Professional Documents
Culture Documents
Spsskonyv
Spsskonyv
SPSS-knyv
Seneca Books
2012
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
rtk:
Dr. Huzsvai Lszl
Dr. Vincze Szilvia
2012
-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.........................................................................................................................................................17
SELECT CASES...................................................................................................................................................17
Nagy mennyisg adat lekrdezse..............................................................................................................17
WEIGHT CASES,.................................................................................................................................................20
TALAKTSOK (TRANSFORM) MEN......................................................................................................21
COMPUTE VARIABLE:..............................................................................................................................................21
RANDOM NUMBER SEED:........................................................................................................................................ 21
RECODE:...............................................................................................................................................................21
CATEGORIZE VARIABLES:........................................................................................................................................ 22
RANK CASES:........................................................................................................................................................22
AUTOMATIC RECODE:.............................................................................................................................................22
RUN PENDING TRANSFORMS:................................................................................................................................... 22
ELOSZLSOK......................................................................................................................................................23
ANALZISEK........................................................................................................................................................25
RIPORTOK..............................................................................................................................................................25
OLAP Cubes..............................................................................................................................................25
Case summaries........................................................................................................................................29
Report summaries in Rows........................................................................................................................30
Report summaries in Columns..................................................................................................................30
LER STATISZTIKK (DESCRIPTIVE STATISTICS)......................................................................................................... 30
-4-
-5-
-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, 2012. mrcius
BEVEZETS
Az SPSS hasonlan tbb Windows programhoz tbbablakos technikval
dolgozik. Kln ablakban kezelhetjk az adatbzist, mely leginkbb egy
-7-
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-
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-
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.
Templates
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 Variable
j vltoz (oszlop) beszrst vgzi az aktv vltoz utn.
Insert Case
Egy j eset (sor) beszrst vgzi az aktv eset utn.
Goto Case
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.
- 10 -
Sort Cases
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_1, case_2, stb. lesznek.
Restructure
Itt 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 Talajmvel
s
s
Rte Nedvess
g
g
1,00
1,00
1,00
14,00
1,00
1,00
2,00
15,00
1,00
1,00
3,00
16,00
1,00
2,00
1,00
17,00
1,00
2,00
2,00
18,00
1,00
2,00
3,00
19,00
2,00
1,00
1,00
20,00
2,00
1,00
2,00
21,00
2,00
1,00
3,00
22,00
2,00
2,00
1,00
23,00
2,00
2,00
2,00
24,00
2,00
2,00
3,00
25,00
- 11 -
- 12 -
ntzs
Talajmvels
1,00
1,00
14,00
15,00
16,00
1,00
2,00
17,00
18,00
19,00
2,00
1,00
20,00
21,00
22,00
2,00
2,00
23,00
24,00
25,00
Merge 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 1990-tl 2003-ig. Legyen a csapadk.sav
fjlnak kt vltozja: v s csapadk. sszesen 14 megfigyelsnk (rekord)
- 13 -
Aggregate 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.
Orthogonal Design
Generate
Mtrgyzs
ntzs
Status
Krtya
N 60
nem ntztt
Design
N 30
nem ntztt
Design
N 30
ntztt
Design
nem trgyzott
ntztt
Design
nem trgyzott
nem ntztt
Design
N 60
ntztt
Design
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 Cases
eseteket vlaszthatunk
vlaszthatunk:
ki
az
adatbzisbl.
Ngy
lehetsg
kzl
- 16 -
- 17 -
Weight Cases,
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 10 n. A frfiak tl reprezentltak ebben a
mintban ezrt a kt slyz tnyez frfiak esetben 10/60, nk esetben
50/60.
Compute Variable:
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.
- 18 -
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 (Into Same
Variables) vagy j vltozba (Into 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 Into Same
Variable Automatic Recode.
Categorize Variables:
Egy vltoz tartomnyt lehet felosztani kategrikra, alapllapotban ngy
kategrit ajnl fel a program, de lehet vltoztatni.
Rank Cases:
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. 1,5 s 1,5.
Automatic 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.
- 19 -
ELOSZLSOK
UNIFORM(max) = egyenletes eloszls pszeud vletlen szmok ellltsa a
0 s max tartomnyban.
RV.UNIFORM(min, max) = egyenletes eloszls pszeud vletlen szmok
ellltsa min s max kztt.
RND(numexpr) = egsz rsz fggvny
Kockadobsok szimullsa:
RND(UNIFORM(6)+0.5), egyenletes
gyakorisgot oszlopdiagramon.
eloszls
1-tl
6-ig.
5.00
6.00
brzolni
640
630
620
610
600
Count
590
580
570
1.00
2.00
3.00
4.00
VL1
- 20 -
300
200
Count
100
0
7.00
12.00
10.00
16.00
14.00
20.00
18.00
24.00
22.00
28.00
26.00
32.00
30.00
34.00
SSZEG
400
300
200
Count
100
0
-3.35349-2.15532-1.19679-.23826 .72028 1.67881 2.63735
-2.63459-1.67606-.71752 .24101 1.19954 2.15808 3.11661
Zscore(SSZEG)
- 21 -
ANALZISEK
Riportok
Adatbzisunkrl klnbz szempontok alapjn kszthetnk kimutatsokat
tblzatos formban.
OLAP Cubes
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
- 22 -
5101.1
- 24 -
1995
414.0
1996
573.0
1997
397.0
1998
635.0
1999
637.0
2000
359.0
2001
585.0
2002
411.5
2003
520.9
2004
568.7
Total
5101.1
Case summaries
Nagyon hasonlt a pivot tblhoz, csak sokkal egyszerbb formtumban
jelenti meg az adatokat. Jl hasznlhat a bevitt adatok ellenrzsre,
klnbz csoportostsok szerinti adat-megjelentshez.
Case Summaries
Mean
HONAP
1,000
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
11,000
12,000
Total
TMAX
-1,268
-1,629
7,677
15,650
26,100
28,057
27,352
29,671
22,063
12,165
10,490
2,652
15,005
1. tblzat
- 26 -
TMIN
-7,496
-12,093
-2,019
3,213
12,616
14,823
15,674
13,008
9,453
3,248
2,657
-3,039
4,431
- 27 -
Valid
Missing
5
25
50
75
95
18208
0
9.86786
3.05116
-.474
.018
-.207
.036
4.59100
7.75800
10.22800
12.22500
14.20255
2. tblzat
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.
brzolhatjuk az adatokat oszlop s kr diagramon, valamint hisztogram
formjban is. A diagramokon brzolhatjuk a gyakorisgokat vagy a
megfigyelsek szzalkos rtkeit.
- 28 -
t/ha
3000
2000
Frequency
1000
Std. Dev = 3.05
Mean = 9.9
N = 18208.00
.0
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
100
9 .0
8.0
7. 0
6.0
5 .0
4 .0
3.0
2 .0
1.0
0.
t/ha
7. bra
Descriptives
Explore
Itt exploratv adatanalzist vgezhetnk. Ez klnsen fontos
adatbzisok esetben az adatok alapos megismersre, feldertsre.
8. bra
- 29 -
nagy
9. bra
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. bra
- 30 -
14
12
10
terms t/ha
6
4
N=
48
48
szi sznts
tavaszi sznts
48
trcss
Talajmvels
11. bra
A megfigyelsek szzalkos eloszlst hatrozhatjuk meg, 5, 10, 25, 50, 75,
90, 95% (Percentiles).
brk 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. 7.18 t/ha stem=7,
leaf=1.
terms t/ha Stem-and-Leaf Plot for
TALAJMUV= szi sznts
Frequency
2.00
- 31 -
8 . 002458
6.00
9 . 013699
3.00
10 . 009
5.00
11 . 02278
8.00
12 . 00035679
13.00
13 . 1223346666668
3.00
14 . 233
2.00 Extremes
(>=113.5)
1 case(s)
Histogram
14
12
10
8
Frequency
6
4
Std. Dev = 2.07
Mean = 10.31
N = 48.00
0
6.50
7.50
7.00
8.50
8.00
terms t/ha
12. bra
Norml eloszls tesztelse Kolmogorov-Smirnov s Shapiro-Wilk prbval.
- 32 -
Statistic
df
Sig.
Shapiro-Wilk
Statistic
df
Sig.
szi sznts
.127
48
.050
.916
48
.002
tavaszi sznts
.227
48
.000
.845
48
.000
trcss
.263
48
.000
.817
48
.000
Expected Normal
1
0
-1
-2
-3
6
10
Observed Value
- 33 -
12
14
16
0.0
-.2
-.4
-.6
-.8
7
10
11
Observed Value
- 34 -
12
13
14
15
Kereszttblk (Crosstabs)
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 hnap napja * Perc Crosstabulation
Count
Perc
0
A
hnap
napja
Total
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
15
23
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
719
30
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
720
3. tblzat
- 35 -
45
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
720
Total
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
24
720
95
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
96
2879
Dohnyz
Nk
33
20
53
Frfiak
38
47
42
58
100
a+b = n1
c+d = n2
a+c
b+d
a+b+c+d = n
Fggetlensg esetn:
a/ n1 = c/n2 = (a+c)/n vagy
b/ n1 = d/n2 = (b+d)/n stb
Chi 2 =
( n 1)( ad bc) 2
(a + b)(c + d )(a + c)(b + d )
Chi 2 =
99(33 * 38 20 * 9) 2
= 18,819
(33 + 20)(9 + 38)(33 + 9)(20 + 38)
DF = 1
Kritikus Chi2-rtkek 5%-on: 3,841
Plda:
Kukorica fajtk csvesedse:
FAJTA * CSVESD Crosstabulation
Count
CSVESD
FAJTA
A fajta
B fajta
Total
Egy cs
73
Legalbb
kt cs
23
Total
96
48
56
121
31
152
- 36 -
Asymp. Sig.
(2-sided)
df
2.038b
.153
Continuity Correction
1.486
.223
Likelihood Ratio
2.123
.145
Pearson Chi-Square
a
2.025
N of Valid Cases
152
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
.210
.110
.155
Custom Tables
Kzprtk sszehasonlts (Compare Means)
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.
Kzprtkek (Means)
A fgg vltozk (Dependent List) klnbz statisztikai mutatit lehet
kiszmtani a fggetlen vltozk (Independent 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. R2 a fgg vltoz megfigyelt s becslt
rtkei kztti lineris kapcsolat erssgt mri. rtke 0,0 1,0 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 -
Mean
11.50673
10.30987
9.56033
10.45898
Std.
Deviation
2.06058
2.06889
2.28744
2.27357
N
48
48
48
144
ANOVA Table
terms t/ha *
Talajmvels
Between
Groups
(Combined)
Linearity
Deviation from Linearity
Within Groups
Total
Sum of
Squares
92.524
90.923
1.601
646.657
739.181
df
2
1
1
141
143
Mean
Square
46.262
90.923
1.601
4.586
F
10.087
19.825
.349
Sig.
.000
.000
.556
Measures of Association
R
terms t/ha *
Talajmvels
R Squared
-.351
.123
Eta
Eta
Squared
.354
.125
4. tblzat
X 0
s/ n
DF = n-1
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 -
144
Mean
10.45898
Std.
Deviation
2.27357
Std. Error
Mean
.18946
One-Sample Test
Test Value = 10
terms t/ha
t
2.423
df
143
Sig.
(2-tailed)
.017
Mean
Difference
.45898
95% Confidence
Interval of the
Difference
Lower
Upper
8.45E-02
.83349
5. tblzat
Egy-mints z-prba
A minta kzprtknek sszehasonltsa egy felttelezett kzprtkkel.
Szrmazhat-e az X kzprtk minta egy 0 kzprtk populcibl? H0
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:
z=
X 0
/ n
Ahol:
z
a minta kzprtke,
a minta elemszma.
- 39 -
t=
sp
szmtott
X1 X 2
(1 / n1 ) + (1 / n2 )
DF = n1 + n2 2
A nevezben az sp a kt minta sszevont variancijnak (pooled variancie)
ngyzetgykt jelenti, melyet a kt minta sszevont szrsnak nevezzk s
az albbi kplettel szmtjuk ki:
sp =
t t*
A prba statisztika kritikus t rtkt ktoldali alternatv hipotzis esetn /2nl, egyoldali alternatv hipotzis esetn, -nl kell a tblzatbl
- 40 -
6. tblzat
Group Statistics
terms t/ha
Trgya kezels
nem trgyzott
nitrogn 120
N
48
48
Mean
7.66106
11.77213
Std.
Deviation
1.23444
1.08695
Std. Error
Mean
.17818
.15689
F
terms t/ha
Equal variances
assumed
Equal variances
not assumed
Sig.
.472
.494
Sig.
(2-tailed)
df
Mean
Difference
Std. Error
Difference
95% Confidence
Interval of the
Difference
Lower
Upper
-17.317
94
.000
-4.11106
.23740
-4.58243
-3.63969
-17.317
92.518
.000
-4.11106
.23740
-4.58253
-3.63959
- 41 -
Kt-mints z-prba
Felttel:
Normlis eloszls fggetlen sokasgok, a variancia ismert,
Vagy tetszleges eloszls, mindkt mintban n>30.
Az X1 s X2 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:
z=
X1 X 2
( 12 / n1 ) + ( 22 / n2 )
A prba statisztika kritikus z-rtkt ktoldali alternatv hipotzis esetn /2nl, egyoldali alternatv hipotzis esetn, -nl kell a tblzatbl
meghatrozni.
