls. A valsgos, az
alapsokasgbeli megmagyarzott hnyad torztatlan becslst az ADJUSTED R
SQURE oszlopban olvassuk le
,
_

2
1
2
2 2
n
#
# #
A . Ez az n. mdostott
megbzhatsgi egytthat ( )
2
A
# megksrli kikszblni a mintavtelezskor
elkvetett esetleges hibt a kt vltoz elmleti lineris regresszija
erssgnek megtlsekor. A STD. ERROR OF THE ESTlMATE oszlopban tallhat
rtk is bizonyos rtelemben szintn a regresszis egyenes illeszkedst jelzi,
hiszen ez az rtk a rezidulisok szrst jelenti. Minl nagyobb ez az rtk,
annl inkbb szmthatunk olyan kalszonknti szemszm adatokra, amelyek
messze esnek a regresszis egyenes ltal becslt rtktl.
Azt, hogy sikerlt-e a regresszis egyenes segtsgvel akkora rszt
,megragadni" a fgg vltoz variancijbl, hogy a fggetlen vltoz hatst
szignifiknsnak tekinthessk, varianciaanalzissel teszteljk. Az erre
vonatkoz sszefoglal tblzat a kvetkez ,elemzsre vr" tblzat (l03.
tblzat). A tblzat szerkezett, felptst a kzi szmtsoknl rszletesen
bemutattuk (de a varianciaanalzis fejezetnek ksznheten mr egybknt is
ismers lehet). Ha sszevetjk az ott kapott tblzattal (99. tblzat) azt ltjuk,
hogy egy oszloppal (SlG.) tbb van az SPSS ltal ksztett tblzatban.
Gyakorlatilag ez az oszlop az, ami szmunkra az elemzs sorn az eredmny
leolvasshoz szksges. A regresszis modell helyessgre vonatkoz
prba nullhipotzis azt mondja, hogy az
y
rtkek vletlenszeren
szrdnak, vagyis nem a modellel magyarzhat a vltozsuk. Mivel a
szignifikancia rtk kisebb 0,05-nl, gy elvetjk a nullhipotzist, teht a
lineris modellnk helyes.
102. tlzat. * regresszi,s m0dell helyessgt tesztel
varianciaanal.zis tlzat
#5O6#
*
437H990 1 437H990 95H947 .000
a
59H344 13 4H565
497H333 14
Te8ress5on
Tes5&u".
-ot".
+o&e.
1
Su0 o;
S$u"res
&; +e"n S$u"re # S58.
:re&5ctorsU (Const"nt)H < D".3s4 !oss4" (c0) ".
(eBen&ent V"r5"@.eU P".3s4onD2nt5 s4e0s430 (&@) @.
A regresszis egytthatkat s ezek statisztikai prbit tartalmazza a l03.
tblzat.
- l7l -
10". tlzat. *z regresszi,s egy?tthat,k s statisztikai pr,i
,oe77)2)ents
a
-1".!"! 4H808 -3H214 .004
"."" H565 H938 9H795 .000
8,onstant9
# kal(sz hossza 82m9
+o&e.
1
E
St&.
Error
>nst"n&"r&54e&
Coe;;5c5ents
Eet"
St"n&"r&54e&
Coe;;5c5ents
t S58.
(eBen&ent V"r5"@.eU P".3s4onD2nt5 s4e0s430 (&@) ".
A paramterek becslsre kapott rtkeket a tblzat B oszlopban olvassuk
le. A konstans rtke:
454 H 15
0

s
535 H 5
1

, gy a becslt regresszis
egyenes:
2 y + 5*5 " 5 +5+ " 15 6
.
A tblzat STD. ERROR felirat oszlopban az egytthatk becslsi hibjt
lthatjuk. A BETA oszlop a standardizlt egytthatkat adja meg, jelentst
akkor fogjuk megrteni, amikor kett vagy tbb fggetlen vltozt ptnk be a
regresszis modellbe. A
t
oszlop a szmtott
t
rtkeket tartalmazza. A
program mindkt egytthatra
t
-prbt vgez korbban rszletesen
bemutattuk a
1
egytthatra vgzett prbt , amely nullhipotzise szerint az

egytthatk rtkei 0-val egyenlk (azaz nincs szerepk a modellben, rossz a
modell). Az utols oszlopban a paramterek tesztelsnek az eredmnye
jelenik meg. Ha az itt szerepl rtk 0,05 alatt van, akkor 95%-os
megbzhatsgi szinten mondhatjuk, hogy a kapott paramterrtkek becslse
megbzhat, a modellben val szereplsk igazolt.
Nzzk meg, hogy milyen tovbbi statisztikkat krhetnk mg a lineris
regresszi elvgzsekor. Ha visszatrnk a lineris regresszi paneljhoz a
panel als rszben ngy parancsgombot ltunk, kattintsunk ezek kzl
elszr a STATlSTlCS. gombra (64. bra).
- l72 -
%#. ra. * K5F6*@ @6P@6::5AF men?
:)*)5:)5M:... parancsnak ell.tsai
A megjelen panelban tbb
belltst vgezhetnk el. A
regresszis koefficiensek
ablakrszben (REGRESSlON
COEFFlClENTs) az ESTlMATES
parancs megjellsvel a
regresszis egytthatk
becslt rtkt kapjuk ez
az alapbellts.
A CONFlDENCE lNTERVALS megjellsvel az egytthatkra vonatkozan a
konfidencia intervallumokat krhetjk, mg a kovariancia mtrix kiratsra is
lehetsgnk van (COVARlANCE MATRlX). A MODEL FlT a modell helyessgre
vonatkoz jellemzket szmtja ki (
2
R R"
, ANOVA) alapbellts ez is. Az R
SQUARED CHANGE bejellse esetn tbbvltozs regresszi esetn kapjuk meg
az
2
R
rtkt. A RESlDUALS panel-rszben a hibatagok statisztikit kapjuk meg.
A PLOTS. gombra kattintva az X s Y megadsval klnbz rajzokat
kszthetnk.: pl. DEPENDNT fgg vltozk, PRED vgek a becslt rtkek,
RESlD a hibatagok. A HlSTOGRAM a hibatagok eloszlst vizsglja, mg a
NORMAL PROBALlTY PLOT a hibatagok normlis eloszlst mutatja meg (65. bra).
%$. ra. * Kinear @egressi0n men? Ol0ts alp0nt+a
A SAVE gombra kattintva megjelen ablakban (66. bra) az eltrsek
(RESlDUALS) s a modellnek az esetekre val rzkenysgnek szles kr
- l73 -
elemzsre van lehetsgnk. Az albbi vltozkat menthetjk el a
regresszis vizsglat eredmnyeknt.
A PREDlCTED VALUES rszben a becslt rtkeket adja meg a program.
UNSTANDARDlZED: a regresszis sszefggsnek az egyes esetekhez kiszmtott
rtke, amivel a clvltozt kzeltjk.
STANDARDlZED: az elz rtkek standardizlt vltozata (
X
ZPRED).
ADJUSTED: mdostott elrejelz rtk, amit gy kapunk, hogy az
i
-edik eset
becslsnl a regresszit azon 1 n esetre szmoljuk, ahol az
i
-edik eset
nem szerepel (
X
ADJPRED).
S.E. OF MEAN PREDlCTlONS: minden esethez szmolt vrhat becslsi pontossg.
%%. ra. * Kinear @egressi0n men? :ave alp0nt+a
A RESlDUALS a hibatagokat menti el:
UNSTANDARDlZED: a tnyleges s az elre jelzett rtkek klnbsge;
STANDARDlZED: az elz hibatag standardizltja (
X
ZRESlD).
STUDENTlZED: az esetektl fggen slyozza az rtkeket, az tlagostl jobban
eltr fggetlen eseteknl kisebb sllyal, az tlagoshoz kzeli helyeken
nagyobb sllyal veszi figyelembe a hibatagokat. (
X
SRESlD)
- l74 -
DELETED: abban az esetben tartalmazza az eltrst, amikor a regresszis sk
ppen a vizsglt pont kihagysval kszlt (
X
DRESlD).
STUDENTlZED DELETED: az elz eltrseket slyozza t attl fggen, hogy a
bemen adatok milyen messze esnek az tlagos esettl (
X
SDRESlD).
Az SPSS alaprtelmezsben nyilvntartja a szlssges eseteket, amelyekrl
listt krhetnk. Ezt a DlSTANCES panelrszben a tehetjk meg.
MAHALANOBlS (tvolsg):
2
,
_
2
i
i
Q
2 2
/ . Ez megadja minden input-eset vektornak
az tlagvektortl vett tvolsgt, ami igen rzkeny az tlagostl jelentsen
eltr szlssges esetek detektlsra.
COOK'S (tvolsg):
( )
( )
2
1
2
2
6 6
Q
y y
C
n
I
I
i
I
i
. Ez a tvolsg az elre jelzett rtkekben

fellp azon ngyzetes eltrseket mri esetenknt, ami akkor keletkezne,
amikor az adott esetet kihagynnk a regresszibl. (Azok az esetek a
legtipikusabbak, amelyeknl ez a tvolsg nagy.)
LEVERAGE VALUES: az esetek fontossgt mri a regresszis sszefggsben.
%&. ra. * Kinear @egressi0n men? Apti0ns alp0nt+a
A PREDlCTlON lNTERVALS rszben a konfidencia intervallumok hatrai jelenthetk
meg tetszlegesen bellthat szignifikancia szinten a rszletek
ismertetsre az elmleti rszben mr sor kerlt.
- l75 -
Az OPTlONS belltsainl (67. bra) a STEPPlNG METHOD CRlTERlA a STEPWElSE
mdszer feltteleinek belltsra alkalmas (ennek tbb-vltozs regresszinl
van rtelme), az lNCLUDE CONSTANT lN EQUATlON a konstans tag megadsra ad
lehetsget (hogy legyen-e a modellben konstans tag), mg a MlSSlNG VALUES a
hinyz tagok kezelsre szolgl.
Ha a kapott pontokra (szmtott rtkekre) egyenest is illeszteni szeretnnk,
ezt ebben a menpontban nem tudjuk megtenni. Kattintsunk az ANALYZE /
REGRESSlON / CURVE ESTlMATlON. parancsra (68. bra), ahol a fent bemutatott
szmtsok mellett brt is kszthetnk.
%'. ra. *nalyze9@egressi0n9 Murve 6stimati0nV men?p0nt
A bal oldali ablakbl vlasszuk ki a fggetlen vltozt (,* kalsz h0ssza"), amit
helyezznk a nyilacska segtsgvel a VARlABLE mezbe, majd a fgg vltozt
(,1alsz0nknti szemszm") a DEPENDENT(S) mezbe tesszk. Az SPSS
alapbelltsaknt a MODELS rszben hagyjuk meg a LlNEAR megjellst, majd
futtassuk le a programot. A program futtatsnak eredmnyeknt tbbek
kztt azokat a tblzatokat is megkapjuk, amelyek a feladat kapcsn mr
elemzsre kerltek, szmunkra azonban most az egyenes illesztse (69. bra)
a lnyeges, amit az elz menpontban a program nem vgzett el.
- l76 -
%(. ra. @egresszi,s egyenes illesztsnek eredmnye
TKBBSZKRKS LINE3RIS RE!RESSZISZ3M4T3S
Egy jelensg vizsglata sorn ltalban az adott jelensget tbb tnyez
befolysolja, vagyis tbbnyire nem elegend a kt-vltozs modell elemzse.
Szksg van tovbbi olyan magyarz vltozk vizsglatra, amik a jelensg
egzaktabb lerst teszik lehetv. Azokat a kapcsolatokat, amelyeknl az
egyik tnyezre tbb msik tnyez is hatssal van tbbszrs
kapcsolatoknak nevezzk, a kapcsolatok mennyisgi jellemzinek, illetve
szorossgnak vizsglatt pedig t7sz7r7s k0rrelci,- s
regresszi,szm.tsnak hvjuk.
A kt-vltozs regresszis modell problmit trgyalva bemutattuk a
regresszis modell alapjait, most ezt kiterjesztjk arra az esetre, amikor tbb
tnyez befolysolja egy jelensg alakulst, s mindezt oly mdon tesszk
meg, hogy felhasznljuk mindazokat a mdszereket s elveket, amiket kt-
vltozs esetben megismertnk. A kt-vltozs esethez hasonlan itt is
megklnbztetnk lineris s nemlineris tpus sszefggseket.
A fejezet kvetkez rszben a tbbszrs modellek elemzsnek
lehetsgeit ismertetjk, m csak az egyszerbb lineris modellt trgyaljuk.
Ugyanakkor megjegyezzk, hogy a kutatsok sorn gyakran nemlineris
regresszit kell alkalmazni.
- l77 -
A standard line.ris re$ress)i-s !odell
Ha
n
elem mintt vesznk, akkor a tbbszrs lineris sszefggsek
ltalnos matematikai egyenlete:
i im m i i i
2 2 2 y + + + + + ...
2 2 1 1 0
,
(
n i "..." 2 " 1
, N n m < < +1 ),
ahol
m
"..." "
2 1
a fgg vltozra hat tnyezket jelenti;
0
a fggvny
konstans tagja, az
i
pedig a regresszis egyenes hibatagja.

Tekintsk a regresszis modell mtrixalgebrai jellst:
,
_
n
y
y
y
.
.
2
1
0
,
,
_
nm n n
m
m
2 2 2
2 2 2
2 2 2
... 1
.
.
... 1
... 1
2 1
2 22 21
1 12 11
1
,
,
_
.
.
2
1
2
,
,
_
.
.
2
1
3
,
ahol
m
a magyarz vltozk szma s 1 els oszlopa mindig egy
sszegzvektor.
A kvetkezkben az albbi felttelezsekkel fogunk lni:
A modellben szerepl
im
2
tnyezk a fggetlen vltozk, amelyek a
feltevsnk szerint linerisan befolysoljk az
0
fgg vltoz alakulst
(azaz
3 2 1 0 +
,
4 2 1 0 +
6
illetve
2 1 0
6
6
).
Az 1 mtrix olyan mennyisgi vltozkat tartalmaz, amelyek nem
valsznsgi vltozk, rtkk nem fgg a vletlentl.
Az 1 hatsa az
0
-ra nem determinisztikus, hanem sztochasztikus, amit
kifejez az sszefggsben szerepl
3
, amely a fggetlen vltozkon tl hat az
0
-ra, vagyis az
0
vltoz rtke fgg a vletlentl, azaz valsznsgi
vltoz.
A hibatagok nulla vrhat rtk, konstans variancij, korrellatlan
valsznsgi vltozk, amelyek normlis eloszlsak.
Az ismertetett feltteleknek eleget tev modelleket standard lineris
regresszi,s m0dellnek hvjuk. A felttelek azonban tbbnyire nem teljeslnek,
az okok kzl a 3 legfontosabbat emeljk ki:
Nultik0llinearits: a magyarz vltozk nem linerisan fggetlenek;
- l78 -
*ut0k0rrelci,! a hibatagok linerisan nem fggetlenek;
=eter0szkedaszticits! a hibatagok szrsngyzete nem lland.
A knyv keretein bell nem foglalkozunk azzal, hogy mi lenne annak a
kvetkezmnye, ha a standard lineris regresszis modell ellentmond
valamelyik felttel teljeslsnek. Megmaradunk az alapfok trgyals mellett,
s abbl indulunk ki, hogy a felttelek ellenrzsei megerstik a felttelek
teljeslst.
M70&+1:00+#"%$+&<,
A standard lineris regresszis modell felttelezi, hogy a magyarz vltozk
egymstl linerisan fggetlenek. Ha azonban valamelyik magyarz vltoz
kifejezhet a tbbi tnyez lineris kombincijaknt (azaz fggvnyszer
kapcsolatban ll a tbbi magyarz vltozval) akkor multikollinearitsrl
beszlnk.
A multikollinearits kikszblse viszonylag egyszeren megoldhat (lenne),
hiszen a lineris fggsg megszntethet azzal, hogy a vizsglatba bevont
vltozk kzl kizrjuk a lineris fggsgben lvt. Annak eldntse
azonban, hogy melyik a lineris fggsgben lv vltoz, nem knny. Mivel
a magyarz vltozk kztti sszefggsek sztochasztikus jellegek, a
jelensg felismerse s a tnyezk hatsainak sztvlasztsa kln
szmtsokat, elemzsi mdszereket ignyel.
Ha a magyarz vltozk linerisan nem fggetlenek, akkor az albbi
kvetkezmnyekkel kell szmolni:
A becsls s az elrejelzs torztott marad;
A regresszis egytthatk standard hibi nnek;
A becslseink bizonytalann vlnak;
Az egyes magyarz vltozk hatsainak elklntse nem lehetsges.
A magyarz vltozk lineris fggetlensgnek tesztelst a tbbszrs
lineris regresszi elvgzse eltt meg kell vizsglni. A multikollinearits
meghatrozsra a multikollinearits mrszmai szolglnak.
A !ulti*ollinearit.s !4r4se
Alapelvknt abbl indulunk ki, hogy a magyarz vltozk determincis
egytthatinak sszege, ha megegyezik a tbbszrs determincis
egytthat rtkvel, akkor nem ll fenn a magyarz vltozk kztt a
multikollinearits, ellenkez esetben igen, mgpedig a klnbsg nagysgval
arnyosan.
- l79 -
Ha egy j magyarz vltozt vonunk be az elemzsbe, akkor a tbbszrs
determincis egytthat rtke vagy nvekszik, vagy nem vltozik. Ezrt a
multikollinearitst kiszmthatjuk, ha minden magyarz vltozra
meghatrozzuk, hogy a modellbe utols vltozknt bevonva mennyivel nveli
a determincis egytthat rtkt. Ha a hatsoknak az sszege egyenl a
tbbszrs determincis egytthatval, akkor azt mondjuk, hogy a
magyarz vltozk linerisan fggetlenek az alapelvvel egybehangzan.
Ellenkez esetben az eredmnyvltoz ngyzetnek van olyan rsze, ami
egyttesen magyarz tbb vltozt. A multikollinearits nagysgt pedig ezzel
az egyttesen magyarzott rsszel mrhetjk:
( )
+

m
i
2 2 2 2 2 y 2 2 2 y 2 2 2 y
m I I m m
r r r <
1
2
"..." " "..." " .
2
"..." " .
2
"..." " .
1 1 2 1 2 1 2 1
.
Az < rtke alapjn azt mondhatjuk, hogy minl kisebb az eltrs kzte s a
tbbszrs determincis egytthat kztt, annl jelentsebb a
multikollinearits, nullhoz kzeli rtke a multikollinearits hinyt mutatja.
A7&:1:$$"0<>+D
Autokorrelcirl akkor beszlnk, ha a hibatagok linerisan nem fggetlenek.
Az autokorrelci klnbz rend lehet, attl fggen, hogy a hibatag
i
-edik
rtke melyik rtkkel van kapcsolatban. Ha a hibatag
i
-edik rtke
kzvetlenl az eltte lv rtkkel ll korrelcis kapcsolatban, akkor
elsrend> aut0k0rrelci,rl beszlnk. Az elsrend autokorrelci modellje:
i i i
$ +
1
,
ahol
az autokorrelcis egytthat.
A) els8rendF auto*orrel.ci- tes)tel4se
Az elsrend lineris autokorrelci tesztelsre a Durin-Eats0n-2le pr,-t
alkalmazzuk, a prba a regresszis reziduumokra pt s prbafggvnyt
azokbl lltja el:
- l80 -
( )
n
i
i
n
i
i i
e
e e
d
1
2
2
2
1
,
ahol i
e
a legkisebb ngyzetek mdszervel kapott reziduumokat jelenti (ezt a
hibatagok becslsnek tekintjk). A d statisztika rtkei 0 s 4 kz esnek.
A
R
lineris autokorrelcis egytthat rtkt a

n
i
i
n
i
i
n
i
i i
e e
e e
R
2
2
1
2
2
2
1
6
kplet alapjn becsljk.
Mivel

n
i
i
n
i
i
n
i
i
e e e
2
2
1
2
2
1
2
, gy a Durbin-Watson-fle prbafggvny
( ) 6 1 2 d
alakra hozhat.
A prba nullhipotzise az elsrend autokorrelci hinyt fogalmazza meg,
azaz e szerint
0
. Ha a prbafggvny rtke 2-nl nagyobb, akkor az
alternatv hipotzisnk a negatv autokorrelci
( ) 0 :
1
< F
, amennyiben 2-nl
kisebb, akkor a pozitv autokorrelci
( ) 0 :
1
> F
.
Az elsrend lineris autokorrelci tesztelsekor a l04. tblzat relcii
alapjn dntnk. A kritikus rtkek
( )
D L
d d <=
meghatrozsa a megfigyelsek
szmnak s a magyarz vltozk szmnak fggvnyben a ,Durin-
Eats0n-2le pr,a kritikus rtkei" tblzatbl kereshetk ki.
10#. tlzat. * Durin-Eats0n-2le pr,a d7ntsi tl+a
Alternatv
hipotzis
0 :
0
R F
Elfogadjuk Elvetjk Nincs dnts
0 >
D
d d >
L
d d <
D L
d d d
0 <
D
d d <+
L
d d > +
D L
d d d + +
A dntsszably szemlltetsre tekintsk a 70. brat.
- l8l -
&0. ra. * Durin-Eats0n teszt d7ntsi szalya
Amennyiben a teszt alapjn nem tudunk dntst hozni, vagyis a
prbafggvny rtke a semleges znk valamelyikbe esik, akkor tbb
lehetsggel is lhetnk:
A modell paramtereinek a becslst jra el kell vgezni, de nagyobb
minta alapjn.
Meg kell vltoztatni a szignifikancia-szintet gy, hogy dntsi helyzetbe
kerljnk.
Ms prbafggvnyt kell alkalmazni.
O"&"$:,21"/%,2&+>+&<,
&1. ra. * heter0szkedaszticits interpretci,+a
- l82 -
A keresztmetszeti vizsglatoknl gyakori problma, hogy a hibatagok
variancii nem llandak (7l. bra), pedig standard lineris regresszis modell
esetben ez kvetelmny.
Azt, hogy a variancik hibatagjainak az llandsga nem ll fenn okozhatja az,
hogy a hibatag nagysga fgg valamelyik vltoztl.
A heteroszkedaszticits tesztelsnl ellenrizni kell, hogy milyen szoros a
kapcsolat az egyes vltozk s a hibatagok abszolt rtkei kztt. A
hasznland prbafggvny:
2
1
2
r
n r
t
.
Ki kell szmtani kln az egyes magyarz vltozknak, illetve a becslt
eredmnyvltozknak a reziduumok abszolt rtkeivel val szorossgt
jellemz lineris korrelcis egytthatt, amelyek kzl a legnagyobb abszolt
rtk kerl tesztelsre. Ha a nullhipotzist elvetjk, akkor a modell
heteroszkedasztikusnak tekinthet.
A t3bbs)3r3s line.ris re$ress)i-s).!,t.s l4p4sei
A tbbszrs regresszielemzs folyamata hasonlt a kt-vltozs
regresszielemzs folyamathoz.
A $"($",,2+D, *:/"00 +00",21"/-,-#"1 ?+2,(<0%&%
A regresszis modell illeszkedsnek vizsglathoz definiljuk az albbi
eltrs-ngyzetsszegeket:
( ) >>? y y
n
i
i

:
2
1
, ( ) >># y y
n
i
i

: 6
2
1
s a ( )

n
i
i
n
i
i i
e y y >>1
1
2
2
1
6
.
- l83 -
Ha a modell tartalmaz konstans tagot (vagyis
0
0

), akkor:
>>1 >># >>? +
. A
lineris determincis egytthat, ami megadhat az
( )

n
i
i
n
i
i
y y
e
r
1
2
1
2
2
1

kplettel (is), felrhat a kvetkez alakban:
>>?
>>#
>>?
>>1
r 1
2
.
Egy modell illeszkedsnek mrtkt az hatrozza meg, hogy a teljes eltrs-
ngyzetsszegnek mekkora rszt teszi ki a regresszi ltal magyarzott s
a hibataggal kapcsolatos ngyzetsszeg.
A modell illeszkedsnek jsgt a varianciaanalzis segtsgvel teszteljk
(globlis + -prba). Ez egy olyan hipotzisvizsglat, amelynl a nullhipotzis:
0 ...
2 1

m

, azaz a I
meredeksgek mind egyenlk zrussal (csak a

konstans tag rtke klnbzik szignifiknsan nulltl). Az alternatv hipotzis
szerint:
0
I
, valamelyik
I
-re,
m I "..." 2 " 1
. A nullhipotzis elfogadsa azt
jelenti, hogy az adott vltozkkal felrt regresszis modell nem alkalmas az
y

becslsre.
Az + prba:
<>1
<>#
m n
>>1
m
>>#
+

1
.
A varianciaanalzis tblzatbl olvashat le a modell illeszkedsnek
helyessge, ebben a tblzatban a tapasztalati + -rtkek vannak sszevetve
a megfelel elmleti rtkekkel. A varianciaanalzis egyoldal prba, ami azt
jelenti, hogyha a tapasztalati + rtk kisebb az elmleti rtknl, akkor a
nullhipotzist elfogadjuk (az adott szignifikancia szint mellett), vagyis ebben az
esetben a vizsglt modell nem alkalmas a megfigyelt jelensg elemzsre. A
nullhipotzis elvetse azonban nem jelenti automatikusan a modell
illeszkedsnek jsgt.
Az ANOVA tblzat felptst a 10$. tlzatan mutatjuk be. A regresszis
modellben a teljes eltrs-ngyzetsszeg kt rszre bonthat: (l) regresszis
hatsra s (2) hibahatsra. Azzal, hogy az egytthatk legkisebb ngyzetes
becslse sorn az SSE-t minimalizljuk, az SSR-t maximalizljuk. Az
tlagrtkeik arnya az + -hnyados ,nagy" lesz, ha van lineris
sszefggs a fgg s fggetlen vltozk kztt.
- l84 -
10$. tlzat. *z *FAH* tlzat
A
szrds
oka
Az eltrsek
ngyzetssz
ege
Szabads
gi fok
Szrsngyz
etek becslse
F
Regressz
i
>># m <>#
<>1
<>#
Hiba
>>1 1 m n <>1
sszese
n
>>? 1 n
A para!4tere* tes)tel4se
Fentebb az egsz modell illeszkedst vizsgltuk, most egyetlen magyarz
vltoz fontossgt, magyarz erejt teszteljk. Gyakorlatilag ez azt jelenti,
hogy minden becslt paramterrtkre vgznk egy hipotzisvizsglatot,
amelynek a nullhipotzise szerint:
m I F
I
"..." 2 " 1 " 0 :
0

; mg a ktoldali
alternatv hipotzis:
0 :
1

I
F
,
m I "..." 2 " 1
.
A tesztelsre az albbi prbafggvnyt hasznljuk:
( )
I
I
Car
+
6
6
2
,
ahol
( )
I
Car
6
a ( ) ( ) ( )
1
2
1
1
6

1 1 1 1
4 4
2
?
e
?
?
s
m n
Car variancia-kovariancia
mtrix ftljban lv
I
-edik elem. (Az
2
e
s az n. rezidulis szrsngyzet,
ami torztatlan becslse a
2
-nek.) Ez a statisztika
1
1
9
,
1
2
m n 9

szabadsgi fok + -eloszlst kvet.
Ha
t
-prbt vgznk, akkor a prbafggvny alakja:
I
s
t
I
6
6
,
ahol
I
s
6
a fentebb definilt variancia ngyzetgyke. Ha az empirikus
t
-rtk
abszolt rtke kisebb, mint az elmleti
t
-rtk, akkor a nullhipotzist
elfogadjuk, ami azt jelenti, hogy a vizsglt magyarz vltoz nem befolysolja
az eredmnyvltozt. Ebben az esetben nem rdemes szerepeltetni a
modellben a magyarz vltozt.
- l85 -
A becslt paramterek jelentse
Miutn elvgeztk a modell, a paramterek vizsglatt s az megfelel volt
, rtelmezni kell a kapott
m

