Spss Könyv PDF

HUZSVAI LSZL VINCZE SZILVIA
SPSS-knyv
Seneca Books
2012
Huzsvai - Vincze: SPSS Statisztika
Minden jog fenntartva. Jelen knyvet vagy annak rszleteit a Kiad engedlye
nlkl brmilyen formban vagy eszkzzel reproduklni, trolni s kzlni
tilos.
Szerkesztette:
Dr. Huzsvai Lszl
rtk:
Dr. Huzsvai Lszl

Dr. Vincze Szilvia
Kiad: SENECA BOOKS
ISBN:
978-963-08-5666-9
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
Huzsvai - Vincze: SPSS-knyv
Gyakorisgok (Frequencies).....................................................................................................................30
Descriptives...............................................................................................................................................32
Explore......................................................................................................................................................32
Kereszttblk (Crosstabs).........................................................................................................................38
Ngy-mezs Chi2-prba fggetlensg s homogenits vizsglatra............................................................. 39
CUSTOM TABLES....................................................................................................................................................40
KZPRTK SSZEHASONLTS (COMPARE MEANS)...................................................................................................40
Kzprtkek (Means)...............................................................................................................................40
Egy-mints t-teszt (One Sample T Test)....................................................................................................41
Egy-mints z-prba...................................................................................................................................... 42
Kt fggetlen minta kzprtknek sszehasonltsa (Independent-Samples T Test).............................43
Kt-mints z-prba.......................................................................................................................................44
Prostott t-prba (Paired-Samples T Test)............................................................................................. 45
Egyt-nyezs variancia-analzis (One-Way ANOVA)...............................................................................46
LTALNOS LINERIS MODELL (GENERAL LINEAR MODEL)..........................................................................................54
Egy-vltozs variancia-analzis (Univariate)...........................................................................................56
Tbbvltozs variancia-analzis, (Multivariate)...................................................................................... 57
KSRLETEK TERVEZSE S RTKELSE LTALNOS LINERIS MODELLEL......................58
ELMLETI TTEKINTS.............................................................................................................................................58
EGY-TNYEZS VARIANCIA-ANALZIS AZ SPSS-BEN .........................................................................63
A MODELL RVNYESSGNEK VIZSGLATA................................................................................................................64
Normalits vizsglat.....................................................................................................................................64
Homogenits vizsglat..................................................................................................................................66
Kiugr rtkek vizsglata.............................................................................................................................69
A VARIANCIA-ANALZIST KIEGSZT KZPRTK SSZEHASONLT TESZTEK...................................................................72
Kontrasztok...................................................................................................................................................72
Szimultn vagy tbbszrs sszehasonlt tesztek....................................................................................... 74
Legkisebb szignifikns differencia (LSD).....................................................................................................76
Newman-teszt................................................................................................................................................76
Bonferroni-teszt............................................................................................................................................77
Tukey-teszt, J.W. Tukey (1953) ....................................................................................................................77
H. Scheff (1953) Scheffe-teszt.....................................................................................................................78
Dunnett-teszt.................................................................................................................................................78
Student-Newman-Keuls prba......................................................................................................................81
Duncan tbbszrs rang teszt (1955, 1965).................................................................................................81
LTALNOS LINERIS MODELLEK...........................................................................................................86
TOVBBI LEHETSGEK A GLM-BEN........................................................................................................................88
SZNTFLDI KSRLETEK TERVEZSE S RTKELSE..............................................................89
KSRLETI ELRENDEZSEK........................................................................................................................................91
EGY-TNYEZS KSRLETEK.....................................................................................................................................99
Teljesen vletlen elrendezs (CRD)..............................................................................................................99
Vletlen blokk-elrendezs (RCBD).............................................................................................................102
Latin ngyzet elrendezs.............................................................................................................................104
Latin tgla elrendezs.................................................................................................................................107
Csoportostott elrendezs........................................................................................................................... 109
KT-TNYEZS KSRLETEK....................................................................................................................................113
Vletlen blokkelrendezs............................................................................................................................ 113
Osztott parcells (split-plot) elrendezs.....................................................................................................115
Svos elrendezs.........................................................................................................................................118
HROM- S TBB-TNYEZS KSRLETEK................................................................................................................. 122
Vletlen blokkelrendezs............................................................................................................................ 122
Ktszeresen osztott parcells (split-split-plot) elrendezs ......................................................................... 124
KOVARINSOK ALKALMAZSA A LINERIS MODELLBEN...............................................................................................128
KORRELCI- S REGRESSZISZMTS............................................................................................133
-4-
KT-VLTOZS SZTOCHASZTIKUS KAPCSOLATOK.........................................................................134

ASSZOCICI.......................................................................................................................................................135
A - prba.....................................................................................................................................................136
Asszocici s fggetlensg -es tblban...................................................................................................136
A vltozk fggetlensgnek tesztelse.......................................................................................................137
Az asszocici mrse -es tblzat esetben..............................................................................................139
Asszocici s fggetlensg -s tblban.....................................................................................................140
Az asszocici mrse -s tblzat esetben................................................................................................141
Nominlis vltozkhoz tartoz asszocicis mutatk.................................................................................141
Ordinlis vltozkhoz tartoz asszocicis mutatk..................................................................................141
Rangkorrelci...........................................................................................................................................146
Vegyes kapcsolat........................................................................................................................................ 155
KT KVANTITATV VLTOZ KZTTI KAPCSOLAT ELEMZSE........................................................................................155
Magas mrsi szint vltozk kztti kapcsolat vizsglata........................................................................155
Pontdiagram ..............................................................................................................................................156
Lineris korrelcis egytthat..................................................................................................................159
Korrelcis index....................................................................................................................................... 161
A lineris korrelcis egytthat meghatrozsa SPSS-ben..................................................................... 161
A regresszis egyenes.................................................................................................................................163
A legkisebb ngyzetek mdszere.................................................................................................................164
A lineris regressziszmts menete.........................................................................................................165
A lineris fggvny meghatrozsa............................................................................................................165
A korrelcis egytthat s a determincis egytthat kiszmtsa........................................................167
A regresszi szignifikanciavizsglata.........................................................................................................169
A kt vltoz sszefggsnek szignifikanciavizsglata.............................................................................169
A regresszis egyenesbl szmtott rtkek hibja....................................................................................170
A regresszis koefficiens statisztikai prbi...............................................................................................172
A regresszis koefficiens hibaszrsa........................................................................................................172
A regresszis koefficiens konfidenciahatrai.............................................................................................172
A regresszis egyenlet konstans tagjnak prbja.....................................................................................173
A korrelcis koefficiens statisztikai prbi...............................................................................................173
A LINERIS REGRESSZI ELVGZSE AZ SPSS-BEN....................................................................................................175
TBBSZRS LINERIS REGRESSZISZMTS ...............................................................................184
A STANDARD LINERIS REGRESSZIS MODELL............................................................................................................184
Multikollinearits.......................................................................................................................................185
A multikollinearits mrse........................................................................................................................186
Autokorrelci............................................................................................................................................187
Az elsrend autokorrelci tesztelse...................................................................................................... 187
Heteroszkedaszticits................................................................................................................................. 189
A TBBSZRS LINERIS REGRESSZISZMTS LPSEI..............................................................................................189
A regresszis modell illeszkedsnek vizsglata........................................................................................190
A paramterek tesztelse............................................................................................................................ 191
A becslt paramterek jelentse.................................................................................................................192
A reziduumok vizsglata.............................................................................................................................192
KT FGGETLEN VLTOZS LINERIS REGRESSZIELEMZS..........................................................................................193
A regresszi paramtereinek meghatrozsa kzi szmtssal..................................................................193
A regresszis paramterek meghatrozsa az SPSS-vel............................................................................205
HROM FGGETLEN VLTOZS REGRESSZIANALZIS..................................................................................................208
NEMLINERIS SSZEFGGSEK VIZSGLATA..............................................................................................................217
Linerisra visszavezethet sszefggsek vizsglata.................................................................................218
Logaritmikus regresszi............................................................................................................................. 219
Exponencilis regresszi............................................................................................................................226
Hatvnykitevs regresszi..........................................................................................................................231
Parabolikus regresszi...............................................................................................................................237
Linerisra nem visszavezethet sszefggsek vizsglata......................................................................... 241
Logisztikus fggvny ..................................................................................................................................241
A logisztikus fggvny paramtereinek meghatrozsa.............................................................................242
ADATREDUKCIK..........................................................................................................................................253
-5-
FKOMPONENS-ANALZIS........................................................................................................................................253
Korrelcis mtrix meghatrozsa............................................................................................................255
Az U sajtvektor mtrix s a sajtrtkek (j) meghatrozsa.................................................................. 256
Fkomponens koefficiensek........................................................................................................................256
Fkomponens vltozk............................................................................................................................... 257
A fkomponens vltozk brzolsa.......................................................................................................... 258
A fkomponens slyok meghatrozsa.......................................................................................................259
Fkomponensek brzolsa....................................................................................................................... 262
A fkomponensslyok gyakorlati rtelmezse............................................................................................263
Fkomponens-analzis forgatssal.............................................................................................................264
FAKTOR-ANALZIS.................................................................................................................................................269
KATEGORIKUS FKOMPONENS-ANALZIS....................................................................................................................269
NEM PARAMTERES PRBK....................................................................................................................271
CHI-NGYZET TESZT..............................................................................................................................................271
BINOMILIS TESZT................................................................................................................................................ 272
RUNS TEST..........................................................................................................................................................273
EGYMINTS KOLMOGOROV-SMIRNOV TESZT (ONE-SAMPLE KOLMOGOROV-SMIRNOV TEST)...........................................277
KT FGGETLEN MINTS TESZTEK (TWO INDEPENDENT SAMPES TESTS)........................................................................278
TBB FGGETLEN MINTS TESZT (K INDEPENDET SAMPLES...)....................................................................................280
KT PRONKNT SSZETARTOZ MINTK TESZTJEI (2 RELATED SAMPLES)................................................................280
K SZM SSZETARTOZ MINTA TESZTJEI (K RELATED SAMPLES)............................................................................281
IDSOROK ANALZISE..................................................................................................................................283
TREND................................................................................................................................................................284
RVID LEJRAT SZEZONLIS S VLETLEN SSZETEVK.............................................................................................284
A sorozat vletlenszersgnek vizsglata.................................................................................................284
Periodogram-elemzs.................................................................................................................................286
Exponencilis simts.................................................................................................................................286
A szezonlis hats felbontsa.....................................................................................................................292
GRAFIKONOK...................................................................................................................................................294
OSZLOP DIAGRAMOK (BAR CHARTS).......................................................................................................................294
Egyszer (Simple).......................................................................................................................................294
Csoportostott (Clustered)..........................................................................................................................295
Halmozott (Stacked)................................................................................................................................... 297
KRDIAGRAMOK (PIE CHARTS)..............................................................................................................................298
KRDVEK TERVEZSE.............................................................................................................................301
KRDVEK KIRTKELSE..................................................................................................................... 304