Prostott t-prba (Paired-Samples T Test)
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 H0 hipotzist:
H0: dtlag = 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.
t=
d
sd / n
DF = n-1
Maximlis
hmrsklet (C)
Minimlis
hmrsklet (C)
Std.
Deviation
Std. Error
Mean
15.133
365
10.034
.525
5.710
365
7.868
.412
Maximlis hmrsklet
(C) & Minimlis
hmrsklet (C)
Correlation
365
Sig.
.900
.000
Mean
Pair
1
Maximlis hmrsklet
(C) - Minimlis
hmrsklet (C)
9.424
Std.
Deviation
Std. Error
Mean
4.521
.237
95% Confidence
Interval of the
Difference
Lower
Upper
8.958
9.889
t
39.824
Sig.
(2-tailed)
df
364
.000
7. tblzat
tlag, 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.
Egy-tnyezs variancia-analzis (One-Way ANOVA)
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.
xij = + B j + Ai + ij
= a ksrlet ftlaga
- 43 -
- 44 -
P ( H ) = i
i =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
1 P ( H ) = (1 i )
i =1
- 46 -
22
20
18
16
14
12
10
8
szi sznts
tavaszi sznts
trcss
Talajmvels
df1
2
df2
141
8. tblzat
- 47 -
Sig.
.007
ANOVA
terms t/ha
Between Groups
Sum of
Squares
1106.779
df
2
Mean Square
553.390
147.261
Within Groups
20763.765
141
Total
21870.544
143
F
3.758
Sig.
.026
9. tblzat
Vgezzk el a kzprtkek tbbszrs sszehasonltst (Post Hoc
analzis)! A tbbszrs sszehasonlt teszteknek kt nagy csoportja van: 1. 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: Tamhanes T2.
Multiple Comparisons
Dependent Variable: terms t/ha
LSD
(I) Talajmvels
szi sznts
(J) Talajmvels
tavaszi sznts
trcss
tavaszi sznts
szi sznts
Mean
Difference
(I-J)
Std. Error
5.470354* 2.477068
Tamhane
szi sznts
szi sznts
11.11689
6.219896*
2.477068
.013
1.32290
2.477068
.029
-10.36735
-.57336
.749542
2.477068
.763
-4.14745
5.64653
-1.32290
-6.219896*
2.477068
.013
-11.11689
-.749542
2.477068
.763
-5.64653
4.14745
tavaszi sznts
5.470354
3.015757
.211
-1.99077
12.93148
szi sznts
6.219896
3.019043
.128
-1.24821
13.68800
-5.470354
3.015757
.211
-12.93148
1.99077
.749542
.445175
.260
-.33289
1.83197
-6.219896
3.019043
.128
-13.68800
1.24821
-.749542
.445175
.260
-1.83197
.33289
trcss
trcss
Upper Bound
10.36735
tavaszi sznts
trcss
tavaszi sznts
Lower Bound
.57336
-5.470354*
trcss
trcss
szi sznts
tavaszi sznts
10. tblzat
- 48 -
terms t/ha
Highest
Lowest
Case Number
9
Talajmvels
szi sznts
Value
114.41
10
szi sznts
113.51
32
szi sznts
14.395
35
szi sznts
14.392
36
szi sznts
14.286
135
trcss
5.355
134
trcss
5.421
136
trcss
5.652
122
trcss
5.697
124
trcss
6.059
11. tblzat
12
11
10
szi sznts
tavaszi sznts
trcss
Talajmvels
df1
1.096
df2
Sig.
141
.337
12. tblzat
A variancia-analzis alkalmazsi felttele, a csoporton belli variancik
egyezsge teljesl, teht lehet variancia-analzist csinlni.
ANOVA
terms t/ha
Sum of
Squares
Between Groups
df
Mean Square
92.524
46.262
Within Groups
646.657
141
4.586
Total
739.181
143
Sig.
10.087
.000
13. tblzat
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 -
LSD
Mean
Difference
(I-J)
(I) Talajmvels
(J) Talajmvels
Lower Bound
Upper Bound
szi sznts
tavaszi sznts
1.196854*
.437141
.007
.33266
2.06105
trcss
1.946396*
.437141
.000
1.08220
2.81059
-1.196854*
.437141
.007
-2.06105
-.33266
tavaszi sznts
szi sznts
trcss
trcss
Tamhane
szi sznts
tavaszi sznts
Sig.
.749542
.437141
.089
-.11466
1.61374
-1.946396*
.437141
.000
-2.81059
-1.08220
tavaszi sznts
-.749542
.437141
.089
-1.61374
.11466
tavaszi sznts
1.196854*
.421463
.017
.17227
2.22144
trcss
1.946396*
.444371
.000
.86591
3.02689
-1.196854*
.421463
.017
-2.22144
-.17227
.749542
.445175
.260
-.33289
1.83197
-1.946396*
.444371
.000
-3.02689
-.86591
-.749542
.445175
.260
-1.83197
.33289
szi sznts
szi sznts
trcss
trcss
Std. Error
szi sznts
tavaszi sznts
14. tblzat
ltalnos lineris modell (General Linear Model)
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 (15. 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.
Tests of Between-Subjects Effects
Dependent Variable: X
Source
Corrected Model
Intercept
FAJTA
Error
Total
Corrected Total
Type III
Sum of
Squares
119.248a
20563.279
119.248
439.184
21121.710
558.431
df
3
1
3
52
56
55
Mean
Square
39.749
20563.279
39.749
8.446
15. tblzat
- 51 -
F
4.706
2434.723
4.706
Sig.
.006
.000
.006
(x )
n
(x )
n
, ez
ebben
pldban
ngyzetsszege (439)
( x
i
a
ij
ngy
xi )
FAJTA
csoporton
belli
eltrs
megfelel-e. SS R = Yi Y
SPxy
SS x
Model
1
R
.462a
R Square
.214
Adjusted
R Square
.199
Std. Error
of the
Estimate
2.8518
- 52 -
Sum of
Squares
119.248
439.184
558.431
Regression
Residual
Total
Mean
Square
119.248
8.133
df
1
54
55
F
14.662
Sig.
.000a
( y )
megfelel-e. SS R = Yi Y
SPxy
SS x
- 53 -
KSRLETEK
MODELLEL
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 DESIGN, ezrt ezt
a GLM-tblzat szerkezetben is megadom. Ezt kveti a mintaplda GLMtblzata, melyben a tnyezk, ngyzetsszegek, szabadsgfokok, tlagos
ngyzetsszegek, F-prbk eredmnyei, valamint a szignifikancia szintek
lthatk.
Elmleti ttekints
A variancia-analzis modellben a fgg vltozkat magyarzzuk fggetlen
vltoz(k) segtsgvel. A magyarzat a fgg vltoz teljes
heterogenitsnak1 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:
(1) range (terjedelem); a legnagyobb s legkisebb rtk kztti tvolsg
(2) tlagos eltrs;
(3) szrs;
1 N
= xi x ;
N
i =1
2
1 N
xi x ;
N i =1
- 54 -
- 56 -
Populci
Minta
vrhatrt
k
varianc
ia
elemsz
mintaelemek
m
kzprtk
ek
varian
cia
12
r1
X 11 X 12 ... X 1r1
X1
s12
22
r2
X 21 X 22 ... X 2r2
X2
s 22
n2
rn
X n1 X n 2 ... X nrn
Xn
s n2
ahol Xij az i -edik minta j -edik eleme ( i = 1,..., n j = 1,..., ri ) ; a ksrlet vagy
minta ftlaga; Ai az i-edik minthoz tartoz populci hatsa (nvelheti vagy
cskkentheti a ftlagot); eij 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 Ai sszege nulla, s eij normlis eloszls
nulla vrhatrtk sokasg, s fggetlen a blokk s kezelshatstl.
A variancia-analzis alkalmazsnak felttelei:
Az egyes kezelsekhez tartoz mintknak fggetleneknek kell lennik.
Ezt leginkbb a ksrleti elrendezssel, randomizlssal biztosthatjuk A
ksrleti elrendezsekrl a vonatkoz fejezetben szlunk.
- 57 -
Terms (t/ha)
9,3
7,2
8,2
5,4
7,1
5,9
4,5
2,9
5,0
3,5
0,9
2,5
Terms (t/ha)
ni
X ij
9,3
7,2
5,4
C
D
X i
Xi
8,2
24,7
8,23
7,1
5,9
18,4
6,13
4,5
2,9
5,0
12,4
4,13
3,5
0,9
2,5
6,9
2,30
62,4
5,20
sszesen:
A kzs becslsre a ksrlet ftlaga szolgl.
- 58 -
A
statisztikai
szmts
elvgzshez a vizsglt fgg
vltozt helyezzk a DEPENDENT LIST 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
- 59 -
Between Groups
Within Groups
Total
Sum of
Squares
92.524
646.657
739.181
df
2
141
143
Mean Square
46.262
4.586
F
10.087
Sig.
.000
- 60 -
- 61 -
N
Normal Parametersa,b
Most Extreme
Differences
tavaszi sznts
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
N
Normal Parametersa,b
Most Extreme
Differences
trcss
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
N
Normal Parametersa,b
Most Extreme
Differences
Mean
Std. Deviation
Absolute
Positive
Negative
Mean
Std. Deviation
Absolute
Positive
Negative
Mean
Std. Deviation
Absolute
Positive
Negative
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
terms t/ha
48
11.50673
2.060577
.127
.095
-.127
.882
.418
48
10.30988
2.068890
.227
.148
-.227
1.574
.014
48
9.56033
2.287441
.263
.136
-.263
1.821
.003
df1
2
df2
141
Sig.
.337
df1
2
df2
141
Sig.
,007
Welch
Brown-Forsythe
Statistic
3,238
3,725
df1
2
2
df2
83,571
49,027
Sig.
,044
,031
a. Asymptotically F distributed.
Welch
Brown-Forsythe
Statistic
9,905
10,087
df1
2
2
a. Asymptotically F distributed.
- 64 -
df2
93,797
139,613
Sig.
,000
,000
- 65 -
Talajmvels
szi sznts
Highest
Lowest
tavaszi sznts
Highest
Lowest
trcss
Highest
Lowest
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Case Number
9
10
32
35
36
1
2
13
4
38
84
83
78
82
80
88
87
85
49
62
118
115
117
129
119
135
134
136
122
124
Value
114,41
113,51
14,395
14,392
14,286
7,906
7,957
8,010
8,043
8,248
13,118
12,859
12,746
12,672
12,569
6,715
6,865
6,929
7,078
7,099
12,070
11,966
11,936
11,859
11,801
5,355
5,421
5,652
5,697
6,059
A kiugr rtkek ellenrzsre az SPSS mg szmos lehetsget knl, ezek tovbbi bemutatsra
most nem kerl sor.
- 66 -
9
10
terms t/ha
100
80
60
40
20
0
-20
N=
48
48
48
trcs s
Talajmvels
Between
Groups
(Combined)
Linear Term
Quadratic
Term
Within Groups
Total
Contrast
Deviation
Contrast
Deviation
Sum of
Squares
2025,772
1693,864
df
5
1
Mean Square
405,154
1693,864
F
77,247
322,955
Sig.
,000
,000
331,908
82,977
15,821
,000
296,019
35,889
3493,101
5518,873
1
3
666
671
296,019
11,963
5,245
56,439
2,281
,000
,078
P ( H ) = i
i =1
- 70 -
1 P ( H ) = (1 i )
i =1
- 71 -
xk x1
s
ngyzetsszeg,
elemszma.
amelynek
szabadsgfoka
Bonferroni-teszt
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 k a lehetsges pronknti
sszehasonltst jelenti, akkor egy sszehasonltsban az elsfaj hiba
valsznsge /k.
1
1
L = t (tblzatbeli ) S p2 +
n
i nj
m
2s 2
Hij=i-j=0,
- 72 -
sp
n
1
1
s 2p ( k 1) F( tblzatbeli ) +
n
n
i
j
- 73 -
Dunnett-teszt
A Dunnett-teszt (1955) 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:
xi xo d s p
2
n
- 74 -
- 75 -
(I) HIBRIDEK
Debreceni 351
Debreceni 377
Ella (Sze 361)
Mv 370 Hunor
Norma
Occitn
DKC 3511
DKC 4626
Goldacord
LG 3362
Szegedi 352
PR38A24
(J) HIBRIDEK
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Alpha
Mean
Difference
(I-J)
Std. Error
-3.0217*
.87697
-2.5845*
.87697
-.5730
.87697
-1.6240
.87697
-1.7915
.87697
-.7653
.87697
.0128
.87697
-.1147
.87697
-.6185
.87697
.2450
.87697
-.8767
.87697
-1.2873
.87697
Sig.
.013
.045
.998
.406
.297
.977
1.000
1.000
.996
1.000
.945
.675
Student-Newman-Keuls prba
M.Keuls (1952) Mdostotta a Newman prbt. A statisztikja megegyezik
Newmanval, az elsfaj hiba sszehasonltsonknt rgztett, ezrt a teljes
vizsglat elsfaj hibja n-nel egytt n.
wr = q , r ,
sp
n
- 76 -
Tukey HSD
(I) Talajmvels
szi sznts
tavaszi sznts
trcss
LSD
szi sznts
tavaszi sznts
trcss
(J) Talajmvels
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
tavaszi sznts
trcss
szi sznts
trcss
szi sznts
tavaszi sznts
Mean
Difference
(I-J)
1,19685*
1,94640*
-1,19685*
,74954
-1,94640*
-,74954
1,19685*
1,94640*
-1,19685*
,74954*
-1,94640*
-,74954*
Std. Error
,437141
,437141
,437141
,437141
,437141
,437141
,437141
,437141
,437141
,437141
,437141
,437141
Sig.