6
"..."
6
"
6
2 1
becslt regresszis paramtereket. A
( ) m I
I
"..." 2 " 1
6

azt mutatja meg, hogy az I
2
magyarz vltoz egysgnyi
nvekedse az eredmnyvltoz mekkora vltozsval (tlagos) jr egytt, ha
a tbbi magyarz vltoz rtke nem vltozik.
A $"2+/77*:1 ?+2,(<0%&%
A reziduumok pontdiagramjainl a reziduumokat az
i
y6
becslt rtkekkel,
vagy magyarz vltozkkal (vagy az idvel) egytt szoktuk brzolni, ezek a
pontdiagramok jelzik a felttelek teljeslst s a regresszis modell
illeszkedst.
A reziduumokra vonatkoz felttelek kzl elszr a normalitst vizsgljuk. A
hibatnyez normlis eloszlsnak ellenrzsre tbb mdszert ismernk. A
grafikus teszteket elssorban vizulis eszkznek tekintjk az egyes
hipotzisek vizsglatra, a tbb ltez grafikus teszt kzl megemltjk a
hisztogramot, s az illeszkedsre szolgl n. P-P diagramot, amelyek a
leggyakrabban alkalmazott grafikus eszkzk. Tovbbi bizonytkokat
kaphatunk az eloszls jellegrl, ha megvizsgljuk, hogy a reziduumok hny
szzalka esik a
>1 1 t
, vagy
>1 2 t
intervallumba. A szzalkok
sszehasonlthatk azzal, ami a normlis eloszls mellett vrhat (68% ill.
95%). Az egymints Kolmogorov-Smirnov prbval azonban pontosabb
rtkelst kaphatunk.
A hibatnyez konstans variancijra vonatkoz feltevs tesztelhet, ha a
reziduumokat a fgg vltoz becslt
i
y6
rtkeivel egytt brzoljuk. Ha
ugyanis a ponthalmazban szerepl pontok elrendezdse nem vletlenszer,
akkor a hibatnyez variancija nem konstans.
24t fC$$etlen 0.lto)-s line.ris re$ress)i-ele!)4s
A $"($",,2+D 9%$%*-&"$"+#"1 *"(B%&<$:2<,% 1-2+ ,2<*M&<,,%0
A kvetkez pldban azt fogjuk megvizsglni, hogy egy mennyisgi vltoz
hogyan fgg msik kt mennyisgi vltoztl. A problma matematikai
egyenlete:
2 2 1 1 0
6 6 6
6 2 2 y + +
,
- l86 -
ahol
y6
a fgg vltoz becslt rtke,
2 1
" 2 2
a fggetlen vltozk, 2 1 0
6
"
6
"
6

az egyenlet becslt paramterei.
10%. tlzat. 1t 2?ggetlen vlt0z,s t7sz7r7s regresszi,anal.zis
adatmtrixa
( )
1 5 2
O P 2 ( )
2 7
H 2 ) ( A$ y
5,4 2,9 23,0
4,0 2,9 26,9
7,0 l,9 l9,0
7,8 4,4 l9,4
8,0 2,5 2l,0
l0,3 3,l 3l,0
l6,l 3,6 3l,8
l3,l 2,5 28,0
5,0 2,5 l5,0
9,6 2,3 28,0
5,0 2,5 l4,0
l2,4 3,6 3l,0
l0,2 2,l 28,0
20,7 2,5 35,2
l5,0 2,5 28,0
l0,0 2,5 22,0
2,6 2,5 20,8
6,3 2,9 l4,3
Forr.s: :HWB QWFA: 31('14, ""2.0.
Az albbi pldban azt szeretnnk meghatrozni, hogy egy gazdasg
napraforg tbli esetben (l06. tblzat) a tblk aranykorona rtke
( ) A$

hogyan fgg a talaj foszfor tartalmtl
( )
5 2
O P
, humuszszzalktl
( )
7
H
. A
plda l976-os adatokat tartalmaz.
Mieltt elvgezzk a modell paramtereinek a becslst, nzzk meg, hogy
teljesl-e a standard lineris regresszis modell felttelrendszere.
Elsknt a magyarz vltozk lineris fggetlensgt teszteljk. Szmtsuk ki
a korrelcis mtrixot (ezt az SPSS-el vgezzk el), amit a l07. tblzat
tartalmaz.
10&. tlzat. *z :O:: ltal ksz.tett k0rrelci,s mtrix
- l87 -
,orrelat)ons
1 H091 H764NN
H718 H000
18 18 18
H091 1 H122
H718 H629
18 18 18
H764NN H122 1
H000 H629
18 18 18
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
;os4;orVA1
!u0us4VA2
"r"n%Doron"erteDV%
;os4;orVA1 !u0us4VA2
"r"n%Doron"
erteDV%
A fenti tblzatbl felrva a korrelcis mtrixot:
,
_
1 122 " 0 6+ " 0

122 " 0 1 091 " 0
6+ " 0 091 " 0 1
R
.
A szimmetria miatt a mtrixnak csak az als hromszgt tekintjk. Az egyes
rtelmezsek a kt vltozs korrelcinl tanultak alapjn egyszer: pldul a
0,764 azt mutatja, hogy a talaj foszfor tartalma pozitv s kzepesnl ersebb
kapcsolatban van a talaj aranykorona rtkvel.
Mivel a mtrixban a kt fggetlen vltoz kztti korrelcis rtk (0,09l)
nullhoz kzeli, felttelezhet, hogy a magyarz vltozk egymstl
fggetlenek. Ellenrizzk a multikollinearitst, amihez helyettestsnk be a
1
1
]
1
+
m
i
2 2 2 2 2 y 2 2 2 y 2 2 2 y
m I I m m
r r r <
1
2
"..." " "..." " .
2
"..." " .
2
"..." " .
1 1 2 1 2 1 2 1
kpletbe. A megfelel pronknti korrelcis egytthatk:
122 " 0 ; 6+ " 0
2 1

y2 y2
r r
. Mivel hrom dimenzis a modell, ezrt meg kell adni a
tbbszrs determincis egytthatt, amit az 1
2
"...." " .
1
1
2 1

yy
2 2 2 y
m
r
R
kplet
szerint fogunk kiszmolni az
1
R
(inverz) mtrix segtsgvel. (Az inverz
mtrix olyam mtrix, amelyre teljesl a kvetkez sszefggs:
E R R R R
1 1
).
- l88 -
A korrelcis mtrix inverze:
,
_
+1. " 2 12. " 0 .*6 " 1

12. " 0 015 " 1 005 " 0
.*6 " 1 005 " 0 +02 " 2
1
R
.
Az inverz meghatrozst az SPSS mtrix utastsaival vgeztk a MATRlX
END MATRlX eljrs segtsgvel. A program Syntax Editor ablakt nyissuk meg,
s rjuk be az eredeti korrelcis mtrixot (72. bra). A mtrix sorelemeit
vesszvel, az oszlopait pontosvesszvel kell elvlasztani. A mtrixot kapcsos
zrjelek kztt kell definilni, ezt a Compute paranccsal tehetjk meg.
Szintn ezzel a paranccsal szmtottuk ki az inverz mtrixot is. A beptett
fggvnyek kzl vlasszuk az inv(mtrix)-t, s a mtrix helyre rjuk be az
eredeti korrelcis mtrixot, esetnkben r-t. A print-tel kezdd sor csak az
inverz mtrix kiratsnak formjt szablyozza. A cm lnverz mtrix, s
minden szm nyolc karakter hosszsgban, hrom tizedes pontossggal fog
megjelenni. A tovbbi szmtsokat is az SPSS-vel vgeztk el, ahol az
inverzen kvl a transzponls s mtrixszorzs fggvnyeit hasznltuk fel.
&2. ra. *z :O:: utas.tsszerkeszt alaka
A tbbszrs determincis egytthat rtke:
5.6 " 0
+1. " 2
1
1
1
1
1
2
"...." " .
2 1

yy
2 2 2 y
m
r
R
.
Ez azt jelenti, hogy az eredmnyvltoz szrsngyzetnek 58,6%-t tudjuk
megmagyarzni az
1
2
s
2
2
vltozkkal.
Most mr a megfelel adatokat helyettestsk be a multikollinearits
kpletbe:
- l89 -
( ) ( ) ( ) ( ) [ ] . 01* " 0 122 " 0 5.6 " 0 6+ " 0 5.6 " 0 5.6 " 0
2 2
1
2
"..." " "..." " .
2
"..." " .
2
"..." " .
1 1 2 1 2 1 2 1
+
1
]
1
+
m
i
2 2 2 2 2 y 2 2 2 y 2 2 2 y
m I I m m
r r r <
Az < rtke alapjn azt mondhatjuk, hogy nullhoz kzeli rtke a
multikollinearits hinyt mutatja.
A kt magyarz vltoz kapcsolatnak szorossgt a
2
1
2
r
n r
t

prbafggvnnyel teszteljk:
*65 " 0
00.* " 0 1
16 091 " 0
t
.
Ktoldali prba esetn
( ) 16 <= 05 " 0 d9 S
az elmleti t-rtk 2,ll (Student-fle
t-eloszls vltoz eloszlsnak kvantilisrtkei tblzat ktoldali prbkhoz).
Az empirikus
*65 " 0 t
kisebb ennl az rtknl, ezrt a nullhipotzist 5%-os
szignifikanciaszinten megtartjuk, ami a magyarz vltozk lineris
fggetlensgt tmasztja al.
Grafikusan is brzolhatjuk a kt magyarz vltozt (73. bra). A kapott
pontok elhelyezkedse alapjn azt mondhatjuk, hogy a pontok elrendezdse
vletlenszer. A grafikus megjelents alapjn is ugyanarra a kvetkeztetsre
jutottuk a magyarz vltozk esetben, mint azt a szmolsokkal is kaptuk,
vagyis nincs multikollinearits.
20H00 15H00 10H00 5H00
;os4;orVA1
4H50
4H00
3H50
3H00
2H50
2H00
1H50
!
u
0
u
s
4
V
A
2
&". ra. * magyarz, vlt0z,k p0ntdiagram+a
- l90 -
A multikollinearits tesztelse utn az autokorrelcira vonatkoz
nullhipotzist vizsgljuk meg, amelyhez a reziduumokra van szksg.
Kiindulsknt felrtuk a tbb-vltozs lineris regresszis egyenletet a
kvetkez alakban:
i im m i i i
e 2 P 2 P 2 P P y + + + + +
6
...
6 6 6
2 2 1 1 0 .
A fenti kifejezs felrhat egyszerbben mtrixalgebrai jellssel:
4 2 1 0 +
6
.
Helyettestsk be az adatokat a mtrixegyenletbe:
1
1
1
]
1
+
1
1
1
]
1
1
1
1
1
1
1
1
1
]
1
1
1
1
1
1
1
1
1
]
1
2
1
0
2
1
0
6
6
6
9 " 2 * " 6 1
.
.
.
9 " 2 0 " + 1
9 " 2 + " 5 1
* " 1+
.
.
.
9 " 26
2*
e
e
e
Az ismeretlen
2
6
oszlopvektornak a meghatrozshoz hasznljuk fel a
( ) 0 1 1 1 2

? ?
1
6
kpletet, ahol
?
1
az 1 mtrix transzponltjt jelenti.
Elszr meghatrozzuk az
1 1
?
kifejezs rtkt:
.
+* " 1+* 6. " +69 " +9
6. " +69 .1 " 1955 5 " 16.
" +9 5 " 16. 1.
9 " 2 * " 6 1
.
.
.
9 " 2 0 " + 1
9 " 2 + " 5 1
9 " 2 9 " 2 9 " 2
* " 6 0 " + + " 5
1 . . . 1 1
1
1
1
]
1
1
1
1
1
1
1
1
1
]
1
1
1
1
]
1
1 1
?
.
Vegyk az
1 1
?
mtrixszorzat inverzt:
( ) .
163 H 0 002 H 0 43 H 0
002 H 0 003 H 0 02 H 0
43 H 0 02 H 0 43 H 1
1
1
1
1
]
1

: :
T
Kpezzk az
0 1
?
szorzatot:
- l9l -
.
02 " 121*
.1 " ++.
+ " +*6
* " 1+
9 " 26
2*
9 " 2 9 " 2 9 " 2
* " 6 0 " + + " 5
1 . . . 1 1
>
1
1
1
]
1
1
1
1
1
1
1
]
1
1
1
1
]
1

?
1
Most mr knnyen megkapjuk
2
6
-t, ha elvgezzk a ( ) 0 1 1 1

? ?
1

mtrixszorzst:
1
1
1
]
1
1
1
1
]
1
1
1
1
]
1
562 " 0
0**5 " 1
0165 " 1*
02 " 121*
.1 " ++.
+ " +*6
16* " 0 002 " 0 +* " 0
002 " 0 00* " 0 02 " 0
+* " 0 02 . 0 +* " 1
6
.
A fenti mtrixmveletek eredmnyeit az SPSS segtsgvel gyorsan
megkaphatjuk. Nyissuk meg a :yntax 6dit0rt s rjuk be az albbi
utastsokat, majd kattintsunk a @un gombra:
MATRlX.
COMPUTE x = {l,5.4,2.9;.;l,6.3,2.9}.
COMPUTE y = {23;26.9;.;l4.3}.
COMPUTE BETA = lNV(T(x)x)T(x)y.
PRlNT BETA /FORMAT=F8.4 /TlTLE="Egytthatk".
END MATRlX.
A becslt
2
6
paramterek oszlopvektora segtsgvel a tblk aranykorona
rtke (az
2 1 0
6
6
kpletbe helyettestve).
1
1
1
1
1
1
1
1
]
1
1
1
1
]
1
1
1
1
1
1
1
1
1
]
1
159 " 21
.
.
.
.2 " 1.
229 " 20
562 " 0
0**5 " 1
0165 " 1*
9 " 2 * " 6 1
.
.
.
9 " 2 0 " + 1
9 " 2 + " 5 1
6 0
.
Az autokorrelci tesztelshez hasznljuk az albbi munkatblzatot (l08.
tblzat).
- l92 -
10'. tlzat. * regresszi,s 2?ggvny ecs?lt rtkei s a
hiatag0k
i
y
i
y6
i
%
2
i
% 1 i
e
( )
2
1
i i
e e i
e
l 23 20,2
3 2,77 7,68
-
7,6729 2,77
2 26,9 l8,7
8 8,l2 65,90 2,77
28,622
5 8,l2
3 l9 2l,3
2 -2,32 5,38 8,l2
l08,99
36 2,32
4 l9,4 23,5
5 -4,l5 l7,25 -2,32 3,3489 4,l5
5 2l 22,6
9 -l,69 2,86 -4,l5 6,05l6 l,69
6 3l 25,4
l 5,59 3l,30 -l,69
52,998
4 5,59
7 3l,8 3l,6
8 0,l2 0,0l 5,59
29,920
9 0,l2
8 28 27,9
6 0,04 0,00 0,l2 0,0064 0,04
9 l5 l9,5
9 -4,59 2l,07 0,04
2l,436
9 4,59
l0 28 24,2
3 3,77 l4,20 -4,59
69,889
6 3,77
ll l4 l9,5
9 -5,59 3l,25 3,77
87,609
6 5,59
l2 3l 27,8
6 3,l4 9,88 -5,59
76,2l2
9 3,l4
l3 28 24,7
4 3,26 l0,63 3,l4 0,0l44 3,26
l4 35,2 35,8
2 -0,62 0,38 3,26
l5,054
4 0,62
l5 28 29,9
3 -l,93 3,7l -0,62 l,7l6l l,93
l6 22 24,7
6 -2,76 7,6l -l,93 0,6889 2,76
l7 20,8 l7,l
l 3,69 l3,6l -2,76
4l,602
5 3,69
l8 l4,3 2l,l
6 -6,86 47,05 3,69
lll,30
25 6,86
_ 436,
4
436,
4 0
289,7
7
6,85
663,l4
3
--
- l93 -
A l08. tblzat adatait felhasznlva helyettestsnk be a
( )
n
i
i
n
i
i i
e
e e
d
1
2
2
2
1

kpletbe, gy a prbafggvny rtke:
288 H 2 d
. Az autokorrelci becslse:
1++ " 0
2
2.. " 2
1
2
1 6
d
R
. A kapott eredmny alapjn alternatv hipotzisnk
a negatv autokorrelci (mivel a prbafggvny rtke kisebb 2-nl). A
,Durbin-Watson-fle prba kritikus rtkei" tblzat alapjn
05 " 0 S

szignifikancia szint mellett:
543 H 1
&
d
. Mivel
+5 " 2 + 2.. " 2 <
D
d d
, ezrt a
Durbin-Watson-fle prba nullhipotzist elfogadjuk, azaz a hibatagok
linerisan nem autokorrellnak.
A felttelek ellenrzse kztt mg a heteroszkedaszticitst is tesztelnnk kell,
ami a reziduumok abszolt rtkei s a vltozk rtkei kztti lineris
korrelci kiszmtsnak segtsgvel trtnik (a reziduumok abszolt
rtkeit mr a . tlzatan meghatroztuk). A korrelcis mtrix
meghatrozst az SPSS-ben vgezzk el, amelynek eredmnye a l09.
tblzat.
10(. tlzat. * k0rrelci,s mtrix a reziduum0k asz0lItrtkeivel
kiegsz.tve
,orrelat)ons
1 H091 H764NN -H677NN
H718 H000 H002
18 18 18 18
H091 1 H122 H112
H718 H629 H658
18 18 18 18
H764NN H122 1 -H439
H000 H629 H068
18 18 18 18
-H677NN H112 -H439 1
H002 H658 H068
18 18 18 18
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
:e"rson Corre."t5on
S58. (2-t"5.e&)
,
;os4;orVA1
!u0us4VA2
"r"n%Doron"erteDV%
" re45&uu0oD
"@s4o.Kt2rt2De
;os4;orVA1 !u0us4VA2
"r"n%Doron"er
teDV%
" re45&uu0oD
"@s4o.Kt2rt2De
A tblzat alapjn:
112 " 0 ; 6 " 0 ; +*9 " 0
2 1
6

2 e 2 e y e
r r r
. A legnagyobb
abszolt rtk az
1
2 e
r
, az kell ellenrizni, hogy ez szignifiknsan klnbzik-
e nulltl. A tesztelshez a
t
-prbafggvnyt hasznljuk:
69 " *
+5.* " 0 1
16 6 " 0
t
.
- l94 -
Az elmleti
t
-rtk 2,l2
( ) 16 ; 2s 05 H 0 d
, az empirikus
t
-rtk
( ) 69 " * t

nagyobb ennl az rtknl, ezrt a nullhipotzist 5%-os szignifikanciaszinten
elvetjk.
Grafikusan is ellenrizhetjk a heteroszkedaszticitst, ha brzoljuk az egyes
vltozk s a reziduumok kztti kapcsolatokat (74. bra, &$. ra).
5H00 10H00 15H00 20H00
;os4;orVA1
-5H00
0H00
5H00
10H00
r
e
4
5
&
u
u
0
&#. ra. * tala+ 20sz20r tartalma s a reziduum p0ntdiagram+a
1H50 2H00 2H50 3H00 3H50 4H00 4H50
!u0us4VA2
-5H00
0H00
5H00
10H00
r
e
4
5
&
u
u
0
&$. ra. * tala+ humusz tartalma 3X4 s a reziduum p0ntdiagram+a
- l95 -
A lineris regresszis fggvny a kapott eredmny alapjn:
2 1
562 " 0 0**5 " 1 0165 " 1* 6 2 2 y + +
.
A tbbszrs determincis egytthat 586 H 0
2 1
H .
2

x x y
r rtke alapjn nem
tudjuk objektvan megtlni, hogy megfelel-e a modell illeszkedse. Azonban
ellenrizzk ezt a felttelezsnket a globlis + -prba segtsgvel.
Az + -prba nullhipotzise szerint 0
6 6
2 1
, mg az alternatv hipotzis
szerint
0
6

I
valamelyik
I
-re
( ) 2 " 1 I
. A prbafggvny:
<>1
<>#
m n
>>1
m
>>#
+

1
,
amelyhez ksztsk el az ANOVA tblzatunkat (ll0. tblzat).
110. tlzat. *z *FAH* tlzat
A
szrds
oka
Az eltrsek
ngyzetssz
ege
Szabadsg
i fok
Szrsngyz
et
becslse
F
Regress
zi
(SSR=)
4ll,l5
(m=) 2 (MSR=)
205,575
l0,6
4
Hiba (SSE=)
289,77
(n-m-l=)
l5
(MSE=)
l9,3l8
sszese
n
700,92 l7 --
Az SSR eltrs ngyzetsszeg kiszmtsa:
0711 H 8 563 H 0 621 H 393 033 H 1 + SSR
,
ahol .
18
4 H 436 5 H 168
3 H 14 3 H 6 ... 9 H 26 4 23 4 H 5 621 H 393

+ + +
s
18
4 H 436 7 H 49
3 H 14 9 H 2 ... 9 H 26 9 H 2 23 9 H 2 0711 H 8

+ + +
.
Az 5%-os szignifikancia szint mellett az elmleti + rtk: ( )
68 H 3
15 H 2
'
. Mivel a
prbafggvny rtke ennl nagyobb, gy a nullhipotzist elvetjk, vagyis a
modell illeszkedse megfelel.
Most mr csak a regresszis paramterek tesztelse van htra, amihez a
paramterek standard hibit kell meghatrozni. Ez a
( ) ( ) ( )
1
2
1
1
6

1 1 1 1
4 4
2
?
e
?
?
s
m n
Car kplet segtsgvel trtnik.
- l96 -
A szmts alapjn:
( ) .
1+ " * 0+ " 0 ** " .
0+ " 0 05 " 0 *. " 0
** " . *. " 0 6* " 2
16* " 0 002 " 0 +* " 0
002 " 0 00* " 0 02 " 0
+* " 0 02 " 0 +* " 1
15
" 2.9
6
1
1
1
]
1
1
1
1
]
1

2 Car
A standard hibkat a ftlban lv elemek ngyzetgykei adjk:
256 " 5
0
6

P
s
,
22 " 0
1
6

P
s
s
2 " 1
2
6

P
s
.
A parcilis + -teszt prbafggvnynek az rtkei
I
s
t
I
6
6
alapjn:
+6 " 2
256 " 5
0165 " 1*
0
6

P
t
;
55* " +
22 " 0
0**5 " 1
1
6

P
t
s
*1 " 0
2 " 1
562 " 0
2
6

P
t
.
Ktoldali
t
-prba esetn
( ) 5 1 2s 05 H 0 df
az elmleti
t
-rtk: 2,l3l5. Mivel
1*15 " 2 55* " +
1
6
>
P
t
, ez azt jelenti, hogy az
1
2
vltoz szignifiknsan
befolysolja a fgg vltoz alakulst.
- l97 -
A $"($",,2+D, 9%$%*-&"$"1 *"(B%&<$:2<,% %2 S5SS-?"0
A kzi szmts utn ami igen hosszadalmas , nzzk meg az SPSS-ben,
hogyan lehet tbb-vltozs lineris regresszit kiszmtani. A fenti pldn
keresztl csak bemutatjuk a tbb-vltozs lineris regresszis belltsokat s
sszevetjk a kapott eredmnyeket a kzi szmts eredmnyeivel, majd egy
pldn keresztl rszletesebben ismertetsre kerl a tbb-vltozs
regresszis elemzs menete.
&%. ra. * t7-vlt0z,s lineris regresszi, elvgzsnek panel+a
az :O::-en
Tltsk be a pldhoz tartoz adattblzatot, amit a ,)0sz0r0sUlinreg1.sav"
fjl tartalmaz. Kattintsunk ANALYZE men REGRESSlON almanjnek LlNEAR.
parancsra. A megjelen panelban (76. bra) vgezzk el az albbi
belltsokat.
A bal oldali ablakban jelljk ki a fggetlen vltozkat (foszfor_xl s
humusz_x2) majd helyezzk ezeket az lNDEPENDENT(S) ablakba; a fgg vltozt
(aranykoronaertek_y) pedig a DEPENDENT ablakba tegyk. A METHOD ablakban
az n. ENTER nev mdszer van megadva alapllapotban, ez azt jelenti, hogy a
vizsglat minden fggetlen vltozt bevon az elemzsbe (a ksbbiekben
ennek a rszletes elemzsre visszatrnk). Minden egyb belltst hagyjunk
vltozatlanul. Kattintsunk az OK gombra, amelynek az eredmnyekppen az
Output ablakban kapott tblzatokat kell elemezni. Elsknt megjelenik az a
tblzat, ami az alkalmazott modellt tartalmazza (lll. tblzat), jelen esetben
ez az ENTER mdszer volt.
- l98 -
111. tlzat. *z Autput els tlzata, ami a kivlaszt0tt m,dszert
takar+a, a magyarz, vlt0z,kat meg+elen.tve
6ar)a*les Entere%/;emove%
*
!u0us4VA2H
;os4;orVA1
"
. Enter
+o&e.
1
V"r5"@.es
Entere&
V"r5"@.es
Te0o)e&
+et!o&
<.. re$ueste& )"r5"@.es entere&. ".
(eBen&ent V"r5"@.eU "r"n%Doron"erteDV% @.
Nzzk meg azt, hogy az SPSS milyen mdszereket tud hasznlni a vltozk
kivlasztsra. Ha visszamegynk a fablakba, akkor a METHOD ablakra
kattintva megjeleni mg az ENTER mdszer mellett msik ngy eljrs is, ezek
a FORWARD, a BACKWARD, a STEPWlSE s a REMOVE (77. ABRA).
&&. ra. * vlt0z,k kivlasztsnak m,dszerei
A FORWARD mdszer minden lpsben azt a magyarzt vonja be a
vizsglatba, amelyik parcilis + tesztjhez a legkisebb
$
(vagyis hibzsi)
valsznsg tartozik. A bevons folyamata addig tart, amg a
$
az elre
rgztett maximum rtk (PlN) alatt marad, vagy minden vltozt bevon.
- l99 -
A BACKWARD eliminci az indul lpsben mindegyik vltozt tartalmazza, s
lpsenknt mindig azt az egyet hagyja ki, amelyiknek a legkisebb a parcilis
korrelcija. Ekkor a parcilis + teszthez a legnagyobb
$
valsznsg (a
legnagyobb elsfaj hiba) tartozik. Akkor ll le a mdszer, ha a
$
kisebb, mint
a kszbrtk (POUT), vagy mr nincs vltoz a modellben.
A STEPWlSE mdszer a FORWARD szelekcitl annyiban tr el, hogy minden
lpsben ellenrzi a modellbe korbban bevont vltozk
$
valsznsgt, s
ha a
$
rtke nagyobb, mint a kszbrtk, akkor a vltozt kihagyja a
modellbl. (Szoksos bellts:
0"1 POUT 0"05; PIN
.) Nem kerlnk vgtelen
ciklusba, ha
POUT PIN
.
A REMOVE eljrs a fggetlen vltozk kzl eltvoltja azokat, amelyeknl az
egytthat nem szignifikns. A vgs kifejezsben csak a maradk fggetlen
vltozk szerepelnek.
Az OUTPUT ablakban megjelen kvetkez tblzat (ll2. tblzat) a
tbbszrs korrelcit, a determincis egytthatt, a korriglt
2
r
rtkt, a
regresszis modell standard hibjt tartalmazza (ezeket sszevetve a kzi
szmols eredmnyvel, lthat, hogy ugyanazok az rtkek addtak).
112. tlzat. *z 6F)6@ m,dszer 7ssze20glal, tlzata
Mo%el S-mmary
H766
"
H587 H532 4H39523
+o&e.
1
T T S$u"re
<&/uste&
T S$u"re
St&. Error o;
t!e Est50"te
:re&5ctorsU (Const"nt)H !u0us4VA2H ;os4;orVA1 ".
A harmadik tblzat a modell tesztelsre szolgl ANOVA tblzat (ll3.
tblzat), amibl ltszik, hogy a regresszis modell jl magyarzza az
y