NOMINLIS TPUS ADATOK KIRTKELSE............................................................................................................... 304
ORDINLIS TPUS ADATOK KIRTKELSE................................................................................................................308
SKLA TPUS ADATOK KIRTKELSE......................................................................................................................310
TBBSZRS VLASZADSOK ELEMZSE 1................................................................................................................313
MAXIMUM K VLASZ ELEMZSE 2...........................................................................................................................319
GYAKORL FELADATOK.............................................................................................................................320
FGGELK........................................................................................................................................................322
AJNLOTT IRODALOM.................................................................................................................................331
GAUSS, CARL FRIEDRICH............................................................................................................................ 333
-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-
tblzatkezel adatbzishoz hasonlt, kln ablakban jelenik meg az

eredmny, s kln-kln ablakban szerkeszthetjk a syntaxokat s
szkripteket.
A syntax az SPSS bels nyelve, melyben a prbeszdablakokban belltott
utastsokat trolhatjuk s futtathatjuk. Ezen bels nyelv segtsgvel olyan
elemzseket, ill. utastsokat is kiadhatunk, melyeket a prbeszdpanelbl
nem. Az SPSS kiterjesztett matematikai, ill. mtrix mveletei, melyekkel a
legbonyolultabb szmtsi mveletek is elvgezhetk, csak ezen bels
nyelven megrt nagyon egyszer utastsokkal vgezhetk el. A mtrix eljrs
tartalmazza az elemi mtrix mveletektl (sszeads, kivons, szorzs,
oszts) kezdden a determinns, inverzmtrix, sajtrtk, sajtvektor, stb.
meghatrozst. Ezekre a korrelci- s regresszi szmtsban mutatunk be
nhny pldt. A ciklusutastsok, itercis eljrsok, automatikus adatbzis
ksztsek is csak a syntax editor ablakban futtathatk. Syntaxot a
legegyszerbb mdon a prbeszdablakok Paste utastsval hozhatunk
ltre. Ilyenkor megnylik a syntax editor ablak s megjelennek a parancssorok.
Az ilyen mdon el nem rhet parancsokat, a szintaktikai szablyoknak
megfelelen, sajt kezleg kell berni. A szintaktikai lers megtallhat az
SPSS Syntax Reference Guide-ban. A legfontosabb utastsok az aktulis
fejezetekben kerlnek ismertetsre.
A szkriptek valjban sax basic nyelven rt fggvnyek s eljrsok sorozata.
Ez a nyelv, nhny specilis szablytl eltekintve, nagyon hasonlt a Visual
Basicre. Aki mr programozott Visual Basicben, a programhoz szlltott plda
szkriptek tanulmnyozsa utn, knnyedn elksztheti a sajt szkriptjeit. A
szkriptek segtsgvel az SPSS minden lehetsgt ki lehet aknzni. Az un.
autoszkriptek segtsgvel egy esemny bekvetkezsekor vgrehajtdik egy
utastssorozat, amivel pldul egy kimutatstblzat ltrehozsakor
automatikusan bellthatjuk, hogy mely vltozk jelenjenek meg a kimutats
soraiban, oszlopaiban, legyen-e rszsszegzs, s ezek milyen formtumot
vegyenek fel. A szkriptek s syntaxok egyms kztt tjrhatk (szkriptbl
futtathatunk syntaxot s syntaxbl szkriptet).
A knyvben lertak az SPSS 9.0-tl kezdden a ksbbi verzikban is jl
alkalmazhatk, mivel a program kszti csupn aprbb mdostsokat
eszkzltek, ami nem okozott lnyegi vltozst. A knyelmi szolgltatsok
beptse a ksbbi verzikban esetenknt mg egyszerbb teszi az egyes
mveletek vgrehajtst.
FILE MEN
Read Text Data:
text tpus adatok beolvassa, pl. automata meteorolgia lloms adatait.
*.dat kiterjesztssel. Fixed widht, a fels sor tartalmazza a vltozk neveit. A
-8-
vltozk rgi neveinek jakat adhatunk. Mentsk el a fjl formtumt ksbbi

munkk szmra *.tpf kiterjesztssel.
Apply Data Dictionary:

Az SPSS-be mr beolvasott adatok oszlop, cmke, stb. kiegszt adatait mr
meglv adatbzisbl is beolvashatjuk a fenti paranccsal, *.sav kiterjeszts
fjlt vlasztva.
Display Data Info:

Lemezen trolt adatbzis tulajdonsgait, vltozit, cmkit listzza ki.
rdemes nha *.por, portable formtumba menteni az adatokat, mert ezt mg
a DOS-os programok is el tudjk olvasni, mivel majdnem szveg fjlknt
menti. Excelbl 4.0-s munkalapknt kell menteni az adatokat.
SZERKESZTS (EDIT) MEN

Options
Charts: A grafikonok formtumt, kinzett lehet megadni. A mintt (template)
elre szerkesztett formtumban, fjlban megrizve is megadhatjuk. Figyeljnk
arra, hogy a megadott knyvtrban ott legyen a *.sct kiterjeszts fjl. Ha
trljk, a program indtsa utn hibajelzst kapunk. Bettpusokat, szneket,
vonalakat, mintzatot hatrozhatunk meg. A grafikon kerett, rcsozatt
llthatjuk be interaktv mdon.
Alapbelltsok: Edit Options General, Output Labels, Data
NZET (VIEW) MEN

Status Bar
A tblzat aljn tallhat informcis svot jelenthetjk meg vagy rejthetjk el.
Toolbars
A mensor al klnbz ikonokat rakhatunk ki, amelyek gy gyors
billentyknt szolglnak. A leggyakrabban hasznlt eljrsokat rdemes itt
megjelenteni. (Show Toolbars). A bellts paranccsal (Customize)
elvgezhetjk a szksges belltsokat. Az Edit Tool billentyvel mg az
ikonokat is trajzolhatjuk kvnsg szerint. Bal egr gombbal fogjuk meg az
-9-
ikonokat s vigyk a kvnt helyre. Az ikonok trlst is hasonl mdon

vgezhetjk, egyszeren vontassuk ki az ikon terletrl.
Fonts
Meghatrozhatjuk a bet tpust (Arial, Courier, stb., stlust (norml, dlt,
flkvr, flkvr dlt), mrett (8-72). Kivlaszthatjuk az alkalmazott
rsrendszert (Kzp-eurpai, Nyugati, Grg, stb.).
Grid Lines
Az adatbzis ablakban a rcsozatot tudjuk ki, illetve bekapcsolni.
ADATOK (DATA) MEN