,019
,000
,019
,203
,000
,203
,007
,000
,007
,089
,000
,089
A kockzat csak 0,7%, ami jval kisebb, mint az elre megvlasztott 10%,
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 -
Tukey HSDa
Talajmvels
trcss
tavaszi sznts
szi sznts
Sig.
N
48
48
48
N
szi sznts
tavaszi sznts
trcss
Total
48
48
48
144
Mean
11,50673
10,30988
9,56033
10,45898
Std. Deviation
2,060577
2,068890
2,287440
2,273565
Std. Error
,297419
,298619
,330164
,189464
Minimum
7,906
6,715
5,355
5,355
Maximum
14,395
13,118
12,070
14,395
,354
Eta Squared
,125
Eta Squared
,874
,763
Source
Corrected Model
Intercept
FAJTA
Error
Total
Corrected Total
Type III
Sum of
Squares
119.248a
20563.279
119.248
439.184
21121.710
558.431
df
3
1
3
52
56
55
Mean
Square
39.749
20563.279
39.749
8.446
- 81 -
F
4.706
2434.723
4.706
Sig.
.006
.000
.006
SS R = Yi Y
SPxy
SS x
( y )
Model
1
R
.462a
R Square
.214
Adjusted
R Square
.199
Std. Error
of the
Estimate
2.8518
Regression
Residual
Total
Sum of
Squares
119.248
439.184
558.431
df
1
54
55
- 82 -
Mean
Square
119.248
8.133
F
14.662
Sig.
.000a
- 84 -
df
11
1
2
3
6
132
144
143
Mean Square
12,804
15752,195
46,262
7,247
4,430
4,533
F
2,825
3475,103
10,206
1,599
,977
Sig.
,002
,000
,000
,193
,443
- 85 -
Ksrleti elrendezsek
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.
Egy-tnyezs ksrletek 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.
Tbb-tnyezs ksrleteknl 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. Hromtnyezs ksrletben 5 ptis-adag, 3 mtrgyzsi idpont s 4 fajta esetn a
- 86 -
- 87 -
- 90 -
- 92 -
Kt-tnyezs ksrletek
(split-
Svos elrendezs
ngyzetes Az egyik tnyez nincs
- 93 -
randomizlva
Egy-tnyezs ksrletek
Teljesen vletlen elrendezs (CRD)
Plda: 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.
Kezels
Adatok
94
86
52
83
60
375
11
4
81
97
10
1
12
8
521
90
88
78
10
2
45
403
70
58
90
54
65
337
- 94 -
SS
df
MS
Sig.
DESIGN
Korriglt modell
Eltrs
Kezels
kztt)
Hiba
bell)
1
(csop.
(csoporton
v-1
kezels
v(r-1)
sszesen
rv
Korriglt sszesen
rv-1
- 95 -
Source
Corrected Model
Intercept
KEZELS
Error
Total
Corrected Total
df
3
1
3
16
20
19
Mean
Square
1261.333
133824.8
1261.333
326.825
F
3.859
409.469
3.859
Sig.
.030
.000
.030
(5)
(4)
(3)
(2)
(1)
ismtls
- 96 -
Ismtls
(1)
(2)
(3)
(4)
(5)
(6)
18,9
17,6
16,4
16,4
14,4
14,8
16,4
16,7
14,7
14,4
12,6
13,8
10,4
13,5
13,9
8,7
11,5
12,3
17,4
17,7
15,7
17,5
16,8
18,3
- 97 -
SS
df
MS
Sig.
DESIGN
Korriglt modell
Eltrs
Ismtls
r-1
ismtls
v-1
kezels
Kezels
kztt)
(csop.
Hiba
(r-1)(v-1)
sszesen
rv
Korriglt sszesen
rv-1
Source
Corrected Model
Intercept
ISMTLS
KEZELS
Error
Total
Corrected Total
Type III
Sum of
Squares
124.943a
5424.027
17.993
106.950
31.590
5580.560
156.533
df
8
1
5
3
15
24
23
Mean
Square
15.618
5424.027
3.599
35.650
2.106
- 98 -
F
7.416
2575.511
1.709
16.928
Sig.
.000
.000
.193
.000
- 99 -
- 100 -
SS
df
MS
Sig.
DESIGN
Korriglt modell
Eltrs
Sor
r-1
sor
Oszlop
r-1
oszlop
v-1
kezels
Kezels
kztt)
(csop.
Hiba
(r-1)(v-2)
sszesen
rv
Korriglt sszesen
rv-1
Source
Corrected Model
Intercept
SOR
OSZLOP
KEZELS
Error
Total
Corrected Total
Type III
Sum of
Squares
4512.271a
108860.4
2326.386
901.374
1284.510
202.055
113574.7
4714.326
df
12
1
4
4
4
12
25
24
Mean
Square
376.023
108860.4
581.597
225.344
321.128
16.838
- 101 -
F
22.332
6465.188
34.541
13.383
19.072
Sig.
.000
.000
.000
.000
.000
Oszlop
Sor
10
10
10
10
10
Nem clszer azonban, hogy a kezelsek szma az ismtlsek szmnak ngyszerese, vagy annl
is tbbszrse legyen.
6
- 102 -
Oszlop
1
0,9
6
1,1
7
1,1
2
1,0
3
1,3
8
1,5
0
2,2
2
2,0
4
2,2
4
1,2
9
1,7
0
1,9
0
1,4
8
1,4
1
1,9
7
2,3
5
2,4
0
2,0
5
1,9
5
1,7
0
2,1
2
1,7
3
1,9
7
1,6
8
1,8
6
1,6
9
1,8
0
1,7
5
1,9
2
1,5
3
1,9
4
2,4
2
1,7
5
1,9
3
1,7
9
1,6
4
1,9
3
1,5
9
1,8
2
1,4
5
1,0
0
1,6
9
2,0
6
1,5
9
1,9
3
1,7
0
1,9
2
1,7
6
1,7
6
1,1
1
Sor
10
- 103 -
III
10
I
11
II
1 3 4 2 8 6 5 7
II
III
5 6 8 7
11
I
10
II
III
4 1 3 2 6 7 5 8
III
9
11
2 1 4 3
I
10
11
II
1 2 3 4 7 5 8 6
II
III
6 8 7 5
10
10
I
11
2 3 4 1
- 104 -
Kezel
s
Ismtls
(1)
(2)
(3)
(4)
(5)
61
49
60
63
60
42
33
66
64
51
66
50
54
68
58
54
50
53
60
49
64
55
67
69
70
II.
47
39
41
37
52
kzp
62
61
62
64
66
72
56
62
60
71
61
62
74
60
80
10
87
77
80
83
86
11
82
73
85
83
74
I.
kzpkor
ai
III.
Ksei
- 105 -
SS
df
M
S
F Sig. DESIGN
Eltrs
Ismtls
r-1
ismtls
Csoportok
kztt
cs-1
csoport
Hiba (cs)
(r-1)(cs-1)
ismtls*csopo
rt
Kezels
csp. bell
v-cs
kezels
Hiba (v)
(r-1)(v-cs)
- 106 -
Source
Interce Hypothesi
214531,364 1
pt
s
Error
Mean
Square
214531,364 1096,328
782,727
195,682(a)
ismtl Hypothesi
782,727
s
s
195,682
7,754
52,772(b)
2079,202
418,339
52,292(c)
Hypothesi
418,339
s
52,292
Error
32
33,117(d)
Hypothesi
2520,433
s
315,054
Hiba (v)
32
33,117(d)
Error
409,209
csopor Hypothesi
4158,403
t
s
Error
Hiba
(cs)
kezel
s
1059,733
1059,733
Sig.
,000
3,708
,056
39,761
,000
1,579
,170
9,513
,000
a MS(ismtls)
b 1,025 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.
- 107 -
Kt-tnyezs ksrletek
Vletlen blokkelrendezs
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.
Plda: Hrom agrotechnikai eljrst hasonltsunk ssze, a tesztnvny
burgonya legyen. Mivel felttelezhet, hogy a klnfle burgonyafajtk a
vizsglt agrotechnikai eljrsokra klnbzkppen reaglnak, a ksrletet 2
( b1 ,b2 ) . 5 ismtlses vletlenszer
burgonyafajtval
lltjuk
be
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?
kezelsek
a1 b1
a1 b2
a 2 b1
a 2 b2
a 3 b1
a 3 b2
a 2 b1
a1 b1
a1 b2
a 3 b1
a 3 b2
a 2 b2
a 3 b1
a 2 b1
a1 b1
a 3 b2
a 2 b2
a1 b2
a 2 b2
a 3 b2
a 3 b1
a1 b2
a1 b1
a 2 b1
a 3 b2
a 3 b1
a 2 b2
a 2 b1
a1 b2
a1 b1
- 108 -
SS
df
M
S
F Si
g.
DESIGN
Korriglt
modell
Eltrs
Ismtls
r-1
ismtls
A tnyez
a-1
atnyez
B tnyez
b-1
btnyez
AxB
klcsnhats
(a-1)(b-1)
atnyez*btn
yez
Hiba
(r-1)(ab-1)
sszesen
rab
Korriglt
sszesen
rab-1
Source
Corrected Model
Intercept
ISMTLS
A TNYEZ
B TNYEZ
AxB
Error (Hiba)
Total
Corrected Total
Type III
Sum of
Squares
62695a
1393207
2720
57965
3
2008
7384
1463287
70080
Mean
Square
6966.130
1393207
679.917
28982.500
2.700
1003.900
369.217
df
9
1
4
2
1
2
20
30
29
F
18.867
3773.414
1.842
78.497
.007
2.719
Sig.
.000
.000
.160
.000
.933
.090
( A)
parcellnknti
vltozatai
kztti
vltoztatsa
klnbsgek,
technikai
s
ezek
- 110 -
kezelsek
a1 b1
a1 b2
a 2 b1
a 2 b2
a 3 b1
a 3 b2
a 2 b1
a1 b1
a1 b2
a 3 b1
a 3 b2
a 2 b2
a 3 b1
a 2 b1
a1 b1
a 3 b2
a 2 b2
a1 b2
a 2 b2
a 3 b2
a 3 b1
a1 b2
a1 b1
a 2 b1
a 3 b2
a 3 b1
a 2 b2
a 2 b1
a1 b2
a1 b1
SS
df
M
S
F Sig DESIGN
.
Eltrs
Ismtls
r-1
ismtls
A tnyez
a-1
atnyez
Hiba (a)
(r-1)(a-1)
atnyez*ismtl
s
B tnyez
b-1
btnyez
AxB
klcsnhat
s
(a-1)(b-1)
atnyez*btny
ez
Hiba (b)
a(r-1)(b1)
Source
Mean
Square
675220,
417
58292
,000
,410
46,333
11,583(a
)
11,583
- 112 -
1,590
Sig.
,240
87,400
12
A
Hypoth 1704,18
3
tnyez esis
3
Error
7,283(b)
568,061
87,400
12
7,283(b)
12
7,283
Error
470,667 32
B
Hypoth 9168,23
2
tnyez esis
3
Error
470,667 32
A*B
Hypoth
klcsn esis
19,767
hats
Hiba
(b)
470,667 32
77,99
5
,000
,495
,902
311,6
68
,000
,224
,966
14,708(c
)
4584,11
7
14,708(c
)
3,294
14,708(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.
Svos elrendezs
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. Ilyenkor a pontossg rovsra a bels ismtlsek
felldozsval mindkt tnyezt fparcellkon helyezzk el. Elnye viszont,
hogy a klcsnhatst pontosabban lehet becslni.
Plda: 4 vetsidpont s 3 talaj-elkszts hatst vizsgljk cukorrpn. Az
sszes kombinci szma 12. A ksrlet ngy ismtlses, az sszes
- 113 -
SS
df
M
S
F Si
g.
DESIGN
Eltrs
Ismtls
r-1
ismtls
A tnyez
a-1
atnyez
Hiba (a)
(r-1)(a-1)
atnyez*ismtl
s
B tnyez
b-1
btnyez
Hiba (b)
(r-1)(b-1)
btnyez*ismtl
s
AxB
klcsnhat
s
(a-1)(b-1)
atnyez*btny
ez
Hiba (a x b)
(r-1)(a-1)
(b-1)
- 115 -
Mean
Square
Hypothe 34133,33
1
sis
3
34133,3
33
967,55
0
9
Error
Source
Intercept
Ismtls
105,833
35,278(a
)
Hypothe
105,833
sis
35,278
5,0
53
11,806(b
)
44,556
91,833
10,204(c
)
Hypothe
91,833
sis
10,204
Error
18
7,259(d)
Error
A
tnyez
Hypothe
133,667
sis
Error
Hiba (a)
B
tnyez
Hiba (b)
AxB
klcsnh
ats
59,652
130,667
Hypothe
1113,167 2
sis
556,583
Error
53,167
8,861(e)
Hypothe
53,167
sis
8,861
Error
18
7,259(d)
14,389
18
7,259(d)
130,667
Hypothe
sis
86,333
Hiba
(axb)
130,667
Sig.
2,988
,134
4,367
,037
1,406
,257
62,812 ,000
1,221
,341
1,982
,122
a MS(ismtls)
b MS(ismtls * atnyez) + MS(ismtls * btnyez) - MS(Error)
c MS(ismtls * atnyez)
d MS(Error)
e MS(ismtls * btnyez)
- 116 -
Vletlen blokkelrendezs
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.