rtkek szrdst
( ) 05 " 0 < $
, vagyis a modell alkalmas az
y
rtkek
becslsre.
11". tlzat. *z *FAH* tla
#5O6#
*
411H334 2 205H667 10H646 H001
"
289H771 15 19H318
701H104 17
Te8ress5on
Tes5&u".
-ot".
+o&e.
1
Su0 o;
S$u"res
&; +e"n S$u"re # S58.
:re&5ctorsU (Const"nt)H !u0us4VA2H ;os4;orVA1 ".
(eBen&ent V"r5"@.eU "r"n%Doron"erteDV% @.
- 200 -
A tblzat utols oszlopa szerint elvetjk a nullhipotzist, ami azt jelenti, hogy
a modell alkalmas a fgg vltoz magyarzatra. Abbl azonban, hogy
elvetjk a nullhipotzist mg nem kvetkeztethetnk arra, hogy a fgg
vltoznak j becslst tudjuk megadni, mert elfordulhat, hogy a modellben
vannak olyan vltozk, amik nem szignifikns paramterek. Errl a ll4.
tblzat ad tjkoztatst.
11#. tlzat. *z egy?tthat,k tlzata
,oe77)2)ents
a
13H017 5H256 2H476 H026
1H033 H227 H759 4H555 H000
H563 1H772 H053 H317 H755
(Const"nt)
;os4;orVA1
!u0us4VA2
+o&e.
1
E St&. Error
>nst"n&"r&54e&
Coe;;5c5ents
Eet"
St"n&"r&54e&
Coe;;5c5ents t S58.
(eBen&ent V"r5"@.eU "r"n%Doron"erteDV% ".
A
t
-prbhoz tartoz szignifikancia rtkek alapjn a humusz magyarz
vltoz szerepeltetse nem helyes a modellben
( ) 05 " 0 > $
, azaz a humusz s
az aranykorona rtk kztt nincs lineris kapcsolat.
A.ro! fC$$etlen 0.lto)-s re$ress)i-anal,)is
A hrom fggetlen vltozs regresszianalzis esetn:
* * 2 2 1 1 0
6 6 6
6 2 P 2 P 2 P P y + + +
, ahol
y6
a fgg vltoz becslt rtke,
2 2 1
H H x x x
a
fggetlen vltozk, * 2 1 0
"
6
"
6
"
6
P P P P
az egyenlet becslt paramterei.
Vizsgljuk meg, hogy a miclium tmege hogyan fgg a talaj N, P s K
tartalmtl, melyik tpanyag nvelse mekkora hatssal van a miclium
slynak alakulsra (ll5. tblzat)
11$. tlzat. * F, O s 1 k?l7n7z k0minci,inak hatsa az
*spergillus niger micliumnak t7megre
( )
1
2 N
()
( )
2
2 P
()
( )
*
2 3
()
y
l2 72 4 l,23
l2 48 4 l,l7
6 72 32 l,l2
6 24 l6 l,ll
24 8 20 l,08
30 32 l2 l,02
30 32 20 l,0l
- 20l -
l8 l6 l2 0,99
24 l6 24 0,98
l8 40 28 0,93
36 24 28 0,84
42 8 8 0,78
48 56 36 0,74
48 40 32 0,74
54 56 36 0,69
Forr.s: :HWB QWFA: 31('14, "1&.0.
Az SPSS alkalmazsa eltt nzzk meg grafikus mdszerrel (2-3 dimenzis
brkkal), hogy kzelten teljeslnek-e a lineris regressziszmts
elfelttelei, hasznlhat-e a modell (t0sz0r0sUlinreg2.sav). Mivel a grafikus
bra magasabb dimenziban nem kszthet el, ez a lps nem helyettestheti
a modell jsgt vizsgl teszteket, de arra alkalmas, hogy a teljesen
hasznavehetetlen szmtsokat megelzzk.
&'. ra. * miclium t7mege a tala+ nitr0gn tartalma 3mg4
2?ggvnyen
Az
y
s az
"... "
2 1
2 2
vltozk pontdiagramjt vizsglva leolvashatk a
kvetkezk:
- 202 -
Lineris-e a kapcsolat, jogos-e a lineris modell alkalmazsa, vagy ms
fggvnytpust clszer vlasztani?
Az
2
nvekedsvel az
y
adatok szrsa vltozatlan marad-e, vagyis a
hibatag konstans szrsa felttelezhet-e?
Homogn-e a minta, vagy almintk lthatk, amelyekben ms-ms tendencia
rvnyesl a vltozk kztt?
Vannak-e kiugr pontok s milyen az elhelyezkedsk?
Abrzoljuk pontdiagramon (GRAPHS / SCATTER) minden egyes fggetlen vltoz
s a fgg vltoz kapcsolatt kln-kln, ezt a 78. bra, 79. bra, 80. bra
mutatja.
A talaj nitrogn tartalma s a miclium tmege kztti kapcsolat linerisnak
tekinthet, a kzttk lv kapcsolat ellenttes irny, vagyis nvekv
nitrogntartalomhoz cskken micliumtmeg tartozik.
Ha a talaj foszfor tartalmnak a fggvnyben nzzk a miclium tmegt (79.
bra), akkor a ponthalmaz elhelyezkedse alapjn nem lehet tendencizus
megllaptst levonni. Fggvnyszer kapcsolatot nem lehet leolvasni, mg
akkor sem, ha esetleg almintra bontannk a mintt (hangslyozzuk az
alacsony mintaszm erre egybknt nem ad lehetsget).
&(. ra. * miclium t7mege a tala+ 20sz20r tartalma 3mg4
2?ggvnyen
- 203 -
A talaj klium tartalmnak a fggvnyben megvizsglva a miclium tmegt,
a pontdiagramot a 80. bra mutatja.
'0. ra. * miclium t7mege a tala+ klium tartalma 3mg4
2?ggvnyen
A pontok itt is szrdnak, m els kzeltsben megprbltunk a pontokra
egyenest illeszteni. A minta j kzeltssel homognnek tekinthet, van
nhny kiugr rtk, amely elhagysval a lineris regresszis egyenes
illeszkedst javtani lehetne, m az alacsony mintaszm miatt ettl
eltekintnk.
A kapott brk alapjn gy tnik, hogy a hrom fggetlen vltoz kzl a talaj
foszfor tartalma az a vltoz ami nem illeszkedik a lineris modellbe. Hrom
dimenzis brn jelentsk meg a msik kt fggetlen vltozt (a talaj nitrogn
s klium tartalmt) s a miclium tmegnek az alakulst (8l. bra).
Br a hrom dimenzis brk elemzse nem knny, m a pontok
elhelyezkedse alapjn durva kzeltsben mondhatjuk, hogy lineris
sszefggs lthat a vizsglt vltozk kztt.
Az brk elksztse utn vgezzk el a regressziszmtst. A tbbszrs
regressziszmts elvgzshez kattintsunk az ANLALYZE menpont
REGRESSlON almenjnek LlNEAR. parancsra. A megjelen panelban (82. bra)
vgezzk el a kvetkez belltsokat: a fgg vltoz ablakba (DEPENDENT)
- 204 -
helyezzk a miclium tmege vltozt, mg a fggetlen vltozk kz
helyezzk be a talaj nitrogn tartalma
( )
1
2
, foszfor tartalma
( )
2
2
s a klium
tartalma
( )
*
2
vltozkat.
'1. ra. * vlt0z,k hr0m dimenzi,s r+a
Azt, hogy a fggetlen vltozkat hogyan vlassza be a program, a METHOD
ablakban llthatjuk be. Megint az ENTER mdszert jelltk meg, ahogy azt az
elbbi feladatban is tettk.
Kattintsunk a STATlSTlCS. parancsgombra (83. bra). A REGRESSlON COEFFlClENTS
rszben az ESTlMATES parancs megjellsvel azt rjk el, hogy a program a
regresszis paramtereket rja ki. De ebben az ablakban van arra
lehetsgnk, hogy konfidencia intervallumot (CONFlDENCE lNTERVALS) s
kovariancia mtrixot (COVARlANCE MATRlX) is lekrjnk.
- 205 -
'2. ra. * t7sz7r7s lineris regresszi, ell.tsai
'". ra. * :)*)5:)5M:V parancsg0m ell.tsai
A modell illeszkedst (MODEL FlT), az
2
r
vltozst (R SQUARED CHANGE), a ler
statisztikkat (tlag, szrs, megfigyelsek szma) (DESCRlPTlVES), a parcilis
korrelcit (PART AND PARTlAL CORRELATlONS) s multikollinearitsi mreteket
- 206 -
(COLLlNEARlTY DlAGNOSTlCS) a jobb oldali panelrszben trtn megjellsekkel
krhetnk. Ezek kzl mi most a krjk az
2
r
vltozst. A rezidulis rszben
Durbin-Watson tesztet s esetenknti diagnosztikt krhetnk. Ha a vizsglati
minta szma nagy, rdemes kiratni a kiugr rtkeket, amelyek az tlagtl 2-3
szrsnyi tvolsgra vannak, ezek ugyanis nagymrtkben torzthatjk a
kapott eredmnyeket. A 83. bra csak a program alapbelltsait mutatja, mi
most azonban jelljnk meg minden lehetsget, majd futtassuk le a
programot.
Az elsknt kapott tblzatban (ll6. tblzat) a ler statisztika eredmnyeit
ltjuk, a vltozk tlagt, szrst s a megfigyelt esetek szmt kzli a
program.
11%. tlzat. * vlt0z,k tlaga s sz,rsa
<es2r)pt)ve Stat)st)2s
H9620 H16992 15
27H2000 15H68985 15
36H2667 21H13719 15
20H8000 11H13040 15
< 05c2.5u0 tL0e8e (8r"00)
,5tro82n (08)
#os4;or (08)
P3.5u0 (08)
+e"n
St&.
(e)5"t5on ,
A ler statisztikkat tartalmaz tblzatbl a miclium tmegnek tlaga
0,962 gramm, a talaj nitrogn tartalmnak tlaga 27,2 mg, a foszfortartalom
tlaga 36,27 mg s a kliumtartalom tlaga 20,8 mg. A szrsok alapjn a
foszfortartalom esetben legnagyobb a szrs, ez sszhangban van a kt
dimenzis brn kapott kppel. A mintaszm minden vltoz esetn l5.
A korrelcis mtrixban (ll7. tblzat) a fgg s a magyarz vltozk
pronknti korrelcii, a szignifikancia-szintek s a minta mrete szerepel.
A szignifikancia rtke alapjn a miclium tmege
( ) y
a talaj nitrogn
tartalmval
( )
1
x
s klium tartalmval
( )
3
x
van szignifikns kapcsolatban. A
Pearson-fle korrelci rtke azt mutatja, hogy a nitrogntartalom
( ) 914 H 0 r
ers sztochasztikus kapcsolatban van a miclium tmegvel, de
ez a kapcsolat ellenttes irny; mg a kliumtartalomnl kzepes erssg a
sztochasztikus kapcsolat, s ez a vltoz is negatv hatssal van a miclium
tmegre, vagyis nvekv kliumtartalom esetn cskken micliumtmeget
kapunk.
- 207 -
11&. tlzat. 10rrelci,s mtrix
,orrelat)ons
1H000 -H914 H141 -H625
-H914 1H000 -H096 H485
H141 -H096 1H000 H237
-H625 H485 H237 1H000
. H000 H309 H006
H000 . H367 H033
H309 H367 . H197
H006 H033 H197 .
15 15 15 15
15 15 15 15
15 15 15 15
15 15 15 15
< 05c2.5u0
tL0e8e (8r"00)
,5tro82n (08)
#os4;or (08)
P3.5u0 (08)
< 05c2.5u0
tL0e8e (8r"00)
,5tro82n (08)
#os4;or (08)
P3.5u0 (08)
< 05c2.5u0
tL0e8e (8r"00)
,5tro82n (08)
#os4;or (08)
P3.5u0 (08)
:e"rson Corre."t5on
S58. (1-t"5.e&)
,
< 05c2.5u0
tL0e8e (8r"00)
,5tro82n
(08)
#os4;or
(08)
P3.5u0 (08)
A ll8. tblzatan a tbbszrs korrelci s a determincis egytthat, a
korriglt
2
r
, a regresszis modell standard hibja szerepel. Az utols
oszlopban a Durbin-Watson teszt eredmnyt ltjuk.
11'. tlzat. * :tepwise m,dszer 7ssze20glal, tlzata
Mo%el S-mmary
*
H946
"
H895 H866 H06215 H895 31H220 3 11 H000 2H092
+o&e.
1
T
T
S$u"re
<&/uste&
T S$u"re
St&. Error
o; t!e
Est50"te
T
S$u"re
C!"n8e
#
C!"n8e
&;1 &;2
S58. #
C!"n8e
C!"n8e St"t5st5cs
(ur@5n-
R"tson
:re&5ctorsU (Const"nt)H P3.5u0 (08)H #os4;or (08)H ,5tro82n (08) ".
(eBen&ent V"r5"@.eU < 05c2.5u0 tL0e8e (8r"00) @.
A gyakorlatban a tblzatbl szmunkra a msodik s a harmadik oszlop az
rdekes. A tblzat msodik oszlopban a tbbszrs korrelcis koefficiens
rtke tallhat
( ) 946 H 0 r
, ami a fgg vltoz s a fggetlen vltozk kztti
lineris sszefggs szorossgt fejezi ki. A harmadik oszlopban a tbbszrs
determincis koefficiens rtke olvashat le ( ) 895 H 0
2
r , ez az rtk azt
mutatja meg, hogy az
y
fgg vltoz szrdsbl mennyi tulajdonthat a
fggetlen vltozk hatsnak. A miclium tmege szrdsnak 89,5%-a a
kapott eredmny alapjn a N, P s K tpanyag vltozsval magyarzhat.
A program elkszti a regresszianalzis varianciaanalzis tblzatt is (ll9.
tblzat), ami a modell tesztelsre szolgl. Ebbl a tblzatbl olvashatjuk le,
hogy a modell mennyire jl magyarzza meg az
y
rtkek szrdst. A
- 208 -
tblzat utols oszlopbl lthatjuk
( ) 05 " 0 < $
, hogy a nullhipotzisnket el kell
vetni, ami azt jelenti, hogy a modell j.
11(. tlzat. *z *n0va tlzat
#5O6#
*
H362 3 H121 31H220 H000
"
H042 11 H004
H404 14
Te8ress5on
Tes5&u".
-ot".
+o&e.
1
Su0 o;
S$u"res
&; +e"n S$u"re # S58.
:re&5ctorsU (Const"nt)H P3.5u0 (08)H #os4;or (08)H ,5tro82n (08) ".
(eBen&ent V"r5"@.eU < 05c2.5u0 tL0e8e (8r"00) @.
A l20. tblzatan kapjuk meg a tbbszrs lineris regresszis modell
felrshoz szksges paramtereket, valamint, hogy a vltozk egyenknt
szignifiknsan befolysoljk-e az
y
vltozt.
A regresszis koefficiensek rtkeit a tblzat msodik oszlopbl olvashatjuk
le, ez alapjn a miclium tmege s a talaj nitrogn-, klium- s foszfor
tartalma kztti sszefggs 3 2 1
004 H 0 001 H 0 008 H 0 238 H 1 x x x y +
formban
rhat fel, ahol
y
a miclium tmege, * 2 1
" " 2 2 2
pedig a talaj nitrogn-, klium-
s foszfor tartalma. A standardizlt koefficiens oszlopban lv ,Beta" rtkrl
mr korbban szltunk, m igazi jelentst most rthetjk meg. Tbbszrs
lineris regresszinl minl kzelebb van a ,Beta" rtke az l-hez, annl
inkbb
Azt, hogy az egyes regresszis koefficiensek valban befolysoljk-e az
y

vltozt
t
-prbval dntjk el a
( ) 3 H 2 H 1 0 i b
i nullhipotzissel szemben. A
t
-
prba eredmnyt a
t
oszlopban lthatjuk, mg a szignifikancia oszlopban
olvassuk azt le, hogy melyik regresszis egytthat hatsa szignifikns.
120. tlzat. * regresszi,s egy?tthat,k
,oe77)2)ents
a
1H238 H047 26H581 H000 1H136 1H341
-H008 H001 -H761 -6H600 H000 -H011 -H005 -H914 -H894 -H645 H718 1H39
H001 H001 H136 1H309 H217 -H001 H003 H141 H367 H128 H886 1H13
-H004 H002 -H288 -2H434 H033 -H008 H000 -H625 -H592 -H238 H684 1H46
(Const"nt)
,5tro82n (08)
#os4;or (08)
P3.5u0 (08)
+o&e.
1
E
St&.
Error
>nst"n&"r&54e&
Coe;;5c5ents
Eet"
St"n&"r&54e&
Coe;;5c5ents
t S58.
LoWer
Eoun&
>BBer
Eoun&
95S Con;5&ence
Cnter)". ;or E
Zero-or&er :"rt5". :"rt
Corre."t5ons
-o.er"nce VC#
Co..5ne"r5t%
St"t5st5cs
(eBen&ent V"r5"@.eU < 05c2.5u0 tL0e8e (8r"00) ".
- 209 -
A nitrogn nvelsnek depresszv hatsa szignifikns, a foszfor vltozsnak
hatsa nem bizonythat, mg a klium hatsa
S 5 p
-s szinten bizonythat. A
N s a K hatsa negatv.
A parcilis regresszis koefficiensek szignifikancijnak az alakulst
befolysolja a fggetlen vltozk egyms kztti korrelcija. Ha a fggetlen
vltozk kztt ers a korrelci, akkor az rtelmezsnl a kapott
eredmnyekkel vatosan kell bnni.
(e!line.ris 3ss)efC$$4se* 0i)s$.lata
Az elz pldkban a vltozk kztti kapcsolat elemzsekor (mind az
egyszeres, mind a tbbszrs esetben) lineris regresszit alkalmaztunk. A
biometria tmakrbe tartoz jelensgek kztt azonban gyakrabban fordul
el az, hogy a fgg vltoz a fggetlen vltoz l egysgnyi vltozsra nem
lland vltozssal reagl a klnbz
2
pontokban. A statisztikai gyakorlat
ppen ezrt gyakran nemlineris fggvnyek illesztst ignyli.
A nemlineris fggvnyeket statisztikai szempontbl kt csoportra osztjuk:
linerisra visszavezethet s linerisra nem transzformlhat modellekre.
'#. ra. Femlineris, de linearizlhat, 2?ggvnyek az :O::-en
Ezek az illesztsek az SPSS-ben az albbi parancssorral indthatk el: ANALYZE
/ REGRESSlON / CURVE ESTlMATlON. (84. bra).
- 2l0 -
L+#"<$+,$% ?+,,2%?"2"&B"&G L,,2"AI((-,"1 ?+2,(<0%&%
Ha a lineris regresszi felttelei nem teljeslnek, vagy rossz illesztst
kapunk, akkor meg kell prblkozni a fgg s a fggetlen vltozk
transzformcijval. A transzformlt adatokon mr lineris regresszis
elemzst hajtunk vgre, de ez az eredeti adatoknl mr nem lineris
sszefggst fog magyarzni. A tovbbiakban ismertetnk nhny
lehetsget a nemlineris kapcsolatnak a lineris regresszi segtsgvel val
megadsra.
A 84. bran a MODELS rszben pipval jelltk a nemlineris, de linearizlhat
fggvnyeket. Ezek megnevezst s kplett a l2l. tblzatan foglaltuk
egybe.
121. tlzat. * leg20nt0sa nemlineris 3de linearizlhat,4
regresszi,s 2?ggvnyek
SPSS
elnevezs
Tpus Egyenlet
Logarithmic Logaritmikus
2 y ?:
6 6
6
1 0
+
lnverse lnverz
2 y
1 0
6 6
6 +
Quadratic Parabolikus
2
2 1 0
6 6 6
6 2 2 y + +
Cubic Harmadfok
*
*
2
2 1 0
6 6 6 6
6 2 2 2 y + + +
Power Hatvnykitevs
1
6
0
6
6

2 y vagy
2 y +
1 0
6
?:
6
6 ?:
Compound Vegyes
2
y
1 0
6 6
6 vagy
( ) 2 y +
1 0
6
?:
6
?:
6
?:
S Szigmoid
2
e y
1 0
6 6
6
+
vagy
2 y
1 0
6 6
6 ?: +
Logistic Logisztikus
( )
2
u
y
1 0
6 6
1
1
6
+
vagy
( ) 2
u y
+
,
_
1 0
6
?:
6
?:
1
6
1
?:
Growth Nvekedsi
2
e y
+
1 0
6 6
6

vagy
2 y +
1 0
6 6
6 ?:
Exponential Exponencilis
2
y
1 0
6 6
6 vagy
2
e y

1
6
0
6
6

vagy
2 y +
1 0
6 6
?: 6 ?:
- 2ll -
A tovbbiakban az albbi fggvnyekkel foglalkozunk rszletesen egy-egy
pldn keresztl:
K0garitmus2?ggvny esetn az
y
vltoz az
x
logaritmusval van lineris
sszefggsben, azaz
x
szorzatos vltozsra
y
additvan reagl.
6xp0nencilis sszefggs esetn a logaritmusfggvnnyel ellenttben az
y

logaritmusa az
x
-szel van lineris sszefggsben. Az exponencilis
sszefggsben
y
nvekedsnek a sebessge arnyos v mr elrt
rtkvel.
=atvny2?ggvny esetn
y
logaritmusa az
x
logaritmusval van lineris
sszefggsben.
A para0likus 2?ggvny s a harmad20kI 2?ggvny a polinomilis
fggvnycsaldba tartozik, ez a fggvnycsald gyakorlatilag brmilyen
sszefggs lersra alkalmas, de az sszefggs trvnyszersgt
legtbbszr nem jellemezik.
K0gisztikus 2?ggvny esetn a fgg vltoz rtkei elszr lassan, majd
egyre gyorsabban nvekednek, majd ismt lassulnak egy fels hatr fel
kzeltve.
Lo$arit!i*us re$ress)i-
122. tlzat. * l0garitmikus regresszi,h0z tart0z, adattlzat
A
kock
szma
(db)
Testtmeg
termels
(l00 kg)
A
kock
szma
(db)
Testtmeg
termels
(l00 kg)
29 3,7 l55 9,8
32 6,4 l76 l0,2
39 5,6 2l0 ll,3
4l 6,7 270 ll,9
45 7,2 358 l3,7
62 7,6 370 l3,9
l02 8,7 408 l4,2
l45 9,4 -- --
F0rrs! N*FMG6K 31('"4! :tatisztikai m,dszerek alkalmazsa a
mezgazdasgan
- 2l2 -
Vizsgljuk meg a l22. tblzath0z tartoz adatok alapjn, hogy egy
sertstelepen fokozatosan nvelve a kocaltszmot, az llatok
testtmegtermelse hogyan vltozik. A kock szmt s a testtmegtermels
kztti adatokat tartalmaz SPSS fjlt ,l0garitmikusUregresszi0.sav" nv alatt
mentettk el.
A kt vltoz kztti kapcsolat jellegnek szemlltetshez brzoljuk a pont-
prokat az SPSS-ben. A pontdiagramot a tanult mdon ksztsk el (GRAPHS /
SCATTER.). A kt vltoz kztti kapcsolatot a 85. bra szemllteti
'$. ra. * kt vlt0z, k7z7tti p0ntdiagram
Az brrl ltszik, hogy ebben az esetben a ponthalmazra nem az egyenes
illesztse tnik megfelelnek, hanem a logaritmusfggvny, amelynek az
egyenlete
0 1
6
?: 6 + 2 y alak.
A tovbbiakban nem ismertetjk a regresszis paramterek manulis
kiszmtsnak mdszert s menett, hanem a knyv cljnak alrendelten
az SPSS-ben mutatjuk meg a szmtsokhoz szksges belltsokat.
Kattintsunk az ANALYZE menpont REGRESSlON almenjnek CURVE ESTlMATlON.
parancsra (86. bra).
A megjelent panelben a bal oldali ablakbl (87. bra) vlasszuk ki a fggetlen
vltozt (k0ck szma) s a nyilacska segtsgvel tegyk t a VARlABLE
ablakba, majd a fgg vltozt (testt7meg termels) a DEPENDENT(S) ablakba.
- 2l3 -
'%. ra. * l0garitmikus regresszi,s 2?ggvny illesztsnek
parancss0ra
'&. ra. * l0garitmikus regresszi,s 2?ggvny illesztse :O::-en
- 2l4 -
A MODELS rszben van arra lehetsg, hogy a klnbz regresszis
fggvnyek kzl vlasszunk (egyszerre tbb regresszis fggvnyt is
kijellhetnk). Jelljk meg a LOGARlTHMlC fggvnyt.
Ms belltsokat is vgezhetnk. Ha azt akarjuk, hogy a program a konstans
tagra is adjon becslst, akkor az lNCLUDE CONSTANT lN EQUATlON mellett hagyjuk
meg az alapbelltsban megjelen pipt. A PLOT MODELS megjellsvel (ami
szintn alapbellts) a program grafikusan jelenti meg a megfigyelsi
pontokra illesztett, ltalunk kivlasztott regresszis fggvnyt. A DlSPLAY ANOVA
TABLE megjellsvel variancia tblt kszttetnk a programmal.
''. ra. * :*H6 parancs ell.tsai
A SAVE parancsra kattintva (88. bra) a kvetkez belltsokra van
lehetsgnk:
PREDlCTED VALUES: Megjellve a regresszis fggvny ltal becslt
y6
rtkeket
rja ki a program az adatmtrixba j vltozknt FlT_l nv alatt.
RESlDUALS: Ha bejelljk, akkor a maradkok egy kln vltozban jelennek
meg az adatmtrixban ERR_l nv alatt.
12". tlzat. * l0garitmikus regresszi,s 2?ggvny 7ssze20glal,
tlzata
Mo%el S-mmary
H976 H953 H949 H722
T T S$u"re
<&/uste& T
S$u"re
St&. Error o;
t!e Est50"te
-!e 5n&eBen&ent )"r5"@.e 5s < Doc3D s430" (&@).
- 2l5 -
PREDlCTlON lNTERVALS: Kipilva, a megadott szignifikancia szinten
(alapbelltsban 95%), akkor kt jabb vltozban (LCL_2 s UCL_2)
vltoznv alatt a konfidencia intervallum hatrait adja meg a program.
A bemutatott belltsok mindegyikt megjellve futtassuk a programot, majd
elemezzk az Output ablakban megjelent tblzatokat s a kapott brt.
A l23. tblzat els oszlopa tartalmazza a lineris korrelcis egytthat
rtkt
( ) 96 " 0 r
. A msodik oszlopban a determincis egytthat rtkt
( ) 95 " 0
2
r ltjuk, ami szerint a modell 95%-ban tudja magyarzni az
y
rtkek
eltrs ngyzetsszegt. Ez j eredmnynek tekinthet, hiszen csak 5% a
hibbl add eltrs. A harmadik oszlop a korriglt
2
r
adja, mg az utols
oszlopban a regresszis modell standard hibja szerepel.
A l24. tlzat az ANOVA tblzat, amely tartalmazza tbbek kztt az
eltrs- s tlagos ngyzetsszegeket, az + -prba rtkt (ezek korbban
ismertetsre kerltek). Az utols oszlop jelenti szmunkra a legfontosabb
informcit, innen olvashat le, hogy a kivlasztott modell helyes-e. A
nullhipotzis szerint az
y6
rtkek vletlenszeren szrdnak. Mivel a
szignifikancia rtk kisebb 0,05-nl, gy elvetjk a nullhipotzist, teht a
logaritmikus modellnk helyes.
12#. tlzat. * l0garitmikus regresszi,s 2?ggvny illesztshez
tart0z, *FAH* tlzat
#5O6#
137H415 1 137H415 263H379 H000
6H783 13 H522
144H197 14
Te8ress5on
Tes5&u".
-ot".
Su0 o;
S$u"res
&; +e"n S$u"re # S58.
-!e 5n&eBen&ent )"r5"@.e 5s < Doc3D s430" (&@).
A l24. tblzat,l a regresszis paramtereket
( ) G
s azok tesztelst kapjuk
meg
( ) S9@
. A ,k0ck szma" sorban a
1
6
P paramter becslt rtkt ltjuk, mg
a konstans (M0nstans) sorban a
0
egytthat rtke olvashat le.

- 2l6 -
12$. tlzat. * paramtereket megad, tlzat
,oe77)2)ents
3H289 H203 H976 16H229 H000
-6H151 H973 -6H319 H000
< Doc3D s430"
(Const"nt)
E St&. Error
>nst"n&"r&54e&
Coe;;5c5ents
Eet"
St"n&"r&54e&
Coe;;5c5ents t S58.
A paramterek alapjn a regresszis egyenlet:
115 " 6 ?: 2.9 " * 6 2 y
.
A kapott regresszis grbe egyenlete alapjn megbecslhetjk pldul azt,
hogy 250 darabos kocaltszmhoz mekkora testtmegtermels trsul. A
fggvnybe helyettestve az 250 2 -et megkaphatjuk a testtmegtermelst:
115 " 6 250 ?: 2.9 " * 6 y
, ahonnan
+5 " 12 6 y
.
Megllapthatjuk, hogy a kocaltszm 250 darabra nvelsvel a
testtmegtermels
100 +5 " 12
kg lesz.
A kiszmtott rtkeket, azaz a program ltal a ponthalmazra illesztett
logaritmikus fggvnyt a 89. bra mutatja.
'(. ra. *z empirikus adat0kra illesztett l0garitmikus 2?ggvny
A nemlineris, de linearizlhat kapcsolatok esetben a korrelcis index
szolgl mrszmul a kt vltoz kztti kapcsolat jellemzsre, amit az
- 2l7 -
( )

n
i
i
n
i
i
y y
e
A
1
2
1
2
1
kplettel rtelmeztnk (
i i i
y y e 6
). Elszr meghatrozzuk a korrelcis
indexet, a transzformlt vltozk kztti lineris korrelcis egytthatt, majd
rtelmezzk a kapott eredmnyeket.
A szmtshoz szksges rszeredmnyeket a l26. tlzat tartalmazza.
12%. tlzat. * k0rrelci,s index kiszm.tsh0z sz?ksges
munkatla
i
2
i
y
i
y6
i
e
( )
2
i
e
( ) y y
i

( )
2
y y
i

l 29 3,7 4,96 -l,26 l,588 -5,65 3l,923
2 32 6,4 5,28 l,l2 l,246 -2,95 8,703
3 39 5,6 5,93 -0,33 0,ll2 -3,75 l4,063
4 4l 6,7 6,l0 0,60 0,36l -2,65 7,023
5 45 7,2 6,4l 0,79 0,632 -2,l5 4,623
6 62 7,6 7,46 0,l4 0,020 -l,75 3,063
7 l02 8,7 9,l0 -0,40 0,l57 -0,65 0,423
8 l45 9,4 l0,25 -0,85 0,728 0,05 0,003
9 l55 9,8 l0,47 -0,67 0,453 0,45 0,203
l0 l76 l0,2 l0,89 -0,69 0,477 0,85 0,722
ll 2l0 ll,3 ll,47 -0,l7 0,029 l,95 3,803
l2 270 ll,9 l2,30 -0,40 0,l59 2,55 6,503
l3 358 l3,7 l3,23 0,47 0,225 4,35 l8,923
l4 370 l3,9 l3,33 0,57 0,320 4,55 20,703
l5 408 l4,2 l3,66 0,54 0,296 4,85 23,523
Z -- l40,3
l40,8
4
-- 6,802 --
l44,l9
8
tla
g
-- 9,35 -- -- -- -- --
A l26. tlzat adatait helyettestsk be a korrelcis index kpletbe:
- 2l8 -
( )
. 961 " 0
19. " 1++
.02 " 6
1 1
1
2
1
2

n
i
i i
n
i
i
y y
e
A
Az eredmny nagyon ers nemlineris korrelcis kapcsolatra utal. Ez azt
jelenti, hogy a kock testtmeg-termelse s a ltszm kztt szoros
kapcsolat ll fenn.
6xponenci.lis re$ress)i-
Kt kvantitatv vltoz kztti kapcsolat exponencilis fggvnnyel adhat
meg, ha a fggetlen
2
vltoz egysgnyi nvekedse hatsra a fgg
y

vltoz konstans rtkkel szorzdik, vagyis konstans szzalkos rtkkel
vltozik.
Exponencilis fggvnnyel rhat le pl. a termszet szmos trvnyszersge,
a biolgiban ltalban a fejlds kezdeti szakasza jellemezhet
exponencilis fggvnnyel. Ekkor a fggetlen vltoz ltalban az id, a
vizsglt llny letkora, a fejlds egymst kvet szakaszai stb., mg a
fgg vltoz a mrt tulajdonsg.
Az exponencilis regresszi bemutatshoz vizsgljuk meg, hogy a talaj
klnbz mlysge (cm) s a bza gykrtmege (g/m
2
) kztt milyen jelleg
kapcsolat van. Az adatokat a l27. tblzat tartalmazza.
12&. tlzat. * 2eladath0z tart0z, adattlzat
Mlysg (cm) Gykrtmeg
(g/m
2
)
0l0 26,87
l0,l20 l5,66
20,l30 6,l8
30,l40 2,9
40,l50 l,5
50,l60 0,65
60,l70 0,28
70,l80 0,l3
80,l90 0,06
90,ll00 0,03
F0rrs! :HWB QWFA: 31('14, "'1. 0.
A talaj mlysghez tartoz adatok intervallumban s cm mrtkegysgben,
mg a gykrslyhoz tartoz adatok g/m
2
-ben vannak megadva. A
- 2l9 -
talajmlysghez tartoz adatokat alaktsuk t konkrt rtkekre gy, hogy a 0
l0 cm-es intervallumhoz rendeljk az l dm, a l0,l20 cm-es intervallumhoz a
2 dm stb. adatokat. A gykrtmeg adatokat vltsuk t mg/m
2
-re (l28.
tblzat).
12'. tlzat. * 2eladath0z tart0z, adat0k a transz20rmci, utn
Mlysg (dm)
2
Gykrtmeg
(mg/m
2
)
y
y ?:
l 26870 l0,20
2 l5660 9,66
3 6l80 8,73
4 2900 7,97
5 l500 7,3l
6 650 6,48
7 280 5,63
8 l30 4,87
9 60 4,09
l0 30 3,40
Ezeket az adatokat vigyk be az SPSS tblba s mentsk el
,6xp0nencialisUregresszi0.sav" nv alatt. Elsknt brzoljuk pontdiagramon
a pont-prokat (90. bra).
A kapott pontok elhelyezkedse alapjn lthat, hogy a ponthalmazra
leginkbb illeszked fggvny ebben az esetben az exponencilis fggvny.
Az exponencilis regresszis fggvny alakja:
2
P P y
1 0
6 6
6 . A fggvny
logaritmikus transzformci segtsgvel a kvetkez lineris sszefggs
alakthat:
?A@ y=?A@