Define Variable
Az aktv adat editor ablakban a kivlasztott vltoz ler fejlc adatait lehet
megvltoztatni, vagy j adatbzis vltozit lehet definilni.
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 Rte Nedvess

s s 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
Data, Restructure parancs utn az albbi prbeszdpanelt kapjuk. Itt

kivlaszthatjuk, hogy a vltozkbl csinljuk eseteket vagy fordtva, a
kivlasztott esetekbl legyenek j vltozk. A harmadik esetben az adatbzist
transzponljuk.
- 11 -
A Tovbb billenty utn meg kell adni az j adatbzis szerkezett. Szerintem,

ez a prbeszdablakokban kiss nehzkes, sokkal egyszerbb programbl
megadni. A baloldali ablakban lthatk a jelenlegi adatbzis vltozi
(Variables in the Current File). Azonost vltozknak adjuk meg az ntzs
s talajmvels vltozkat. Ezek kln sorokban fognak megjelenni az j
adatbzisban. Index vltoznak jelljk ki a rteg vltozt. Ez az adatbzis
oszlopaiban fog megjelenni j vltozknt. Mivel hrom rteg van a
nedvessg hrom j vltozban fog megjelenni.
- 12 -
ntzs Talajmvels Nedvessg_1 Nedvessg_2 Nedvessg_3

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 -
van, 1990-tl 2003-ig. Ki szeretnnk bvteni a terms.sav fjlunkat a

csapadk rtkekkel, hogy minden megfigyelshez a megfelel csapadkrtk
tartozzon. Nyissuk meg a terms.sav fjlt, s rendezzk nvekv sorrendbe az
vek szerint. Vlasszuk az Add Variables parancsot, a fjl megnyits
prbeszdpanelbl vlasszuk ki a csapadk.sav fjlt. j prbeszdpanelt
kapunk, amiben a kt fjl informcii lthatk. Vlasszuk a Match cases on
key variables in sorted files lehetsget, s a rdigombok kzl External file
is keyed table. A kls adatbzis lesz a kulcsmez tbla, ez tartalmazza a
kulcsmezt. A kulcsmez csak egyszer fordulhat el a tblban. Az Excluded
Variables: mezben jelljk ki az vvltozt, s hzzuk a Key Variables:
mezbe. Az OK gomb lenyomsa utn figyelmeztetst kapunk: ha nincsenek a
fjlok a kulcsmez szerint sorba rendezve, rossz eredmnyt kapunk. Ez a
lehetsg nagyon jl hasznlhat a logikailag sszetartoz klnbz tblk
idszakos sszekapcsolsra, s elemzsi feladatok elvgzsre. Ez nem
ms, mint az egy a tbbhez kapcsolat megteremtse egy relcis
adatbzisban. Ennek kt felttele van, hogy mindkt fjlban legyen azonos
kulcsmez, ami alapjn ssze lehet kapcsolni a kt adatbzist, s mindkt fjl
a kulcsmez szerint sorba legyen rendezve.
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 1
N 30 nem ntztt Design 2
N 30 ntztt Design 3
nem trgyzott ntztt Design 4
nem trgyzott nem ntztt Design 5
N 60 ntztt Design 6
Tbb-tnyezs ksrletek szmra linerisan fggetlen kezelskombinci

tervet kszthetnk vletlen szm genertor segtsgvel. A tnyez nevnek
(Factor Name) s cmkjnek (Factor Label) megadsa utn az Add
billentyvel felvesszk a tnyezk ablakba. Az egrrel kivlasztva a tnyezt
- 14 -
definilni kell a kezelsszintek szmt (Define Values), s el is lehet

nevezni, pl. mtrgybl 13, nem trgyzott, 30 kg nitrogn, 60 kg nitrogn,
stb.
Split File
Lehetsgnk van az adatbzist felosztani s az elvgzett analziseket gy
elvgezni. Hrom lehetsg kzl vlaszthatunk:
Minden esetet megvizsglunk, nem kpeznk csoportokat.
A csoportokat hasonltjuk ssze.
Az analzisek eredmnyt csoportonknt jelentjk meg.
Select Cases
eseteket vlaszthatunk ki az adatbzisbl. Ngy lehetsg kzl
vlaszthatunk:
Minden eset rszt vegyen az analzisben.
Ha valamilyen felttel teljesl (if then)
Vletlen minta az esetekbl
Kijellhetjk az esetek bizonyos tartomnyt, az els s utols eset
megjellsvel
Hasznlhatunk szr vltozt
Mi legyen a ki nem vlasztott esetek sorsa? Lehet szrni s trlni ket az
adatbzisbl.
Nagy mennyisg adat lekrdezse

Egy viszonylag nagy adatbzisbl nagy mennyisg adatot klnbzkppen
krdezhetnk le. Az egyik legegyszerbb megolds az adatok szrse (select
cases) parancs hasznlata, azonban nagy mennyisg adat, illetve tbb-
szempontos lekrdezskor nagyon sokat kell rni, s bonyolult logikai
kifejezseket kell megalkotni. Nagy a hibzsi valsznsg. A msik nagyon
hatkony megolds, ha ksztnk egy lekrdez adatbzist, s ehhez
kapcsoljuk a nagy adatbzisbl az adatokat az sszekapcsol utastssal
(merge files, add variables).
Pl.: a nagy adatbzis harminc v klnbz kukorica hibridjeinek termseit
tartalmazza. Ksztsk el az elre kivlasztott harminc hibrid egy-kt vagy
tbb ves termseredmnyt. Az els lps, alkossuk meg a lekrdez
adatbzist. Rendezzk nvekv sorrendbe az adatokat a hibridek s v
szempont alapjn (Data, Sort Cases).
A msodik lpsben kapcsoljuk hozz a termseredmnyeket a nagy
adatbzisbl.
- 15 -
- 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.
TALAKTSOK (TRANSFORM) MEN

Az adatmtrix elemeit lehet megvltoztatni, illetve j vltozkat lehet
ellltania rgi vltozk segtsgvel. tkdolhatjuk a rgi esetek rtkeit
akr j, akr a rgi vltozkba. Az esetek rangszmait is kiszmthatjuk.
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.
Random Number Seed:

A szmtgppel generlt u.n. pszeud-vletlen szmok ellltsakor a
kiindulsi szm megadsa. Csak sok szmjegy, pratlan szm adhat meg.
- 18 -
Amennyiben sokszor generlunk vletlen szmokat, idnknt clszer

tlltani, nehogy ismtlds lpjen fel a vletlen szmok kztt.
Count:
Egy olyan j vltoz hozhat ltre, amelyben a vltozlistra felvitt vltozk
egyttes elfordulsait lehet regisztrlni.
Recode:
Elfordulhat, hogy ugyanazt a hibridet szintaktikailag ktfle mdon
rgztettk, pl. Pelican s Pelikn. Az automatikus jrakdols sorn kt
klnbz szm fog hozzrendeldni a kt megnevezshez. Hogyan lehet ezt
kijavtani?
Az jrakdols sorn vlaszthatjuk, hogy ugyanabba a vltozba (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 -
Run Pending Transforms:

A felfggesztett transzformcis parancsokat hajtja vgre. Fknt a syntax-ok
futtatsakor hasznljuk. amelyeket a transzformcis opcikat hasznlva a
Preferences parancsdobozban felfggesztettnk.
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 eloszls 1-tl 6-ig. brzolni a
gyakorisgot oszlopdiagramon.
640
630
620
610
600
590
580
Count
570
1.00 2.00 3.00 4.00 5.00 6.00
VL1
Hat j egyenletes eloszls vltoz ltrehozsa, sszeg kiszmtsa.

brzoljuk az sszeget!
- 20 -
400
300
200
100
Count
0
7.00 12.00 16.00 20.00 24.00 28.00 32.00
10.00 14.00 18.00 22.00 26.00 30.00 34.00
SSZEG
Az adatok standardizlsa, Analyze, Descriptive Statistics, Descriptives,

Save standardized values as variables. brzols.
400
300
200
100
Count
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
1. bra: Kimutats varzsl prbeszdablaka
Summary Variable(s): ablakba tegyk. A csoportkpz vltozkat a Grouping

Variable(s) ablakba. A Statistics gombra kattintva klnbz statisztikai
jellemzket vlaszthatunk.
- 22 -
2. bra: A kimutatsban megjelenthet statisztikk
Differences gomb a vltozk, ill. csoportok kztti klnbsgeket jelenti

meg.
3. bra: A kimutatsban megjelenthet klnbsgek
- 23 -
Az OK gomb lenyomsa utn az Output ablakban megjelenik az eredmny

sszezrt formban, azaz minden csoportkpz vltoz a rtegekben (layer)
kerl.
OLAP Cubes
Esztend: Total
NAP: Total
Sum
RAIN 5101.1
A kimutatst tetszs szerinti formba nthetjk, a rtegeket sorokba illetve

oszlopokba hzhatjuk. Ehhez kattintsunk kettt a tblzatban az egr
balgombjval. A fels mensoron megjelenik a Pivot parancs, melyben a
Pivoting Trays parancs megnyitja a szerkesztsi lehetsget.
4. bra: A kimutats szerkezetnek megvltoztatsa
A baloldalon a rteg (layer), alul a sor (row) s jobboldalon az oszlop (column)

tallhat. A vltozkat az egrrel hzzuk a kvnt helyre, pl.
- 24 -
OLAP Cubes
NAP: Total
Sum
RAIN 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
A tblzat minden egyes elemt formzhatjuk, s elmenthetjk a kimutats

egyes vltozatait. Ehhez nyissuk meg a Bookmarks (knyvjelzk) parancsot.
5. bra: A knyvjelzk megadsa
Adjunk nevet az aktulis kimutats vltozatnak, s az Add gombbal adjuk

hozz a knyvjelzt.
A View menparancsban vlasszuk a Toolbars lehetsget, ekkor
megjelennek a segdeszkzk (tolltart), melyek segtsgvel hasznos
eszkzk llnak rendelkezsnkre a kimutatsok tovbbi elemzshez,
formzshoz.
- 25 -
6. bra: Segdeszkzk a kimutatsok formzshoz
Itt megtallhatk a knyvjelzk is, amivel a kimutatsok klnbz vltozatai

knnyen ttekinthetk.
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 TMAX TMIN
1,000 -1,268 -7,496
2,000 -1,629 -12,093
3,000 7,677 -2,019
4,000 15,650 3,213
5,000 26,100 12,616
6,000 28,057 14,823
7,000 27,352 15,674
8,000 29,671 13,008
9,000 22,063 9,453
10,000 12,165 3,248
11,000 10,490 2,657
12,000 2,652 -3,039
Total 15,005 4,431
1. tblzat
- 26 -
Report summaries in Rows
Report summaries in Columns