Az elrendezs matematikai modellje:
Yijkl = m + Ri + Aj + Bk + Cl + ABjk + ACji + BCki + ABCjkl + eijkl
ahol:
Yij = egy parcella termse (kg/parcella)
m = a ksrlet becslt, szmtott tlaga, a ksrlet legjellemzbb
rtke
Ri = blokk ill. ismtls hats a talaj heterogenitst mutatja
Aj = az A tnyez termsre gyakorolt hatsa
Bk = a B tnyez termsre gyakorolt hatsa
- 117 -
SS
df
M F Sig DESIGN
S
.
Korriglt
modell
Eltrs
Ismtls
r-1
ismtls
A tnyez
a-1
toszam
B tnyez
b-1
hibrid
C tnyez
c-1
tragya
AxB
klcsnhats
(a-1)(b-1)
hibrid*toszam
AxC
klcsnhats
(a-1)(c-1)
toszam*tragya
BxC
klcsnhats
(b-1)(c-1)
hibrid*tragya
AxBxC
(a-1)(b-1)
(c-1)
hibrid*toszam*t
ragya
Hiba
(r-1)(abc-1)
sszesen
rabc
Korriglt
sszesen
rabc-1
- 118 -
20
1
3
1
2
2
2
2
4
Mean
Square
10.232
6769.019
.366
16.872
11.957
73.618
1.936
4.052
.360
F
14.208
9399.807
.508
23.430
16.604
102.230
2.689
5.627
.499
Sig.
.000
.000
.678
.000
.000
.000
.078
.006
.736
.525
.728
.577
51
72
71
.720
df
A1
(2) ismtls
A2
A2
A1
B1
B2
B2
B1
B2
B1
B1
B2
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
Oszt terletek
Oszt terletek
- 120 -
SS df
M
S
F Si
g.
DESIGN
Eltrs
Ismtls
r-1
ismtls
A tnyez
a-1
toszam
Hiba (a)
(r-1)(a-1)
ismetls*toszam
B tnyez
b-1
hibrid
AxB
klcsnhat
s
(a-1)(b1)
hibrid*toszam
Hiba (b)
a(r-1)(b1)
toszam(hibrid*ism
etles)
C tnyez
c-1
tragya
AxC
klcsnhat
s
(a-1)(c1)
toszam*tragya
BxC
klcsnhat
s
(b-1)(c1)
hibrid*tragya
AxBxC
(a-1)(b1)(c-1)
hibrid*toszam*trag
ya
Hiba (c)
ab(r-1)
(c-1)
Mean Square
Sig.
Hypothesis
6769,019
6769,019
18498,464
,000
Error
1,098
,366(a)
Hypothesis
1,098
,366
,336
,803
Error
3,266
1,089(b)
Hypothesis
16,872
16,872
15,498
,029
Error
3,266
1,089(b)
Hypothesis
3,266
1,089
1,865
,189
Error
7,005
12
,584(c)
Hypothesis
23,914
11,957
20,482
,000
Error
7,005
12
,584(c)
3,873
1,936
3,317
,071
Error
7,005
12
,584(c)
Hypothesis
7,005
12
,584
,794
,653
Error
26,455
36
,735(d)
Hypothesis
147,237
73,618
100,181
,000
Error
26,455
36
,735(d)
8,104
4,052
5,514
,008
26,455
36
,735(d)
1,438
,360
,489
,743
26,455
36
,735(d)
2,098
,525
,714
,588
26,455
36
,735(d)
Source
Intercept
Ismetles
Toszam
Hiba (a)
Hibrid
Toszam * Hypothesis
Hibrid
Hiba (b)
Tragya
Toszam * Hypothesis
Tragya
Error
Hibrid
Tragya
* Hypothesis
Error
Toszam * Hypothesis
Hibrid
*
Tragya
Hiba (c)
a MS(ismetles)
b MS(ismetles * toszam)
c MS(toszam(ismetles * hibrid))
d MS(Error)
- 122 -
- 123 -
F
3.723
162.191
3.723
Sig.
.057
.000
.057
- 124 -
200
100
0
N=
50
50
nem kezelt
kezelt
F
382.412
115.322
733.279
10.404
Sig.
.000
.000
.000
.002
- 126 -
B
Std. Error
-1.091
.111
3.80E-02
.001
-.303
.094
0a
.
t
-9.791
27.079
-3.226
.
Sig.
.000
.000
.002
.
- 127 -
KORRELCI- S REGRESSZISZMTS
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
korrelci- s regressziszmts, 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.
Asszocici
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
1500 vezett krdeztek meg, az adatokat a 78. tblzat tartalmazza
(asszociacio.sav).
Als-
Kzp-
Fels-
sszesen
Vesztesges
280
145
45
470
Kzepes
nyeresg
260
180
60
500
Nagy
nyeresg
180
230
120
530
sszesen
720
555
225
1500
2 -
prba
(f
f ij =
f ij
f i. f . j
n
f ij
f ij
i =1 j =1
ahol
ij
B2
A1
f11
f12
f1.
A2
f21
f22
f 2.
f.1
f .2
sszesen
sszesen
- 131 -
f11
=
f.1
f12
f11
=
s
f.2
f1.
f21
f2.
B2
A1
p11
p12
p1.
A2
p21
p22
p2.
p.1
p.2
sszesen
sszesen
i =1
=1
- 132 -
f ij
N
. Fggetlensget
f i. f . j
N2
f i. f . j
. A tnyleges s a vrhat gyakorisg alapjn 2 -fggvny
N
( f f f f )2
2 = N 11 22 12 21 .
f i. f 2. f.1 f.2
Ha a fggetlensget elvetjk, akkor a kapcsolat erssgt is kiszmthatjuk.
Az asszocici mrsre tbb mutatt is kidolgoztak, ezek kzl a
legltalnosabban hasznltakat tekintjk t.
11 22
12 21
Yule-fle asszocicis egytthat: Q = f f + f f . Az egytthat a
11 22
12 21
[ 1,1] intervallumban vehet fel rtket. Ha N rtke viszonylag nagy, akkor Q
normlis eloszls.
( f11 f22
f12 f21) 2
.
fi. f2. f.1 f.2
C=
2
N
, ahol
2
2 + N
- 133 -
2.
fi. f. j
.
N
2
r c f ij f ij
2
=
f ij
i =1 j =1
f ij =
f ij
f i. f . j
n
ahol
szerinti
C1Y
C 2Y
C Yj
C cY
C1X
f11
f12
f1 j
f1c
f1.
C 2X
f 21
f 22
f2 j
f 2c
f 2.
f i1
f i2
f ij
f ic
f i.
C rX
f r1
fr2
f rj
f rc
f r.
sszesen
f .1
f .2
f. j
f .c
sszesen
.
C iX
- 134 -
2
N ( c 1)
asszocicis egytthat:
V=
2
N ( r 1)
ha
r c;
illetve
T =
( r 1) ( c 1) . A T rtke
r c f ij2
c
N
f. 2j
i =1 j =1 f i. j =1
=
N2
j =1
f . 2j
- 135 -
D
Ta
A megfigyelsi egysgek
azon prjainak a teljes
szma, amelyekre:
vagy i > i s j > j
vagy i < i s j < j
vagy i > i s j < j
vagy i < i s j > j
i = i
j = j
Tb
( S + D + Ta ) ( S + D + Tb ) .
kvetkezk
f i. f . j
n
szerint
trtnik:
A vllalat
Kzp-
Fels-
sszesen
vesztesges
225,6
173,9
70,5
470
kzepes
nyeresg
240
185
75
500
nagy nyeresg
254,4
196,1
79,5
530
sszesen
720
555
225
1500
f ij
280
225,
6
kzpfok
145
173,
9
felsfok 45
70,5
alsfok
260
240
kzpfok
180
185
A vllalat
vesztesges alsfok
kzepes
nyer.
- 137 -
f ij f ij
54,4
-28,9
-25,5
20
-5
(f
ij
f ij
(f
ij
2
f ij
f ij
2959,3
6
13,1177
3
835,21
4,80281
8
650,25
9,22340
4
400
1,66666
7
25
0,13513
5
nagy nyer.
felsfok 60
75
alsfok
180
254,
4
kzpfok
230
196,
1
felsfok 120
79,5
sszesen
1500
1500
-15
225
-74,4
5535,3
6
21,7584
9
33,9
1149,2
1
5,86032
6
40,5
1640,2
5
20,6320
8
80,1966
5
2
N ( r 1)
80,197
= 0,163 .
1500 2
Ha a
( r 1) ( c 1)
80,197
1500 3 1
0,19 .
- 138 -
Total
720
555
225
1500
Rangkorrelci
Kt vltoz kztti sszefggs vizsglatnak egyik egyszer s gyors
mdszere a rangkorrelci. Ilyen esetben els lpsknt a vltozk megfigyelt
rtkeit rangsoroljuk s az egyes megfigyelseknek a rangsoruknak megfelel
rangszmot adunk 1-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 (W ) , ezek a legismertebb rangkorrelcis
egytthatk.
Ha a kt ordinlis skln mrt vltozk 1 s n kztti rangjait (sorszmait)
R xi -vel s R yi -vel, akkor a kt vltoz kztti kapcsolat szorossgnak
mrsre bevezetett Spearman-fle rangkorrelcis egytthatt az albbi
kplettel hatrozhatjuk meg:
- 140 -
= 1
n
6 R xi R yi 2
i =1
n n2 1
Alma
sorszma
1
2
3
4
5
6
7
8
n
6 R xi R y i 2
i =1
n n 2 1
=1
6 ( 0 + 1 + 4 + 4 + 1 + 0 + 0 + 4)
8 82 1
- 141 -
0,833
R xi
R yi
R xi R yi
( R xi R yi ) 2
6
2
3
5
1
4
8
7
6
3
1
7
2
4
8
5
0
1
2
-2
-1
0
0
2
0
1
4
4
1
0
0
4
A rangkorrelcis koefficiens statisztikai prbjhoz alkalmazhatjuk az tblzatot (. mellklet) df = n 2 szabadsgi fokkal. Pldnkban a szmtott
nagyobb, mint df = 6 esetn az 5%-os szinten megadott tblzati rtk
0,7067, 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 Spearman_rang.sav fjlt, majd
kattintsunk az ANALYZE menpont CORRELATE almenjben a BIVARIATE
parancsra (48. bra).
- 142 -
Szn
3,5
7,5
3,5
7,5
szerinti sorrend
- 144 -
=1
[(
n
6 R x i R y i 2 + T A + TB
i =1
],
n n2 1
ahol T A =
tA t2
A 1
s T A =
12
2 1
tB tB
. A jel az azonos tulajdonsgon
12
2 2 2 1
= 0,5 .
12
TB =
) (
3 32 1 + 2 2 2 1
= 2,5 .
12
6 ( 22 + 0,5 + 2,5)
8 82 1
[(
n
6 Rxi Ryi 2 + TA + TB
i =1
n n2 1
] kpletbe:
= 0,702 .
Az alma z
Az alma
szerinti szn szerinti
sorszma sorszma
Spearman's rhoAz alma z szerinti
Correlation Coefficient
1,000
,729*
sorszma
Sig. (2-tailed)
.
,040
N
8
8
Az alma szn
Correlation Coefficient
,729*
1,000
szerinti sorszmaSig. (2-tailed)
,040
.
N
8
8
*. Correlation is significant at the 0.05 level (2-tailed).
- 145 -
(
(n
)
n)
12 Ri R
W=
i =1
3
m ( n + 1)
2
. Az egyetrtsi mutat rtke 0 s
Szn
Eladsi r
Ri
6
2
3
5
1
4
8
7
6
3
1
7
2
4
8
5
7
3
2
5
1
4
8
6
19
8
6
17
4
12
24
18
R=
m ( n + 1) 3 ( 8 + 1)
=
= 13,5 , mivel m = 3 s n = 8 .
2
2
2
3
3 8 8
0,931.
W =
- 146 -
- 147 -
- 148 -
N
3
a
Kendall's W
,931
Chi-Square 19,556
df
7
Asymp. Sig. ,007
a.Kendall's Coefficient of Concordance
- 149 -
A kalsz
hossza
(cm) xi
7,1
7,3
7,4
7,6
7,7
8,1
8,2
8,2
8,3
8,5
9,3
9,4
9,5
9,7
10,5
Kalszonknti
szemszm (db)
yi
26
24
25
27
22
30
32
31
33
29
35
37
38
40
41
Pontdiagram
Amikor mennyisgi mutatk kapcsolatt vizsgljuk, a mutatszmok
meghatrozsa eltt rdemes n. pontdiagram-t kszteni. Ekkor az
egyttesen elfordul ( xi , yi ) 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
- 150 -
54. bra. A lineris korrelci: (a) pozitv, (b) negatv korrelci, (c)
s (d) x s y korrellatlanok
Forrs: ZAR, J. H. (1996)
Az SPSS-ben a pontdiagram ksztshez kattintsunk a GRAPHS men
SCATTER parancsra. A megjelent panelben (55. bra) hagyjuk megjellve a
SIMPLE parancsgombot, majd a DEFINE gombra kattintsunk.