P
0
2?A@

P
1
.
(A transzformcihoz tetszleges alap logaritmust hasznlhatunk.) Az
exponencilis regresszis fggvny paramtereit kzi szmtsokkal gy
hatrozhatjuk meg, hogy alkalmazzuk a lineris regresszinl tanultakat a
transzformlt vltozkra, majd a kapott eredmnyeket visszatranszformljuk.
Knnyen ellenrizhetjk, hogy a vltozk kztti kapcsolat valban az
exponencilis fggvnnyel kzelthet-e. Ehhez vegyk az
y
rtkeknek pl. a
termszetes alap logaritmust
( ) y ?:
s az
2
, valamint
y ?:
adat-prokbl
ksztsnk grafikont. Amennyiben a vzszintes tengely beosztsa az
2

vltoz termszetes lptke, a fggleges beosztsa pedig a logaritmus s a
kapott pont-prok egy kpzeletbeli egyenes mentn helyezkednek el, akkor az
- 220 -
sszefggs exponencilis (9l. bra). Ha az adat-prok elhelyezkedsben
,hajls" tallhat, akkor az sszefggs nem exponencilis, ms regresszis
fggvnyt kell keresni.
10 8 6 4 2 0
< t"."/ 02.%s28e (&0)
30000
25000
20000
15000
10000
5000
0
<

@
K
4
"

8
%
L
D
2
r
t
L
0
e
8
e

(
0
8
0
2
)
(0. ra. * vlt0z,k k7z7tti p0ntdiagram
Az SPSS-ben az exponencilis illesztst ugyangy vgezzk, mint azt tettk
pl. a logaritmikus regresszifggvny alkalmazsnl. Kattintsuk vgig az
albbi parancssort: ANALYZE/REGRESSlON/CURVE ESTlMATlON.. A megjelen
panelban (92. bra) vlasszuk ki a fggetlen vltozt (Y* tala+ mlysgeZ) amit
a VARlABLE mezbe helyezznk, a fgg vltozt (Y* Iza gy7krt7megeZ4 a
DEPENDENT(S) ablakba tegyk. Most vlasszuk ki az EXPONENTlAL fggvnyt, majd
futtassuk le a programot.
- 22l -
10 8 6 4 2 0
< t"."/ 02.%s28e (&0)
10H00
8H00
6H00
4H00
.
n
V
8
%
o
D
e
r
t
o
0
e
8
(1. ra. * vlt0z,k k7z7tti p0ntdiagram
(2. ra. *z exp0nencilis regresszi, ell.tsai
Az exponencilis regresszis fggvny illesztse utn elemezzk a l29.
tblzat0t.
- 222 -
12(. tlzat. *z exp0nencilis regresszi,s 2?ggvny illesztshez
tart0z, tlzat
Mo%el S-mmary an% Parameter Est)mates
Dependent Variable: A bza gykrtmege (g/m2)
H999 8872H148 1 8 H000 64706H304 -H771
E$u"t5on
EABonent5".
T S$u"re # &;1 &;2 S58.
+o&e. Su00"r%
Const"nt @1
:"r"0eter Est50"tes
-!e 5n&eBen&ent )"r5"@.e 5s < t"."/ 02.%s28e (&0).
Az els oszlopban lv determincis rtk ( ) 999 " 0
2
r alapjn azt
mondhatjuk, hogy, a modell majdnem l00%-ban tudja magyarzni az
y

rtkek eltrs ngyzetsszegt. A szignifikancia oszlopban a regresszis
modell helyessgt tesztelve kapjuk, hogy az exponencilis modell
megfelelen rja le a vizsglt jelensget
( ) 05 " 0 < $
. Az utols kt oszlopbl
tudjuk megadni a keresett paramterrtkeket.
(". ra. *z exp0nencilis regresszi, 2?ggvny
A konstans (Constant) oszlopban a 0
6
P
egytthat rtkt ltjuk, mg a
1
b

oszlophoz tartoz rtkbl a
1
6
P paramtert a
1
1
6
b
e P helyettestssel kapjuk,
ugyanis az SPSS az exponencilis fggvnyt
t b
e b y

1
0
alakban illeszti. lgy a
- 223 -
becslt regresszis paramterek
*0+ " 6+06
6
0
P
s +6* " 0
6
1
P , ezzel az illesztet
regresszis fggvny:
2
y +6* " 0 *0+ " 6+06 6 .
A kapott regresszis egyenlet alapjn azt mondjuk, hogy a gykrsly l0 cm-
enknt a megelz l0 cm gykrslynak 0,463-szorosa, vagyis kevesebb,
mint a fele.
Az exponencilis regresszis fggvnyt a 93. bra mutatja.
O%&?<#)1+&"?G, $"($",,2+D
Hatvnykitevs regresszit kt kvantitatv vltoz kztt akkor alkalmazunk,
ha a fggetlen
2
vltoz szorzatos (szzalkos) nvekedsvel a fgg
y

vltoz is szorzatosan (szzalkosan) vltozik. A hatvnyfggvny szerinti
regresszis kapcsolatot knnyen felismerhetjk, ugyanis akkor tallkozunk
vele, amikor mindkt vltoz pl. idegysgben, venknt stb. exponencilisan
vltozik.
Hatvnyfggvny-kapcsolat szokott lenni pl. klnbz testrszek fejldse
kztt, a krokozk terjedse s a szimptmk, valamint a betegsgek
szimptmi s az okozott kr kztt stb.
A hatvnykitevs regresszifggvny alakja:
1
6
0
6
6

2 y
.
Ezt a fggvnyt elssorban akkor hasznljuk, ha az
2
s
y
vltozk
logaritmusai kztt van lineris sszefggs. A
1
6
0
6
6

2 y
sszefggst
logaritmikus transzformci segtsgvel visszavezethetjk lineris alakra.
Ha mindkt oldalnak vesszk a logaritmust, akkor az albbi sszefggshez
jutunk:
?A@ y=?A@

P
0

P
1
?A@ 2 .
Ha bevezetjk a kvetkez jellseket:
y y 6 6 ?A@
,
0 0
6 6
?A@ s
2 2 ?A@
,
akkor a regresszis fggvny az albbi alakban rhat fel:

+ 2 y
1 0
6 6
6
.
A transzformlt modell megoldsa utn a
0
6
rtket kell a
0
6
?A@ megfelel
alap hatvnyozsval kiszmtani, ugyanis a
1
6
-et kzvetlenl megkapjuk.
- 224 -
Mivel a

+ 2 y
1 0
6 6
6 egyenlet ,hasonlatos" a lineris regresszinl kapott
2 y +
1 0
6 6
6 egyenlethez, gy a
0
6
s
1
6
becslsek ha a szmtsokat kzzel
vgeznnk, az albbi norml-egyenletekbl nyernnk

+
n
i
i
n
i
i
y 2 n
1 1
1 0
6
6 6

( )

+
i
n
i
i
n
i
i
n
i
i
y 2 2 2 6
6 6
1 1
2
1
1
0

.
A hatvnykitevs regresszi vizsglathoz bvtsk ki az elz feladatunkat
azzal, hogy megadjuk a gykrtmeghez tartoz gykrfellet-adatokat.
Nzzk meg, hogy milyen sszefggsben van egymssal a gykrtmeg s
a gykrfellet a talaj klnbz szintjeiben. A gykrtmeg (mg/m
2
) vltoz a
fggetlen vltoz
( ) 2
, a gykrfellet (dm
2
) pedig a fgg
( ) y
vltoz (l30.
tblzat4.
1"0. tlzat. *laptlzat a hatvny2?ggvny szerinti 7ssze2?ggs-
vizsglath0z
Mlysg
(cm)
Gykrtmeg
(mg/m
2
)
2
Gykrfellet
(dm
2
)
y
0l0 26870 4472
l0,l20 l5660 4l52
20,l30 6l80 l728
30,l40 2900 904
40,l50 l500 472
50,l60 650 260
60,l70 280 48
70,l80 l30 39
80,l90 60 24
90,ll00 30 l2
F0rrs! :HWB QWFA: 31('14, "'%. 0.
Az adatokat tartalmaz ,=atvanyUregresszi0.sav" fjlt nyissuk meg s
brzoljuk az adat-prok sszefggst (#(. ra).
- 225 -
30000 25000 20000 15000 10000 5000 0
G%LD2rtL0e8 (08 02)
5000
4000
3000
2000
1000
0
G
%
L
D
2
r
;
e
.
G
.
e
t

(
&
0
2
)
(#. ra. *z adat-pr0k p0ntdiagram+a
Megvizsglva a #(. rt lthat, hogy a kisebb rtkek nagyon
sszetmrlnek, s csak nehezen vehet ki az adat-prok elhelyezkedse.
llyenkor clszer az
2
s
y
rtkek logaritmuss alaktott rtkeibl
kszteni brt ( 2 ?: -bl s
y ?:
-bl), amelynek egyenest kell adnia. Ha
ugyanis az adat-prok nem egy kpzeletbeli egyenes mentn helyezkednek
el, hanem grbe vonalat mutatnak, akkor az sszefggs trvnyszersge
nem kveti a hatvnyfggvnyt, s ms fggvnyt kell vlasztani.
El kell kszteni a vltozk termszetes alap logaritmusait, amihez
kattintsunk a TRANSFORM men COMPUTE. parancsra.
A megjelent panelban (95. bra) a TARGET VARlABLE mezbe rjuk az j vltoz
nevt, ami elszr legyen ,lnx". Ezt kveten a FUNCTlON GROUP ablakban
vlasszuk ki az ALL funkcit, ami azokat a fggvnyeket s specilis vltozkat
jelent meg, amelyek be vannak ptve az SPSS-be. Ezek kzl vlasszuk ki a
termszetes alap logaritmus fggvnyt (LN), majd a nyilacska segtsgvel
helyezzk ezt a fggvnyt a NUMERlC EXPRESSlON ablakba.
- 226 -
($. ra. * )rans20rm men? M0mputeV parancsa, ah0l I+
vlt0z,kat de2inilunk
Ekkor az LN szimblum utn megjelenik egy zrjel, ahov helyezzk a bal
oldalon lv vltozkat tartalmaz ablakbl a ,gy7krt7meg" vltozt. A
belltsok utn az OK gombbal hagyjuk jv az j vltoz definilst, aminek
kvetkeztben az adatmtrixban megjelenik az j vltoznk az rtkeivel
egytt. Ugyanezt a mveletet vgezzk el az
y ?:
fggvny elksztsre is,
majd nzzk meg a 96. bra adatmtrixnak alakulst.
A kapott kt j vltozval ksztsnk pontdiagramot, melynek eredmnyt az
97. bra mutatja.
- 227 -
(%. ra. *z I+ vlt0z,k de2inilsa utn az :O:: Data Hiew alaka
10H00 8H00 6H00 4H00
.nA
9H00
8H00
7H00
6H00
5H00
4H00
3H00
2H00
.
n
%
T S$ L5ne"r *0H985
(&. ra. * vlt0z,k 3gy7krt7meg s 2el?let4 termszetes alapI
l0garitmusai k7z7tti 7ssze2?ggse.
- 228 -
Az bra alapjn elmondhatjuk a fentiekkel sszhangban , hogy a
hatvnykitevs regresszi fggvny illesztse megfelelnek tnik.
Vgezzk el a regresszis fggvny illesztst, amihez kattintsunk az ANALYZE
menpont REGRESSlON almenjnek CURVE ESTlMATlON. parancsra. A megjelent
panelban (98. bra) a VARlABLE mezbe helyezzk a fggetlen vltozt, ami a
,gyktmeg", mg a DEPENDENT(S) ablakba a ,gykrfellet" vltozt helyezzk.
A MODELS rszben most a POWER fggvnyt vlasszuk, ez a hatvnykitevs
regresszi-fggvny.
('. ra. * hatvnykitevs regresszi,-2?ggvny illesztsnek
ell.tsa
A belltsok s a szmtsok elvgzse utn nzzk meg a kapott eredmnyt
a l3l. tblzat alapjn. Ebbl a tblzatbl olvashatjuk azt ki, hogy megfelel-
e a modellnk, valamint hogyan alakulnak a paramterrtkek.
1"1. tlzat. * hatvnykitevs regresszi, paramterei
Dependent Variable: Gykrfellet (dm2)
H985 517H285 1 8 H000 H476 H927
E$u"t5on
:oWer
T S$u"re # &;1 &;2 S58.
+o&e. Su00"r%
Const"nt @1
:"r"0eter Est50"tes
-!e 5n&eBen&ent )"r5"@.e 5s G%LD2rtL0e8 (0802).
- 229 -
A paramterek becslse az utols kt oszlopbl olvashat le:
+6 " 0
6
0
P
s
92 " 0
6
1
P , gy a keresett hatvnykitevs regresszi fggvny alakja:
92 " 0
+6 " 0 6 2 y
.
A determincis egytthat rtke 0,985, ez alapjn azt mondhatjuk, hogy a
modell kzeltleg 99%-ban tudja magyarzni az
y
rtkek eltrs
ngyzetsszegt. A szignifikancia oszlopban a regresszis modell
helyessgt tesztelve azt kapjuk
( ) 05 " 0 < $
, hogy a hatvnykitevs modell
megfelelen rja le a vizsglt jelensget. Elmondhatjuk mg, mivel
1
6
P rtke
kisebb mint l, hogy a gykrfellet nvekedse lassbb, mint a gykrtmeg
nvekedse.
+araboli*us re$ress)i-
A parabolikus regresszi vizsglatra hasznljuk a l32. tblzat adatait.
Vizsgljuk meg a kukorica tszmnvekedsnek a hatst a csves terms
mennyisgre. A gyakorlat azt mutatja, ha egy adott terleten nveljk a
tszmot, a termsmennyisg egy bizonyos pontig nvekszik, azutn
cskken. A krds azonban az, hogy meddig lehet srteni a kukorict
termscskkens nlkl.
1"2. tlzat. * 2eladath0z tart0z, adattlzat
Tszm
(ezer db/ha)
Csves termstlag
(kg/parcella)
Sze SC 352,FAO 340
20 l,99
30 2,24
40 2,57
50 2,75
60 3,29
70 3,l0
80 3,29
90 3,3l
l00 3,07
F0rrs! =CG:H*5 K. 3200"4
Az SPSS-ben is ksztsk el az adatfjlt, ennek neve legye
,Oara0likusUregresszi0". Els lpsknt brzoljuk a pont-prokat, ezt a 99.
bra tartalmazza.
- 230 -
100 80 60 40 20
-6s430 (e4er &@ !")
3H00
2H50
2H00
C
s
L
)
e
s
t
e
r
0
2
s

3
t
.
"
8

(
D
8
B
"
r
c
e
.
.
"
)
((. ra. * vlt0z,k k7z7tti p0ntdiagram
A pontfelh elhelyezkedse alapjn leginkbb a msodfok fggvny
illeszkedik a ponthalmazra. A parabolikus regresszis fggvny alakja:
2
2 1 0
6 6 6
6 2 2 y + + .
A regresszis fggvny illesztshez kattintsunk az ANALYZE menpont
REGRESSlON almenjnek CURVE ESTlMATlON. parancsra, ahol a megjelent
panelban a 100. ra szerint vgezzk el a belltsokat.
A modellhez tartoz determincis egytthat rtke 0,974, ami azt jelenti,
hogy kzel 97%-ban tudja magyarzni a modell az
y
rtkek eltrs
ngyzetsszegt. A szignifikancia oszlopban a regresszis modell
helyessgt tesztelve kapjuk, hogy a msodfok modell megfelelen rja le a
vizsglt jelensget.
- 23l -
100. ra. Oara0likus regresszi,s 2?ggvny illesztse
Az utols hrom oszlopbl tudjuk megadni a keresett paramtereket (l33.
tblzat).
1"". tlzat. * para0likus regresszi, paramterei
Dependent Variable: Csvesterms tlag (kg/parcella)
.3!4 53H340 2 6 H000 .310 .0"4 -.000!
E$u"t5on
9u"&r"t5c
; S=-are # &;1 &;2 S58.
+o&e. Su00"r%
,onstant *1 *2
:"r"0eter Est50"tes
-!e 5n&eBen&ent )"r5"@.e 5s -Ms430 (e4er &@!").
A szmtott paramterek alapjn a parabolikus regresszifggvny:
2
000*+ " 0 05 " 0 91 " 0 6 2 2 y +
alakban rhat fel, mg az illeszts eredmnyekppen az l0l. bra mutatja a
parabolikus regresszis fggvnyt. A fggvny alakjbl azt a kvetkeztetst
vonhatjuk le, hogy a hektronknti tszm nvelse csak egy bizonyos pontig
jr egytt a hektronknti csves terms mennyisgnek nvekedsvel.
Amennyiben meghatrozzuk a fggvny maximum pontjt, megllapthatjuk,
hogy mennyi az a hektronknti tszmrtk, ami mg a termst nveli.
- 232 -
101. ra. *z empirikus adat0kra illesztett para0likus
regresszi,2?ggvny
A fggvny szlsrtkhelynek meghatrozsa differencil-szmts
segtsgvel trtnik. Egy fggvnynek ott lehet szlsrtkhelye, ahol az els
derivltja nulla. lsmerjk az illesztet fggvnyt:
2
000*+ " 0 05 " 0 91 " 0 6 2 2 y + ,
ezt kell derivlnunk. A derivlt-fggvny:
2 y 0006. " 0 05 " 0 6
. Egyenlv tve
a kifejezst nullval, majd megoldva az egyenletet az
.2 " .* 2
rtket kapjuk.
Ebben a pontban a fggvnynek akkor van biztosan szlsrtk-helye, ha a
msodik derivlt rtke nem nulla. Mivel a msodik derivlt ezen a helyen
kisebb, mint nulla, gy a msodfok fggvnynek ezen a helyen maximuma
van.
Hatrozzuk meg a 83,82 ezer/ha tszmhoz tartoz csves terms
mennyisgt (kg/parcella). A tszm rtket behelyettestve a regresszis
fggvny kpletbe megkapjuk azt a termsmennyisget, ami az adott
tszmhoz trsul:
299 " * .2 " .* 000*+ " 0 .2 " .* 05 " 0 91 " 0
2
+
.
Ez azt jelenti, hogy az elrhet legmagasabb terms 3,299 kg/parcella csves
terms.
- 233 -
L+#"<$+,$% #"* ?+,,2%?"2"&B"&G L,,2"AI((-,"1 ?+2,(<0%&%
Lo$is)ti*us fC$$04ny
A biolgia egyik legltalnosabb s legfontosabb trvnyszersgt fejezi ki a
logisztikus fggvny, amely jellemzje, hogy a fgg vltoz eleinte lassan,
majd mind gyorsabban nvekszik, aztn a nvekedse lelassul s egy fels
hatr, a maximum fel kzeledik.
1"#. tlzat. * n7vny t7megnek gyarap0dsa
Sorsz
m
Eltelt napok
szma
( ) 2
A nvny tmege
(gramm)
( ) y
l l 0,l9
2 7 0,96
3 l4 3,0l
4 2l 6,59
5 28 l2,25
6 35 l9,73
7 42 30,30
8 49 43,l4
9 56 57,06
l0 63 73,44
ll 70 89,99
l2 77 l04,97
l3 84 ll8,24
l4 9l l29,55
l5 98 l4l,46
l6 l05 l55,40
l7 ll2 l66,84
l8 ll9 l75,32
l9 l26 l8l,74
20 l33 l86,06
2l l40 l87,76
F0rrs! =uzsvai K. kzirat
A logisztikus fggvny megadshoz az
m
y
y
+
1
6
6
8BC
(
2
e m
+
1 0
6

, 8BC
6 y
: teltdsi
szint, a fggvny fels aszimptotja) kplettel definilt becslfggvnyt fogjuk
hasznlni.
Kukorica nvnyek tmegnek nvekedst vizsgltk. A kels els napjtl
kezdve hetente mrtk a nvnyeket, az adatokat grammban jegyeztk fel.
- 234 -
Milyen fggvnnyel rhat le a kukorica nvekedse? Az adatokat az l34.
tblzatan kzljk.
Ksztsnk az adatokbl SPSS fjlt s mentsk el
,K0gisztikusUregresszi0.sav" nv alatt. Kezdjk a vizsglatot a vltozk kztti
pontdiagram elksztsvel (l02. bra).
140 120 100 80 60 40 20 0
<4 e.te.t n"BoD s430"
200H00
150H00
100H00
50H00
0H00
<

D
u
D
o
r
5
c
"

n
L
)
2
n
%
e
8
%
e
&

t
L
0
e
8
e

(
8
r
"
0
0
)
102. ra. 1uk0rica n7vnyegyed n7vekedse
Az adatok brzolsa alapjn a logisztikus fggvnykapcsolat ltszik a
legmegfelelbbnek a napok szma s a nvny tmege kztti kapcsolat
lersra, ugyanis a megfigyelt rtkek jellemzen elszr lassan, majd egyre
gyorsabban nvekednek, azutn ismt lassulnak, majd egy fels hatr fel
kzeltenek.
A lo$is)ti*us fC$$04ny para!4tereine* !e$%at.ro).sa
A megfigyelt ponthalmazra illeszked logisztikus fggvnyt ebben az esetben
a korbban lertakkal sszhangban az:
2 P P
e
y
y
+
+
1 0
6 6
8BC
1
6
6
- 235 -
kplet alapjn keressk. (Ahogy n az
2
rtke, a fggvny rtke is
llandan n, az
2
-nek vgtelen nagy rtkre a fggvny hatrrtke 8BC
6 y

lesz.)
Feladatunk az lesz, hogy meghatrozzuk az
0 8BC
6
" 6 P y
s
1
6
P paramterek
rtkeit. Mivel a logisztikus trend paramtereinek a meghatrozsa a
legkisebb ngyzetek mdszere szerint igen bonyolult, ezrt egy kevsb
egzakt mdszert mutatunk be, az n. ,hr0m kivlaszt0tt p0nt m,dszert". Ennek
a mdszernek a lnyege, hogy az emltett hrom szakaszra jellemz helyen
kivlasztunk hrom pontot, amelyek egymstl kzeltleg azonos tvolsgra
vannak (ezeket a pontokat a l34. tblzatan kiemelten jelltk). A hrom pontot
jelljk
m 2 m 2 2 2 " "
0 0 0
+ +
szimblumokkal, ahol
m
a kivlasztott pontok
egymstl val tvolsgt jelenti s
0
0
2
. A pontok kivlaszts utn meg kell
hatrozni a kivlasztott pontok krnyezethez tartoz tlagos adatokat
( )
m 2 m 2 2
y y y
2
0 0 0
" "
+ + . Ezek utn van aztn arra lehetsg, hogy a fggvny
paramtereit meghatrozzuk, amelyhez a kvetkez sszefggseket hasznljuk
fel:
( )
m 2
m 2 2
m 2 2
m 2
m 2 m 2 2
y y y
y y y y y y
y
+
+
+
+
+ +

+
0
0 0
0 0
0
0 0 0
2
2
2
2
2
8BC
2
6
,
_
0
0
8BC
0
6
?:
6
2
2
y
y y
P
( )
( )

,
_

+
+
0 0
0 0
8BC
8BC
1
6
6 6
?:
1
6
2 m 2
m 2 2
y y y
y y y
m
P
.
Els lpsknt adjuk meg az nknyesen kivlasztott hrom pontot
( ) m 2 m 2 2 2 " "
0 0 0
+ +
, amelyek egymstl nagyjbl azonos tvolsgra legyenek
s gy vlasszuk meg a pontokat, hogy 0
2
a kisebb,
m 2 +
0 a kzps s
m 2 2
0
+
a legnagyobb rtkekhez tartozzanak.. A paramterek
meghatrozshoz szksges szmtsokat a l35. tblzatan foglaltuk
ssze.
- 236 -
1"$. tlzat. * l0gisztikus trend2?ggvny illesztshez sz?ksges
rszeredmnyek
A kivlasztott
pontok
sorszma
A pontok j
jellse
3&0%(:1
( )
m 2 m 2 2
y y y
2
0 0 0
" "
+ +
2
0
0
2
2. " 1
2
2
01 " *
96 " 0
2
19 " 0
0

+ +
y
ll
9
0
+m 2
6 " .9
2
2
9 " 10+
99 " .9
2
++ " *
9

+ +
y
20
1. 2
0
+ m 2
+05 " 1.5
2
2
6 " 1.
06 " 1.6
2
+ " 1.1
1.

+ +
y
A tblzat adatait helyettestsk be a paramtereket megad kpletekbe:
( ) ( )
( )
91 " 1.9
6 " .9 +05 " 1.5 2. " 1
+05 " 1.5 2. " 1 6 " .9 +05 " 1.5 6 " .9 2. " 1 2
6
2
2
8BC

+
y
;
9 " +
2. " 1
2. " 1 91 " 1.6
?:
6
0

,
_

;
( )
( )
5+* " 0
2. " 1 91 " 1.6 6 " .9
6 " .9 91 " 1.6 2. " 1
?:
9
1
6
1

,
_

.
A logisztikus trendfggvny paramterei:
91 " 1.6 6
8BC
y
; 9 " +
6
1
s
5+* " 0
6
0