A meteorolgia adatbzisbl minden kimutats elvgezhet ezzel az
eljrssal. A Data Columns prbeszd ablakban kell megadni az elemzend
vltozkat. Minden vltozhoz klnbz statisztikt rendelhetnk, st
ugyanazt a vltozt tbbszr is felvehetjk klnbz szmtsi eljrsokkal.
Pl. a hmrskletvltozbl az tlagot, minimumot, maximumot gy egy
tblzaton (kimutatson) bell egyszeren ki tudjuk szmtani. A csoportkpz
vltozt a Break Columns ablakban kell megadni. Vlaszthatunk nvekv, ill.
cskken kirats kztt. A kimutats rtf formtumban kszl. Nagyon jl
hasznlhat az aggreglt adatok megjelentshez.
Ler statisztikk (Descriptive Statistics)

Centrlis mutatk: tlag (vrhat rtk), Medin (kzps adat, gyakran
helyettesti a szmtani kzepet), Mdusz (leggyakrabban elfordul elem)
Szrdsi mutatk: Helyzeti s szmtott, Maximum (standardizlt rtke),
Minimum (standardizlt rtke), Terjedelem (max.-min., range), Kiugr
rtkek, Kvartilisek (negyedelk), Interkvartilis (Q3-Q1)/2, Szrs (standard
eltrs), Variancia (szrsngyzet), Standard hibja az tlagnak,Standard
hibja a medinnak
Az eloszls alakjnak jellemzse: Ferdesg (skewness, jobbra-balra ferde
eloszlsok), Cscsossg (kurtosis, 0 normlis mg 2, +2 kztt), Boxplot
brzols
Trimmelt, csonktott, robusztus ler statisztika, a kiugr rtkek elhagysa.
Gyakorisgok (Frequencies)
A megfigyelt vltozk relatv s kumulatv eloszlst tudjuk elemezni, ill.
brzolni. Megjelenthetjk a gyakorisgi tblzatot (Display frequency tables).
A szzalkos rtkeken bell (Percentile Values): a kvartiliseket, ahol az
adatok 25, 50 s 75%-a tallhat. Feloszthatjuk az adatokat egyenl
csoportokra (2-tl 100-ig) (Cut points for x equal groups) valamint
tetszlegesen megadott szzalkok alapjn is megjelenthetjk az adatok
eloszlst. A centrlis mutatk kzl az tlagot (mean), medint, mduszt
valamint a megfigyelsek sszegt (sum), az eloszlsi mutatk kzl a szrst
(std. Deviation), a variancit, a terjedelmet (range), a minimum s maximum
rtkeket valamint az tlag hibjt (S.E. mean) tudjuk kiszmtani.
- 27 -
Statistics
t/ha
N Valid 18208
Missing 0
Mean 9.86786
Std. Deviation 3.05116
Skewness -.474
Std. Error of Skewness .018
Kurtosis -.207
Std. Error of Kurtosis .036
Percentiles 5 4.59100
25 7.75800
50 10.22800
75 12.22500
95 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
1000
Frequency
Std. Dev = 3.05

Mean = 9.9
0 N = 18208.00
0.
1.0
2 .0
3.0
4 .0
5 .0
6.0
7. 0
8.0
9 .0
100
1 1 .0
1 2 .0
1 3 .0
1 4 .0
1 5 .0
1 6 .0
1 7 .0
1 8 .0
1 9 .0
.0
t/ha
7. bra
Descriptives
Explore
Itt exploratv adatanalzist vgezhetnk. Ez klnsen fontos nagy
adatbzisok esetben az adatok alapos megismersre, feldertsre.
8. bra
- 29 -
A Statistics gombra kattintva klnbz statisztikkat szmthatunk ki. Ler

statisztikk (Descriptives): tlag, medin, mdusz, 5%-os csonkolt tlag, az
tlag hibja, variancia, szrs, minimum, maximum, terjedelem,
interkvartilisek, ferdesg, cscsossg.
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 -
Az t legnagyobb s legkisebb rtk kijelzse (Outliers), ezeket az

eredmnylistban extrm rtkknt lthatjuk.
16
14
12
10
8
terms t/ha
4
N= 48 48 48
szi sznts tavaszi sznts 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 Stem & Leaf
2.00 7 . 99
- 31 -
6.00 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)
Stem width: 1.000

Each leaf: 1 case(s)
Hisztogram ksztse (Histogram):
Histogram
14
12
10
4
Frequency
Std. Dev = 2.07

2
Mean = 10.31
0 N = 48.00
6.50 7.50 8.50 9.50 10.50 11.50 12.50
7.00 8.00 9.00 10.00 11.00 12.00 13.00
terms t/ha
12. bra
Norml eloszls tesztelse Kolmogorov-Smirnov s Shapiro-Wilk prbval.
- 32 -
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Talajmvels Statistic df Sig. Statistic df Sig.
terms t/ha szi sznts .127 48 .050 .916 48 .002
tavaszi sznts .227 48 .000 .845 48 .000
trcss .263 48 .000 .817 48 .000
a. Lilliefors Significance Correction
Shapiro s Wilks W-prba

Normlis eloszls tesztelsre szolgl mdszer, rtke maximum 1 lehet.
Ennl jval kisebb rtk esetn nem normlis az eloszls. Szignifikancia
vizsglata megoldott, = 0,05. Akkor rdemes kiszmolni, ha a minta
elemszma nem haladja meg az 50-et.
Normal Q-Q Plot of terms t/ha

For TALAJMUV= szi sznts
3
1
Expected Normal
-1
-2
-3
6 8 10 12 14 16
Observed Value
- 33 -
Detrended Normal Q-Q Plot of terms t/ha

For TALAJMUV= szi sznts
.4
.2
0.0
Dev from Normal
-.2
-.4
-.6
-.8
7 8 9 10 11 12 13 14 15
Observed Value
- 34 -
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 15 30 45 Total
A 1 23 24 24 24 95
hnap 2 24 24 24 24 96
napja 3 24 24 24 24 96
4 24 24 24 24 96
5 24 24 24 24 96
6 24 24 24 24 96
7 24 24 24 24 96
8 24 24 24 24 96
9 24 24 24 24 96
10 24 24 24 24 96
11 24 24 24 24 96
12 24 24 24 24 96
13 24 24 24 24 96
14 24 24 24 24 96
15 24 24 24 24 96
16 24 24 24 24 96
17 24 24 24 24 96
18 24 24 24 24 96
19 24 24 24 24 96
20 24 24 24 24 96
21 24 24 24 24 96
22 24 24 24 24 96
23 24 24 24 24 96
24 24 24 24 24 96
25 24 24 24 24 96
26 24 24 24 24 96
27 24 24 24 24 96
28 24 24 24 24 96
29 24 24 24 24 96
30 24 24 24 24 96
Total 719 720 720 720 2879
3. tblzat
- 35 -
Ngy-mezs Chi2-prba fggetlensg s homogenits vizsglatra

Osszunk fel egy vletlen minta alapjn kivlasztott 100 szemlyt kt alternatv
ismrv szerint: nemek szerint s dohnyzsi szoks szerint.
Nem dohnyz Dohnyz
Nk 33 20 53
Frfiak 9 38 47
42 58 100
+
a b a+b = n1
+ c d 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
( n 1)( ad bc) 2
Chi 2 =
(a + b)(c + d )(a + c)(b + d )
99(33 * 38 20 * 9) 2
Chi 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
Legalbb
Egy cs kt cs Total
FAJTA A fajta 73 23 96
B fajta 48 8 56
Total 121 31 152
- 36 -
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 2.038b 1 .153
a
Continuity Correction 1.486 1 .223
Likelihood Ratio 2.123 1 .145
Fisher's Exact Test .210 .110
Linear-by-Linear
2.025 1 .155
Association
N of Valid Cases 152
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected
count is 11.42.
A Yates korrekcival korriglt klnbsg ngyzetbl szmtott Chi-ngyzetet

a Continuity Correction mutatja. A kt kukoricafajta a vizsglt tulajdonsg
szempontjbl egyforma.
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 -
Report
terms t/ha
Std.
Talajmvels Mean N Deviation
szi sznts 11.50673 48 2.06058
tavaszi sznts 10.30987 48 2.06889
trcss 9.56033 48 2.28744
Total 10.45898 144 2.27357
ANOVA Table
Sum of Mean
Squares df Square F Sig.
terms t/ha * Between (Combined) 92.524 2 46.262 10.087 .000
Talajmvels Groups Linearity 90.923 1 90.923 19.825 .000
Deviation from Linearity 1.601 1 1.601 .349 .556
Within Groups 646.657 141 4.586
Total 739.181 143
Measures of Association
Eta
R R Squared Eta Squared
terms t/ha *
-.351 .123 .354 .125
Talajmvels
4. tblzat
Egy-mints t-teszt (One Sample T Test)