- 151 -
- 152 -
( xi x ) ( y i y )
r=
i =1
n
2 n
2
xi x y i y
i =1
i =1
(i =1,2,..., n ) , tovbb
x=
1 n
xi
n i =1
s y = n yi .
i =1
r = 1 vagy r = 1
Korrelcis index
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 ( I ) :
n
ei2
I = 1
i =1
( yi y )
i =1
- 155 -
Kalszonknti
A kalsz
szemszm
hossza (cm)
(db)
A kalsz hossza (cm)
Pearson Correlation
1
,938**
Sig. (2-tailed)
,000
N
15
15
Kalszonknti
Pearson Correlation ,938**
1
szemszm (db)
Sig. (2-tailed)
,000
N
15
15
**.Correlation is significant at the 0.01 level (2-tailed).
- 156 -
(i =1,2,..., n )
illetve
x +
,
y i =
1 i
0
- 158 -
Q 0 , 1 = ( y i yi ) = 0 + 1 xi yi
i =1
i =1
min .
s
(becslt) rtkek meghatrozsa, amelyekre a
A feladat teht azon
0
1
,
) kt-vltozs fggvny minimlis rtket vesz fel. (Egy adott fggvny
Q(
0 1
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
s
fggvnyben a kvetkez
egyenlv tenni.) Elvgezve a derivlst
0
1
egyenletrendszert kapjuk:
Q
0 1 = 2 0 + 1 xi y i = 0
0
i =1
n
Q
0 1 = 2 xi 0 + 1 xi yi = 0.
1
i =1
felbontsa
x i 1n 0= y i
i=1
i=1
i=1
x 2i
i=1
x i 0 = x iy i .
i=1
- 159 -
i =1
i =1
n
n 2 n
x 1 + xi 0 = xi y i .
i
i =1
i =1
i =1
15
15
15
i =1
i =1
i =1
i =1
2
Mivel n =15 , xi =126,8 , y i = 470 , xi =1086,18 s xi yi = 4052,2 , gy
a megoldand egyenletrendszer:
126,8115 0=470
1086,181126,80 =4052,2
xi
yi
x i2
xi yi
7,1
7,3
7,4
7,6
7,7
8,1
8,2
8,2
8,3
8,5
9,3
9,4
9,5
9,7
26
24
25
27
22
30
32
31
33
29
35
37
38
40
184,6
175,2
185
205,2
169,4
243
262,4
254,2
273,9
246,5
325,5
347,8
361
388
10,5
41
126,8
470
50,41
53,29
54,76
57,76
59,29
65,61
67,24
67,24
68,89
72,25
86,49
88,36
90,25
94,09
110,2
5
1086,
18
430,5
4052,2
0 = 15,45,
Az
egyenletrendszer
megolds:
paramterekkel az illesztett egyenes egyenlete:
=15,54 +5,53 x .
y
- 160 -
1 = 5,53 .
kapott
( xi x ) ( y i y )
r=
i =1
n
2 n
2
xi x y i y
i =1
i =1
kplettel definiltunk.
26
7,3
24
7,4
25
7,6
27
7,7
22
8,1
30
1,35
1,15
1,05
0,85
0,75
0,35
5,33
7,33
6,33
4,33
9,33
1,33
7,22
1,83
28,44
8,46
1,33
53,78
6,67
1,11
40,11
3,70
0,73
18,78
7,03
0,57
87,11
0,47
0,12
1,78
- 161 -
8,2
32
8,2
31
8,3
33
0,25
0,25
0,15
8,5
9,3
9,4
9,5
9,7
10,5
29
35
37
38
40
41
0,05
0,85
0,95
1,05
1,25
2,05
0,67
0,33
-0,17
0,06
0,44
0,08
0,06
0,11
1,67
2,33
3,67
5,67
6,67
8,67
9,67
-0,26
0,02
2,78
-0,11
3,10
5,36
6,98
10,80
19,78
0,00
0,72
0,90
1,10
1,55
4,19
5,44
13,44
32,11
44,44
75,11
93,44
15
xi
i =1
15
15
= x = 8,45
xi x
i =1
15
yi y
i =1
i =1
=14,3 ,
15
yi
= y = 31,33
i =1
azaz SQ x = 14,3
= 497,33 ,
azaz
SQ y = 497,33 .
A kapott rszeredmnyekbl:
r=
79,13
14,3 497,33
0,938.
- 162 -
Szabadsgi
fok
Szrsngyzet
F
ek becslse
Regresszi
SP 2 SQ x = SSR
MSR =SSR 1
Hiba
SQ y SP 2 SQ x = SSE
n 2
MSE = SSE ( n 2 )
sszesen
SQ y = SST
n 1
MSR
MSE
Szabads
gi fok
Szrsngyz
etek becslse
Regress
zi
437,87
Hiba
4,57
sszese
n
497,33
437,87
= 95,81
4,57
14
- 163 -
x x
1
h y i = t p % MSE + i
, df = n 2
SQ x
n
xi = 7,5 cm-
14,3
x x
1
h y i = t p % MSE 1 + + i
n
SQ x
df = n 2
15
14,3
- 164 -
p = 5% -s
szignifikanciaszinten
xi
xi x
y i
h y i
7,1
7,3
7,4
7,6
7,7
8,1
8,2
8,2
8,3
8,5
9,3
9,4
9,5
9,7
10,
5
-1,35
-1,15
-1,05
-0,85
-0,75
-0,35
-0,25
-0,25
-0,15
0,05
0,85
0,95
1,05
1,25
23,84
24,95
25,50
26,61
27,16
29,38
29,93
29,93
30,48
31,59
36,02
36,57
37,13
38,23
5,05
4,97
4,94
4,88
4,86
4,79
4,78
4,78
4,77
4,77
4,88
4,91
4,94
5,01
Als
Fels
Konfidenciahatr
18,80
28,89
19,98
29,92
20,56
30,44
21,73
31,49
22,31
32,02
24,59
34,17
25,15
34,71
25,15
34,71
25,71
35,26
26,82
36,36
31,14
40,90
31,66
41,48
32,19
42,06
33,23
43,24
2,05
42,66
5,39
37,28
48,05
- 165 -
1 =
1 =
MSE
SQx
4,57
= 0,565.
14,3
t=
5,53 4,57
=1,699 .
0,565
- 166 -
hiszen
r2 =
SSR 437,87
=
= 0,88 .
SST
497,33
Ennek
ngyzetgyke
r 2 ( n 2)
1 r 2
kpletet alkalmazzuk, s
df = n 2
t=
0,8813
=9,76.
1 0,88
Ez az rtk
- 167 -
szrst ehhez a z =
(
)
(
)
konfidenciahatra:
t rtk mindig df = -re megadott tblzati t rtk). Behelyettestve az
adatokat. h1 = 1,721,96 0,288= 1,15 s h1 = 1,72+ 1,96 0,288= 2,28. Ez a kt
rtk 1,72-es z -rtk konfidenciahatrai p = 5% -s szignifikanciaszinten. A
tblzatbl h1-et s h2 -t z -rl r -re transzformlva kapjuk meg p% szinten a
korrelcis koefficiens kt konfidenciahatrt: 0,8178 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.
- 168 -
- 169 -
Model
R Square
Adjusted
R Square
,938a
,881
,871
Std. Error
of the
Estimate
2,137
( )
2
2
RA = R2 1 R
n 2
Ez az n. mdostott
Model
1
Sum of
Squares
Regression 437,990
Residual
59,344
Total
497,333
df
Mean Square
Sig.
1
13
14
437,990
4,565
95,947
,000a
- 171 -
Model
1
Unstandardized
Coefficients
Std.
B
Error
(Constant)
-15,454 4,808
A kalsz hossza (cm)
5,535
,565
Standardized
Coefficients
Beta
,938
t
-3,214
9,795
Sig.
,007
,000
- 172 -
- 173 -
- 174 -
MAHALANOBIS
x x
. Ez megadja minden input-eset vektornak
(tvolsg): Di = i
x
COOKS (tvolsg):
Ci =
( i)
y j y j
j =1
2
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.)
- 176 -
- 177 -
y2
1 x 21
y = . , X = .
.
.
yn
1 x n1
x12
x 22
xn2
... x1m
1
1
... x 2m
2
2
= . = .
,
,
,
.
.
... x nm
n
n
A multikollinearits mrse
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.
- 179 -
- 180 -
d=
( ei ei 1 )
i= 2
n 2
ei
i =1
ei ei 1
i= 2
n 2
ei
i= 2
ei21
i= 2
i =2
i =2
2
2
2
ei ei ei 1 ,
i =1
)
d 2 (1
gy
Durbin-Watson-fle
prbafggvny
alakra hozhat.
H0 : =0
Elfogadjuk
Elvetjk
Nincs dnts
>0
d > dU
d < dL
d L d dU
<0
d < 4 dU
d > 4 dL
4 d L d 4 dU
- 181 -
Heteroszkedaszticits
r n 2
1r 2
folyamata
hasonlt
kt-vltozs
i =1
:= SST
( y i y )
n
i =1
:= SSR
s a
SSE = ( y i y i )
- 183 -
i =1
= ei2
i =1
r2 =1
ei
i =1
yi y
i =1
)2
SSE SSR
=
SST SST
Egy modell illeszkedsnek mrtkt az hatrozza meg, hogy a teljes eltrsngyzetsszegnek mekkora rszt teszi ki a regresszi ltal magyarzott s
a hibataggal kapcsolatos ngyzetsszeg.
A modell illeszkedsnek jsgt a varianciaanalzis segtsgvel teszteljk
(globlis F -prba). Ez egy olyan hipotzisvizsglat, amelynl a nullhipotzis:
1 = 2 = ... = m = 0 , azaz a j meredeksgek mind egyenlk zrussal (csak a
konstans tag rtke klnbzik szignifiknsan nulltl). Az alternatv hipotzis
szerint: j 0 , valamelyik j -re, j =1,2,..., m . A nullhipotzis elfogadsa azt
jelenti, hogy az adott vltozkkal felrt regresszis modell nem alkalmas az y
becslsre.
Az F prba:
SSR
MSR
m
F=
=
.
SSE
MSE
n m 1
- 184 -
Az eltrsek
ngyzetssz
ege
Szabads
gi fok
Szrsngyz
etek becslse
Regressz
i
SSR
MSR
Hiba
SSE
n m 1
MSE
sszese
n
SST
n 1
MSR
MSE
A paramterek tesztelse
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: H 0 : j = 0, j =1,2,..., m ; mg a ktoldali
alternatv hipotzis: H1 : j 0 , j =1,2,..., m .
A tesztelsre az albbi prbafggvnyt hasznljuk:
F =
Var
( j),
( )
Var
j
ahol
()
Var =
1
1
eT e
XT X
= se2 XT X
n m 1
variancia-kovariancia
j
s
- 185 -
A reziduumok vizsglata
A reziduumok pontdiagramjainl a reziduumokat az y i 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 SE , vagy 2 SE 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 y i rtkeivel egytt brzoljuk. Ha
ugyanis a ponthalmazban szerepl pontok elrendezdse nem vletlenszer,
akkor a hibatnyez variancija nem konstans.
- 186 -
H % ( x2 )
AK ( y )
5,4
4,0
7,0
7,8
8,0
10,3
16,1
13,1
5,0
9,6
5,0
12,4
10,2
20,7
15,0
10,0
2,6
6,3
2,9
2,9
1,9
4,4
2,5
3,1
3,6
2,5
2,5
2,3
2,5
3,6
2,1
2,5
2,5
2,5
2,5
2,9
23,0
26,9
19,0
19,4
21,0
31,0
31,8
28,0
15,0
28,0
14,0
31,0
28,0
35,2
28,0
22,0
20,8
14,3
- 187 -
foszfor_x1 humusz_x2
foszfor_x1
Pearson Correlation
Sig. (2-tailed)
N
humusz_x2
Pearson Correlation
Sig. (2-tailed)
N
aranykoronaertek_y
Pearson Correlation
Sig. (2-tailed)
N
1
18
,091
,718
18
,764**
,000
18
,091
,718
18
1
18
,122
,629
18
aranykorona
ertek_y
,764**
,000
18
,122
,629
18
1
18
R = 0,091
0,764
0,091
1
0,122
0,764
0,122 .
1
r2
r2
y.x1 , x 2 ,..., x m
y.x1 , x 2 ,..., x m
y.x1 , x 2 ,..., x j 1 , x j +1 ,..., x m
i =1
M = r2
kpletbe.
megfelel
pronknti
korrelcis
egytthatk:
= 0,122 . Mivel hrom dimenzis a modell, ezrt meg kell adni a
1
1
R
yy
kplet
- 188 -
2,402
= 0,005
1,836
0,005
1,015
0,128
1,836
0,128 .
2,418
1 , x2 ,...., xm
=1
1
1
R
yy
=1
1
= 0,586 .
2,418
- 189 -
[(
)]
) (
kt
magyarz
vltoz
kapcsolatnak
szorossgt
t=
r n 2
1r2
prbafggvnnyel teszteljk:
t=
0,091 16
1 0,0083
0,365 .
4,50
4,00
humusz_x2
3,50
3,00
2,50
2,00
1,50
5,00
10,00
15,00
20,00
foszfor_x1
. .
=
. .
. .
14,3 1 6,3
2,9
2,9
e
0 0
1 + e1
e
2 2
2,9
Az ismeretlen
= XT X
Elszr meghatrozzuk az
1
X X =
5,4
2,9
1
4,0
2,9
XT X
kifejezs rtkt:
1 5,4
1 4,0
1
.
6,3
.
2,9
.