. A paramterekkel a logisztikus trendfggvny:
2
e
y

+
5+* " 0 9 " +

1
91 " 1.6
6
,
ahol
2
a sorszm, s a kiindulpont az 2 2 .
Az empirikus s a fentebb szmolt fggvny alapjn kapott adatokat az l03.
bra mutatja.
- 237 -
0
20
40
60
80
100
120
140
160
180
200
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sors430
<

n
L
)
2
n
%

t
L
0
e
8
e

(
8
r
"
0
0
)
E0B5r5Dus S430o.t
10". ra. 1uk0rica n7vnyegyed n7vekedse az empirikus s a
szm0lt adat0kkal
A logisztikus regresszis-fggvny meghatrozsnak ez a mdszere
nknyes elemeket tartalmazott, gy joggal merl fel a krds, hogy mennyire
megbzhat ez a mdszer.
Az SPSS-ben a nemlineris regresszi elvgzshez kattintsunk az ANALYZE,
REGRESSlON, NONLlNEAR.menre. A megjelent panel (l04. bra) belltsait az
albbiak szerint vgezzk.
10#. ra. *z *nalyse 9 @egressi0n 9 F0nlinearV alak ell.tsai
A DEPENDENT mezbe rjuk a fgg vltozt (l04. bra). A MODEL EXPRESSlON
panelrszben a fgg vltoz becslsre alkalmas fggvnyt kell megadni,
aminek legalbb egy fggetlen vltozt kell tartalmaznia.
- 238 -
A PARAMETERS ablakban azokat a paramtereket adjuk meg, amiket
felhasznlunk a modellben. A regresszis fggvnyekben szerepl
paramterek kezdeti rtkeit neknk kell megbecslni s megadni, a program
csak ezutn, kzelt eljrst hasznlva hatrozza meg a paramterek legjobb
rtkt, gy, hogy a hiba eltrs ngyzetsszegt minimalizlja (az elz
rszben bemutatott kzi szmts eredmnyei segtsget adhatnak a
paramterek becslt rtkeinek megadshoz).
1"%. tlzat. * nemlineris panel parancsg0m+ai s az0k
2unkci,+a
Parancsgom
b
Funkci
Loss. PARAMETER CONSTRAlNTS: Lineris kifejezssekkel egy
vagy tbb paramter rtknek korltoz feltteleket
adhatunk meg.
Constraints
.
LOSS FUNCTlON: A regresszis egyenlet
meghatrozsnak mdjt hatrozhatjuk itt meg.
Alapesetben a maradkok eltrs
ngyzetsszegnek minimalizlsval folyik a
regresszis egyenlet meghatrozsa. Lehetsg van
ltalunk ksztett s definilt mdszerrel is
meghatrozni a regresszis fggvnyt (USER-DEFlNED
LOSS FUNCTlON). Ha pl. a keresett fggvny kpe
2 $ $ 9 +
2 1 , akkor a legkisebb ngyzetes eltrst gy
adhatjuk meg ( ) [ ]
2
2 1
C?A== 2 $ $ y + , az illeszts
sorn ezen rtkek sszegnek a minimalizlsa
folyik. Az xloss-ba csak paramterek is tartalmaz
fggvnyt rdemes megadni, hisz a szmtsok
sorn a
$
rtkek vltoznak, s csak ezek tudnak
konverglni a megadott felttelek szerint. Az SPSS-
ben a vltozk kztt megtallhatk a becslt s
maradk rtkek, PRED_ s RESlD_ jellssel.
Save. Ezzel a paranccsal elmenthetjk a becslt, maradk,
derivlt s ha volt az xloss fggvny rtkeit. Ezek
az rtkek j vltozknt az adatbzisban
megjelennek, s tovbbi elemzst vgezhetnk
rajtuk.
Options. Az OPTlONS az iterci mdszert s feltteleit lltja
be. Ebben a menpontban nem kapunk
automatikusan rajzot az illesztet grbrl, azrt a
becslt rtkek elmentse fontos. Az brzolst a
GRAPHS/SCATTER/OVERLAY menben vgezhetjk el. A
pontokat clszer a SPLlNE mdszerrel sszektni.
- 239 -
Az itercis eljrs alkalmazsa miatt az eredmny kismrtkben fgg a
paramterek kezdeti rtktl is.
Ha a megadott lpsszm utn nem kapunk j eredmnyt, vagyis az
2
R

rtke nagyon kicsi, akkor rdemes az odig kiszmtott paramtereket
megadni kezd paramterknt s jrakezdeni a szmtst.
A l04. bran lthat panelben alul mg ngy parancsgombot tallunk,
amelynek funkciit a kvetkez (l36. tblzatban) foglaltuk ssze.
Most vegyk sorba a ksrlethez tartoz belltsokat. A DEPENDENT mezbe a
,t7meg" vltozt helyezzk A MODEL EXPRESSlON ablakban berjuk a logisztikus
fggvny kplett, amelyhez segtsgl hasznljuk a beptett fggvnyeket
tartalmaz FUNCTlONS parancsot. A PAREMETERS ablakba magunk adjuk meg a
paramterek rtkeit, amivel a program a szmtsokat kezdi (l05. bra).
Fontos a becslt rtkek elmentse az illesztett grbe kirajzolshoz, valamint
mentsk el a hibatagokat is azok tovbbi vizsglata cljbl. Ezeket a SAVE.
parancsgombra kattintva megjelen panelban tehetjk meg.
A belltsok elvgzse utn elemezzk az Outputban megjelent tblzatokat.
Az iterci (l37. tblzat) a paramterek ltalunk megadott kezdeti rtkeibl
indul ki, s akkor ll le, amikor a hiba eltrs ngyzetsszege mr csak
.
10
-
on nagysgrend rtkkel cskkent.
10$. ra. *z *F*KL:69@6P@6::5AF9FAFK5F6*@ men?p0nt ell.tsa
- 240 -
1"&. tlzat. *z iterci, eredmnye
>terat)on ?)story
*
246851H26 190H000 3H000 H100
267535H3242127H405222H580 -3H304
267535H3220784H732104H123 -2H508
267535H3210576H229 47H467 -2H126
1931701H85706H070 20H449 -1H942
167850H14 477H234 1H196 -H273
167850H14 477H234 1H196 -H273
4425H993 297H872 1H060 -H221
4425H993 297H872 1H060 -H221
60134H657 100H866 H082 -H317
2912H611 267H339 H916 -H221
2912H611 267H339 H916 -H221
1897H044 219H410 H618 -H256
1897H044 219H410 H618 -H256
751H158 195H241 H343 -H314
751H158 195H241 H343 -H314
295H599 191H442 H233 -H356
295H599 191H442 H233 -H356
285H111 192H831 H236 -H355
285H111 192H831 H236 -H355
285H110 192H843 H236 -H355
285H110 192H843 H236 -H355
285H110 132./!! .2@ -.""
Cter"t5on
,u0@er
"
1.0
1.1
1.2
1.3
1.4
1.5
2.0
2.1
3.0
3.1
3.2
4.0
4.1
5.0
5.1
6.0
6.1
7.0
7.1
8.0
8.1
9.0
9.1
Tes5&u".
Su0 o;
S$u"res
:0 :1 :2
:"r"0eter
(er5)"t5)es "re c".cu."te& nu0er5c"..%.
+"/or 5ter"t5on nu0@er 5s &5sB."%e& to t!e .e;t o; t!e &ec50".H "n& 05nor
5ter"t5on nu0@er 5s to t!e r58!t o; t!e &ec50"..
".
Tun stoBBe& ";ter 23 0o&e. e)".u"t5ons "n& 9 &er5)"t5)e e)".u"t5ons
@ec"use t!e re."t5)e re&uct5on @etWeen success5)e res5&u". su0s o;
s$u"res 5s "t 0ost SSC?, * 1H00E-008.
@.
A
P1 P0"
s P2 oszlopok legutols sorbl tudjuk leolvasni a paramterek
rtkeit, ami azt jelenti, hogy az SPSS ltal szmolt P0 rtk l92,844, a
0"2*6 P1
s
0"*55 P*
.
A l38. tblzat megadja a kapott paramterek rtkeit, hibit s kzli a
konfidencia intervallum als s fels hatrt 95%-os megbzhatsgi szinten.
- 24l -
1"'. tlzat. * paramterek s az0k standard hii
Parameter Est)mates
192H844 3H229 186H061 199H627
H236 H051 H129 H343
-H355 H015 -H386 -H325
:"r"0eter
:0
:1
:2
Est50"te St&. Error
LoWer Eoun& >BBer Eoun&
95S Con;5&ence Cnter)".
Ez a programrsz nem szmt t-prbt a paramterekre vonatkozan, de a
konfidencia intervallum alapjn lehet dnteni (l38. tblzat). Mivel egyik
intervallum sem tartalmazza a 0-t, gy 95%-os megbzhatsgi szinten egyik
paramter rtke sem lehet 0-val egyenl.
Az ANOVA tblt a l39. tblzat tartalmazza.
1"(. tlzat. *z *FAH* tla s a determinci,s egy?tthat,
#5O6#
a
267250H212 3 89083H404
285H110 18 15H839
267535H322 21
98513H840 20
Source
Te8ress5on
Tes5&u".
>ncorrecte& -ot".
Correcte& -ot".
Su0 o; S$u"res &; +e"n S$u"res
(eBen&ent )"r5"@.eU E8% nL)2n% (8)
T s$u"re& * 1 - (Tes5&u". Su0 o; S$u"res) (Correcte& Su0 o; S$u"res)
* H997.
".
Nem szmol + -prbt a fggvny, de a kapott kt szrsngyzet
hnyadosbl ki tudjuk az + rtkt szmtani:
7iba
ell
<N
<N
+
8AD
.
A modell miatt szrsngyzet jval nagyobb, mint a hiba miatti, ezrt az +
rtk nagy lesz, vagyis miszerint az
y6
rtkek szrdsa vletlenszer,
biztosan elutastjuk.
Az
2
#
rtk alapjn azt mondhatjuk, hogy modellnk 99,7%-ban tudja
magyarzni az
y6
rtkek szrdst, azaz a modell nagyon j.
Az illesztett fggvny a becslt paramterek alapjn:
- 242 -
2
e
y

+
*55 " 0 1+ " +

1
.++ " 192
6
,
ahol
2
a sorszm.
10%. ra. * nemlineris regresszi, vgreha+tsa utn a v?lt
adattlzat
Az illesztett grbe kirajzolsa a GRAPHS / SCATTER / OVERLAY menben trtnik.
Erre akkor van lehetsgnk, ha a nemlineris regresszi Save.
belltsnl megjelltk a PREDlCTED VALUES s a RESlDUALS parancsokat. Ennek
hatsra ugyanis az SPSS DATA VlEW ablakban 2 j vltoz jelenik meg
PRED_ s RESlD_ vltoznevekkel (l06. bra).
A logisztikus regresszifggvny kirajzolshoz t7meg-nap0k s predU-nap0k
vltoz-prokat vigyk be (l07. bra).
- 243 -
10&. ra. *z P@*O=:9 :M*))6@ 9 AH6@K*L men?p0nt ell.tsai
A belltsok elvgzse utn futtassuk le a programot, majd megkapjuk azt az
brt, ami kzsen szemllteti az eredeti
y
s a szmolt
y6
rtkeket (l08.
bra).
- 244 -
10'. ra. *z empirikus
y
s a szm0lt
y6
rtkek k7z7s
p0ntdiagram+a
A program alapbelltsban nem kti ssze a pontokat, ha ez is cl, akkor azt
a grafikonszerkesztben llthatjuk be (l09. bra).
0
20
40
60
80
100
120
140
160
180
200
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sors430
<

n
L
)
2
n
%

t
L
0
e
8
e

(
8
r
"
0
0
)
E0B5r5Dus S:SS 3.t". s430o.t
10(. ra. 1uk0rica n7vnyegyed n7vekedse az empirikus s az
:O:: ltal szm0lt adat0kkal
- 245 -
ADATREDPK6IK
F8*o!ponens7anal,)is
Sajtrtk szmtson alapul valdi tbb-vltozs eljrs. Az x vltoz s
i
2
= l
variancijt bonjuk fel. Az eredetileg megfigyelt vltozkat korrelcijuk
alapjn kevesebb szm fkomponens vltozv vonjuk ssze. Gyakran mr
2-3 fkomponens vltozval kielgt pontossggal helyettesthetjk a ,p"
szm megfigyelt vltozt. Minden megfigyelsi egysg annyi fkomponens
rtket kap, ahny fkomponens-vltozt kiszmtunk.
A fkomponens-analzis (principal component analysis) a tbb-vltozs
mdszerek kzl a legfontosabb. Gyakorlati alkalmazsuk a bonyolult s
szmtsignyes sajtrtk szmts miatt csak szmtgpen valsthat
meg. A mdszer elnyei:
A vltozk szmnak cskkentse, a jelentktelen vltozk kiszrse.
A vizsglt vltozk csoportostsa az egyms kztti korrelcijuk alapjn.
Megllapthatjuk, hogy hny ilyen csoport van, s csoporton bell a vltozk
kapcsolata milyen, pozitv vagy negatv.
Kzs httrvltoz ill. faktor felismerse, mely valamely vltozcsoporttal
szoros sszefggsben van. (pl. leveg, talajhmrsklet kztti kapcsolat,
melynek kzs httrvltozja a napenergia)
A vltozk trbeli elhelyezkedst, csoportosulst lehet brzolni. A
fkomponensek lesznek a koordintarendszer tengelyei.
A fkomponens vltozk kiszmtsval osztlyozni tudjuk a megfigyelsi
egysgeket tbb tulajdonsg, ill. vltoz egyttes figyelembevtelvel. Minden
megfigyels annyi fkomponensrtket kap, ahny fkomponens vltozt
kiszmtunk. A fkomponens vltozk fogjk kpezni a kt-, esetleg hrom
dimenzis brk tengelyeit.
A fkomponens vltozk s egy adott fggvltoz kztt kt-vltozs vagy
tbbszrs regresszianalzist vgezhetnk, ezt nevezik fkomponens
regresszinak.
1#0. tlzat. *lapadat0k
Fajta farinogrf
rtk
sikr
terls
sikr
mennyisg
fehrje
%
Mironovszkaja 808. 8l.8 3.0 34.3 l4.8
Fertdi 293. 75.9 6.4 39.3 l6.l
Bezosztja 79.9 2.6 32.6 l4.2
Martonvsri l. 68.6 3.7 3l.7 l4.5
Martonvsri 2. 77.4 3.2 33.0 l4.5
- 246 -
Martonvsri l6. 68.7 6.0 37.l l4.8
Martonvsri 24. 73.6 3.2 3l.7 l3.4
Jubilejnaja 73.3 2.l 3l.4 l4.5
Avrra 66.8 5.l 34.l l4.5
GK-Fertdi 2. 58.3 6.5 33.4 l5.0
Kavkz 6l.2 5.l 33.3 l4.5
Rannaja 59.6 2.9 30.4 l5.l
Kiszombori 52.6 7.9 35.8 l4.6
Burgas 44.2 l0.8 36.l l4.0
sszesen: 94l.9 68.5 474.2 204.5
SPSS Analyze, Descriptive Statistics, Descriptives.
Options. Mean, Std. Deviation
Save standardized values as variables
1#1. tlzat. Wtlag0k s sz,rs0k
D",>$+9&+?" S&%&+,&+>,
l4 67.279 l0.9255
l4 4.893 2.4474
l4 33.87l 2.4703
l4 l4.607 .6044
l4
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
Valid N (listwise)
N Mean Std. Deviation
Standardizls utn az albbi rtkeket kapjuk:
1#2. tlzat. :tandardizlt adat0k, G mtrix
Fajta farinogrf
rtk
sikr
terls
sikr
mennyisg
fehrje
%
Mironovszkaja 808. l.33 -.77 .l7 .32
Fertdi 293. .79 .62 2.20 2.47
Bezosztja l.l6 -.94 -.5l -.67
Martonvsri l. .l2 -.49 -.88 -.l8
- 247 -
Martonvsri 2. .93 -.69 -.35 -.l8
Martonvsri l6. .l3 .45 l.3l .32
Martonvsri 24. .58 -.69 -.88 -2.00
Jubilejnaja .55 -l.l4 -l.00 -.l8
Avrra -.04 .08 .09 -.l8
GK-Fertdi 2. -.82 .66 -.l9 .65
Kavkz -.56 .08 -.23 -.l8
Rannaja -.70 -.8l -l.4l .82
Kiszombori -l.34 l.23 .78 -.0l
Burgas -2.ll 2.4l .90 -l.00
sszesen: 0 0 0 0
A standardizlt rtkek tulajdonsgai: sszegk, ill. az tlaguk egyenl
nullval, a szrsuk egy. A standardizlssal egy nulla vrhatrtk, egy
szrs sokasgot lltottunk el.
SPSS Analyze, Data Reduction, Factor.
Descriptives, Correlation Matrix
K:$$"0<>+D, *<&$+@ *"(B%&<$:2<,%
1#". tlzat. 10rrelci,s mtrix, R mtrix
6:$$"0%&+:# M%&$+@
l.000 -.774 -.l26 .l03
-.774 l.000 .68l .087
-.l26 .68l l.000 .480
.l03 .087 .480 l.000
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
Correlation
Farinograf
rtk Sikr terls
Sikr
mennyisge Fehrje %
- 248 -
A2 P ,%E<&?"1&:$ *<&$+@ -, % ,%E<&-$&-1"1 (V
E
) *"(B%&<$:2<,%
1##. tlzat. :a+tvekt0r mtrix s sa+trtkek, H mtrix s I
Vltoz u
l
u
2
u
3
u
4
Farinograf rtk -.4787 .53l2 .5045 .4838
Sikrterls .6560 -.2008 .l5l4 .7ll6
Sikr mennyisg .536l .4l44 .5454 -.4933
Fehrje % .2303 .7lll -.6520 .l270
sajtrtkek (Xj) 2.l524 l.33l6 0.4989 0.0l70
A sajtvektorok sor s oszlop irnyban normltak, azaz a ngyzetsszegk
egy sor-, ill. oszlopvektoron bell l.
A sajtvektorok tovbbi tulajdonsga, hogy sorpronknti s oszloppronknti
szorzatsszegk nulla, azaz a sorok s oszlopok pronknt ortogonlisak
(fggetlenek egymstl). Az P mtrix ortonormlt.
Ha a sajtrtkeket sszeadjuk, megkapjuk a vltozk szmt, a mtrix
rangjt.
FG1:*9:#"#, 1:"AA+>+"#,"1
A fkomponens koefficienseket (Component Score Coefficient) a sajtvektor
mtrixbl lltjuk el slyozssal, teht a sajtvektorokat osztjuk a
hozztartoz sajtrtkek gykvel.
I
iI
iI
u
&u
1#$. tlzat. :Ily0z0tt 2k0mp0nens-k0e22iciensek &H

6:*9:#"#& S>:$" 6:"AA+>+"#& M%&$+@
-,326 ,460 ,7l4 3,706
,447 -,l74 ,2l4 5,45l
,365 ,359 ,772 -3,778
,l57 ,6l6 -,923 ,973
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
l 2 3 4
Component
Extraction Method: Principal Component Analysis.
Component Scores.
- 249 -
FG1:*9:#"#, ?<0&:2D1
Fkomponens-vltozk kiszmtsa: Z mtrix Slyozott fkomponens-
koefficiensek.
1#%. tlzat. Fk0mp0nens-vlt0z,k " mtrix
Fajta C
l
C
2
C
3
C
4
Mironovszkaja 808. -,66600 l,00537 ,62309 ,3648l
Fertdi 293. l,20873 2,56748 ,ll257 ,380ll
Bezosztja -l,08968 ,09483 ,84878 ,464l8
Martonvsri l. -,60646 -,28447 -,533l3 ,94043
Martonvsri 2. -,76830 ,3l087 ,40475 ,82342
Martonvsri l6. ,68755 ,64722 ,90447 -l,67999
Martonvsri 24. -l,l3286 -l,l5980 l,42983 -,24724
Jubilejnaja -l,08353 -,0l630 -,45970 -,56999
Avrra ,058l2 -,ll090 ,22l9l -,2230l
GK-Fertdi 2. ,59406 -,l6055 -l,l9359 l,887l4
Kavkz ,l070l -,463l7 -,39425 -,89894
Rannaja -,5203l -,l8406 -2,5l4l8 -,94032
Kiszombori l,27l22 -,559l5 -,08266 -l,24292
Burgas l,94044 -l,68739 ,632ll ,94232
sszesen: 0 0 0 0
A fkomponens-vltozk kzprtke nulla, szrsngyzetk egyenl eggyel.
Teht tulajdonsgban hasonltanak a Z-mtrixhoz, azonban van egy nagyon
jelents eltrs. A fkomponens-vltozk egymstl fggetlenek, azaz az
egyms kztti korrelcijuk nulla. (A kovariancia-mtrixa is ugyangy nz ki.)
A standardizlt vltozk s a fkomponens-vltozk szrsngyzeteinek
sszege, valamint a sajtrtkek sszege azonos.
1#&. tlzat. Fk0mp0nens-vlt0z,k k0rrelci,s mtrixa
C
l
C
2
C
3
C
4
C
l
l 0 0 0
C
2
0 l 0 0
C
3
0 0 l 0
C
4
0 0 0 l
- 250 -
A AG1:*9:#"#, ?<0&:2D1 <8$<2:0<,%
A vzszintes tengely a C
l
, a fggleges a C
2
vltoz. A klnbz szi
bzafajtk fkomponens-vltoz rtkeit az albbi bra mutatja.
TEGT ;"ctor score 1 ;or "n".%s5s 1
2H0 1H5 1H0 H5 0H0 -H5 -1H0 -1H5
T
E
G
T

;
"
c
t
o
r

s
c
o
r
e

2

;
o
r

"
n
"
.
%
s
5
s

1
3
2
1
0
-1
-2
Eur8"s
P5s4o0@or5
T"nn"/"
P")D34
GP-#ert6&5 2.
<)rFr"
=u@5.e/n"/"
+"rton)3s3r5 24.
+"rton)3s3r5 16.
+"rton)3s3r5 2.
+"rton)3s3r5 1.
Ee4os4t3/"
#ert6&5 293.
+5rono)s4D"/" 808.
110. ra. * 2k0mp0nens-vlt0z,k rz0lsa
Hrom fkomponens-vltoz kt dimenzis brzolshoz vlasszuk a
Scatterplot Matrix menpontot, s adjuk meg az els hrom fkomponens-
vltozt.
- 25l -
TEGT ;"ctor score
TEGT ;"ctor score
TEGT ;"ctor score
111. ra. =r0m 2k0mp0nens-vlt0z, rz0lsa
Az tl elemei a fkomponens-vltozk. Az els oszlopban az els vltoz az
x-tengely, a msodikban a msodik, s gy tovbb. Az y-tengelyt a sorok
mutatjk.
A AG1:*9:#"#, ,S0):1 *"(B%&<$:2<,%
A sajtvektorok elemeit megszorozzuk a hozztartoz sajtrtk
ngyzetgykvel, vagyis a szrssal.
I iI iI
u a
- 252 -
1#'. tlzat. Fk0mp0nenssIly mtrix, A-mtrix
6:*9:#"#& M%&$+@
%
-,702 ,6l3 ,356 6,3l7E-02
,962 -,232 ,l07 9,29lE-02
,787 ,478 ,385 -6,44E-02
,338 ,82l -,46l l,658E-02
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
l 2 3 4
Component
4 components extracted.
a.
A fkomponens-sly mtrix tulajdonsgai:
Szmszer rtke csak -l s +l kztt lehet. Az oszloponknti ngyzetsszeg
egyenl a hozztartoz sajtrtkkel.
A soronknti ngyzetsszeg egyenl eggyel.
Teht oszlop irnyban a fkomponensek, sor irnyban a megfigyelt vltozk
variancijt bontottuk fel.
A slyok ngyzeteinek fsszege egyenl a mtrix rangjval, az egsz
rendszer sszvariancijval.
Kommunalits, h
2
. Ha sor irnyban balrl jobbra haladva sszegezzk a
fkomponens-sly ngyzeteit, megkapjuk a kumullt rtkket, s ezeket
nevezzk kommunalitsnak.
1#(. tlzat. 10mmunalits0k
6:**7#%0+&+",
l,000 l,000
l,000 l,000
l,000 l,000
l,000 l,000
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
lnitial Extraction
- 253 -
Brmely kt oszlop szorzata nulla. A fkomponenssly vektorok ortogonlisak
(fggetlenek).
Brmely kt sor szorzata a kt vltoz kt-vltozs korrelcis koefficienst
adja. Ha megszorozzuk az A-mtrixot a transzponltjval, visszakapjuk az R-
mtrixot, azaz az eredeti vltozk korrelcis koefficienseit.
Factor Analysis, Descriptives., Correlation Matrix, Reproduced
1$0. tlzat. 10rrelci,s mtrix repr0duklsa a
2k0mp0nenssIly0k,l, maradk0k
R"9$:/7>"/ 6:$$"0%&+:#,
l,000
b
-,774 -,l26 ,l03
-,774 l,000
b
,68l 8,740E-02
-,l26 ,68l l,000
b
,480
,l03 8,740E-02 ,480 l,000
b
,000 l,665E-l6 ,000
,000 -4,44lE-l6 -2,78E-l7
l,665E-l6 -4,44lE-l6 l,ll0E-l6
,000 -2,776E-l7 l,ll0E-l6
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
Reproduced Correlation
Residual
a
Farinograf
rtk Sikr terls
Sikr
mennyisge Fehrje %
Residuals are computed between observed and reproduced correlations. There are 0 (,0%)
nonredundant residuals with absolute values greater than 0.05.
a.
Reproduced communalities
b.
A fkomponens-analzissel a variancikat trendeztk. A standardizlt
vltozknl minden vltoz azonos jelentsggel szerepel a variancia
szempontjbl. A fkomponens-analzisben az eredeti vltozk sszefggse
miatt az els fkomponens variancija magba foglalja az sszes vltoz
variancijnak legnagyobb kzs rszt, msodik fkomponens a maradk
variancik legnagyobb kzs rszt s gy tovbb, mg az utols
fkomponensekre alig marad varianciarsz. Ezrt ezeket jelentktelennek
tekinthetjk, s elhanyagolhatjuk. Az trendezett variancikban figyelembe
vettk az X vltoz sszes variancijt s egyms kztti korrelcijt. A
fkomponensek egymssal mr nem korrellnak.
A X sajtrtkeket fkomponensenknt kumullva mutatja a l5l. tblzat.
Leolvashat, hogy a klnbz fkomponensek hny szzalkt rtelmezik az
sszes variancinak.
- 254 -
1$1. tlzat. *z 7sszes variancia 2el0ntsa
T:&%0 V%$+%#>" E@90%+#"/
2,l52 53,8l0 53,8l0 2,l52 53,8l0 53,8l0
l,332 33,290 87,l00 l,332 33,290 87,l00
,499 l2,473 99,574 ,499 l2,473 99,574
l,704E-02 ,426 l00,000 l,704E-02 ,426 l00,000
Component
l
2
3
4
Total % of Variance Cumulative % Total % of Variance Cumulative %
lnitial Eigenvalues Extraction Sums of Squared Loadings
FG1:*9:#"#,"1 <8$<2:0<,%
A fkomponensek brzolsa a fkomponensslyok alapjn trtnik, ezrt az
A mtrixot fkomponensmintzatnak (pattern) is nevezik. Kt legfeljebb hrom
dimenzis brt kszthetnk.
Factor Analysis, Rotation, Display, Loading plot(s)
Co0Bonent :.ot
s5D2r terG.2s
s5D2r 0enn%5s28e
Co0Bonent 2
1H0 1H0
-H5
0H0
H5 H5
H5
1H0
;e!2r/e S
Co0Bonent 3 Co0Bonent 1
;"r5no8r"; 2rt2D
0H0 0H0
-H5 -H5
112. ra. * vlt0z,k hr0m dimenzi,s k0n2igurci,+a
- 255 -
A AG1:*9:#"#,,S0):1 ()%1:$0%&+ -$&"0*"2-,"
A fkomponensslyok a megfigyelt vltozk s a fkomponens-vltozk
kztti korrelcis koefficiensek, melyet a l52. tblzat mutat.
1$2. tlzat. * k0rrelci,s k0e22iciensek, ill. 2k0mp0nenssIly0k
6:$$"0%&+:#,
l -,702 ,6l3 ,356 ,063
, ,005 ,020 ,2ll ,830
l4 l4 l4 l4 l4
-,702 l ,000 ,000 ,000
,005 , l,000 l,000 l,000
l4 l4 l4 l4 l4
,6l3 ,000 l ,000 ,000
,020 l,000 , l,000 l,000
l4 l4 l4 l4 l4
,356 ,000 ,000 l ,000
,2ll l,000 l,000 , l,000
l4 l4 l4 l4 l4
,063 ,000 ,000 ,000 l
,830 l,000 l,000 l,000 ,
l4 l4 l4 l4 l4
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Farinograf rtk
REGR factor score
l for analysis l
REGR factor score
2 for analysis l
REGR factor score
3 for analysis l
REGR factor score
4 for analysis l
Farinograf
rtk
REGR factor
score l for
analysis l
REGR factor
score 2 for
analysis l
REGR factor
score 3 for
analysis l
REGR factor
score 4 for
analysis l
Correlation is significant at the 0.0l level (2-tailed).
.
Correlation is significant at the 0.05 level (2-tailed).
.
A fkomponensekkel httrvltozkat (okvltozkat) akarunk felderteni. A
fkomponensslyok azt fejezik ki, hogy milyen jelentsge s slya van
valamely fkomponensnek (httrvltoznak) a megfigyelt vltozk
variancijban.
A megfigyelt vltozk kztti korrelcis koefficiensek felbontsa. Az A-mtrix
brmely kt sornak skalris szorzata megadja a kt vltoz kztti
korrelcis koefficienst. Kt vltoz skalris szorzata akkor lehet nagy, ha a
kt vltoz nagy fkomponensslyai ugyanazokban a fkomponensekben
vannak s a klnbz fkomponensekben a szorzatuk azonos eljel. A
korrelcis koefficienst gy egymstl fggetlen tnyezkre bontottuk fel.
A fkomponensslyok csoportosulsa. Ha kettnl tbb nagy fkomponens
ugyanabba a fkomponensben van, akkor a vltozk egymssal pronknt,
ezltal kzsen, csoportosan korrellnak. Kzs httrvltozt kereshetnk.
A vltozk brzolsakor legjobban a kr, ill. gmb kerletn elhelyezked
vltozk korrellnak a legszorosabban. Az egymssal negatvan korrell
- 256 -
vltozkat az origra kzppontosan tkrzni lehet, hogy knnyebben
felismerjk az sszefggst.
Mit jelent a nagy vagy kis fkomponenssly? Svb szerint, ha a vltozk
kztt nincs korrelci, gy p=2 esetn
2
1
, kb. 0,7 krliek az a
i+
rtkek,
p=l0 vltoz esetn
10
1
, kb. 0,3 krli rtkeket kapunk vletlenszer
elosztsban, minthogy a ngyzetek sszege mindenkppen csak l lehet.
Hny fkomponens jelents? A [ legalbb egy, vagyis elri az tlagot. Ezt
alkalmazzk a statisztikai programcsomagokban is. Ms ajnls szerint az
sszes variancia legalbb 80%-t magyarzzk a fkomponensek, azaz a
kumullt [ szzalk legalbb 80% legyen. Svb szerint ez, ha tl sok vltoz
van, magas kvetelmny. Egyesek a faktoranalzisben kpletet is megadnak,
hogy legfeljebb hny faktort rdemes meghatrozni.
( )
2
1 . 1 2 + +
$ $
,
FG1:*9:#"#,-%#%0M2+, A:$(%&<,,%0
A faktoranalzist jval korbban fejlesztettk ki, mint a fkomponens-analzist,
gy a forgatst is eredetileg a faktoranalzisre dolgoztk ki. Mind a
faktoranalzisben, mind a fkomponens-analzisben ugyanazokat a forgatsi
mdszereket hasznljuk. A faktoranalzis kidolgozsakor az volt az elkpzels,
hogy p szm X vltoz kevesebb q<p szm httrvltozval, faktorral
rtelmezhet, mert ugyanaz a faktor tbb X vltozt rtelmez.
Az X vltoz faktorslyai azonban tbbnyire megoszlanak kett vagy annl is
tbb faktorra, annak ellenre, hogy az brzols szerint a vltozk
csoportokba tmrlnek. A csoportok ugyanis nem egyetlen tengely mentn,
hanem a hipergmb tbb tengelye ltal kzrefogott valamely szektorban
fekszenek. llyenkor a tengelyek elforgatsval meg tudjuk tenni, hogy a
tengelyek thaladjanak a csoportokon. Az azonos csoportokba tartoz X
vltozk faktorslyai a kzs faktorban -l-hez s +l-hez lesznek kzel, a tbbi
faktorban viszont nullhoz kzeltenek. lgy az eredeti p szm vltozt q<p
szm faktorral tudjuk lerni, amelynek nagy rsze kzs faktor, s sokszor
szakmailag rtelmezhet httrvltozt ismerhetnk fel benne. Ezt az eljrst
nevezik 2akt0rextrahlsnak.
Amennyiben a forgatssal nem sikerl az X vltozkat kevesebb szm
faktorral ellltani, ez azt jelenti, hogy egyltaln nincs vagy csak kevs a
vltozcsoport, s az egyes csoportok is csak kevs vltozbl tevdnek
ssze.
A forgats lehet derkszg s ferdeszg. A forgats szge mindig
tengelypronknt rtend. A derkszg forgatskor az j koordinta rendszer
is derkszg marad, ezrt a faktorok fggetlensge tovbbra is megmarad, a
forgats teht ortogonlis.
- 257 -
Ferdeszg forgats esetn a faktorok nem lesznek fggetlenek, a kzttk
fennll korrelci mrtke:
r
l, ll
= cos (90 + o
l
- o
ll
)
ahol: o
l
: az l., vzszintes tengely elfordtsnak szge
o
ll
: a ll., fggleges tengely elfordtsnak szge
Ez a megolds az ,elsdleges faktor" (primary factor) szerinti ferdeszg
forgats. Ennek tovbbfejlesztse a ferdeszg ,vetleti vektorok" (reference
vector) szerinti forgats.
Der4*s)3$F for$at.s ari!ax !-ds)errel
Tbbfle derkszg forgats ltezik. A legelterjedtebb eljrs H.F. Kaiser
mdszere a Variamax rotci. Ez elgti ki legjobban a Thurstone-fle
egyszer struktra kvetelmnyeit. A Varimax kritrium: a fkomponenssly
ngyzetek oszloponknti varianciinak sszege (H) maximum legyen.
C=
I=1
,
s
a
I
2
2
maximum
1$". tlzat. Fk0mp0nenssIly mtrix Harimax r0tci, utn, Ao
mtrix
R:&%&"/ 6:*9:#"#& M%&$+@
%
,997 -4,30E-02 5,82lE-02 3,083E-02
-,753 ,639 -6,40E-03 ,l55
-,l02 ,95l ,29l -l,02E-02
5,5l4E-02 ,2l2 ,976 -5,l5E-04
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
l 2 3 4
Component
Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 5 iterations.
a.
Ez akkor a legnagyobb, ha a fkomponens slyok |l| s 0-hoz kzeli rtkek.
A forgats sorn megvltoznak az a
i+
rtkek. Az j A
0
mtrix is ortogonlis,
soronknt a a
iI
2
sszege tovbbra is l, azonban az oszloponknti sszegk
mdosul, tbb mr nem azonosak I
E
-vel. Az ortogonlis forgats a
- 258 -
fkomponensekben azonban csak trendezi a variancik vltoznknti
megoszlst, de az sszes variancit nem mdostja.
A fenti Varimax kritriumban minden vltoz azonos sllyal, jelentsggel
vesz rszt. Ezrt a szmtsok sorn a tnyleges kritrium: az a
iI
2
rtkeket az
L
i
vltozk 7
i
2
kommunalitsval slyozzk.
C=$
I =1
,
i =1
$
(
a
iI
2
7
i
2
)
2
I=1
,
(
i=1
$
a
iI
2
7
i
2
)
2
1$#. tlzat. )ransz20rml, mtrix, T mtrix
6:*9:#"#& T$%#,A:$*%&+:# M%&$+@
-,69l ,68l ,238 ,055
,587 ,34l ,734 -,0l7
,42l ,645 -,636 ,048
,028 -,063 ,030 ,997
Component
l
2
3
4
l 2 3 4
1$$. tlzat. Fk0mp0nens-k0e22iciensek 20rgats utn
6:*9:#"#& S>:$" 6:"AA+>+"#& M%&$+@
,900 ,l62 -,084 3,704
-,l68 ,039 ,004 5,474
,l77 l,l08 -,252 -3,7l7
-,l08 -,340 l,l05 ,924
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
l 2 3 4
Component
Component Scores.
- 259 -
1$%. tlzat. Fk0mp0nens-vlt0z,k 20rgats utn, " mtrix
Fajta C
l
C
2
C
3
C
4
Mironovszkaja 808. l,32 ,27 ,l9 ,34
Fertdi 293. ,73 l,75 2,ll ,4l
Bezosztja l,l8 -,l9 -,72 ,44
Martonvsri l. ,05 -,9l ,0l ,88
Martonvsri 2. ,9l -,2l -,l9 ,79
Martonvsri l6. ,24 l,38 ,0l -l,60
Martonvsri 24. ,70 -,23 -2,04 -,22
Jubilejnaja ,53 -l,00 ,0l -,65
Avrra -,02 ,l6 -,22 -,2l
GK-Fertdi 2. -,95 -,54 ,84 l,86
Kavkz -,54 -,28 -,09 -,90
Rannaja -,83 -l,98 l,3l -l,08
Kiszombori -l,28 ,70 -,09 -l,l6
Burgas -2,04 l,09 -l,l5 l,ll
sszesen: 0 0 0 0
1$&. tlzat. *z 7sszes variancia 2el0ntsa
T:&%0 V%$+%#>" E@90%+#"/
2,l52 53,8l0 53,8l0 2,l52 53,8l0 53,8l0 l,575 39,364 39,364
l,332 33,290 87,l00 l,332 33,290 87,l00 l,360 33,998 73,362
,499 l2,473 99,574 ,499 l2,473 99,574 l,040 26,0ll 99,373
l,704E-02 ,426 l00,000 l,704E-02 ,426 l00,000 2,509E-02 ,627 l00,000
Component
l
2
3
4
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
lnitial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
- 260 -
TEGT ;"ctor score 1 ;or "n".%s5s 2
1H5 1H0 H5 0H0 -H5 -1H0 -1H5 -2H0 -2H5
T
E
G
T