Egy-mints t-prba. Tesztelhetjk, hogy a valsznsgi vltoznk rtke
megegyezik-e egy konkrt rtkkel. Megvlaszthatjuk a konfidencia
intervallum nagysgt is.
Felttel:
Normlis eloszls populci, szigma ismeretlen s n>30.
X 0
z=
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 -
One-Sample Statistics
Std. Std. Error

N Mean Deviation Mean
terms t/ha 144 10.45898 2.27357 .18946
One-Sample Test
Test Value = 10
95% Confidence
Interval of the
Sig. Mean Difference
t df (2-tailed) Difference Lower Upper
terms t/ha 2.423 143 .017 .45898 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:
X 0
z=
/ n
Ahol:
z a prbastatisztika minta alapjn meghatrozott rtke
X a minta kzprtke,
a populci felttelezett kzprtke (adott kzprtk),
a populci (ismert) szrsa,
n a minta elemszma.
A minta abban az esetben szrmazhat az m kzprtk populcibl, ha

minta alapjn meghatrozott z prbastatisztika rtke kisebb az adott
- 39 -
valsznsgi szinthez tartoz kritikus z - rtknl. Egyoldal hipotzis esetn

alfnl, ktoldal hipotzis esetn alfa/2-nl kell kikeresni.
z < kritikus z
Kt fggetlen minta kzprtknek sszehasonltsa (Independent-

Samples T Test)
Szrmazhat-e a kt fggetlen megfigyels, minta azonos kzprtk
populcibl?
Azonosnak tekinthet-e a kt populci kzprtke, amelyekbl a mintk
szrmaznak? A kt populci, amelyekbl a mintk szrmaznak, 1, ill. 2
vrhat rtknek becslsre a mintk kzprtkei szolglnak, E ( X 1 ) = 1 , ill.
E ( X 2 ) = 2 .
H0 : 1 = 2
A kzprtkek sszehasonltsra szolgl statisztikai prbk az egy-
mints prbkhoz hasonlan nmileg eltrek attl fggen, hogy mekkora
az egyes mintk elemszma, ill. hogy ismert-e az alappopulcik szrsa.
Kt fggetlen minta kzprtknek sszehasonltsa. Felttel:
Kt fggetlen minta,
Normlis eloszls sokasgok,
A variancik ismeretlenek, de azonosak
s n<30 (n nem elg nagy a kt-mints z prba alkalmazshoz)
Ha a variancik ismeretlenek, akkor azokat a mintkbl szmtott
szrsngyzetekbl becslhetjk. A prbastatisztika rtke:
X1 X 2
t=
sp (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:
(n1 1) s12 + (n2 1) s22
sp =
n1 + n2 2
A kt populci kzprtke, amelyekbl a mintk szrmaznak, abban az
esetben tekinthetk azonosnak, ha:
t t*
A prba statisztika kritikus t rtkt ktoldali alternatv hipotzis esetn /2-
nl, egyoldali alternatv hipotzis esetn, -nl kell a tblzatbl
- 40 -
meghatrozni. Ha a kt populci ismeretlen szrsngyzete korbbi

ismeretek, ill. a mintkbl szmtott szrsngyzetek alapjn nem tekinthet
azonosnak, akkor a t prba helyett a Welch-prbt kell alkalmazni, mely igen
hasonl a t-prbhoz, a klnbsg a szabadsgfokok meghatrozsban van.
A t-teszt alkalmazsakor elre tudni kell, hogy a kt csoport szrsa
megegyezik-e, teht tesztelni kell a csoportok szrst (Levene-pba).
Amennyiben a szrsok egyenlk, akkor a vizsglatba vont sszes csoportbl
kell a variancit becslni (pooled variancia). A prba valsznsgi vltozja t-
eloszls, gy a kzprtkek klnbsgnek szignifikancija a t-rtk
tblzatbl megllapthat.
Ha a kt csoport szrsa szignifiknsan klnbzik, ilyenkor a kt
sszehasonltand csoport variancijt slyozni kell a variancia becslshez
(separate variancia). A mdostott variancia becsls az albbi:
s12 s22
Sd = +
n1 n2
A prba valsznsgi vltozja ebben az esetben nem t-eloszls, ezrt nem

a t-tblzatot, hanem a Bonferroni-mdostott szignifikancia rtkeket kell
hasznlni a kzprtkek klnbzsgnek elbrlsakor.
6. tblzat
Group Statistics
Std. Std. Error

Trgya kezels N Mean Deviation Mean
terms t/ha nem trgyzott 48 7.66106 1.23444 .17818
nitrogn 120 48 11.77213 1.08695 .15689
Independent Samples Test
Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Sig. Mean Std. Error Difference
F Sig. t df (2-tailed) Difference Difference Lower Upper
terms t/ha Equal variances
.472 .494 -17.317 94 .000 -4.11106 .23740 -4.58243 -3.63969
assumed
Equal variances
-17.317 92.518 .000 -4.11106 .23740 -4.58253 -3.63959
not assumed
- 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:
X1 X 2
z=
( 12 / n1 ) + ( 22 / n2 )
A kt populci kzprtke, amelyekbl a mintk szrmaznak, abban az
esetben tekinthetk azonosnak, ha:
z z *
A prba statisztika kritikus z-rtkt ktoldali alternatv hipotzis esetn /2-

nl, 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.
d
t= DF = n-1
sd / n
A kpletben sd a prostott mintk klnbsgnek szrsa, amelyet a minta

alapjn becsljk.
- 42 -
Paired Samples Statistics
Std. Std. Error

Mean N Deviation Mean
Pair Maximlis
15.133 365 10.034 .525
1 hmrsklet (C)
Minimlis
5.710 365 7.868 .412
hmrsklet (C)
Paired Samples Correlations
N Correlation Sig.
Pair Maximlis hmrsklet
1 (C) & Minimlis 365 .900 .000
hmrsklet (C)
Paired Samples Test
Paired Differences
95% Confidence
Interval of the
Std. Std. Error Difference Sig.
Mean Deviation Mean Lower Upper t df (2-tailed)
Pair Maximlis hmrsklet
1 (C) - Minimlis 9.424 4.521 .237 8.958 9.889 39.824 364 .000
hmrsklet (C)
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 -
Bi = (Rtlagok-)
Ai = (Kezelstlagok-)
ij = hiba
A hiba normlis eloszls, fggetlen a blokk s kezels hatstl. Mi van, ha

nem teljesl? Lehet transzformlni az alapadatokat, logaritmikus vagy egyb
transzformcival. A blokk, kezels s hiba hatsok sszege nulla.
Alkalmazsi felttelek:
Fggetlen megfigyelsek
Normlis eloszls sokasgok
Azonos szrsok
Amennyiben az analzis az tlagok kztti egyenlsget nem igazolja,
szksges az tlagok kztti klnbsgek kimutatsa. A variancia-analzist
kiegszt kzprtk sszehasonlt teszteknek ktfle tpusa ltezik:
elzetes, un. a priori kontrasztok s
az analzis utn elvgezhet, un. post hoc analzisek
A kontrasztokat teht a ksrleti adatok elemzse eltt kell ellltani, s gy
elvgezni az elemzst.
Az albbi statisztikk kszlnek: minden csoportrl az esetek szma, tlag,
szrs, az tlag hibja, minimum, maximum s az tlag 95%-os konfidencia
intervalluma.
A csoportok variancijnak egyezsgt Levenes teszttel vgezzk. Minden
fgg vltozra elkszlnek a variancia-tblzatok. A post hoc range s
tbbszrs kzprtk sszehasonlt tesztek: Bonferroni, Sidak, Tukeys
honestly szignifikns differencia, Hochbergs GT2, Gabriel, Dunnett, Ryan-
Einot-Gabriel-Welsch F test (R-E-G-W F), Ryan-Einot-Gabriel-Welsch range
teszt (R-E-G-W Q), Tamhanes T2, Dunnetts T3, Games-Howell, Dunnetts C,
Duncans multiple range test, Student-Newman-Keuls (S-N-K), Tukeys b,
Waller-Duncan, Scheff, and least-significant difference.
Szimultn vagy tbbszrs sszehasonlts (multiple comparison) a
kztudatban a szrsanalzis kiegsztje, fejldst fleg felhasznli
ignyek indtottk tjra. Jelentsge azonban jval nagyobb, klnsen a
nem paramteres esetben, ahol szrsanalzisre, e normalitst felttelez
eljrsra, nem kerlhet sor. Ha az egy-szempontos szrsanalzis F-prbja
szignifikns, kvncsiak vagyunk, mely populcik miatt nem homogn a
minta. Eleinte csak pronknt az sszes lehetsges csoport prra kt-mints
t-prbt hajtottak vgre. Elfordulhat azonban, hogy adott -szinten
szignifikns F-prba esetn egyik csoport pr sem mutat szignifikns t-rtket
- 44 -
az adott -szint mellett. A szimultn hipotzis vizsglatok nemcsak az egy-