1 6,3
2,9
2,9
2,9
168,5
49,7
18
Vegyk az
(X
XT X
mtrixszorzat inverzt:
0,02 0,43
1,43
0
,
43
0
,
002
0
,
163
Kpezzk az
XT y
szorzatot:
- 191 -
1
y =
5,4
2,9
4,0
2,9
23
1
26,9
=
6,3
2,9
14
,
3
436,4
=
4478,81.
1213,02
=
0,02
0,43
0.02
0,003
0,002
-t, ha elvgezzk a
(XT X)1 XT y
0,002
4478,81 = 1,0335 .
1213,02
0,5627
0,163
.
y =
.
.
5,4
4,0
6,3
2,9
20,229
18,782
2,9
13,0165
1,0335 =
0,5627 .
.
.
2,9
21,159
- 192 -
yi
i
y
23
20,2
3
18,7
8
21,3
2
23,5
5
22,6
9
25,4
1
31,6
8
27,9
6
19,5
9
24,2
3
19,5
9
27,8
6
24,7
4
35,8
2
29,9
3
24,7
6
17,1
1
21,1
6
436,
4
26,9
19
19,4
21
31
31,8
8
9
10
11
12
13
28
15
28
14
31
28
14
35,2
15
28
16
17
18
22
20,8
14,3
436,
4
ei
ei2
2,77
7,68
8,12
65,90
2,77
-2,32
5,38
ei 1
( ei ei 1 ) 2
ei
2,77
8,12
7,6729
28,622
5
108,99
36
3,3489
4,15
-1,69
2,86
1,69
5,59
31,30 -1,69
0,12
0,01
5,59
6,0516
52,998
4
29,920
9
0,04
0,00
0,12
0,04
-4,59 21,07
0,04
0,0064
21,436
9
69,889
6
87,609
6
76,212
9
3,26
3,77
-4,15
14,20 -4,59
8,12
2,32
5,59
0,12
4,59
3,77
-5,59 31,25
3,77
3,14
9,88
-5,59
3,26
10,63
3,14
-0,62
0,38
3,26
0,0144
15,054
4
-1,93
3,71
-0,62
1,7161
1,93
-2,76
7,61
-1,93
2,76
3,69
13,61 -2,76
0,6889
41,602
5
111,30
25
663,14
3
-6,86 47,05
289,7
0
7
- 193 -
3,69
6,85
5,59
3,14
0,62
3,69
6,86
--
( ei ei 1 ) 2
i=2
A 108. tblzat adatait felhasznlva helyettestsnk be a d =
ei
d = 2,288.
i =1
Az autokorrelci becslse:
d
2,288
= 1 = 1
= 0,144 . A kapott eredmny alapjn alternatv hipotzisnk
2
2
foszfor_x1
foszfor_x1
Pearson Correlation
1
Sig. (2-tailed)
N
18
humusz_x2
Pearson Correlation ,091
Sig. (2-tailed)
,718
N
18
aranykoronaertek_yPearson Correlation ,764**
Sig. (2-tailed)
,000
N
18
a reziduumok
Pearson Correlation -,677**
abszoltrtke
Sig. (2-tailed)
,002
N
18
humusz_x2
,091
,718
18
1
18
,122
,629
18
,112
,658
18
aranykoronaera reziduumok
tek_y
abszoltrtke
,764**
,000
18
,122
,629
18
1
18
-,439
,068
18
-,677**
,002
18
,112
,658
18
-,439
,068
18
1
18
t=
0,677 16
1 0,4583
3,679 .
- 194 -
10,00
reziduum
5,00
0,00
-5,00
5,00
10,00
15,00
20,00
foszfor_x1
10,00
reziduum
5,00
0,00
-5,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
humusz_x2
- 195 -
Szabadsg
i fok
Szrsngyz
et
F
becslse
Regress
zi
(SSR=)
411,15
(m=) 2
(MSR=)
205,575
Hiba
(SSE=)
289,77
(n-m-1=)
15
(MSE=)
19,318
sszese
n
700,92
17
--
10,6
4
SSR=1,033 393
,621+ 0,563 8,0711
,
393
,621= 5,4 23+ 4 26,9 + ...+ 6,314,3
49,7 436,4
.
18
168
,5 436,4
s
18
()
Var =
1
1
eT e
XT X
= se2 XT X
n m 1
0,02
15
0,43
()
0,02
0,003
0,002
0,43 27,63
0,002
= 0,38
0,163
8,33
0,38
0,05
0,04
8,33
0,04
.
3,14
13,0165
1,0335
2,476 ; t =
4,553
1
5,256
0,227
t =
2
t=
j
s
s = 5,256 ,
0
alapjn:
0,5627
0,317 .
1,772
- 197 -
- 198 -
Model
1
Variables Variables
Entered
Removed
humusz_x2,
a
.
foszfor_x1
Method
Enter
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 STEPWISE s a REMOVE (77. BRA).
- 199 -
Model
R Square
,766a
,587
Model
1
Sum of
Squares
Regression 411,334
Residual
289,771
Total
701,104
df
Mean Square
Sig.
2
15
17
205,667
19,318
10,646
,001a
- 200 -
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
B
Std. Error
Beta
(Constant) 13,017
5,256
foszfor_x1 1,033
,227
,759
humusz_x2 ,563
1,772
,053
Sig.
2,476
4,555
,317
,026
,000
,755
hrom
fggetlen
vltozs
regresszianalzis
esetn:
a fgg vltoz becslt rtke, x1, x2, x2 a
egyenlet becslt paramterei.
y = 0 + 1 x1 + 2 x 2 + 3 x3 , ahol y
fggetlen vltozk, , , , az
0
mg
mg
12
12
6
6
24
30
30
72
48
72
24
8
32
32
4
4
32
16
20
12
20
- 201 -
1,23
1,17
1,12
1,11
1,08
1,02
1,01
16
16
40
24
8
56
40
56
12
24
28
28
8
36
32
36
0,99
0,98
0,93
0,84
0,78
0,74
0,74
0,69
- 202 -
- 205 -
Mean
A miclium tmege (gramm)
,9620
Nitrogn (mg)
27,2000
Foszfor (mg)
36,2667
Klium (mg)
20,8000
Std.
Deviation
,16992
15,68985
21,13719
11,13040
N
15
15
15
15
- 207 -
A miclium
Nitrogn
tmege (gramm)
(mg)
Pearson Correlation
A miclium
tmege (gramm)
Nitrogn (mg)
Foszfor (mg)
Klium (mg)
Sig. (1-tailed)
A miclium
tmege (gramm)
Nitrogn (mg)
Foszfor (mg)
Klium (mg)
N
A miclium
tmege (gramm)
Nitrogn (mg)
Foszfor (mg)
Klium (mg)
Foszfor
(mg)
Klium (mg)
1,000
-,914
,141
-,625
-,914
,141
-,625
1,000
-,096
,485
-,096
1,000
,237
,485
,237
1,000
,000
,309
,006
,000
,309
,006
.
,367
,033
,367
.
,197
,033
,197
.
15
15
15
15
15
15
15
15
15
15
15
15
15
15
15
15
Model
,946a
R
Adjusted
Square R Square
,895
,866
Std. Error
of the
Estimate
,06215
Change Statistics
R
F
Square
Change
Change
,895
31,220
DurbinWatson
df1
df2
Sig. F
Change
11
,000
2,092
Model
1
Sum of
Squares
Regression ,362
Residual
,042
Total
,404
df
Mean Square
Sig.
3
11
14
,121
,004
31,220
,000a
UnstandardizedStandardized
95% Confidence
Collinearity
Correlations
Coefficients Coefficients
Interval for B
Statistics
Model
t Sig.
Std.
Lower Upper
B
Beta
Zero-order Partial Part Tolerance VIF
Error
Bound Bound
1 (Constant) 1,238 ,047
26,581 ,000 1,136 1,341
Nitrogn (mg)-,008 ,001
-,761 -6,600 ,000 -,011 -,005 -,914 -,894 -,645 ,718 1,39
Foszfor (mg) ,001 ,001
,136
1,309 ,217 -,001 ,003
,141
,367 ,128 ,886 1,13
Klium (mg) -,004 ,002
-,288 -2,434 ,033 -,008 ,000 -,625 -,592 -,238 ,684 1,46
a. Dependent Variable: A miclium tmege (gramm)
- 209 -
- 210 -
Tpus
Egyenlet
Logaritmikus
Inverz
Parabolikus
Harmadfok
y = 0 + 1 ln x
y = 0 + 1 x
Power
Hatvnykitevs
y = 0 + 1 x + 2 x 2
y = 0 + 1 x + 2 x 2 + 3 x 3
Compound
S
y = 0 x 1 vagy
+ln
x
=
ln y
0
1
y = 0 1 x vagy
Vegyes
ln y = ln 0 + ln 1 x
y = e 0 +1 x
Szigmoid
vagy
+
x
=
ln y
0
1
y =
Logistic
Logisztikus
Growth
Nvekedsi
1
vagy
(1 u ) + 0 1 x
1
ln
y
1
= ln 0 + ln 1 x
u
y =e 0 +1x
vagy
+
x
ln y =
0
1
y = 0 1 x vagy
Exponential
Exponencilis
- 211 -
y = 0 e 1x vagy
+
x
=ln
ln y
0
1
Logaritmikus regresszi
Testtmeg
termels
(100 kg)
A
kock
szma
(db)
Testtmeg
termels
(100 kg)
29
3,7
155
9,8
32
6,4
176
10,2
39
5,6
210
11,3
41
6,7
270
11,9
45
7,2
358
13,7
62
7,6
370
13,9
102
8,7
408
14,2
145
9,4
--
--
- 213 -
- 214 -
rtkeket
R Square
,976
,953
- 215 -
Sum of
Squares
Regression 137,415
Residual
6,783
Total
144,197
df
Mean Square
Sig.
1
13
14
137,415
,522
263,379
,000
- 216 -
A kock szma
(Constant)
Unstandardized
Standardized
Coefficients
Coefficients
t
B
Std. Error
Beta
3,289
,203
,976
16,229
-6,151
,973
-6,319
Sig.
,000
,000
ahonnan
=12,45 .
y
250
darabra
nvelsvel
I = 1
ei
i =1
yi y
i =1
)2
( ei ) 2
( yi y ) ( yi y )2
4,96
-1,26
1,588
-5,65
31,923
6,4
5,28
1,12
1,246
-2,95
8,703
39
5,6
5,93
-0,33
0,112
-3,75
14,063
41
6,7
6,10
0,60
0,361
-2,65
7,023
45
7,2
6,41
0,79
0,632
-2,15
4,623
62
7,6
7,46
0,14
0,020
-1,75
3,063
102
8,7
9,10
-0,40
0,157
-0,65
0,423
145
9,4
10,25 -0,85
0,728
0,05
0,003
155
9,8
10,47 -0,67
0,453
0,45
0,203
10
176
10,2
10,89 -0,69
0,477
0,85
0,722
11
210
11,3
11,47 -0,17
0,029
1,95
3,803
12
270
11,9
12,30 -0,40
0,159
2,55
6,503
13
358
13,7
13,23 0,47
0,225
4,35
18,923
14
370
13,9
13,33 0,57
0,320
4,55
20,703
15
408
14,2
13,66 0,54
0,296
4,85
23,523
--
140,3
140,8
-4
6,802
--
144,19
8
tla
g
--
9,35
--
--
--
--
xi
yi
29
3,7
32
y i
--
- 218 -
I = 1
ei
(
i =1
n
i =1
yi y i
)2
= 1
6,802
0,9761.
144,198
Exponencilis regresszi
Kt kvantitatv vltoz kztti kapcsolat exponencilis fggvnnyel adhat
meg, ha a fggetlen x 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/m2) kztt milyen jelleg
kapcsolat van. Az adatokat a 127. tblzat tartalmazza.
Gykrtmeg
(g/m2)
26,87
15,66
6,18
2,9
1,5
0,65
0,28
0,13
0,06
0,03
Gykrtmeg
(mg/m2)
ln y
1
2
3
4
5
6
7
8
9
10
26870
15660
6180
2900
1500
650
280
130
60
30
10,20
9,66
8,73
7,97
7,31
6,48
5,63
4,87
4,09
3,40
30000
25000
20000
15000
10000
5000
0
0
10
- 221 -
ln_gyokertomeg
10,00
8,00
6,00
4,00
10
- 222 -
Equation
Exponential
Model Summary
df1
df2
R Square
,999
8872,148
Sig.
Parameter Estimates
Constant
b1
,000
64706,304 -,771
= 0,463 ,
ezzel az illesztet
A kapott regresszis egyenlet alapjn azt mondjuk, hogy a gykrsly 10 cmenknt a megelz 10 cm gykrslynak 0,463-szorosa, vagyis kevesebb,
mint a fele.
Az exponencilis regresszis fggvnyt a 93. bra mutatja.
Hatvnykitevs regresszi
Hatvnykitevs regresszit kt kvantitatv vltoz kztt akkor alkalmazunk,
ha a fggetlen x 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:
x 1
y =
0
=
0
log x =x
y = 0 + 1 x .
- 224 -
+
x
y =
0
1
i =1
i =1
0 n + 1 xi = y i
2
0 xi + 1 ( xi ) = xi y i .
n
i =1
i =1
i =1
Gykrtmeg
(mg/m2)
Gykrfellet
(dm2)
26870
15660
6180
2900
1500
650
280
130
60
30
4472
4152
1728
904
472
260
48
39
24
12
- 225 -
5000
Gykrfellet (dm2)
4000
3000
2000
1000
0
0
5000
10000
15000
20000
25000
30000
- 226 -
- 227 -
9,00
8,00
7,00
lny
6,00
5,00
4,00
3,00
R Sq Linear =0,985
2,00
4,00
6,00
8,00
10,00
lnx
- 228 -
Model Summary
R Square
F
df1
df2
Sig.