;
"
c
t
o
r

s
c
o
r
e

2

;
o
r

"
n
"
.
%
s
5
s

2
2
1
0
-1
-2
-3
Eur8"s
P5s4o0@or5
T"nn"/"
P")D34
GP-#ert6&5 2.
<)rFr"
=u@5.e/n"/"
+"rton)3s3r5 24.
+"rton)3s3r5 16.
+"rton)3s3r5 2.
+"rton)3s3r5 1.
Ee4os4t3/"
#ert6&5 293.
+5rono)s4D"/" 808.
11". ra. * 2k0mp0nensvlt0z,k rz0lsa
Co0Bonent :.ot 5n Tot"te& SB"ce
;"r5no8r"; 2rt2D
;e!2r/e S
Co0Bonent 2
1H0 1H0
-H5
0H0
H5 H5
H5
s5D2r 0enn%5s28e
1H0
Co0Bonent 3 Co0Bonent 1
0H0 0H0
s5D2r terG.2s
-H5 -H5
11#. ra. * vlt0z,k hr0m dimenzi,s k0n2igurci,+a
- 26l -
Fa*tor7anal,)is
X vltoz h
2
rsznek (kzs faktorok) felbontsa trtnik. A faktorok lehetnek:
kzs faktor
ltalnos faktor
csoport faktor
egyedi faktor
hiba faktor
a hiba faktor szrmazhat a lineris korrelcis kzeltsbl is, ill. egyb zavar
hatsokbl. Ebben az eljrsban alapesetben a faktorok nem korrellnak
egymssal. Csak a kzs faktorokat szmtjuk ki. A korrelcis mtrix
ftljba a kommunalitsokat helyettestjk be.
2ate$ori*us f8*o!ponens7anal,)is
A kategorikus fkomponens-analzis (CATPCA) az egyszer PCA
ltalnostsa kevert mrsi szint vltozk sszefggsrendszernek
elemzsre. Ez nagyban hasonlt a tbbszrs korrespondencia-analzishez.
CATPCA segtsgvel pldul meghatrozhatjuk az autmrkk s az r,
tmeg, zemanyag-fogyaszts, egyb kztti kapcsolatokat. Vagy osztlyokba
sorolhatjuk a klnbz tpus autkat tbb jellemvons egyidej
figyelembevtelvel.
A fkomponens-analzis clja a vltozk eredeti szmnak cskkentse
kisebb egymssal nem korrell komponensekre, amik hordozzk az eredeti
adatok informciinak jelents rszt. A standard fkomponens-analzisben
felttelezzk, hogy a vltozk kztt lineris kapcsolat van. A kategorikus
fkomponens-analzisben a vltozk kztti nem lineris kapcsolatot
modellezzk.
Hogyan lehet hasznlni? Analyze, Data Reduction, Optimal Scaling.,
Selected Analysis. ltt vlaszthatjuk ki, hogy milyen kategorikus analzist
szeretnnk vgezni. Hrom kzl vlaszthatunk:
Tbbszrs korrespondencia-analzis
Kategorikus fkomponens-analzis
Nemlineris kanonikus korrelci
A megfelel analzis kivlasztsa az Optimal Scaling Level s a Number of
Sets of Variables rdigombok kombincijval trtnik.
Optimal Scaling Level:
Minden vltoz tbbszrs nominlis vltoz
- 262 -
Nhny vltoz nem tbbszrs nominlis vltoz (egy vagy tbb vltoz
skla tpus a tbbi tbbszrs nominlis. Vagy lehetnek mg egyszer
nominlis ordinlis s diszkrt rtkek is.
Number of Sets of Variables: meg kell adni hogy a vltozk csoportjbl
hnyat akarunk sszehasonltani ms vltoz csoportokkal.
Egy csoport
Tbb csoport
Minden vltoz
tbbszrs nominlis
Nhny nem
Egy csoport Tbbszrs
korrespondencia
analzis
Kategorikus
fkomponens-analzis
Tbb csoport Nemlineris kanonikus
korrelci
Nemlineris kanonikus
korrelci
- 263 -
NEM 5ARAMTERES 5RB3K
"%i7n4$y)et tes)t
A Chi-ngyzet teszt a vltozkat kategrikba rendezi, s utna szmtja ki a
statisztikt. A teszt sorn a megfigyelt s felttelezett relatv gyakorisgokat
hasonltja ssze. Lehetsgnk van tbb csoport eloszlsnak homogenitst
tesztelni vagy egy megadott relatv gyakorisggal val egyezs tesztelsre.
Feladat:
Szrmazhat-e egy gyepmag keverk egy 20, l7, 30, 20, l3%-os sszettel
keverkbl? A mintavtelezs sorn az albbi eredmnyt kaptuk:
Faj magok szma (db)
Rti perje 236
Angolperje 24l
Rti komcsin 443
Rti csenkesz 252
Fehrhere l55
sszesen: l 327
Az SPSS-ben a fenti adatbzissal csak akkor lehet gyakorisgokat szmtani,
ha a F%E vltozt slyozzuk a *%(:1 ,2<*% vltozval. Date, Weight
Cases.
Analyze, Nonparametric Tests, Chi-Square.
- 264 -
FAJ
236 265.4 -29.4
24l 225.6 l5.4
443 398.l 44.9
252 265.4 -l3.4
l55 l72.5 -l7.5
l327
l.00
2.00
3.00
4.00
5.00
Total
Observed N Expected N Residual
Megfigyelt gyakorisg, vrhat gyakorisg s a kett klnbsge.
T",& S&%&+,&+>,
ll.827
4
.0l9
Chi-Square
a
df
Asymp. Sig.
FAJ
0 cells (.0%) have expected frequencies less than
5. The minimum expected cell frequency is l72.5.
a.
A vetmagkeverk arnya nem felel meg az elrsnak. Mi lehet ennek az
oka?
Bino!i.lis tes)t
Ezzel a teszttel kt csoport (kategria) megfigyelt relatv gyakorisgt lehet
sszehasonltani a binomilis eloszls alapjn. A valsznsgi vltoz kezdeti
rtke mindkt csoportban 0,5. A valsznsg megvltoztatsakor az els
csoport elfordulst tesztelhetjk. A msodik csoport elfordulsnak
valsznsge l mnusz az els csoportra megadott valsznsg.
Feladat:
Megegyezik a 60 ezer alatti tszm parcellinak szma az e feletti parcellk
szmval?
Tszm, Cut point 60. Test Proportion 0.5, OK.
- 265 -
B+#:*+%0 T",&
<= 60 36 .50 .50 l.000
a
> 60 36 .50
72 l.00
Group l
Group 2
Total
Tszm
Category N
Observed
Prop. Test Prop.
Asymp. Sig.
(2-tailed)
Based on Z Approximation.
a.
A kt csoport relatv gyakorisga tkletesen megegyezik.
Runs Test
Sok statisztikai teszt alkalmazsnak felttele, hogy a mintban a
megfigyelsek fggetlenek legyenek. Ezt csak akkor tudjuk leellenrizni, ha
ismert a mintaelemek kihzsnak idpontja vagy sorrendje, fknt idsoros
elemzsnl hasznos. Ezzel a teszttel leellenrizhetjk, hogy a mintnk vletlen
mintnak tekinthet-e. Legelszr vlasztani kell egy jellemz rtket ami
legtbbszr valamilyen centrlis mutat s ehhez hasonltjuk a megfigyelt
rtkeket. Az eljrs sorn a vltoz mindenegyes rtkt osztlyozzuk, hogy
a trspont alatt vagy felett helyezkedik el. Ez utn megllaptjuk, hogy van-e
valamilyen szablyossg a sorozatban, hnyszor ismtldik egymsutn
ugyanabba az osztlyba tartoz elem, azaz egy sorozat. Egy sorozatnak (run)
legalbb egy tagja van.
- 266 -
A teszt eredmnye attl is fgg, hogy mit vlasztunk ki trspontnak (medin,
mdusz, tlag, stb.).
Az eloszls egy bimodlis sokasgot mutat melynek kt mdusza van. Az
SPSS a mdusz meghatrozsakor a nagyobbikat adja meg.
Re@ S5te T"t5n8
14 13 12 11 10 9 8 7 6
C
o
u
n
t
5.5
5.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
D",>$+9&+?" S&%&+,&+>,
32
9.94
2.368
6
l4
8.00
l0.00
l2.00
N
Mean
Std. Deviation
Minimum
Maximum
25th
50th (Median)
75th
Percentiles
Web Site Rating
- 267 -
R7#, T",&
l0.00
l4
l8
32
l0
-2.283
.022
Test Value
a
Cases < Test Value
Cases >= Test Value
Total Cases
Number of Runs
Z
Web Site
Rating
Median
a.
Ha a minta teljesen vletlen lenne, akkor a sorozatok szma l7 krli lenne.
Mivel a megfigyelt sorozatok szma csak l0, ezrt a Z-statisztika rtke
negatv. Tl alacsony a szignifikancia rtke, ezrt nem tekinthet vletlennek
a minta.
Ratin
g
cut point
l0
8 l
7 l
8 l
6 l
l0 2
8 l
6 l
7 l
8 l
9 l
7 l
l0 2
7 l
8 l
l2 2
l0 2
l2 2
- 268 -
9 l
ll 2
l2 2
l0 2
l3 2
l3 2
l2 2
ll 2
l4 2
9 l
l4 2
ll 2
l2 2
ll 2
l3 2
R7#, T",& H
l2
b
22
l0
32
l6
.3l5
.752
Test Value
a
Cases < Test Value
Cases >= Test Value
Total Cases
Number of Runs
Z
Web Site
Rating
Mode
a.
There are multiple modes. The mode
with the largest data value is used.
b.
A mdusz alatt tbb, mint ktszer annyi elem fordul el, mint felette. Ennek az
az oka, hogy l2 felett az adatoknak csak a 25%-a helyezkedik el. Mivel a teszt
a trspont alatti ill. feletti elemeket klnti el, a vrhat sorozatok szma a
trsponttl fgg. Ebben az esetben a sorozatok vrhat szma l5 krli. A
szmtott rtk nagyon kzel van hozz, ezrt vletlennek tekinthet a minta,
amit a szignifikancia rtke is megerst.
- 269 -
R7#, T",& 3
8
32
ll
.000
l.000
Test Value
a
Total Cases
Number of Runs
Z
Web Site
Rating
User-specified.
a.
A bimodlis eloszls els mduszt vlasztottuk trspontnak. A sorozatok
vrhat szma ekkor ll. A szmtott rtk pontosan megegyezik a vrhat
rtkkel, ezrt a minta vletlennek tekinthet.
6$y!int.s 2ol!o$oro07S!irno0 tes)t /One7Sa!ple 2ol!o$oro07
S!irno0 Test1
Milyen eloszlsba tartozik a minta? Norml, Poisson, egyenletes (Uniform) s
exponencilis (Exponential) eloszls tesztelse. A megfigyelt adatok kumulatv
eloszls fggvnyt (cumulative distribution function, CDF) hasonltja ssze a
teoretikus eloszls kumulatv fggvnyvel. A Kolmogorov-Smirnov Z-rtk a
megfigyelt s teoretikus kumullt eloszls fggvnyek kztti legnagyobb
abszolt klnbsgbl szmtjk. Ezt az rtket szorozzk a megfigyelsek
- 270 -
ngyzetgykvel. Sok paramteres teszt megkveteli, hogy a vltoz normlis
eloszls legyen.
#"-S%*90" K:0*:(:$:?-S*+$#:? T",&
72
9.69609
l.843756
.075
.047
-.075
.635
.8l4
N
Mean
Std. Deviation
Normal Parameters
a,b
Absolute
Positive
Negative
Most Extreme
Differences
Terms t/ha
Test distribution is Normal.
a.
Calculated from data.
b.
A nullhipotzis: a mrt vltoz norml eloszls. A hipotetikus s mrt eloszls
nem klnbzik egymstl. A nullhipotzist megtartjuk, mivel nagyon kicsi az
eltrs a kett kztt, s a szignifikancia szint is magas.
-er02s t!"
13.50
13.00
12.50
12.00
11.50
11.00
10.50
10.00
9.50
9.00
8.50
8.00
7.50
7.00
6.50
6.00
5.50
12
10
8
6
4
2
0
St&. (e) * 1.84
+e"n * 9.70
, * 72.00
24t fC$$etlen !int.s tes)te* /T9o Independent Sa!pes Tests1
M%##-WB+&#") P-9$D8%
A Mann-Whitney U s a Wilcoxon W statisztika.
- 27l -
Kt fggetlen minta medin egyezsnek igazolsra val eljrs (kt-mints
t-teszt). A nullhipotzis, hogy a kt sokasg ugyanabba az eloszlsba tartozik.
Ordinlis tpus adatoknl hasznlhat, vagy skla tpus adatoknl, ahol nem
felttel a norml eloszls. Csak az egyezsre ad elfogadhat, megbzhat
eredmnyt. Ha ettl eltr eredmnyt kapunk, nem tudhatjuk biztosan, hogy
mi a valsg.
Alkalmazsi felttel:
Hasonl alak eloszlsok (tesztelhet a kt-mints Kolmogorov-Smirnov
prbval)
Fggetlen mintk
Null hipotzis: M(x) = M(y). A hipotzisvizsglat cljra konstrult
valsznsgi vltoz: n
1
\n
2
elem mintbl egyetlen rangsor fellltsa, ,x"
mintra vonatkoz rangszmok sszege: Rl vagy W-rtk.
m=
n
1
( n
1
+ n
2
+ 1)
2
Q=
n
1
n
2
n
1
n
2
1
12
A prba vltozjnak eloszlsa, ha n
1
s n
2
elg nagy, megkzelten N(m, ).
K:0*:(:$:?-S*+$#:? Z-9$D8%
Kt eloszls sszehasonltsra szolgl eljrs. A nullhipotzis, hogy a kt
sokasg ugyanabba az eloszlsba tartozik. A Kolmogorov-Smirnov Z-rtket a
kt csoport kumullt eloszls fggvnyei kztti legnagyobb abszolt
klnbsgbl szmtjk. A vltozknak ezrt illik folyamatos eloszlsnak
lenni. A kt csoportban a megfigyelsek szmnak nem kell megegyeznie.
Nagyon rugalmas a teszt, nem kell az eloszlsoknak hasonl alaknak lennie,
hisz az eljrs ezt is teszteli.
Alkalmazsi felttel:
Csak folytonos eloszlsok hasonlthatk ssze.
Fggetlen mintk
A prba rzkeny a helyzeti klnbsgekre s az eloszlsok alakjra. A
helyzeti klnbsg azt jelenti, hogy a kt eloszls hol helyezkedik el a skln.
A Kolmogorov-Smirnov teszt akkor is klnbznek mutatja a kt eloszlst, ha
az alakjuk (shape) megegyezik, de egymstl tvol helyezkednek el. Ezek
szerint kt eloszls akkor klnbzik, ha vagy az alakjuk, vagy az
elhelyezkedsk klnbzik, vagy mindkett. Amennyiben a kt eloszls
helyzeti klnbsge nem rdekel bennnket, toljuk el a sklt az origra,
aminek a legegyszerbb mdja az adatok standardizlsa (ettl az eloszlsok
alakja semmit sem vltozik). A standardizlssal skla-eltolst s skla
transzformcit is vgrehajtunk egyszerre.
- 272 -
Alternatvaknt hasznlhatjuk a Crosstabs eljrsokat is kett vagy tbb
ordinlis vagy nominlis vltoz kztti klnbsg kimutatsra.
Amennyiben a t-teszt alkalmazsnak felttelei teljeslnek, akkor azt kell
hasznlni.
T3bb fC$$etlen !int.s tes)t /2 Independet Sa!ples<<<1
K$7,1%0-W%00+, O 9$D8%
Rendezett mintn alapul, tbb mints hipotzis vizsglat, amelynek null
hipotzise: minden minta azonos eloszls sokasgbl szrmazik . A prba
segtsgvel YhZ darab YnhZ elemszm mintt vizsglhatunk. Ezt ismtelt
Wilcoxon-pbkkal is elvgezhetnnk, de ebben az esetben az ismtlsek
megnvelik az elsfaj hibt (analg a kzprtkek tbbszrs
sszehasonltsnak, szimultn prbk problematikjval).
24t p.ron*4nt 3ss)etarto)- !int.* tes)tEei /J Related Sa!ples1
W+0>:@:# &",2& (W+0>:@:# ,+(#"/-$%#1 &",&)
Kt eloszls egyezsnek vizsglatra alkalmas. Sokszor hasznljk kt
vrhat rtk egyezsnek vizsglatra is. A kt minta elemei pronknt
sszefggnek. n
1
\n
2
elem mintbl egyetlen rangsort kpeznek. Konstrult
valsznsgi vltoz Yu". A nullhipotzis: a pronknti klnbsgek a nulla
krl szimmetrikusan helyezkednek el.
E0GE"0 9$D8% (S+(#)
sszetartoz elem prok vizsglata. Hipotzis, hogy x
1
V x
n
minta elemei
nagyobb (vagy kisebb) rtket vesznek fel, mint y
1
V y
n
elemei, ahol az
azonos index minta elemek kztt valamilyen logikai kapcsolat van (pl.
ugyanazon jelensg kt klnbz idpontban vagy helyen mrt rtkei).
Els lpsben meghatrozzuk az x
i
-y
i
klnbsgek eljelt, utna
megszmoljuk, hogy hny darab ,-, s ,+" eljel klnbsg addott. Az eljel
prba, ellenttben a rendezett mints prbkkal szemben, kisebb
elemszmokra ersebb . lgy ktszeresen nem indokolt nagy elemszmok
esetn az eljel prba hasznlata: Nagyobb mintk esetn relatve gyengbb
a prba ereje. Elvsz az eljel prba jelents elnye, a gyors
alkalmazhatsg.
- 273 -
M>N"*%$ &",2&
Kt-rtk, binris vagy dichotm vltozk sszehasonltsra szolgl
mdszer. Tipikusan megismtelt mrsek esetben hasznlhat, amikor
ugyanazon egyedeket figyeljk meg: bizonyos esemny bekvetkezse (pl.
kezels) megvltoztatja-e az egyedek llapott (az esemny eltti s utni
llapot sszevetse). Nullhipotzis: a kezels utni llapot egyenl a kezdeti
llapottal.
Ez a teszt fknt nominlis vagy ordinlis vltozk tesztelsre alkalmas.
2 s).!K 3ss)etarto)- !inta tes)tEei /* Related Sa!ples1
F$+"/*%# &",2&
Tbb eloszls homogenits vizsglatra alkalmas, sszetartoz tbb vltoz
esetn. Paramteres megfelelje a kttnyezs variancia-analzis.
Felttelezzk, ha az eloszls megegyezik a vrhat rtk is megegyezik nagy
valsznsggel. Fordtva ez nem igaz. Null hipotzis: a k darab sszetartoz
vltoz ugyanabba a sokasgba tartozik.
F(x) = G(x) = . =K(x)
Alkalmazsi felttel: tbb rendezett minta azonos elemszmokkal, g s h elg
nagy, ahol g a minta elemszma a szempont egy szintjre (blokk), 'h' a
szempontonknti vagy szintenknti mintk szma (kezels).
A prba vltozjnak eloszlsa Mhi-ngyzet, szabadsgfoka k-1.
Blokk
l r
ll
. r
lk
A minta elemeinek sorrendje az els
szempont szerint
..
g r
gl
. r
gk
A minta elemeinek sorrendje az utols
szempont szerint
R
l
R
k
A vltozk tlagos rangszmai.
Megjegyzs: a Friedman-teszt s a Kendall-fle konkordancia egytthat
ugyanannak a problmnak a tesztelsre hasznlhat. Szignifikancia-
szintjeik megegyeznek, mindkett kt-tnyezs problmt trgyal.
- 274 -
K"#/%00 1:#1:$/%#>+% "()I&&B%&DE% W
Kettnl tbb ,brl" rangsora ll rendelkezsre. Van-e klnbsg a brk
egyttest tekintve a kzttk lv egyetrtsnek, vagy van-e szignifikns
mrtke? Milyen az egyetrts (konkordancia) a rangsorok egyttesben.
(egyltaln nem egyezik a brlk vlemnye) 0 <= W <= l (tkletesen
egyezik a brlk vlemnye). A prba vltozjnak eloszlsa Chi-ngyzet,
szabadsgfoka m-1.
Pl.: tbb oktat a hallgatkat rangsorolja tuds szerint. Minden oktat sorba
rendezi a hallgatt 1-tl m-ig, m a hallgatk szma. Az oktatk szma legyen
n. Vajon megegyeznek az oktatk vlemnyei, van kzttk egyetrts?
Hallgat
k
Oktatk
Hallga
-tl
Hallga
-t2
Hallga
-t3
Hallga
-t4
Hallga
-t5
Hallga
-t6
Hallga
-t7
Hallga
-t8
Kovcs 6 2 3 5 l 4 8 7
Kiss 6 3 l 7 2 4 8 5
Szab 7 3 2 5 l 4 8 6
T",& S&%&+,&+>,
3
.93l
l9.556
7
.007
N
Kendall's W
a
Chi-Square
df
Asymp. Sig.
Kendall's Coefficient of Concordance
a.
- 275 -
IDSRK ANAL4ZISE
Az idsornak a klnbz idpontokban vgzett megfigyelseket nevezzk.
Az adatok sorrendje nagyon fontos, a klnbz rendezseknek itt nincs
rtelme. A megfigyelseket egyenl idkzkben vgezzk. tJ1 ,2 , ", V n.
30H00 25H00 20H00 15H00 10H00 5H00 0H00
t)me
4H00
3H00
2H00
1H00
0H00
n
-
m
*
e
r

o
7

-
n
)
t
s

%
e
m
a
n
%
e
%
<)er"8e
-ren&
Se"son".
Se"son".
Se"son".
A mrt rtkeket u
1
, u
2
, u
"
V u
t
-vel jelljk.
tJ0 idpontbl kiindulva nemcsak elre, hanem htra is haladhatunk, ekkor az
indexeket -l, -2 stb. jelljk.
Az idsorok elmlete ms tpus adatokra is alkalmazhatk, pl. fldsv
mentn klnbz pontokban mrt nitrogntartalom, amelyben az idbeli
vltozs helybe trbeli vltozs lp fel. Mtrgyadzisok is felfoghatk
idsornak. A mdszer felhasznlhat olyan esetben, ahol egy valsznsgi
vltoz egy ,t" vltoztl fgg, ahol ,t" egyarnt vonatkozhat idre vagy lineris
trre.
Az ,u" vltoz lehet diszkrt, pl. emberek szma, s lehet folytonos vltoz, pl.
hmrsklet, lgnyoms, stb.
Az idsornak ngy sszetevje lehet:
- 276 -
Trend, hossz idszakon keresztl rvnyesl vltozs
Szezonlis ingadozs, rvid ideig tart szisztematikus ingadozs
Periodikus ingadozs, mely hosszabb idtvon jelentkezik
Vletlen ingadozs
Az idsorok analzise sorn ezt a ngy sszetevt kell elklnteni, ami
sokszor elg nehz feladat.
Trend
Regresszis technikval valamilyen alkalmas fggvny illesztse az adatokra.
Lehet lineris ill. nem lineris, pl. polinomok illesztse. A magasabb fok
polinomok illesztse azonban sokszor htrnyos, mivel sok szmtst ignyel,
s jabb tagok csatolsa esetben az illesztst ellrl kell kezdeni.
Mozgtlagols. A leggyakoribb a 3, 5, 7, 9, l5 s 2l pontos mozgtlagols.
Ezzel a mdszerrel a szezonlis hatsok kikszblhetk.
R30id leE.ratK s)e)on.lis 4s 04letlen 3ss)ete08*
Felttelezzk, hogy az idsor trend mentes, vagy a trendet mr korbban
kiszrtk (detrendels). Sorozatunk ekkor tbb-kevsb szablytalanul
ingadozik valamilyen kzpponti rtk krl.
A ,:$:2%& ?-0"&0"#,2"$.,-(-#"1 ?+2,(<0%&%
Vizsgljuk meg, hogy milyen sorozatot vrhatunk abban az esetben, ha az
ingadozs teljesen vletlenszer, azaz ha az egymst kvet tagok
fggetlenek, s a sorozat egy ismeretlen sokasgbl szrmaz minta vletlen
elrendezseknt foghat fel. Az ettl az llapottl val eltrst klnbz
mrszmokkal mrhetjk, pl.:
Cscspontok s mlypontok elfordulsa a sorozatban
A szomszdos tagok kztti korrelci
"sKcsponto* 4s !4lyponto* el8fordul.sa a soro)atban
u
t-1
<u
t
;u
t\1
cscspont vagy u
t-1
;u
t
<u
t\1
mlypont. Mindkt esetben u
t
fordulpont. Kt fordulpont kztti intervallumot fzisnak neveznk. Egy
oszcilll idsor vletlenszersge a fordulpontok szmnak
meghatrozsval jl vizsglhat, ez n tag vletlen sorozatban
2
*
( n2)