szempontos szrsanalzisben hdtottak teret, hanem mindentt, ahol
egyidej dntsre van szksg, pl. regresszi, kovariancia, tbb-szempontos
szrsanalzis, stb.
Szimultn dnts, ha kettnl tbb sszehasonltand mintm van. Olyan
lltsokat fogalmaznak meg, amelyek egyidejleg rvnyesek. Ezek lehetnek:
Egyidejleg rvnyes konfidencia intervallumok vagy
Szimultn vgzett statisztikai prbk.
A tbbszrs statisztikai prbk zme paramteres, a normlis eloszlsra
pl eljrs. Sorozatos statisztikai sszehasonltsok vgzsekor halmozdik
a prbaknt vllalt elsfaj hiba (kockzat). A szimultn sszehasonltsi
mdszerek f clkitzse ennek a halmozdsnak a cskkentse illetve
megszntetse. Ennek eredmnyeknt az egyes sszehasonltsok
konzervatv irnyba toldnak el: a prbnknt fenyeget elsfaj hiba
tnylegesen kisebb a vllalt (nvleges) kockzatnl. Ez azonnal szembetlik a
tbbszrs sszehasonltsok azon csoportjnl, amelyek az n. Bonferroni-
egyenltlensg alapjn dolgoznak. Az els ilyen javaslat Fisher knyvben
(1935) tallhat. A lnyege, hogy m sszehasonlts estn, az egyes
sszehasonltsokat a nvleges szint helyett /m valsznsgi szinten
hajtjk vgre. A valsznsg szubadditv tulajdonsga miatt, ha az
sszehasonltsonknt vllalt i kockzatok sszege olyan nagy, mint a teljes
sorozatra vllalt valsznsgi szint, akkor annak valsznsge, hogy m
elvgzett sszehasonlts utn valahol elkvetjk az elsfaj hibt, legfeljebb
:
m
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
egyenlsget alkalmazhatnnk, ami azt mutatja, hogy az lltsok kztt nincs

hibs. Miller (1966) megmutatta, hogy a szimultn konfidencia-intervallumokra
a fenti egyenlsg helyett mindig a rvnyes. A szimultn vizsglt mintk
kztt vgezhet sszehasonltsok nem fggetlenek. Legyen valamennyi i
valsznsge egyforma: i = m = /m, akkor az sszehasonltsok nem
fggetlen termszett figyelembe vve, a szimultn prbk egyttes
kockzata:
P(H) <= 1-(1-m)m
A levezetsbl ltszik, hogy az egyes szintek egyformasgnak semmifle
szerepe nincs. Megtehetjk teht, hogy a fontosabb sszehasonltsok
- 45 -
szmra magasabb szintet jellnk ki, ezzel biztostva szmukra a nagyobb

ert.
Kontrasztok: a csoportok kztti eltrs ngyzetsszeget (sums of squares)
fel lehet bontani trend komponensekre, vagy elzetesen megadhatunk ltalunk
definilt kontrasztokat is. A trendek kztt klnbz hatvny fggvnyekkel
lerhat trend-sszetevket tesztelhetnk.
A kontrasztok az egyes csoportok vrhat rtkeinek lineris kombincii. A
slyok segtsgvel meg lehet adni a csoportviszonyokat, akr tbb
kontrasztot is egyidejleg. Ilyen csoportviszonyok a mezgazdasgban, pl.
mtrgyadzis ksrletekben nagyon knnyen rtelmezhetek. A lineris
sszehasonlt fggvnyek elmletvel tbb szerz is foglalkozott. Magyar
nyelven LTET .-ZIERMANN M. 1964 megjelent mvben tallhat meg.
A mdszer lnyege, hogy egy olyan lineris fggvnyt kell alkotni, mint pl.
g = cg1x1. + cg2x2. + ... + cgpxp.
s ha teljesl a
cg1 + cg2 + ... cgp = 0
felttel, akkor ez egy lineris sszehasonlt fggvny. A fenti defincibl
kvetkezen vgtelen szm g ltezik.
A kontrasztokra vonatkoz nullhipotzis: Hg: g = 0,
Az ellenhipotzis: Ag: g 0.
Ha pl. egy tnyez hatst T1, T2, T3, T4 szinten vizsglunk, akkor a (T1, T2)
csoport egybevetst a (T3, T4) csoporttal a g = x1. + x2. -x3. -x4. fggvny
segtsgvel vgezhetjk el (itt 1+1-1-1=0).
A fenti sszehasonlts a variancia-analzis ltal szolgltatott pooled variancia
felhasznlsval trtnik, ezrt kvetelmny, hogy a csoportok szrsai
megegyezzenek, gy gyakran a variancia-analzis kiegszt rszt kpezi. A
contrast fejezetben a hattnyezk sokfle csoportostsa tjn kapott tlagok
klnbzsgt lehet vizsglni, pl. mtrgyzs esetn, a felttelezsem az,
hogy az szi bza a legnagyobb termst a 120 kg nitrogn adag mellet ri el.
Vizsglhatom az ez alatti adagokat, mintt vve, vagy az e feletti adagokat,
szintn mintt vve, vletlenszeren, ha nem 120 kg-t alkalmazok, vajon
milyen eredmny szletne.
Az egy-szempontos szrsanalzis F-prbja akkor ad -szinten szignifikns
eredmnyt, ha ezen a szinten ltezik szignifikns kontraszt a csoportok kztt.
Feladat:
Nyissuk meg a Terms1989.sav fjlt, s vizsgljuk meg, hogy a
talajmvelsnek milyen hatsa volt ebben az vben a kukorica termsre.
- 46 -
A legels lpsben brzoljuk talajmvelsi vltozatonknt a termsek

tlagnak hibjt, pontosabban az tlagot az tlag hibjnak ktszerest.
Ebbe a tartomnyba fog legalbb 95%-os valsznsggel a valdi tlag esni.
Graph, Error Bar, Simple, Summaries for groups of cases, Define, Variable:
terms t/ha, Category Axis: Talajmvels, Bars Represent: Standard error of
mean, Multiplier: 2.
22
Mean +- 2 SE terms t/ha
20
18
16
14
12
10
Talajmvels
13. bra: Az tlag s az tlag hibjnak ktszerese
Az szi szntsos kezels adataival valami problma lehet, mert tlsgosan

nagy az tlag hibja, magba leli a msik kt kezelst is. Egyelre hagyjuk
gy, s vgezzk el a variancia-analzist.
Analyze, Compare Means, One-Way ANOVA, Dependent List: terms t/ha,
Factor: Talajmvels, Options: Homogeneity of variance test.
Test of Homogeneity of Variances
terms t/ha
Levene
Statistic df1 df2 Sig.
5.107 2 141 .007
8. tblzat
- 47 -
A Levene-teszt azt mutatja, hogy a csoportokon bell a variancik nem

egyenlk. Ezek szerint valsznleg az szi szntsos parcellk termseinek
szrsa szignifiknsan nagyobb, mint a msik kett. A variancia-analzis
alkalmazsnak egyik felttele nem teljesl, ezrt a lenti tblzat eredmnyt
fenntartsokkal kell kezelni. Az elvgzett analzis a talajmvels szignifikns
hatst igazolja ltszlag, sig. < 0,05. Ezt csak akkor fogadhatnnk el, ha a
variancik megegyeznnek.
ANOVA
terms t/ha
Sum of
Squares df Mean Square F Sig.
Between Groups 1106.779 2 553.390 3.758 .026
Within Groups 20763.765 141 147.261
Total 21870.544 143
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
Mean
95% Confidence Interval
Difference
(I) Talajmvels (J) Talajmvels (I-J) Std. Error Sig. Lower Bound Upper Bound
LSD szi sznts tavaszi sznts 5.470354* 2.477068 .029 .57336 10.36735
trcss 6.219896* 2.477068 .013 1.32290 11.11689
tavaszi sznts szi sznts -5.470354* 2.477068 .029 -10.36735 -.57336
trcss .749542 2.477068 .763 -4.14745 5.64653
trcss szi sznts -6.219896* 2.477068 .013 -11.11689 -1.32290
tavaszi sznts -.749542 2.477068 .763 -5.64653 4.14745
Tamhane szi sznts tavaszi sznts 5.470354 3.015757 .211 -1.99077 12.93148
trcss 6.219896 3.019043 .128 -1.24821 13.68800
tavaszi sznts szi sznts -5.470354 3.015757 .211 -12.93148 1.99077
trcss .749542 .445175 .260 -.33289 1.83197
trcss szi sznts -6.219896 3.019043 .128 -13.68800 1.24821
tavaszi sznts -.749542 .445175 .260 -1.83197 .33289
*. The mean difference is significant at the .05 level.
10. tblzat
- 48 -
Az LSD-teszt az szi sznts s tavaszi sznts, valamint az szi sznts s