Power
,985
517,285
1
8
,000
The independent variable is Gykrtmeg (mg/m2).
Equation
- 229 -
Parameter Estimates
Constant
b1
,476
,927
Parabolikus regresszi
A parabolikus regresszi vizsglatra hasznljuk a 132. 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.
Csves termstlag
(kg/parcella)
Sze SC 352,FAO 340
1,99
2,24
2,57
2,75
3,29
3,10
3,29
3,31
3,07
3,00
2,50
2,00
20
40
60
80
100
- 231 -
Model Summary
R Square
F
df1
df2
Quadratic
,947
53,340
2
6
The independent variable is Tszm (ezer db/ha).
Equation
Sig.
,000
Parameter Estimates
Constant
b1
b2
,910
,057
-,00034
- 232 -
- 233 -
Eltelt napok
szma ( x )
1
7
14
21
28
35
42
49
56
63
70
77
84
91
98
105
112
119
126
133
140
A nvny tmege
(gramm) ( y )
0,19
0,96
3,01
6,59
12,25
19,73
30,30
43,14
57,06
73,44
89,99
104,97
118,24
129,55
141,46
155,40
166,84
175,32
181,74
186,06
187,76
y max
( m = e 0 +1x , y max : teltdsi
1+ m
200,00
150,00
100,00
50,00
0,00
0
20
40
60
80
100
120
140
y max
1 + e 0 + 1x
- 235 -
y max =
2 y x0 y x0 + m y x0 + 2m y 2 x0 + m y x0 + y x0 + 2m
y x0 y x0 + 2m y 2 x0 + m
y max y x0
0 = ln
y x0
1 y x y max y x0 + m
1 = ln 0
m y x0 + m y max y x0
)
) .
- 236 -
A pontok j
jellse
x0 = 0
11
x0 + m = 9
20
x0 + 2m = 18
tlagok y x0 , y x0 + m , y x0 + 2 m
0,19
3,01
+ 0,96 +
2 1,28
y0 = 2
2
73,44
104,97
+ 89,99 +
2
y9 = 2
89,6
2
181,74
187,76
+186,06 +
2
2
y18 =
185,405
2
y max =
189,91
186,91 1,28
4,977 ;
1,28
0 = ln
y =
186,91
1+ e
4,977 0,543 x
1 = 4,977
- 237 -
Szmolt
200
180
A nvnytmege(gramm)
160
140
120
100
80
60
40
20
1
0
2
10 11 12 13 14 15 16 17 18 19 20 21
Sorszm
- 239 -
- 240 -
Iterationa
Number
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
Residual
Sum of
Squares
Parameter
P0
P1
246851,26 190,000 3,000
267535,3242127,405222,580
267535,3220784,732104,123
267535,3210576,229 47,467
1931701,85706,070 20,449
167850,14 477,234 1,196
167850,14 477,234 1,196
4425,993 297,872 1,060
4425,993 297,872 1,060
60134,657 100,866
,082
2912,611 267,339
,916
2912,611 267,339
,916
1897,044 219,410
,618
1897,044 219,410
,618
751,158 195,241
,343
751,158 195,241
,343
295,599 191,442
,233
295,599 191,442
,233
285,111 192,831
,236
285,111 192,831
,236
285,110 192,843
,236
285,110 192,843
,236
285,110 192,844
,236
P2
,100
-3,304
-2,508
-2,126
-1,942
-,273
-,273
-,221
-,221
-,317
-,221
-,221
-,256
-,256
-,314
-,314
-,356
-,356
-,355
-,355
-,355
-,355
-,355
- 241 -
192,844
,236
-,355
3,229
,051
,015
Source
Sum of Squares
267250,212
Residual
285,110
Uncorrected Total 267535,322
Corrected Total
98513,840
Regression
df
3
18
21
20
Mean Squares
89083,404
15,839
F=
MQmod ell
.
MQhiba
- 242 -
192,844
1 + e 4,14 0,355 x
ahol x a sorszm.
- 243 -
- 244 -
rtkek kzs
Empirikus
200
A nvnytmege(gramm)
180
160
140
120
100
80
60
40
20
0
1
10 11 12 13 14 15 16 17 18 19 20 21
Sorszm
- 245 -
ADATREDUKCIK
Fkomponens-analzis
Sajtrtk szmtson alapul valdi tbb-vltozs eljrs. Az x vltoz si2 = 1
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.
farinogrf
rtk
sikr
terls
sikr
mennyisg
fehrje
%
3.0
34.3
14.8
Fertdi 293.
75.9
6.4
39.3
16.1
Bezosztja
79.9
2.6
32.6
14.2
Martonvsri 1.
68.6
3.7
31.7
14.5
Martonvsri 2.
77.4
3.2
33.0
14.5
- 246 -
68.7
6.0
37.1
14.8
Martonvsri 24.
73.6
3.2
31.7
13.4
Jubilejnaja
73.3
2.1
31.4
14.5
Avrra
66.8
5.1
34.1
14.5
GK-Fertdi 2.
58.3
6.5
33.4
15.0
Kavkz
61.2
5.1
33.3
14.5
Rannaja
59.6
2.9
30.4
15.1
Kiszombori
52.6
7.9
35.8
14.6
Burgas
44.2
10.8
36.1
14.0
sszesen:
941.9
68.5
474.2
204.5
Mean
67.279
Std. Deviation
10.9255
Sikr terls
14
4.893
2.4474
Sikr mennyisge
14
33.871
2.4703
Fehrje %
14
14.607
.6044
Valid N (listwise)
14
Farinograf rtk
farinogrf
rtk
sikr
terls
sikr
mennyisg
fehrje
%
-.77
.17
.32
Fertdi 293.
.79
.62
2.20
2.47
Bezosztja
1.16
-.94
-.51
-.67
Martonvsri 1.
.12
-.49
-.88
-.18
- 247 -
.93
-.69
-.35
-.18
Martonvsri 16.
.13
.45
1.31
.32
Martonvsri 24.
.58
-.69
-.88
-2.00
Jubilejnaja
.55
-1.14
-1.00
-.18
Avrra
-.04
.08
.09
-.18
GK-Fertdi 2.
-.82
.66
-.19
.65
Kavkz
-.56
.08
-.23
-.18
Rannaja
-.70
-.81
-1.41
.82
Kiszombori
-1.34
1.23
.78
-.01
Burgas
-2.11
2.41
.90
-1.00
sszesen:
Sikr terls
Sikr
mennyisge
Fehrje %
Farinograf rtk
1.000
-.774
-.126
.103
Sikr terls
-.774
1.000
.681
.087
Sikr mennyisge
-.126
.681
1.000
.480
.103
.087
.480
1.000
Fehrje %
- 248 -
u1
u2
u3
u4
Farinograf rtk
-.4787
.5312
.5045
.4838
Sikrterls
.6560
-.2008
.1514
.7116
Sikr mennyisg
.5361
.4144
.5454
-.4933
Fehrje %
.2303
.7111
-.6520
.1270
sajtrtkek (j)
2.1524
1.3316
0.4989
0.0170
Fkomponens koefficiensek
A fkomponens koefficienseket (Component Score Coefficient) a sajtvektor
mtrixbl lltjuk el slyozssal, teht a sajtvektorokat osztjuk a
hozztartoz sajtrtkek gykvel.
wuij =
uij
1
-,326
,447
,365
,157
,460
-,174
,359
,616
,714
,214
,772
-,923
- 249 -
4
3,706
5,451
-3,778
,973
C1
C2
C3
C4
Mironovszkaja 808.
-,66600
1,00537
,62309
,36481
Fertdi 293.
1,20873
2,56748
,11257
,38011
Bezosztja
-1,08968
,09483
,84878
,46418
Martonvsri 1.
-,60646
-,28447
-,53313
,94043
Martonvsri 2.
-,76830
,31087
,40475
,82342
Martonvsri 16.
,68755
,64722
,90447
-1,67999
Martonvsri 24.
-1,13286
-1,15980
1,42983
-,24724
Jubilejnaja
-1,08353
-,01630
-,45970
-,56999
Avrra
,05812
-,11090
,22191
-,22301
GK-Fertdi 2.
,59406
-,16055
-1,19359
1,88714
Kavkz
,10701
-,46317
-,39425
-,89894
Rannaja
-,52031
-,18406
-2,51418
-,94032
Kiszombori
1,27122
-,55915
-,08266
-1,24292
Burgas
1,94044
-1,68739
,63211
,94232
sszesen:
C2
C3
C4
C1
C2
C3
C4
- 250 -
Fertdi 293.
Martonvs ri 16.
Martonvs ri 2.
Bezos ztja
Jubilejnaja
GK-Fertdi 2.
Rannaja Avrra
Martonvs ri 1.
Kavkz
Kis zombori
-1Martonvs ri 24.
Burgas
-2
-1,5
-1,0
-,5
0,0
,5
1,0
1,5
2,0
- 251 -
- 252 -
hozztartoz
sajtrtk
1
-,702
,962
,787
,338
,613
-,232
,478
,821
,356
,107
,385
-,461
4
6,317E-02
9,291E-02
-6,44E-02
1,658E-02
Initial
1,000
1,000
1,000
1,000
Extraction
1,000
1,000
1,000
1,000
- 253 -
Reproduced Correlation
Residual a
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
Farinograf rtk
Sikr terls
Sikr mennyisge
Fehrje %
Farinograf
rtk
Sikr terls
1,000b
-,774
-,774
1,000b
-,126
,681
,103
8,740E-02
,000
,000
1,665E-16
-4,441E-16
,000
-2,776E-17
Sikr
mennyisge
Fehrje %
-,126
,103
,681 8,740E-02
1,000b
,480
,480
1,000b
1,665E-16
,000
-4,441E-16
-2,78E-17
1,110E-16
1,110E-16
- 254 -
Component
1
2
3
4
Total
2,152
1,332
,499
1,704E-02
Initial Eigenvalues
% of Variance Cumulative %
53,810
53,810
33,290
87,100
12,473
99,574
,426
100,000
Fkomponensek brzolsa
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)
Component Plot
1,0
fehrje %
sikr mennyisge
farinograf rtk
,5
Component 2
sikr terls
0,0
-,5
1,0
,5
0,0
Component 1
-,5
-,5
0,0
,5
1,0
Component 3
Farinograf rtk
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
REGR factor
score 3 for
analysis 1
,356
,211
14
,000
1,000
14
,000
1,000
REGR factor
score 4 for
analysis 1
,063
,830
14
,000
1,000
14
,000
1,000
14
14
14
14
14
,356
,211
14
,063
,830
14
,000
1,000
14
,000
1,000
14
,000
1,000
14
,000
1,000
14
1
,
14
,000
1,000
14
,000
1,000
14
1
,
14
- 256 -
1
10
1
2
( 2 p +1)
8 p +1
Fkomponens-analzis forgatssal
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. Ilyenkor a tengelyek elforgatsval meg tudjuk tenni, hogy a
tengelyek thaladjanak a csoportokon. Az azonos csoportokba tartoz X
vltozk faktorslyai a kzs faktorban -1-hez s +1-hez lesznek kzel, a tbbi
faktorban viszont nullhoz kzeltenek. gy 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 faktorextrahlsnak.
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 -
V = s2a2
j=1
maximum
,997
-,753
-,102
5,514E-02
2
-4,30E-02
,639
,951
,212
3
5,821E-02
-6,40E-03
,291
,976
4
3,083E-02
,155
-1,02E-02
-5,15E-04
V=p
j=1 i=1
a2ij
a 2ij
( ) ( )
h 2i
j=1 i=1
h2i
1
-,691
,587
,421
,028
,681
,341
,645
-,063
,238
,734
-,636
,030
,055
-,017
,048
,997
,900
-,168
,177
-,108
,162
,039
1,108
-,340
3
-,084
,004
-,252
1,105
- 259 -
4
3,704
5,474
-3,717
,924
C1
C2
C3
C4
Mironovszkaja 808.
1,32
,27
,19
,34
Fertdi 293.
,73
1,75
2,11
,41
Bezosztja
1,18
-,19
-,72
,44
Martonvsri 1.
,05
-,91
,01
,88
Martonvsri 2.
,91
-,21
-,19
,79
Martonvsri 16.
,24
1,38
,01
-1,60
Martonvsri 24.
,70
-,23
-2,04
-,22
Jubilejnaja
,53
-1,00
,01
-,65
Avrra
-,02
,16
-,22
-,21
GK-Fertdi 2.
-,95
-,54
,84
1,86
Kavkz
-,54
-,28
-,09
-,90
Rannaja
-,83
-1,98
1,31
-1,08
Kiszombori
-1,28
,70
-,09
-1,16
Burgas
-2,04
1,09
-1,15
1,11
sszesen:
Component
1
2
3
4
Total
2,152
1,332
,499
1,704E-02
Initial Eigenvalues
% of Variance Cumulative %
53,810
53,810
33,290
87,100
12,473
99,574
,426
100,000
- 260 -
Fertdi 293.
Martonvs ri 16.
Burgas
1
Kis zombori
Mironovs zkaja 808.
Avrra
0
Kavkz
GK-Fertdi 2.
Bezos
ztja
Martonvs
2.
Martonvs
ri ri
24.