vrhat rtk s 31%n-2(49(0 szrs.
- 277 -
A s)o!s)4dos ta$o* *3)3tti *orrel.ci-' soro)at*orrel.ci-
Egy sorozat szomszdos tagjai korrelcis egytthatjt elsrend
autkorrelcis egytthatnak nevezzk. A k tvolsgra lv tagok korrelcis
egytthatjnak elnevezse k-ad rend autkorrelcis egytthat.
R
k
=
EAF( u
t
E u
t + k
)
/(u
t
) /( u
t + k
)
Hossz sorozatban /
2
( u
t
) s /
2
( u
t + 1
) gyakorlatilag azonosak, s emiatt a
fenti kplet a kvetkez mdon adhat meg:
R
k
=
EAF( u
t
E u
t + k
)
/
2
( u
t
)
Rvid megfigyelsi sorozatok esetben /
2
( u
t
) becslsnek jobb az egsz
sorozat (n tagbl szmtott) szrsngyzett tekinteni, br a kovariancit csak
3n-k) tagbl hatrozzuk meg. Hasonlkppen jobb u
t
s u
t\k
szorzatsszegnek meghatrozsnl az u eltrseket a teljes sorozat
szmtani kzeptl mrni.
Amennyiben a sorozat tagjait az sszes tag szmtani kzeptl mrjk, akkor:
r
k
=
n
nk
t =1
nk
u
t
u
t + k
t =1
n
u
t
2
Amennyiben a sorozat vletlen jelleg, akkor
k
elmleti rtke minden k-ra
nulla. Ennlfogva a sorozatkorrelcis egytthatk nulltl val eltrst
felhasznlhatjuk a sorozat vletlenszersgnek vizsglatra. Vletlen
sorozatban nagy n-re
k
szrsngyzete kzelten:
/
2
( r
k
)
1
nk
A
k
autkorrelcis egytthatt k fggvnyben brzol grbt
korrelogrammnak nevezzk. Ennek segtsgvel megklnbztethetk a
harmonikus sorozatok s az autoregresszv sorozatok.
- 278 -
5"$+:/:($%*-"0"*2-,
Szmos oszcilll fizikai jelensg bizonyos szm ,tiszta" harmonikus
hullmra bonthat fel, amely mindegyike egy-egy szinusz vagy koszinusz
fggvnnyel rhat le. Egy tiszta oszcilltor idbeli mozgsa az
A=9:
(
S+
2G
J
t
)

fggvnnyel fejezhet ki, ahol [ a hullmhossz s * az amplitd. Az
oszcillcis jelensg pedig gyakran llthat el ilyen tagok sszegeknt:
u
t
=A
1
=9:
(
S
1
+
2G
J
1
t
)
+ A
2
=9:
(
S
2
+
2G
J
2
t
)
++
Id8sor periodicit.s.na* *eres4se %ar!oni*us anal,)is se$,ts4$40el
Nincs zavar. Egy rdikszlk behangolsval hasonlthat ssze. lsmert
hullmhossz sorozatokat korrellunk az adott sorozatokkal, ha sszhangba
jutnak, akkor intenzv korrelcit kapunk. Hibkkal terhelt, rgi mdszernek
tartjk napjainkban.
Autore$ress),0 soro)ato*
Autoregresszv sorozatnak olyan sorozatot neveznk, amely minden pontban
az elz pontban felvett rtkek, plusz egy zavar fggvnye. Amennyiben a
fggvny lineris, akkor lineris autoregresszv fggvnyrl beszlnk. A
mdszer figyelembe veszi, hogy zavar elfordulsa esetn ez a rendszer
vltoziba beleolvad. Nem szablyos ingadozshoz hasonlt, melyet nha
meglknek. A kilengsek kztti id nem lland, valamint a kilengs sem
mindig azonos mozgs. Nagyon hasonl ahhoz, ahogyan sok oszcilll
idsor viselkedik. Ebbl kifolylag az autoregresszv sorozatnak nincs szigor
rtelemben vett peridusa. A cscspontok kztti tlagos tvolsg teljesen
klnbzhet a korrelogram peridustl. Tegyk fel, hogy egy rendszer
mozgst kt tnyez hatroz meg:
Bels tulajdonsgainak sszessge, pl. rugalmassg, knyszer, ezek a kls
hats nlkli mozgst hatrozzk meg
Kls lksek sorozata
Az autoregresszv sorozatokban a kt legfontosabb eset:
u
t + 1
=Tu
t
+ U
t + 1
(l.)
u
t + 2
+ Su
t + 1
+ Pu
t
=U
t + 2
(2.)
E@9:#"#>+<0+, ,+*M&<,
Ngyfle modellt llthatunk fel a trend s szezonalits figyelembe vtelnek
kombincijval.
- 279 -
Egyszer (Simple) modell: nincs trend s nincs szezonlis hats, ill. vltozs.
Holt modell: lineris trend szezonlis hats nlkl.
Winters modell: lineris trend s multiplikatv szezonlis hats. Az ingadozs
nagysga n vagy cskken a sorozat rtktl fggen
Felhasznl ltal definilt modellek: a felhasznl llthatja be a trend s
szezonlis hatsokat.
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
60H000
50H000
40H000
30H000
20H000
10H000
0H000
m
e
n
n
y
)
s
$
Multiplikatv szezonlis dinamika, nvekv ingadozs
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
/
K
.
5
u
s
/
"
n
u
3
r
30H000
20H000
10H000
0H000
m
e
n
n
y
)
s
$
Additv szezonlis dinamika
- 280 -
A fenti modellek ngy paramtert hasznlnak
A0A% (ltalnos paramter), minden modell hasznlja, rtke 0,00-l,00. Ha az
alfa l, kizrlag a legfrissebb megfigyelseket hasznljuk, ha alfa 0, akkor a
rgebbi megfigyelsek is befolysoljk az aktulis rtk alakulst.
!%**% Akkor hasznljuk, ha felttelezzk, hogy az idsornak van trendje.
rtke 0,00-l,00. A gammt csak lineris vagy exponencilis trendnl, vagy
csillaptott trendnl, ahol nincs szezonlis komponens, hasznljuk. Egyszer
modell esetben nincs rtelme.
D"0&%R Ez a paramter a szezonalitst rja le. rtke 0,00-l,00, egyhez kzeli
rtke magasabb slyt jelent. Csak szezonlis hatst tartalmaz modellben
kerl meghatrozsra, nem hasznljuk egyszer, ill. Holt modell esetben.
5B+R Az exponencilis simts ezen paramtere kontrolllja, hogy a trend
,damped", csillaptott vagy milyen gyorsan cskken a nagysga az id
fggvnyben. rtke 0,00-l,00 (de soha sem ri el az egyet), egyhez kzeli
rtke nagyobb fok csillaptst jelez. A phi csak csillaptott trendet tartalmaz
modellben hasznlhat, nincs rtelme a szimpla, a Holt ill. a Winters
modellben.
Az exponencilis simts legels lpse az brzols, mivel a adatok idbeli
alakulsa segt a megfelel modell kivlasztsban.
Van-e a sorozatnak egyltaln trendje? Milyen a trend: vltozatlan vagy
vltozik az id fggvnyben?
Lthat-e az adatokon szezonalits? A szezonlis ingadozsok idvel nnek,
vagy vltozatlanok.
Vlasszuk a grafikonok kzl a Szekvencilis grafikonokat.
- 28l -
?
C
-

2
0
0
6
S
E
:

2
0
0
6
<
>
G

2
0
0
6
=
>
L

2
0
0
6
=
>
,

2
0
0
6
+
<
X

2
0
0
6
<
:
T

2
0
0
6
+
<
T

2
0
0
6
#
E
E

2
0
0
6
=
<
,

2
0
0
6
(
E
C

2
0
0
5
,
?
V

2
0
0
5
?
C
-

2
0
0
5
S
E
:

2
0
0
5
<
>
G

2
0
0
5
=
>
L

2
0
0
5
=
>
,

2
0
0
5
+
<
X

2
0
0
5
<
:
T

2
0
0
5
+
<
T

2
0
0
5
#
E
E

2
0
0
5
=
<
,

2
0
0
5
(
E
C

2
0
0
4
,
?
V

2
0
0
4
?
C
-

2
0
0
4
S
E
:

2
0
0
4
60000
50000
40000
30000
20000
10000
0
%
*
Filteres teafogyaszts
Trend nehezen ismerhet fel, vagy nincs, vagy enyhn cskken lineris
trendet felttelezhetnk. (nincs elg adat, hogy biztonsgosan megtljk
konstans-e a trend).
Szezonlis dinamika figyelhet meg: a hidegebb hnapokban tbb, a nyri
idszakban kevesebb tet fogyasztanak az emberek.
A fentiek ismeretnek ellenre legelszr a legegyszerbb modellt lltsuk fel,
ahol nincs trend s nincs szezonlis hats.
- 282 -
Az alfa paramter meghatrozst bzzuk a programra (vlasszuk a Grid
Search lehetsget). lrassuk ki a legjobb l0 modell paramtereit.
A legjobb l0 modell alfa rtke az albbi volt. A legpontosabb rtket alfa=0,7
rtknl kaptuk, ekkor volt az eltrs ngyzetsszeg a legkisebb.
Smallest Sums of Squared Errors
Series
Model
rank Alpha (Level) Sums of Squared Errors
db_sum l ,70000 39078790ll,54776
2 ,80000 39l0l77609,03472
3 ,60000 3965966440,05588
4 ,90000 3974l8580l,05280
5 ,50000 408l47l836,26282
6 l,00000 4l03872l24,85208
7 ,40000 42423l0694,02872
8 ,30000 44l82l745l,93448
9 ,00000 4485032083,846l6
l0 ,20000 4560252585,l4987
- 283 -
S
E
:

2
0
0
6
=
>
L

2
0
0
6
+
<
X

2
0
0
6
+
<
T

2
0
0
6
=
<
,

2
0
0
6
,
?
V

2
0
0
5
S
E
:

2
0
0
5
=
>
L

2
0
0
5
+
<
X

2
0
0
5
+
<
T

2
0
0
5
=
<
,

2
0
0
5
,
?
V

2
0
0
4
S
E
:

2
0
0
4
60000
50000
40000
30000
20000
10000
0
EecsG.t 2rt2D (&@)
+e8;58%e.t (&@)
Az egyszer modellel kapott becslt s tnyleges forgalmi adatok
Az exponencilis simts szpen lerja az adatokat, azonban van egy idbeli
elcsszs, ami tbb ezer darabos al s fell becslst jelent. Ezrt rdemes a
maradkok autkorrelcis grafikonjt elkszteni, s megvizsglni, hogy van-
e valamilyen jl felismerhet szezonlis hats.
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Aa$ 5-m*er
1H0
0H5
0H0
-0H5
-1H0
#
,
B
<.sF Don;5&enc5"
!"t3r
#e.s6 Don;5&enc5"
!"t3r
Poe;;5c5ens
- 284 -
Az brn jl lthat, hogy van egy ll hnapos szignifikns hats, ami ers
szezonlis hatst jelent.
A becslt adatok rossz illeszkedse, s a ll hnapos autkorrelcis
egytthat miatt az egyszer exponencilis modell nem alkalmas a teakereslet
pontos elrejelzsre.
A ,2"2:#<0+, B%&<, A"08:#&<,%
A szezonlis analzis ngy j vltozt hoz ltre, amelyek az adatbzisban
megjelennek s az albbi kezdbetkkel azonosthatk:
SAFR Szezonlis faktorok, a szezonlis vltozsokat mutatjk. A multiplikatv
modellben az l rtk a szezonlis ingadozs hinyt mutatja. Az additv
modellben ugyanezt a 0 rtk jelenti. A szezonlis faktorokat hasznlhatjuk
inputknt az exponencilis simts modelljeiben.
SASR A szezonlis hatstl megtiszttott eredeti idsor. Ezzel a sorozattal
trend-analzist, vagy ms fggetlen szezonlis sszetev kimutatst
vgezhetjk el. Trend meghatrozsa regresszi-analzis segtsgvel fgg
vltozknt lehet megadni. Autoregresszi szmtsa.
ST6R Rvidebb trend-ciklus sszetevk. Trend meghatrozsa regresszi-
analzis segtsgvel fgg vltozknt lehet megadni. Autoregresszi
szmtsa.
ERRR Maradk tagok.
A szezonlis hatsok levlasztsval az egyszer szezonlis hatsokat
tvolthatjuk el a ciklikus idsorokbl.
- 285 -
!RAFIKNK
Grafikon ksztsekor nemcsak az alapadatokat brzolhatjuk, hanem a
csoportkpz vltoz szerint sszestett, szmtott rtkeket is. Pl. napi
hmrskleti tlagok, minimumok, maximumok brzolsa.
Os)lop dia$ra!o* /Bar "%arts1
E(),2"$. (S+*90")
Csoportostott megfigyelsek brzolsa (Summaries for groups of cases):
A kategria tengelyen (Category Axis) a csoportkpz vltoz szerepel, pl. a
kezels (ntzs, hibrid, trgyzs, stb.). Az oszlopok mutathatjk a
kezelsszintek megfigyelseinek, eseteinek szmt, kumullt rtkeit s ezek
szzalkos rszesedseit. Egy fgg vltozt kijellve klnbz statisztikai
mutatkat brzolhatunk a csoportkpz vltoz fggvnyben.
-T<GX<U 1 ne0 tr38%34ott
+
e
"
n

t
e
r
0
2
s

t
!
"
9
9
9
8
8
8
8
8
7
7
11$. ra! A kukorica termse (t/ha) klnbz talajmvelsekben
Klnbz vltozk brzolsa egy diagramon (Summaries of separate
variables):
Csoportkpz vltoz nlkl tbb vltozt, vagy ugyanannak a vltoznak a
klnbz statisztikai mutatit brzolhatjuk a grafikonon.
- 286 -
-T<GX<U 1 ne0 tr38%34ott
+"A50u0 +5n50u0 +e"n
t
!
"
14
12
10
8
6
4
2
0
11%. ra! A terms (t/ha) klnbz statisztikai mutati
A megfigyelt rtkek brzolsa (Values of individual cases):
A vltoz minden egyes rtkt brzolhatjuk. A megfigyelsek szma nem
lehet tbb, mint 3000. A megfigyelseknek, eseteknek magyarzatokat,
cmkket is adhatunk.
<4 2) n"B/"
361
346
331
316
301
286
271
256
241
226
211
196
181
166
151
136
121
106
91
76
61
46
31
16
1
V
"
.
u
e

,
"
B
5

c
s
"
B
"
&
2
D

(
0
0
)
40
30
20
10
0
11&. ra! 2002. v napi csapadkadatai (mm)
6,:9:$&:,M&:&& (607,&"$"/)
Csoportostott megfigyelsek brzolsa (Summaries for groups of cases):
Egy vltoz klnbz statisztikai jellemzinek brzolsa kt ismrv alapjn.
A kategria tengelyen a trgyzs, klaszterknt az ntzs szerepel.
- 287 -
-r38%" De4e.2s
n5tro82n 240 n5tro82n 120 ne0 tr38%34ott
+
e
"
n