trcss talajmvels kztt 5%-os szignifikns klnbsget mutat. A Tamhane
teszt egyik kezels pr kztt sem mutat szignifikns klnbsget. Mivel a
variancik klnbzsge miatt LSD tesztet nem csinlhatunk, a Tamhane-
teszt eredmnyt kell elfogadni, s kiderteni, hogy mirt nem tudjuk kimutatni
a talajmvels okozta hatst.
Vizsgljuk meg az szi szntsos kezelsek adatait!
Analyze, Descriptive Statistics, Explore, Dependent List: terms t/ha, Factor
List: Talajmvels, Statistics, Outliers.
Az eredmnylistbl csak a kiugr rtkek tblzatt mutatjuk be.
Extreme Values
Case Number Talajmvels Value

terms t/ha Highest 1 9 szi sznts 114.41
2 10 szi sznts 113.51
3 32 szi sznts 14.395
4 35 szi sznts 14.392
5 36 szi sznts 14.286
Lowest 1 135 trcss 5.355
2 134 trcss 5.421
3 136 trcss 5.652
4 122 trcss 5.697
5 124 trcss 6.059
11. tblzat
Jl lthat, hogy a 9. s 10. megfigyels adatrgztsi hiba miatt egy
nagysgrenddel nagyobb, mint a tbbi. Javtsuk ki a hibs adatokat s
ismteljk meg az analzist a legels lpstl kezdden!
Mean +- 2 SE terms t/ha
12
11
10
Talajmvels
14. bra: Az tlag s az tlag hibjnak ktszerese
- 49 -
Az tlagok ebben az esetben mr jl elklnlnek egymstl. Az tlagok

hibibl kpzett intervallumok mr kevsb rnek egymsba.

terms t/ha
Levene
1.096 2 141 .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
Between Groups 92.524 2 46.262 10.087 .000
Within Groups 646.657 141 4.586
Total 739.181 143
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 -
Mean
Difference
LSD szi sznts tavaszi sznts 1.196854* .437141 .007 .33266 2.06105
trcss 1.946396* .437141 .000 1.08220 2.81059
tavaszi sznts szi sznts -1.196854* .437141 .007 -2.06105 -.33266
trcss .749542 .437141 .089 -.11466 1.61374
trcss szi sznts -1.946396* .437141 .000 -2.81059 -1.08220
tavaszi sznts -.749542 .437141 .089 -1.61374 .11466
Tamhane szi sznts tavaszi sznts 1.196854* .421463 .017 .17227 2.22144
trcss 1.946396* .444371 .000 .86591 3.02689
tavaszi sznts szi sznts -1.196854* .421463 .017 -2.22144 -.17227
trcss .749542 .445175 .260 -.33289 1.83197
trcss szi sznts -1.946396* .444371 .000 -3.02689 -.86591
tavaszi sznts -.749542 .445175 .260 -1.83197 .33289
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
Type III
Sum of Mean
Source Squares df Square F Sig.
Corrected Model 119.248a 3 39.749 4.706 .006
Intercept 20563.279 1 20563.279 2434.723 .000
FAJTA 119.248 3 39.749 4.706 .006
Error 439.184 52 8.446
Total 21121.710 56
Corrected Total 558.431 55
a. R Squared = .214 (Adjusted R Squared = .168)
15. tblzat
- 51 -
A 15. tblzat 1-4 oszlopnak rtelmezse logikai sorrendben:

Total: az alapadatok ngyzet sszege (21 121), x , szabadsgfok (56)
2
Intercept: az alapadatok sszegnek ngyzete osztva az adatok szmval

(20 563)
(x ) 2
, szabadsgfok (1) valamint tlaga (20 563). Amennyiben az

n
adatok egyltaln nem szrnak (minden adat megegyezik), akkor a fenti kt
kifejezs rtke megegyezik. Az Intercept SS rtket Svb knyveiben
korrekcis tnyezknt (C) emlti, mely nem ms, mint a ksrlet ftlagnak
ngyzetsszege, x
2
Corrected Total: egyenl Total Intercept (558), vagyis x -

2 (x ) 2
, ez
n
tulajdonkppen az alapadatok eltrsngyzet-sszege. Svb knyveiben ez
jelentette az sszesen sort. Szabadsgfok (55).
Error: ebben a pldban a ngy FAJTA csoporton belli eltrs
( x xi )
2
ngyzetsszege (439) i j
ij , szabadsgfok (52), valamint ennek
tlaga (8,446), ami gyakorlatilag a csoporton belli variancik tlaga. Svb
knyveiben a Hiba, a vletlen hatsa, a meg nem magyarzott hatsok.
Minden FAJTA csoportban 14-14 megfigyels van. Ebbl az rtkbl gykt
vonva megkapjuk a csoporton belli tlagos szrs nagysgt.
FAJTA: a kezels okozta hats, a ngy fajta tlagnak eltrse a ftlagtl.
r 2fajta
Corrected Model: a lineris modellel becslt s a megfigyelt rtkekre illesztett

lineris fggvny jsgt mutatja. Eldnthet, hogy az alkalmazott modell
( )
2
2 SPxy
megfelel-e. SS R = Yi Y =
SS x
r-ngyzet rtke Corrected Model SS/Corrected Total SS, (119/558).
Ha az ltalnos lineris modell alkalmazsa sorn a becslt (predicted values)

rtkeket is elmentjk, elvgezhetjk a lineris regresszi-analzist (16.
tblzat). A regresszi eredmnye megknnyti a GLM tblzatnak jbli
rtelmezst.
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 .462a .214 .199 2.8518
a. Predictors: (Constant), Predicted Value for X
- 52 -
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 119.248 1 119.248 14.662 .000a
Residual 439.184 54 8.133
Total 558.431 55
b. Dependent Variable: X
16. tblzat: A lineris regresszi-analzis eredmnye
A lineris fggvny illesztse sorn kapott eltrs ngyzetsszegek teljesen

megegyeznek a GLM-vel kapott rtkekkel. A lineris regresszi-analzis
tblzatnak (ANOVA) rtelmezse:
Total: az alapadatok eltrs ngyzetsszege, szabadsgfoka. Ez megegyezik
a GLM Corrected Total rtkvel. SS y = yi 2

( y )i
2
n
Regression: a lineris modellel becslt s a megfigyelt rtkekre illesztett
( )
2
2 SPxy
megfelel-e. SS R = Yi Y =
SS x
Residual: maradkok ngyzetsszege, szabadsgfok, ngyzetsszeg tlagok.

A lineris egyenessel meg nem magyarzott hats.
Az r-ngyzet rtke 0,214. Ez a Regression SS/Total SS hnyadosa
(119/558).
Egy-vltozs variancia-analzis (Univariate)

A variancia-analzis sorn ngyflekppen tudjuk kiszmtani az eltrs
ngyzetsszegeket (SS). Rmai szmokkal jellm a ngy tpust (I-IV.). A
programban kezdrtkknt a III. jelenik meg, ezt hasznlhatjuk az egy vagy
tbb-tnyezs, kiegyenslyozott (balanced) vagy kiegyenslyozatlan
(unbalanced), teljes, azaz nincs hinyz parcella adat ksrletek
kirtkelsekor (ez a leggyakoribb). Ez a mdszer megegyezik a szles
krben ismert Yates-fle mdszerrel. A Yates mdszer lnyegben az tlagok
slyozott eltrsngyzet technikjt hasznlja a ngyzetsszegek
szmtsakor. Ez a mdszer jl ismert a mezgazdasgi kutatsban, mivel
Svb knyveiben a variancia-analzis ismertetsekor ezt a technikt mutatja
be.
- 53 -
Type I: ezt kell hasznlni, ha a kezelsekben nem egyezik meg a

megfigyelsek szma, hinyz parcellaadat van.
Tbbvltozs variancia-analzis, (Multivariate)

Tbb kvantitatv tulajdonsg egyttes figyelembe vtele alapjn kvnjuk
kimutatni a kezelsek hatsa kztti klnbsgeket. Kt kezels kztti
klnbsg szignifikancijnak vizsglata, D2 ltalnostott tvolsg tesztelse
F-prbval. A DA a MANOVA hatresete. Hotelling T2.
KSRLETEK TERVEZSE S RTKELSE LTALNOS LINERIS

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 GLM-
tblzata, 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
1 N
(2) tlagos eltrs; = xi x ;
N i =1
2
(3) szrs; =

1 N
( )
xi x ;
N i =1

1
A vltoz heterogenitsa azt jelenti, hogy az adott vltoz nem konstans.
- 54 -
(4) variancia- vagy szrsngyzet; = N ( xi x ) .