Martonvs ri 1.
Jubilejnaja
-1
Rannaja
-2
-3
-2,5
-2,0
-1,5
-1,0
-,5
0,0
,5
1,0
1,5
sikr mennyisge
1,0
sikr terls
fehrje %
,5
farinograf rtk
Component 2
0,0
-,5
1,0
,5
0,0
Component 1
-,5
-,5
0,0
,5
1,0
Component 3
Faktor-analzis
X vltoz h2 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.
Kategorikus fkomponens-analzis
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. Itt 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 -
Tbbszrs
korrespondencia
analzis
Tbb csoport
Nemlineris
korrelci
Kategorikus
fkomponens-analzis
kanonikus Nemlineris
korrelci
- 263 -
kanonikus
Rti perje
236
Angolperje
241
Rti komcsin
443
Rti csenkesz
252
Fehrhere
155
sszesen:
1 327
- 264 -
FAJ
1.00
Observed N
236
Expected N
265.4
Residual
-29.4
2.00
241
225.6
15.4
3.00
443
398.1
44.9
4.00
252
265.4
-13.4
5.00
155
172.5
-17.5
Total
1327
Test Statistics
Chi-Square
df
FAJ
11.827
4
Asymp. Sig.
.019
Binomilis teszt
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 1 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 -
Binomial Test
Category
Tszm
Observed
Prop.
Group 1
<= 60
36
Group 2
> 60
36
.50
72
1.00
Total
.50
Test Prop.
.50
Asymp. Sig.
(2-tailed)
1.000a
a. Based on Z Approximation.
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 -
Count
2.5
2.0
1.5
6
10
11
12
13
Descriptive Statistics
Web Site Rating
N
32
Mean
9.94
Std. Deviation
2.368
Minimum
Maximum
14
Percentiles
25th
8.00
50th (Median)
10.00
75th
12.00
- 267 -
14
Test Value a
Cases < Test Value
14
18
Total Cases
32
Number of Runs
10
-2.283
.022
a. Median
cut
10
10
10
12
10
12
- 268 -
point
11
12
10
13
13
12
11
14
14
11
12
11
13
Runs Test 2
Web Site
Rating
12b
Test Value a
Cases < Test Value
22
10
Total Cases
32
Number of Runs
16
.315
.752
a. Mode
b. There are multiple modes. The mode
with the largest data value is used.
A mdusz alatt tbb, mint ktszer annyi elem fordul el, mint felette. Ennek az
az oka, hogy 12 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 15 krli. A
szmtott rtk nagyon kzel van hozz, ezrt vletlennek tekinthet a minta,
amit a szignifikancia rtke is megerst.
- 269 -
Total Cases
32
Number of Runs
Z
11
.000
1.000
a. User-specified.
72
Normal Parameters
a,b
Mean
Std. Deviation
Most Extreme
Differences
9.69609
1.843756
Absolute
.075
Positive
.047
Negative
-.075
Kolmogorov-Smirnov Z
.635
.814
10
Mean = 9.70
N = 72.00
Terms t/ha
- 271 -
n1 ( n1+ n 2+ 1)
2
n1 n 2 n1n21
12
- 273 -
r1k
rg1
rgk
Rk
r11
Blokk
g
R1
- 274 -
Hallga
-t1
Hallga
-t2
Hallga
-t3
Hallga
-t4
Hallga
-t5
Hallga
-t6
Hallga
-t7
Hallga
-t8
Kovcs
Kiss
Szab
Oktatk
Test Statistics
N
Kendall's Wa
Chi-Square
df
.931
19.556
7
Asymp. Sig.
.007
- 275 -
IDSOROK ANALZISE
Az idsornak a klnbz idpontokban vgzett megfigyelseket nevezzk.
Az adatok sorrendje nagyon fontos, a klnbz rendezseknek itt nincs
rtelme. A megfigyelseket egyenl idkzkben vgezzk. t=1 ,2 , 3, n.
Seasonal
4,00
Trend
3,00
Seasonal
2,00
Average
Seasonal
1,00
0,00
0,00
5,00
10,00
15,00
20,00
25,00
30,00
time
- 276 -
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, 15 s 21 pontos mozgtlagols.
Ezzel a mdszerrel a szezonlis hatsok kikszblhetk.
- 277 -
2
( n2 )
3
k=
cov ( ut , u t+ k )
D (u t ) D( ut+ k )
k=
cov ( ut ,u t+ k )
D 2 ( ut )
n
rk=
nk
u t ut+ k
t=1
u2t
t=1
1
nk
- 278 -
2
t
ut = A 1 sin 1+
2
2
t + A 2 sin 2+
t + +
1
2
Autoregresszv sorozatok
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:
ut+ 1=u t + t+ 1
(1.)
ut+ 2+ u t+ 1+ u t =t+ 2
(2.)
Exponencilis simts
Ngyfle modellt llthatunk fel a trend s szezonalits figyelembe vtelnek
kombincijval.
- 279 -
60,000
mennyisg
50,000
40,000
30,000
20,000
10,000
jlius
janur
jlius
janur
jlius
janur
jlius
janur
jlius
janur
0,000
mennyisg
30,000
20,000
10,000
jlius
janur
jlius
janur
jlius
janur
jlius
janur
jlius
janur
0,000
- 281 -
60000
50000
db
40000
30000
20000
10000
0
OCT 2006
SEP 2006
J UL 2006
AUG 2006
MAY 2006
J UN 2006
APR 2006
MAR 2006
FEB 2006
DEC 2005
J AN 2006
NOV 2005
OCT 2005
SEP 2005
AUG 2005
J UL 2005
MAY 2005
J UN 2005
MAR 2005
APR 2005
FEB 2005
DEC 2004
J AN 2005
NOV 2004
OCT 2004
SEP 2004
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 -
Model
rank
db_sum
,70000
3907879011,54776
,80000
3910177609,03472
,60000
3965966440,05588
,90000
3974185801,05280
,50000
4081471836,26282
1,00000
4103872124,85208
,40000
4242310694,02872
,30000
4418217451,93448
,00000
4485032083,84616
10
,20000
4560252585,14987
- 283 -
Megfigyelt (db)
60000
40000
30000
20000
10000
SEP 2006
J UL 2006
MAY 2006
MAR 2006
J AN 2006
NOV 2005
SEP 2005
J UL 2005
MAY 2005
MAR 2005
J AN 2005
NOV 2004
SEP 2004
Koefficiens
1,0
Fels konfidencia
hatr
Als konfidencia
hatr
ACF
0,5
0,0
-0,5
-1,0
1
9 10 11 12 13 14 15 16
Lag Number
- 284 -
- 285 -
GRAFIKONOK
Grafikon ksztsekor nemcsak az alapadatokat brzolhatjuk, hanem a
csoportkpz vltoz szerint sszestett, szmtott rtkeket is. Pl. napi
hmrskleti tlagok, minimumok, maximumok brzolsa.
9
8
8
8
8
8
7
7
szi s znts
tavas zi s znts
trcs s
- 286 -
12
t/ha
10
2
0
Mean
Minimum
Maximum
40
30
20
10
0
1
31
16
61
46
91
76
Az v napja
10
ntzs
5
Nem ntztt
ntztt
nem trgyzott
nitrogn 120
nitrogn 240
Trgya kezels
13
12
11
10
terms t/ha
8
Mean
Variance
Kukorica
Bza
Elvetemny
- 288 -
Value
-10
Az v napja
- 290 -
Tevkenysgi kr
nkormnyzat
termel gazdasgi
szervezet
szolgltat
gazdasgi
szervezet
civil szervezet
hatsg
egyb
Tevkenysgi kr
nkormnyzat
termel gazdasgi
szervezet
szolgltat
gazdasgi
szervezet
civil szervezet
hatsg
egyb
30,3%
12,12%
szolgltat
gazdasgi
szervezet
15,15%
civil szervezet
hatsg
6,06%
egyb
30,3%
21,21%
15,15%
- 292 -
KRDVEK 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.:
Igen/Nem krds
rtkel krds
rtk-relevanciakrds
- 293 -
KRDVEK KIRTKELSE
Elszr az egyetlen vlaszt ad krdsek rtkelst mutatom be. Ezek a
vlaszok lehetnek nominlis, ordinlis s skla tpus adatok.
- 295 -
- 297 -
- 298 -
- 301 -
- 302 -
- 304 -
- 305 -
- 308 -
- 310 -
GYAKORL FELADATOK
Meglv adatbzis tulajdonsgainak megtekintse, (Display Data Info)
Olvassa be a meteorolgia.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 terms1989.sav fjlt!
Bvtse ki a terms1989.sav fjlt a terms1995.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 (10, 60-18090, 240-300150). 1990 s 1991 esztendben!
(Transform, Recode, Into 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
adatbzison!
sajt
kszts
text tpus
- 311 -
- 312 -
FGGELK
Az esztend2002.sav fjl szerkezete:
Name
Position
JDATE
Az v napja
- 313 -
Position
Esztend
Position
1
Measurement Level: Scale
Column Width: 4 Alignment: Right
Print Format: F4
Write Format: F4
NPK
mtrgyzs
- 314 -
Label
nem trgyzott
30
60
90
120
150
180
240
300
TERMS
Terms (t/ha)
Position
vek
- 315 -
Label
szi sznts
tavaszi sznts
trcss
TOSZAM
Tszm
Label
De 351
De 377
De 382
Dk 366
Dk 373
Dk 391
Dk 471
Dk 477
DK 493
- 316 -
Dk 524
11
Dk 527
12
Kanada
13
Katinka
14
LG 2298
15
Lipesa
16
Maya
17
Mv 444
18
Mv 484
19
MV 487
20
Occitn
21
Pannnia
22
Pelikn
23
Sprinter
24
Stira
25
Szegedi 348
26
27
Volga SC
28
Szegedi 463
29
Dk 440
30
Ella
31
Hunor
TRAGYA
Trgya kezels
Label
nem trgyzott
nitrogn 120
- 317 -
nitrogn 240
ISMTLS
terms t/ha
Position
vek
Label
- 318 -
Nem ntztt
ntztt
ELOVET
Elvetemny
Label
Kukorica
Bza
TALAJMUV Talajmvels
Label
szi sznts
tavaszi sznts
trcss
TOSZAM
Tszm
- 319 -
Label
De 351
De 377
De 382
Dk 366
Dk 373
Dk 391
Dk 471
Dk 477
DK 493
10
Dk 524
11
Dk 527
12
Kanada
13
Katinka
14
LG 2298
15
Lipesa
16
Maya
17
Mv 444
18
Mv 484
19
MV 487
20
Occitn
21
Pannnia
22
Pelikn
23
Sprinter
24
Stira
25
Szegedi 348
26
- 320 -
Volga SC
28
Szegedi 463
29
Dk 440
30
Ella
31
Hunor
TRAGYA
Trgya kezels
Label
nem trgyzott
nitrogn 120
nitrogn 240
ISMTLS
terms t/ha
- 321 -
AJNLOTT IRODALOM
SPSS:
Falus Istvn 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 Imre (szerk.): Statisztikai ismerettr - fogalmak,
kpletek, mdszerek Excel s SPSS alkalmazsokkal. JATEPress,
Szeged, 1999. 121 oldal, (kzgazdsz, jogsz, ksrletes s
trsadalomtudomny)
Ketskemty L. Izs L.: Bevezets az SPSS programrendszerbe.
Mdszertani tmutat s feladatgyjtemny statisztikai elemzsekhez.
ELTE Etvs Kiad, Budapest, 2005.
Ketskemty L. Izs L.: Az SPSS for Windows programrendszer alapjai,
Felhasznli tmutat s oktatsi segdlet. Budapest, 1996.
Moksony Ferenc: Gondolatok s adatok: Trsadalomtudomnyi elmletek
empirikus ellenrzse. Budapest, Osiris Kiad, 1999.
Szkelyi Mria - Barna Ildik: Tllkszlet az SPSS-hez. TYPOTEX, 2002,
ISBN 963 9326 429
Statisztika:
Anscombe, F.J. (1973). Graphs in statistical analysis. American Statistician,
27, 17-21.
Barth Cs.-n. - Ittzs A. - Ugrsdy Gy.: 1996. Biometria: mdszertan s a
MINITAB programcsomag alkalmazsa. Mezgazda Kiad, Budapest
G.U. Yule M.G. Kendall: Bevezets a statisztika elmletbe. Kzgazdasgi
s Jogi knyvkiad, Budapest. 1964.
Gardner, E. S. 1985. Exponential smoothing: The state of the art. Journal of
Forecasting, 4, 1-28.
Harnos ZS. szerk.: 1993. Biometriai mdszerek s alkalmazsaik MINITAB
programcsomaggal. AKAPRINT, Budapest
Lothar Sachs.: Statisztikai mdszerek. Mezgazdasgi Kiad, Budapest,
1985.
Makridakis, S. G., S. C. Wheelwright, and R. J. Hyndman. 1997. Forecasting:
Methods and Applications. New York: John Wiley & Sons.
Mr, L.: 1986. A tbbdimenzis sklzs alapelvei. Pszicholgia, (6), 3, 399433.
Mri F.T. Szkely J.G.: Tbbvltozs statisztikai analzis. Mszaki
Knyvkiad, Budapest, 1986. (ISBN 963 10 6684 3)
Svb J.: Biometriai mdszerek a kutatsban. Mezgazdasgi Kiad,
Budapest, 1973. (msodik, tdolgozott, bvtett kiads)
- 322 -
- 323 -
- 325 -