t
e
r
0
2
s

t
!
"
11
10
9
8
7
6
5
4
ntL42s
,e0 LntL4Ltt
ntL4Ltt
11'. ra! A trgyzs hatsa a kukorica termsre nem ntztt
s ntztt kezelsekben
Klnbz vltozk brzolsa egy diagramon (Summaries of separate
variables):
Tbb vltozt, vagy ugyanannak a vltoznak a klnbz statisztikai mutatit
brzolhatjuk a grafikonon. A csoportkpz vltoz a kategria tengelyen
jelenik meg.
E.6)ete02n%
EK4" PuDor5c"
14
13
12
11
10
9
8
7
ter02s t!"
+e"n
V"r5"nce
11(. ra! Az elvetemny hatsa a kukorica termsre s
variancijra
A megfigyelt rtkek brzolsa (Values of individual cases):
- 288 -
Tbb vltoz minden egyes rtkt brzolhatjuk. A megfigyelsek szma
nem lehet tbb, mint 3000. A megfigyelseknek, eseteknek magyarzatokat,
cmkket is adhatunk.
<4 2) n"B/"
3
1
3
0
2
9
2
8
2
7
2
6
2
5
2
4
2
3
2
2
2
1
2
0
1
9
1
8
1
7
1
6
1
5
1
4
1
3
1
2
1
1
1
0
9 8 7 6 5 4 3 2 1
V
"
.
u
e
10
0
-10
-20
,"B5 cs"B"&2D (00)
7602rs2D.et (C)
120. ra! 2002. v janur havi napi hmrsklet s
csapadkadatai
O%0*:2:&& (S&%>1"/)
Egyetlen vltoz szmtott rtkeinek brzolsa vonaldiagram segtsgvel:
(Graphs, Line Charts Simple)
. Summaries for groups of cases, Define. A vltoz kivlasztsa utn
megadhat az sszests mdja (statisztikja). A kategria tengelyen a
csoportkpz vltozt kell megadni.
. Summaries of separate variables
. Values of individual cases: a vltoz minden egyes elfordulst brzolja,
nem szmt statisztikt.
Tbbszrs brzols: (Graphs, Line Charts, Multiple)
. Summaries for groups of cases. Kt csoportkpz ismrv szerint
brzolhatjuk a kivlasztott vltozkat, pl. kukorica termseket a termhely s
id fggvnyben. Az x-tengely (Category Axis) lehet az id, pl. v, a vonalak
(Define Lines by) pedig a termhelyenknti termsek.
. Summaries of separate variables, Define. A Lines Represent ablakban az
brzoland vltozkat lehet megadni. A vltozkhoz klnbz sszestsi
eljrsok vlaszthatk. Jelljk ki egrrel a vltozt (kk szn) s Change
Summary gombbal adjuk meg a szmtsi eljrst (tlag, medin, mdusz,
esetek szma, sszeg, szrs, variancia, minimum, maximum, kumulatv
sszeg). Lehetsg van klnbz szzalkokban is megjelenteni a vltoz
rtkeit.
- 289 -
. Values of individual cases:
Minden grafikonnak azonos formtumot biztosthatunk, ha a mintt (template)
alkalmazunk. A minta .sct fjlban tallhat. Figyelem: bonyolult elrsi
tvonal esetn nem mindig tallja meg a fjlt. rdemes az SPSS
alknyvtrban trolni ezeket a fjlokat.
23rdia$ra!o* /+ie "%arts1
Krdiagramot fknt nominlis vltozk gyakorisgnak, vagy egy vltoz
sszettelnek bemutatsra hasznlunk.
121. ra! A krdiagram belltsa
- 290 -
Kszthetnk egyszer, gynevezett robbantott ill. klnbz informcikkal
kiegsztett krdiagramokat.
e8%2@
!"tFs38
c5)5. s4er)e4et
s4o.83.t"tF
8"4&"s385
s4er)e4et
ter0e.6 8"4&"s385
s4er)e4et
LnDor03n%4"t
-e)2Den%s285 DLr
122. ra! Egyszer krdiagram
30H3S
e8%2@
!"tFs38
c5)5. s4er)e4et
s4o.83.t"tF
8"4&"s385
s4er)e4et
ter0e.6 8"4&"s385
s4er)e4et
LnDor03n%4"t
-e)2Den%s285 DLr
12". ra! Robbantott krdiagram, a leggyakoribb rtk jellsvel
- 29l -
12H12S
30H3S
15H15S
21H21S
6H06S
15H15S
e8%2@
!"tFs38
c5)5. s4er)e4et
s4o.83.t"tF
8"4&"s385
s4er)e4et
ter0e.6 8"4&"s385
s4er)e4et
LnDor03n%4"t
-e)2Den%s285 DLr
12#. ra! @0ant0tt k7rdiagram, a szzalk0k 2elt?ntetsvel
- 292 -
KRD4VEK TERVEZSE
A tesztksztssel, tervezssel s kirtkelssel foglalkoz tudomny a
tesztelmlet. Ebben a fejezetben nem akarok a teljessgre trekedni, mert
akkor tbb szz oldalt kellene ignybe venni. Csak az SPSS programhoz
szksges alapvet ismereteket trgyalom, s megprblok nmi gyakorlati
tmutatt adni a helyes krdv kirtkelshez.
A szakemberek nagyon sokfle krdst klnbztetnek meg, pl.:
lgen/Nem krds
Nyitott krds (l soros vlasz)
Nyitott krds (tbb soros vlasz)
Nyitott krds (szmjegyes vlasz)
Tbbszrs nyitott krds (szmjegyes vlasz).
Egyszer vlaszts (egy vlaszlehetsg)
Tbbszrs vlaszts (tbb vlaszlehetsg)
Mtrix-krds (soronknt egy vlaszlehetsg)
Mtrix-krds (soronknt tbb vlaszlehetsg)
rtkel krds
Tbbszrs rtkel krds
Osztlyoz krds l-tl l0-ig
Tbbszrs osztlyoz krds l-tl l0-ig A krdv ltrehozsa
ldpontra vonatkoz krds
rtk-relevanciakrds
s mg biztosan lehetne kitallni mg egy prat. A knny eligazods
rdekben le fogom egyszersteni a krdsek csoportostst, fknt az
adatbzis tulajdonsgaik alapjn, mivel a klnbz tpus krdseket
klnbzkppen kell bepteni az adatbzisba. Vannak olyan krdsek,
amikre csak egyetlen vlaszt lehet adni, pl. a lenti krds (melyik korosztlyba
tartozik), s vannak tbbszrs vlaszadsak is. A vlaszad csak egyetlen
korcsoportba tartozhat. Az ilyen tpus vlaszokat rdigombokkal szoktk
jelezni, ezzel is sugalmazva, hogy csak egyetlen vlaszt vr a krdst feltev
szemly. Az adatbzisban ezt egyetlen nominlis vagy ordinlis tpus
vltozban trolhatjuk. rdemes szmokkal kdolni az egyes korosztlyokat,
s cmkket hasznlni a megnevezskhz.
- 293 -
Melyik korosztlyhoz tartozik?
0-20 v
2l-40 v
4l-60 v
6l-80 v
80 felett
Az albbi krdsre (hogy van megelgedve a munkahelyvel) is csak egyetlen
vlasz adhat. Ez egy minst, eldntend krds. Az adatbzisban ezt is
egyetlen vltozban troljuk, ordinlis adatknt. rtke lehet szveg vagy
szm. Clszer szmokat megadni, s cmkket hasznlni, mivel gy sokkal
kisebb mret adatbzist kapunk.
,Hogy van megelgedve a munkahelyvel?"
Nagyon
Kzepesen
Kevsb
Az elz kt krdstpusra adott vlaszokat teht egyetlen vltozban kell
trolni. Az olyan krdseket, ahol tbb vlasz is lehetsges, kicsit
bonyolultabb az adatbzisba elhelyezni. llyen tpus krds az albbi:
,Van-e a laksban?"
Vezetkes vz
Kzponti fts
Telefon
Sznes televzi
Szmtgp
A vlaszol akr mindet megjellheti vagy egyiket sem. llyenkor a lehetsges
vlaszok mindegyikre egy-egy dichotm (kt-rtk, 0=nincs, l=van) vltozt
kpeznk. Ezek a vltozk egy csoportot alkotnak, rdemes a vltozk
nevvel is jelezni a csoportba tartozst. Pl. ha a fenti krds a nyolcadik, akkor
a vlaszokat K8_l, K8_2, K8_3 stb. jellhetjk. A tbbszrs vlaszadsok
elemzse bonyolultabb, mint az egyszer vlaszt krdsek kirtkelse.
Milyen sorrendben tartalmazzk a krdseket a krdvek?
Ez elg szubjektv, fgg a krdv tpustl. Altalban a kzvlemny
kutatsban hasznlt krdvekben az elejn egyszer, figyelemfelkelt
krdsek vannak. A bizalmas jelleg, szemlyes krdsek a krdv vgre
- 294 -
kerlnek. Bizalmatlansgot s ellenkezst vlthat ki az olyan krdv, aminek
az els krdse azt firtatja, hogy hny vesek vagyunk s mennyit keresnk,
kvrek vagyunk-e vagy sovnyak. Egy j krdv betartja az ratlan udvarlsi
szablyokat. Elbb az rdekldst, szimptit, bizalmat kell megszerezni, s
csak utna jhetnek az esetleges bizalmas krdsek.
KRD4VEK KIRTKELSE
Elszr az egyetlen vlaszt ad krdsek rtkelst mutatom be. Ezek a
vlaszok lehetnek nominlis, ordinlis s skla tpus adatok.
(o!in.lis t,pusK adato* *i4rt4*el4se
Az elemzst az SPSS-hez mellkelt c0ntact.sav adatbzison mutatom be.
Nyissuk meg az adatbzist s vlasszuk Analyze, Descriptive Statistics,
Frequencies men pontot. Ezutn a Department vltozt tegyk a vltozk
ablakba.
12$. ra! Gyakorisgok prbeszdpanel
Kattintsunk a Charts. gombra (grafikonok), s a grafikon tpusnak (Chart
Type) adjuk meg a krdiagramot (Pie Charts). A diagram brzolhatja az
adatok gyakorisgt (az elforduls szmt) vagy szzalkt. Ezt a Chart
Values terleten tudjuk belltani.
- 295 -
12%. ra! Grafikonok kivlasztsa s belltsa
A folytatshoz kattintsunk a Continue gombra.
12&. ra! Krdiagram, a kategrik feltntetsvel
A krdiagram szemlletesen brzolja a klnbz kategrik relatv
gyakorisgt a megfigyelsek egszhez viszonytva. A gyakorisgi tblzat
pontosan megmutatja az egyes kategrik gyakorisgt (Frequency),
szzalkban kifejezve (Percent), az rvnyes megfigyelsek szzalkban
kifejezve (Valid Percent) s a kumulatv eloszlst szzalkban (Cumulative
- 296 -
Percent). Az els oszlopban a Valid az rvnyes megfigyelseket, a Missing a
hinyz rtkeket jelli. Az adatbzisban sszesen 70 megfigyels szerepel.
Ebben 62 rvnyes s 8 hinyz adat van. Altalnos rvny kvetkeztets
levonshoz mindig az rvnyes adatokat kell figyelembe venni. Nominlis
tpus adatoknl a kumulatv eloszls nem ad tbblet informcit, gyakorlatilag
nem is lehet hasznlni semmire. Ez inkbb az ordinlis tpus adatok esetn
hasznos.
A leggyakoribb adat a Computer Services, az rvnyes adatok szzalkban
48,4%.
A krdiagram helyett oszlopdiagramot vlasztva, amiben a kategrikat
cskken gyakorisggal brzoljuk, gyorsan megllapthatjuk a sokasg
mduszt (leggyakrabban elfordul kategria), illetve a relatv gyakorisgot
szemlletesen brzolhatjuk.
Vlasszuk jbl a grafikonok men pontot, s most az oszlop diagramot
aktivizljuk.
12'. ra! Oszlopdiagram kivlasztsa
- 297 -
A folytats utn kattintsunk a Format gombra, ahol a frekvencik tblzatos
megjelentsnek s brzolsnak mdjt lehet belltani. A gyakorisgok
megjelentst vgezzk a kategriagyakorisgok cskken sorrendjben
(Descending Counts). A Continue utn megkapjuk az oszlopdiagramot.
12(. ra! A gyakorisgok megjelentsnek belltsa
A gyakorisgok az elfordulsok nagysgnak cskken sorrendjben
jelennek meg.
1"0. ra! Oszlopdiagram, cskken gyakorisgi sorrend
- 298 -
Ordin.lis t,pusK adato* *i4rt4*el4se
Olyan adatok kirtkelse, amik valamilyen szempont alapjn sorba
rendezhetk, valamilyen rangsor felllthat kzttk. Ugyanazt az eljrs
fogjuk hasznlni, mint az elbb, csak a belltsok lesznek msok. Az
adatbzis alapjn elemezzk a cg rangsor vltozt. Tegyk be a Company
Rank vltozt a vizsglati ablakba. Ez egy ordinlis tpus vltoz, amit a
vltoz definilsakor neknk kellett belltani az SPSS adatbzis ablakban.
1"1. ra! Gyakorisgok elemzse
Ksztsnk oszlopdiagramot.. A Format. belltsai az albbiak lesznek:
cskken rendezs a vltoz rtkei szerint. Teht nem az elforduls
gyakorisga szerint, hanem a rangsorban elfoglalt rtke alapjn fognak
megjelenni a frekvencik. A rangsorban legrtkesebb kategria gyakorisga
fog az els helyen (balra) megjelenni, s utna a tbbi.
1"2. ra! Gyakorisgok megjelentse cskken rtkek szerint
Ez alapjn fog elkszlni a frekvenciatblzat s az oszlopdiagram. A
gyakorisgi tblzat fentrl lefel cskken rangszmok alapjn mutatja a
- 299 -
frekvencikat. Kpzeljk el, hogy iskolai osztlyzatokat rtkeltnk. Ekkor a
jeles ll az els helyen s az elgtelen az utolsn. Jeles csak az rvnyes
megfigyelseket figyelembe vve l0,2%, j 22, kzepes 30,5%, elgsges
l8,6% s vgl elgtelen szintn l8,6%. A kumulatv eloszlsbl (Cumulative
Percent) egyb rtkes megllaptsok is tehetk. Pl. a legalbb kzepes
eredmnyt elrt hallgatk arnya 62,7%. Sikeres vizsgk arnya 8l,4% s gy
tovbb.
Az oszlop diagram a gyakorisgokat mutatja az ,osztlyzatok" cskken
sorrendjben. Leggyakoribb osztlyzat a kzepes, jelesbl van a legkevesebb,
stb.
1"". ra! Oszlopdiagram, gyakorisgok cskken rtk kategria
szerint rendezve
- 300 -
S*.la t,pusK adato* *i4rt4*el4se
ltt is ugyanazt a programot fogjuk hasznlni, mint az elbb. A skla tpus adat
valamilyen fizikai mennyisget jell, legtbbszr mrtkegysggel is
rendelkezik. Az elbbi adatbzis segtsgvel a legutbbi rtkestsi
eredmnyeket fogjuk elemezni. Kattintsunk a Reset gombra, hogy
alaphelyzetbe hozzuk a prbeszdablakot. Ezutn vlasszuk ki a Amount of
Last Sale vltozt s tegyk be a vltozk ablakba. Ne ksztsnk frekvencia
tblzatot, mivel skla tpus adatnl nagyon sok ,kategria" van, ezrt a
Display Frequency Tables jellngyzetet trljk.
1"#. ra! Skla tpus adat gyakorisgnak elemzse
Valsznleg kapunk egy hibazenetet, ami arra figyelmeztet, hogy minden
outputot letiltottunk. Ez nem baj, majd a ksbbiekben belltjuk amire
szksgnk van. Klikkeljnk az OK-ra.
1"$. ra! Az SPSS figyelmeztet zenete
Kattintsunk a Statistics gombra a Frequencies prbeszdablakban. Vlasszuk
ki a kvartiliseket, a szrst, a minimumot s maximumot, az tlagot, a medint,
a ferdesget s vgl az eloszls cscsossgt.
- 30l -
1"%. ra! A klnbz statisztikk belltsa
Klikk Continue. Vlasszuk ki a grafikonok menbl a hisztogramot s jelljk
be a norml eloszls jellngyzett. Continue.
1"&. ra! Hisztogram belltsa, a norml eloszls grbjnek
kivlasztsa
Az elkszlt statisztikk az eladsok jellemz rtkeit mutatjk. A
megfigyelsek szma 70, nincs hinyz adat. Az tlag 55,45, a medin 24, a
szrs l03,94. Az eloszls ferdesge 5,33, cscsossga 34,29. A legkisebb
rtke 6, a legnagyobb 776,5. Az els kvartilis rke l2, a msodik 24, a
harmadik 52,88. Az eladsok eloszlsnak kzept a medin, illetve a
msodik kvartilis mutatja, rtke 24. Az eloszls kzppontja krl az adatok
- 302 -
fele l2 s 52,88 kz esik. Ezt az els s harmadik kvartilis mutatja, aminek a
klnbsgt interkvartilisnek neveznek.
Az eladsok kt extrm rtke a minimum s a maximum. Az tlag s a
medin nagyon klnbzik, ami azt sugalmazza, hogy az eloszls ersen
aszimmetrikus. Ezt ersti meg a ferdesgi mutat nagy pozitv rtke (5,33),
ami azt mutatja, hogy az eladsok eloszlsnak hossz jobboldali farka van,
azaz balra ferde az eloszls. Kis gyakorisggal nagyon nagy eladsok is
elfordulnak, szinte nincs fels hatra az elads nagysgnak. Az als hatra
azonban csak nulla lehet, negatv elads nem ltezik. Az eladsok ezen
tulajdonsga okozza a balra ferde eloszlst, vagyis a pozitv ferdesget. A
nagy pozitv ferdesg jl lthat a medin s tlag elhelyezkedsn is, az
tlag jobbra tallhat a medintl. A szrs nagyon nagy l03,94. A nagy
pozitv cscsossg (34,29), a norml eloszlsnl cscsosabb eloszlst jelez.
1"'. ra! Az eladsok hisztogramja
- 303 -
A hisztogram vizulisan mutatja az eladsok eloszlst. A norml eloszls
vonala segt a tnyleges eloszls tulajdonsgainak megtlshez.
T3bbs)3r3s 0.las)ad.so* ele!)4se =<
A tbbszrs vlaszadsok elemzse gyakorisgi-, s kereszttblzatok
ltrehozst jelenti az ltalunk elre definilt tbbszrs vlaszadsok
csoportjai, szettjei alapjn. A tbbszrs vlaszads szettje logikailag
sszetartoz vltozk egyttesbl ll. Ezek a vltozk legtbbszr dichotm,
kt-rtk vagy kategria vltozk. A tbbszrs dichotm szett a
gyakorlatban sokszor igen/nem (l/0 vagy true/false) tpus vlaszok csoportjt
jelenti. Pl. milyen eszkzkkel rendelkezik a vlaszad az albb felsoroltak
kzl? Tbbszrs kategria szettet akkor ksztnk, amikor maximalizljuk a
vlaszok szmt. Ebben az esetben a megkrdezettek maximlis vlaszainak
szma jelentsen kevesebb, mint a lehetsges vlaszok szma.
A tbbszrs vlaszads szettjnek ltrehozshoz vlasszuk az Analyze,
Multiple Response, Define Sets... parancsot. A pldaadatbzist az SPSS-hez
kapjuk. Ebben egy telekommunikcis krdv adatai szerepelnek, hogy
milyen szolgltatsokat vesznek ignybe a megkrdezettek. Az adatbzis
vltozi kzl vlasszuk ki a logikailag sszetartozkat, s tegyk bele
Variables in Set ablakba. sszesen maximum 20 ilyen szettet tudunk
megadni. Mindegyiknek egyedi nvvel kell rendelkeznie.
1"(. ra! Tbbszrs vlaszadsok szettjnek megadsa
A vltozk most kt-rtkek s az sszeszmlland rtket az l jelenti. A
szett neve 'servises' s a cmkje 'Services'. Klikk Add gomb s Close.
- 304 -
1#0. ra! Tbbszrs vlaszadsok neve s cmkje
A gyakorisgi tblzat elksztshez vlasszuk az Analyze, Multiple
Response, Frequencies... parancsot. A Services vltozt tegyk a Table(s) for:
ablakba.
1#1. ra! Gyakorisg elemzse tbbszrs vlaszts vltozval
Klikk OK. Az adatbzisban sszesen l 000 megfigyels szerepel lll hinyz
adattal. A hinyz adat ebben a pldban azokat a szemlyeket jelenti, akik
egyetlen szolgltatsra sem fizetnek el. rvnyes vlasznak tekintjk azt, ha
legalbb egy szolgltatst ignyben vesz az illet.
- 305 -
A gyakorisgi tblzat a megkrdezettek vlaszait tartalmazza. Jl lthat,
hogy milyen szolgltatst hnyan vesznek ignybe. Pl. az l 000 megkrdezett
kzl 368 hasznlja az lnternetet. Termszetesen az sszes vlaszok szma
meghaladhatja az l 000, mivel egy vlaszad tbb szolgltatst is hasznlhat
egyszerre. Ez a tbbszrs vlaszads lnyege. Az egyszer gyakorisgi
rtkek mellett egyb fontos informci is kiolvashat a tblzatbl. Az N
jelenti, hogy hnyan hasznljk vagy fizetnek el a szolgltatsra, a Total N az
sszes elfizeti szerzds szmt mutatja. A szzalk (Percent) oszlop az
sszes vlaszok szzalkban adja meg az ignybe vett szolgltatsok
nagysgt. Ezt tbbflekppen is lehet rtelmezni. Pl. a vlaszadk
mindennapi tevkenysgk sorn ilyen arnyban hasznljk a klnbz
szolgltatsokat vagy a klnbz szolgltatsok piaci rszesedse. llyen
kimutatst egy egyszer gyakorisgi tblzattal nem lehet kszteni csak
tbbszrs gyakorisgi tblzattal.
A Percen of Cases oszlopban az rvnyes vlaszok szzalkban ltjuk az
adott szolgltats ignybevteli arnyt. A 889 vlaszol 4l,4%-a hasznlja
az lnternetet. Ezek a szmok azonban nem mutatjk azokat a felhasznlkat,
akik egyetlen szolgltatst sem vlasztanak (ezek a hinyz adatok).
Amennyiben ezekre is kvncsiak vagyunk el kell lltani egy j vltozt, amit
a Transform, Compute paranccsal vgezhetnk el (l42. bra). Legyen a
vltoz neve ,none". A fggvny: l-max(a szolgltatsok listja vesszvel
elvlasztva). Ennek az rtke l, ha egyelten szolgltatst sem vesz ignybe
az illet. A vltoz cmkje legyen ,No services". Klikkelj a Continue gombra.
- 306 -
Ezek utn adjuk hozz az j vltozt a mr meglv tbbszrs dichotm
szetthez (l43. bra).
1#2. ra! A szolgltatst ignybe nem vevk szmtsa
1#". ra! A tbbszrs vlaszts bvtse
- 307 -
Van-e sszefggs az iskolai vgzettsg s a szolgltatsok kedveltsge
kztt? Ehhez ksztsnk kereszttblzatot az ignybe vett
telekommunikcis szolgltatsok gyakorisga s az azt ignybe vev
gyfelek iskolai vgzettsg vltozk felhasznlsval. Analyze, Multiple
Response, Crosstabs.
1##. ra! Kereszttblzat ksztse tbbszrs vltozval
A sorba (Row) tegyk bele a 'services' vltozt, az oszlopba (Column) az 'ed'
(level of education) vltozt. Az iskolai vgzettsg vltoznak meg kell adni az
elemzsbe vont tartomnyt (Define Ranges). Jelen esetben l-5 kategrik
vesznek rszt az elemzsben.
1#$. ra! lskolai vgzettsg kategrijnak megadsa
Ezek utn lltsuk be, hogy a cellkban a szzalkok oszloponknt
szmtdjanak, vagyis iskolai vgzettsg szerint (l46. bra).
- 308 -
1#%. ra! Cellk szzalkszmtsa oszlop szerint
A szmtsok elvgzse utn az albbi eredmnytblzatot kapjuk.
A sorokban a szolgltatsok, az oszlopokban az iskolai vgzettsgek lthatk.
A legutols sor (Total Count) mutatja a megkrdezettek iskolai vgzettsgnek
megoszlst (204, 287.66). A tblzat azt sugalmazza, hogy sszefggs
van az iskolai vgzettsg s a hasznlt szolgltatsok kztt. Pl. a 'Caller lD'-
tl '3-way calling' szolgltatsok ignybevtele kzel azonos a klnbz
iskolai vgzettsg kategrikban. A tbbi szolgltatsok hasznlatnak
gyakorisga azonban n az iskolai vgzettsggel. Minl magasabb
- 309 -
vgzettsggel rendelkezik a vlaszad, annl tbb szolgltatst hasznl. Az
sszefggs pozitv. A szolgltatst nem hasznl kategriban ('No
services') az iskolai vgzettsg nvekedsvel cskkennek a szzalkos
rtkek. A kt vltoz kztti sszefggs negatv.
#axi!u! * 0.las) ele!)4se J<
Az SPSS programban egyb lehetsg is rendelkezsre ll a tbbszrs
vlasztsos krdsek kirtkelsre. Nagyon hasonl az elbb lertakhoz az
Analyze, Tables, Multiple Response Sets. menpont. Ebben is dichotm s
kategria vltozkbl kszthetnk sszelltsokat, szetteket. A kategria
vltozk kdolsnak tkletesen meg kell egyeznik. A kategria vltozkbl
ksztett szett ellltst nem rtam le rszletesen korbban, most ptolom.
Az albbi krdsre vrjuk a vlaszokat:
Jellje be a legszimpatikusabb nemzeteket! Maximum hrmat vlaszthat.
magyar
olasz
angol
romn
.
.
.
egyb
A lehetsges vlaszok szma 4l, de ebbl csak maximum hrmat vlaszthat
a megkrdezett. Az adatbzisban ilyenkor hrom kategria vltozt kell
definilni. Az els, msodik s harmadik vlasztsra. Mindhrom vltozban
4l kategria van (magyartl-egyb nciig).
- 3l0 -
!TAKRL FELADATK
Meglv adatbzis tulajdonsgainak megtekintse, (Display Data lnfo)
Olvassa be a mete0r0l,gia.txt fjlt. Mentse el a fjl formtumt .tpf
kiterjesztssel! Text tpus adatok beolvassa.
Egsztse ki a vltozkat tovbbi informcikkal meglv adatbzisbl! (Apply
Data Dictionary)
Rendezze nvekv, majd cskken sorrendbe a terms1('(.sav fjlt!
Bvtse ki a terms1('(.sav fjlt a terms1(($.sav fjl eseteivel! (Merge Files,
Add Cases.)
Kapcsolja ssze a terms.sav fjlt a csapadk.sav fjllal! (Merge Files, Add
Variables, Match cases on key variables in sorted files, External file is keyed
table, Excluded Variables: v vltoz Key Variables. OK) rizze meg az
utastsokat!
Alaktsa t az esztend2002.sav fjl ,jdate" vltozjt hnapokra! (Transform,
Compute, DATE.YRDAY(2002,jdate) dtum ellltsa,
XDATE.MONTH(datum) a hnap szmainak kpzse)
Agreglja az esztend2002.sav fjlt vltozit rtelemszeren, a hnapok
alapjn! (Data, Aggregate., grad.sum; tmax.mean; tmin.mean; csapad.sum)
A terms.sav fjlban kdolja t az aktulis mtrgyaadagokat egy msik
vltozba (l0, 60-l8090, 240-300l50). l990 s l99l esztendben!
(Transform, Recode, lnto Different Variables)
Ossza fel a terms.sav fjl ,terms" vltozjt ngy egyforma szm
kategrira! (Transform, Categorize Variables)
Szmtsa ki a terms.sav fjl ,terms" vltozjnak rangszmait s brzolja
vonal diagrammal! (Transform, Rank Cases), (Graphs, Line Charts, Category
Axis: rank of terms, Variable: mean of terms)
Prblja ki az automatikus jrakdolst sajt kszts text tpus
adatbzison!
Szmtsa ki terms.sav fjl ,terms" vltozjnak legfontosabb statisztikai
mutatit a klnbz mtrgya kezelsekben! (Analyze, Reports, Case
summaries, Variables: terms, Grouping Variables: mtrgyzs)
Szmtsa ki az esztend2002.sav fjl minden vltozjnak jellemz ves
rtkt! (Analyze, Reports, Reports summaries in Columns.)
Allaptsa meg, hogy a )erms1('(.sav fjlban hny parcellt figyeltnk meg a
talajmvels x tszm kombinciban! (Analyze, Descriptive Statistics,
Crosstabs.)
- 3ll -
Abrzolja oszlopdiagrammal a )erms1('(.sav fjlbl a terms nagysgt a
mtrgyzs fggvnyben! Graphs, Bar., Simple, Summaries for groups of
cases)
Abrzolja oszlopdiagrammal az esztend2002.sav fjlbl a globlsugrzs,
minimlis, maximlis s tlagos rtkt! Graphs, Bar., Simple, Summaries of
separate variables)
Abrzolja az esztend2002.sav fjlbl a globlsugrzs ves menett!
(Graphs, Line., Simple, Values of individual cases, Line Represents:
globlsugrzs, Category Labels Variable: az v napja)
A terms1('(.sav fjlbl szmtsa ki a ,terms" vltoz klnbz statisztikai
mutatit a talajmvels fggvnyben! Allaptsa meg az sszefggs
szorossgt s lineris jellegt! Mennyiben hatrozza meg a talajmvels a
kukorica termst ebben az esztendben?
Allaptsa meg, hogy a kukorica termse l0t/ha volt-e az l989-as esztendben!
Van-e klnbsg a nem trgyzott s a l20 kg/ha nitrognnel mtrgyzott
kukorica termse kztt l995-ben? (ktmints t-prba)
- 3l2 -
F!!ELK
Az esztend2002.sav fjl szerkezete:
Name Position
JDATE Az v napja l
Measurement Level: Scale
Column Width: Unknown Alignment: Right
Print Format: F3
Write Format: F3
GRAD Globlsugrzs (MJ/m2 nap) 2
Print Format: F4.l
Write Format: F4.l
TMAX Maximlis hmrsklet (C) 3
Print Format: F4.l
Write Format: F4.l
TMlN Minimlis hmrsklet (C) 4
Print Format: F4.l
Write Format: F4.l
CSAPADK Napi csapadk (mm) 5
- 3l3 -
Print Format: F4.l
Write Format: F4.l
A csapadk.sav fjl szerkezete:
Name Position
V Esztend l
Print Format: F4
Write Format: F4
CSAPADK ves csapadk (mm) 2
Print Format: F8.2
Write Format: F8.2
A terms.sav fjl szerkezete:
Name Position
V l
Column Width: 4 Alignment: Right
Print Format: F4
Write Format: F4
NPK mtrgyzs 2
Measurement Level: Nominal
- 3l4 -
Print Format: F3
Write Format: F3
Value Label
l nem trgyzott
30 N30, P23, K27
60 N60, P45, K53
90 N90, P68, K80
l20 Nl20, P90, Kl06
l50 Nl50, Pll3, Kl33
l80 Nl80, Pl35, Kl59
240 N240, Pl80, K2l2
300 N300, P225, K265
TERMS Terms (t/ha) 3
Print Format: F8.2
Write Format: F8.2
A terms1('(.sav fjl szerkezete:
Name Position
EV vek l
Print Format: F4
Write Format: F4
TALAJMUV Talajmvels 2
- 3l5 -
Print Format: Fl
Write Format: Fl
Value Label
l szi sznts
2 tavaszi sznts
3 trcss
TOSZAM Tszm 3
Print Format: F2
Write Format: F2
HlBRlD 4
Print Format: F2
Write Format: F2
Value Label
l De 35l
2 De 377
3 De 382
4 Dk 366
5 Dk 373
6 Dk 39l
7 Dk 47l
8 Dk 477
9 DK 493
- 3l6 -
l0 Dk 524
ll Dk 527
l2 Kanada
l3 Katinka
l4 LG 2298
l5 Lipesa
l6 Maya
l7 Mv 444
l8 Mv 484
l9 MV 487
20 Occitn
2l Pannnia
22 Pelikn
23 Sprinter
24 Stira
25 Szegedi 348
26 Veronika (Sze 427)
27 Volga SC
28 Szegedi 463
29 Dk 440
30 Ella
3l Hunor
TRAGYA Trgya kezels 5
Measurement Level: Ordinal
Print Format: Fl
Write Format: Fl
Value Label
l nem trgyzott
2 nitrogn l20
- 3l7 -
3 nitrogn 240
lSMTLS 6
Print Format: Fl
Write Format: Fl
TERMS terms t/ha 7
Print Format: F6.3
Write Format: F6.3
Missing Values: -999.0
A terms1(($.sav fjl szerkezete:
Name Position
EV vek l
Print Format: F4
Write Format: F4
ONTOZES ntzs 2
Print Format: Fl
Write Format: Fl
Value Label
- 3l8 -
l Nem ntztt
2 ntztt
ELOVET Elvetemny 3
Print Format: Fl
Write Format: Fl
Value Label
l Kukorica
2 Bza
TALAJMUV Talajmvels 4
Print Format: Fl
Write Format: Fl
Value Label
l szi sznts
2 tavaszi sznts
3 trcss
TOSZAM Tszm 5
Print Format: F2
Write Format: F2
HlBRlD 6
- 3l9 -
Print Format: F2
Write Format: F2
Value Label
l De 35l
2 De 377
3 De 382
4 Dk 366
5 Dk 373
6 Dk 39l
7 Dk 47l
8 Dk 477
9 DK 493
l0 Dk 524
ll Dk 527
l2 Kanada
l3 Katinka
l4 LG 2298
l5 Lipesa
l6 Maya
l7 Mv 444
l8 Mv 484
l9 MV 487
20 Occitn
2l Pannnia
22 Pelikn
23 Sprinter
24 Stira
25 Szegedi 348
26 Veronika (Sze 427)
- 320 -
27 Volga SC
28 Szegedi 463
29 Dk 440
30 Ella
3l Hunor
TRAGYA Trgya kezels 7
Print Format: Fl
Write Format: Fl
Value Label
l nem trgyzott
2 nitrogn l20
3 nitrogn 240
lSMTLS 8
Print Format: Fl
Write Format: Fl
TERMS terms t/ha 9
Print Format: F6.3
Write Format: F6.3
Missing Values: -999.0
- 32l -
Huzsvai Lszl: SPSS alkalmazsok
AJ3NLTT IRDALM
SPSS:
Falus lstvn Oll Jnos: Statisztikai mdszerek pedaggusok szmra,
OKKER Kiad, 2000. (Excel s SPSS alkalmazsokkal)
Huzsvai L. (2004): Biometriai mdszerek az SPSS-ben.
http://www.agr.unideb.hu/~huzsvai
Katona Tams - Lengyel lmre (szerk.): Statisztikai ismerettr - fogalmak,
kpletek, mdszerek Excel s SPSS alkalmazsokkal. JATEPress,
Szeged, l999. l2l oldal, (kzgazdsz, jogsz, ksrletes s
trsadalomtudomny)
Ketskemty L. lzs L.: Bevezets az SPSS programrendszerbe.
Mdszertani tmutat s feladatgyjtemny statisztikai elemzsekhez.
ELTE Etvs Kiad, Budapest, 2005.
Ketskemty L. lzs L.: Az SPSS for Windows programrendszer alapjai,
Felhasznli tmutat s oktatsi segdlet. Budapest, l996.
Moksony Ferenc: Gondolatok s adatok: Trsadalomtudomnyi elmletek
empirikus ellenrzse. Budapest, Osiris Kiad, l999.
Szkelyi Mria - Barna lldik: Tllkszlet az SPSS-hez. TYPOTEX, 2002,
lSBN 963 9326 429
Statisztika:
Anscombe, F.J. (l973). Graphs in statistical analysis. American Statistician,
27, l7-2l.
Barth Cs.-n. - lttzs A. - Ugrsdy Gy.: l996. Biometria: mdszertan s a
MlNlTAB programcsomag alkalmazsa. Mezgazda Kiad, Budapest
G.U. Yule M.G. Kendall: Bevezets a statisztika elmletbe. Kzgazdasgi
s Jogi knyvkiad, Budapest. l964.
Gardner, E. S. l985. Exponential smoothing: The state of the art. Q0urnal 02
F0recasting, 4, l-28.
Harnos ZS. szerk.: l993. Biometriai mdszerek s alkalmazsaik MlNlTAB
programcsomaggal. AKAPRlNT, Budapest
Lothar Sachs.: Statisztikai mdszerek. Mezgazdasgi Kiad, Budapest,
l985.
Makridakis, S. G., S. C. Wheelwright, and R. J. Hyndman. l997. F0recasting!
Neth0ds and *pplicati0ns. New York: John Wiley & Sons.
Mr, L.: l986. A tbbdimenzis sklzs alapelvei. Pszicholgia, (6), 3, 399-
433.
Mri F.T. Szkely J.G.: Tbbvltozs statisztikai analzis. Mszaki
Knyvkiad, Budapest, l986. (lSBN 963 l0 6684 3)
Svb J.: Biometriai mdszerek a kutatsban. Mezgazdasgi Kiad,
Budapest, l973. (msodik, tdolgozott, bvtett kiads)
- 322 -
Svb J.: Tbbvltozs mdszerek a biometriban. Mezgazdasgi Kiad,
Budapest, l979. (lSBN 963 230 0ll 4)
Szcs l. (szerk.)(2002): Alkalmazott statisztika. Tanknyv, Agroinform K.
Budapest
- 323 -
!APSSQ 6ARL FRIEDRI6O
(l777. 04. 30. - l855. 02. 23.)
Nmet matematikus, csillagsz s fizikus. t
tartjk minden idk egyik legnagyobb
matematikusnak. lgy is nevezik: "A
matematikusok fejedelme." Euler mellett a
matematika legsokoldalbb tudsa.
Braunschweigben szletett, desapja
nyergesmester volt. Mr 6 ves korban kitnt
matematikai tehetsgvel. Tantja egyszer azt a
feladatot adta a kis tanulknak, hogy adjk ssze
a szmokat l-tl 40-ig, mivel a tant r addig
egy msik vfolyammal akart foglalkozni, s gy
akarta addig a kicsiket lefoglalni. De a kis Gauss
hamarosan jelentkezett a j eredmnnyel.
Csodlkoz tantjnak el is magyarzta, hogyan
csinlta.
Prba lltotta a szmokat 40 + l = 39 + 2 = 38 + 3 stb. Ezek a prok mindig
4l-t adnak sszegl, s mivel 20 ilyen pr van, az eredmny 820. Ez a
gondolkozs megegyezik a szmtani sorozat sszegnek meghatrozsnl
alkalmazottal. Tantja felismerve a kisfi rendkvli kpessgeit, jelentette az
esetet elljrinak. lgy jutott el a hre braunschweig-i herceghez, aki felkarolta
a kis Gauss-t. Gimnziumba kerlt, majd a gttingeni egyetemre.
Plyja tretlenl velt felfel. lsmerte s bartjnak nevezte Bolyai Farkast,
ennek ellenre fit Bolyai Jnost nem tmogatta, s ezzel igen nagy csaldst
okozott mindkettjknek. Sajnos Gauss msok elismersvel is fukarkodott.
lgy pldul Abel tehetsges norvg matematikussal kapcsolatban is.
Lobacsevszkij orosz matematikust ugyan beajnlotta a Gttingeni
Tudomnyos Trsasgba, de a nem euklideszi geometria megalkotsnak
terletn vgzett munkssgnak kzvetlen elismerstl tartzkodott,
akrcsak Bolyai Jnos esetben.
Gauss csillagszknt is szmottevt alkotott. l80l-ben egy j s egyszerbb
mdszert dolgozott ki a bolyg plyjnak kiszmtsra. l820 krl
geodzival (fldmrs) kezdett foglalkozni. Fizikai munkssga is emltsre
mlt. Gttingenben egy szobor brzolja t s Wilhelm Webert a tvr l833-
ban trtn feltallsa kzben. alkotja meg az els abszolt fizikai
mrtkegysgrendszert. Mg szmolgp fejlesztssel is foglalkozott, Leibniz
gpt tkletestette. Ez a gp az idejben npszer volt egsz
Nmetorszgban.
Gauss bks, hossz s elismert letet lt. lgazi zsenialitst mg gy is nehz
teljes egszben felmrni, mert nagyon sok felfedezst, elgondolst, gy a
nem euklideszi geometria felfedezse irnyba tett gondolatait sem publiklta.
- 324 -
Utols kvnsga az volt, hogy egyik korai s szmra legkedvesebb
felfedezsnek, a l7 oldal szablyos sokszg szerkesztsnek emlkre
srkvre egy szablyos l7-szget vssenek. Ezt ugyan nem teljestettk, de
szlvrosban a tiszteletre emelt szobor talapzatn lthat a szablyos l7
oldal sokszg.
Matematikai munkssgrl:
Egyik legkedvesebb matematikai szakterlete a szmelmlet volt. Tle
szrmazik az a monds, hogy: "A matematika a tudomnyok kirlynje, s a
matematika kirlynje a szmelmlet." l79l-ben, l4 ves korban becslst
adott a prmszmok eloszlsra, miszerint ezres szmkrben a prmszmok
szma fordtottan arnyos a szmok termszetes alap logaritmusval. Ezt
ugyan ksbb tbben is pontostottk, de ez semmit nem von le a fiatal Gauss
rdemeibl.
volt az, aki felfedezte, hogy kapcsolat van a prmszmok s a szablyos
sokszgek szerkeszthetsge kztt. Egy "n" oldalszm szablyos sokszg
csak akkor szerkeszthet euklideszi szerkesztssel ha "n" prmtnyezs
felbontsban csak a 2 szerepel tetszleges nem negatv egsz kitevj
hatvnyon s az n. Fermat-fle prmek (3,5,l7,65537) els kitevj
hatvnyon.
Azaz n = 2k pl p2 ... pk, ahol pl, p2, pk klnbz Fermat-fle prmek.
Teht szerkeszthet a 3, 4, 5, 6, 8, l0, l2, l4, l5, l7, ..., 257 s 65537 oldal
szablyos sokszg, de nem szerkeszthet pldul a 7, 9 , ill. ll oldal. A l7
oldal szablyos sokszg szerkesztsnek a mdjt meg is oldotta.
Gauss foglalkozott a szakaszos tizedes trtekkel, s tisztzta, mikor kapunk
tiszta vagy vegyes szakaszos tizedes trtet, s mekkora lehet a szakasz
hosszsga. l799-ben a doktori rtekezsben az "algebra alapttelt"
igazolta, amely szerint minden algebrai egyenletnek van gyke. Ezek a gykk
nem okvetlenl valsak, hanem lehetnek komplex szmok is, s nem biztos,
hogy ezek a gykk mind klnbznek egymstl. A gykk szma (belertve
az azonosakat is) az egyenlet fokszmval egyenl. l827-ben jelent meg ,A
grbe felletekre vonatkoz ltalnos vizsglatok" cm mve, amelynek
eredmnyei geodziai munkssgra vezethetk vissza. Gauss tlete, hogy a
komplex szmokat a sk pontjaiknt brzolhatjuk. l837-ben megjelent
rtekezse a komplex szmok algebrjt s aritmetikjt tartalmazza. A nem
euklideszi geometria megalkotsnak terletn vgzett kutatsairl csak
levelezseibl tudunk, s felttelezhet, hogy ezen a terleten is messzire
jutott.
- 325 -

Spsskonyv

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Spsskonyv

Uploaded by

Copyright:

Available Formats

HUZSVAl LASZL VlNCZE SZlLVlA

A kt populci kzprtke, amelyekbl a mintk szrmaznak, abban az

, szabadsgfok (l) valamint tlaga (20 563). Amennyiben az

rtkek a ngy fajtapopulci ismeretlen kzprtkeit jelentik, amiket az

becslsre a ksrlet ftlaga szolgl.

k, paramterekkel, ahol k a norml eloszls populcik szma s

. A tnyleges s a vrhat gyakorisg alapjn

: Kendall-mrtke figyelembe veszi az azonos kategrikba

kplet alapjn. A tblzatba az adatok

A Spearman-fle rangkorrelcis egytthat rtke -l s l kz esik. Ha az

rangszm kiszmtsakor figyelembe kell

rtke kisebb, mint a

a regresszis paramterek. Ez a modell determinisztikus

tnyleges paramterek regresszis egyenes alapjn becslt rtkeit

Az egyenletek kettvel egyszersthetk. A zrjelek felbontsa s

, vagyis a modell 88,l%-ban tudja magyarzni az

egytthatra vgzett prbt , amely nullhipotzise szerint az

. Ez a tvolsg az elre jelzett rtkekben

pedig a regresszis egyenes hibatagja.

meredeksgek mind egyenlk zrussal (csak a

1 122 " 0 6+ " 0

+1. " 2 12. " 0 .*6 " 1

egytthat rtke olvashat le.

5+* " 0 9 " +

*55 " 0 1+ " +

1#$. tlzat. :Ily0z0tt 2k0mp0nens-k0e22iciensek &H

You might also like