2 1 N 2
i =1
Ebbl ltszik, hogy a fgg vltoznak magas (intervallum- vagy arnyskla)

mrsi szintnek kell lenni. Attl fggen, hogy a fggetlen vltozk alacsony
vagy magas mrsi szintek, eltr magyarz modelleket kell felpteni. Ha
ugyanis a fggetlen vltozink nominlis vagy ordinlis mrsi szintek, akkor
variancia-analzissell kereshetjk a magyarzatot a fgg vltoz
viselkedsre. Ha a fggetlen vltozk is magas mrsi szintek, akkor
regresszi-analzist alkalmazhatunk. (Ha a fgg vltoz alacsony mrsi
szint, a magyarzatra szolgl vltozk pedig magas mrsi szintek, akkor
diszkriminancia-analzist hasznlhatunk.)
A variancia-analzis sorn kettnl tbb sokasg kzprtkeinek minta
alapjn trtn sszehasonltsa trtnik. Ezrt nevezik a kt-mints t-prba
ltalnostsnak.
A variancia-analzis modellek olyan rugalmas statisztikai eszkzk, amelyek
alkalmasak valamely kvantitatv (numerikus vagy intervallum sklj)
vltoznak (fgg vltoznak) egy vagy tbb nem felttlenl kvantitatv
vltozval (fggetlen vltozk) val kapcsolata elemzsre. Arra vagyunk
kvncsiak, hogy van-e hatsa a fggetlen vltozknak a fgg vltozra, s a
hats klnbzik-e vagy egyforma? A hats, kapcsolat fggvnyszer lersa
azonban nem clunk, mg akkor sem, ha a fggetlen vltozk kvantitatvek. A
regresszi-analzistl kt szempont klnbzteti meg a variancia-analzist:
A vizsglt fggetlen vltozk kvalitatvek is lehetnek (pl. a vizsglt szemly
neme, lakhelye stb.). Ebben az esetben ugyanis regresszi-analzis nem
alkalmazhatunk.
Mg ha a fgg vltozk kvantitatvek is, nem cl a fggetlen vltozval val
kapcsolat termszetnek feltrsa. A szrsanalzist tekinthetjk a regresszi-
analzis vizsglat megelz vizsglatnak, ha ugyanis pozitv sszefggst
kapunk a fgg s fggetlen vltoz kapcsolatra, akkor van rtelme vizsglni
az sszefggs jellegt.
Alap-fogalmak
Nzzk t azokat az alap-fogalmakat, amelyeket a variancia-analzis sorn

hasznlunk.
Faktor: Faktornak nevezzk a vizsglatba bevont fggetlen vltozkat, pl.
klnbz kezelseket, tnyezket.
Faktor szint: A faktor rtkkszletnek az eleme, mely belltsa mellett
vizsglhatjuk meg a fgg vltoznkat. A kezelsek szintjei, pl.
mtrgyaadagok.
Kvalitatv s kvantitatv faktorok: Ha a faktorszintek nem numerikusak vagy
intervallum skljak, akkor kvalitatv, ellenkez esetben kvantitatv faktorokrl
beszlnk.
- 55 -
Kezelsek (cellk): Egy-faktoros esetekben a kezelsek megfelelnek a

faktorok szintjeinek, tbb-faktoros esetben a figyelembe vett faktorok
szintjeibl elll kombincik a kezelsek. Pl. amikor a 2 faktor
mtrgyaadagok s ntzsi mdok, akkor a kezelsek a (mtrgyaadagok,
ntzsi mdok) sszes lehetsges kombincijbl ll.
Interakci: Kt vltoz kapcsolatban akkor ll fenn interakci (klcsnhats),
ha x1 vltoz hatsa fgg az x2 vltoz szintjtl s fordtva.
Egy-szempontos variancia-analzis: Variancia-analzis, ahol csak egy faktor
van.
Tbb-szempontos variancia-analzis: Variancia-analzis, ahol kett vagy tbb
faktor van.
Egy-vltozs variancia-analzis: ANOVA technika, amely egy fgg vltozt
hasznl.
Tbb-vltozs variancia-analzis: ANOVA technika, amely kett vagy tbb
fgg vltozt hasznl.
A variancia-analzis alkalmazsnak felttelei
A variancia-analzis adott n szm populci kzprtkeinek mintk alapjn
trtn sszehasonltsra szolgl (a kt-mints t-prba ltalnostsnak
tekinthet). A kzprtkre vonatkoz hipotzisek a kvetkezk:
H0 : azoknak a populciknak a kzprtkei, amelyekbl a mintk
szrmaznak azonosak: 1 = 2 = ... = k ; H A : legalbb egy olyan kzprtk
pr van, ahol a kzprtkek nem tekinthetk azonosnak: legalbb egyszer
i j .
A variancia-analzis adatait a szoksos jellsekkel 17. tblzat tartalmazza.
A statisztikai mintra alapozott variancia-analzis a kvetkez lpsekben

vgezhet el:
A variancia-analzis modell fellltsa.
A variancia-analzis kiszmtsa, az F-prba.
A modell rvnyessgnek ellenrzse.
A kzprtkek tbbszrs sszehasonltsa.
- 56 -
17. tblzat. A variancia-analzis adatai.

Populci Minta
Sors
zm vrhatrt varianc elemsz kzprtk varian
mintaelemek
k ia m ek cia
1 1 12 r1 X 11 X 12 ... X 1r1 X1 s12
2 2 22 r2 X 21 X 22 ... X 2r2 X2 s 22
. . . . . . .
n n n2 rn X n1 X n 2 ... X nrn Xn s n2
1. A variancia-analzis modell fellltsa

A mdszer alapgondolata szerint a modellben a mrsi, megfigyelsi
rtkeket sszegknt tekintjk. A k megfigyels mindegyikre egy-egy
modellegyenlet rhat fel, amelynek alapjn a mintaelemeken mrt, ill.
megfigyelt Xij rtkek felbonthatk a modell ltal meghatrozott rszekre s a
hibra. A modell ltal meghatrozott rsz a szisztematikus hatsokat
tartalmazza, a hibakomponens pedig a vletlen hatst jelenti.
A variancia-analzis legegyszerbb modelljben a vizsglatban szerepl n
szm populcibl egyszeren vletlen mintt vesznk, majd a mintnknti
kzprtkeket hasonltjuk ssze, ezt nevezzk egy-szempontos variancia-
analzisnek (ksrlet esetn teljesen vletlen elrendezsnek). Az elrendezs
modellegyenlete:
X ij = + Ai + eij
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 -
A fgg vltoz eloszlsa normlis legyen, pontosabban az eij

maradknak kell normlis eloszlsnak lennie. Attl, hogy egy norml
eloszls minthoz egy konstans rtket hozzadunk, vagy abbl levonunk,
az eloszls s a minta szrsa nem vltozik. A normalits vizsglatt
korbban ismertetett mdszerek valamelyikvel ellenrizhetjk.
(Megjegyezzk, hogy a matematikai-statisztikai kziknyvek az ANOVA-t
robusztus eljrsnak tekintik, s azt lltjk, hogy a fgg vltoznak nem kell
normlis eloszlsnak lennie). Ha matematikailag korrekt mdon akarjuk az
ANOVA-t hasznlni, akkor a fgg vltozt normlis eloszlsv
transzformlhatjuk.
(
A mintk szrsngyzetei egyezzenek meg 12 = 22 = ... = n2 . (Az SPSS )
programnl ezt a homogenitst a Levene teszt alapjn tesztelhetjk:
ANALYZE/COMPARE MEANS/ONE-WAY ANOVA menben az OPTIONS alatt jellhetjk
ki.)
Plda: egy-szempontos variancia-analzisre. Egy termeszt k kukoricafajta
termesztse kztt vlaszthat. Jelljk a fajtkat A, B, C, D-vel. Dntsk el,
hogy a 4 fajta termesztse esetn azonos termseredmnyre szmthatunk-e.
18. tblzat. Kukoricaterms (t/ha)

Fajta Terms (t/ha)
A 9,3 7,2 8,2
B 5,4 7,1 5,9
C 4,5 2,9 5,0
D 3,5 0,9 2,5
A i rtkek a ngy fajtapopulci ismeretlen kzprtkeit jelentik, amiket az

X i -vel tudjuk becslni.
19. tblzat. Az alapadatok munkatblzata

Fajta Terms (t/ha) X i Xi
ni X ij i
A 9,3 7,2 8,2 24,7 8,23

B 5,4 7,1 5,9 18,4 6,13
C 4,5 2,9 5,0 12,4 4,13
D 3,5 0,9 2,5 6,9 2,30
sszesen: 62,4 5,20
A kzs becslsre a ksrlet ftlaga szolgl.
- 58 -
EGY-TNYEZS VARIANCIA-ANALZIS AZ SPSS-BEN

Segtsgvel egy tnyez hatst lehet vizsglni a fgg vltoz mennyisgi
alakulsra. A tnyez, faktor valamilyen csoportkpz ismrvvel rendelkezik,
a fgg vltoz pedig legtbbszr skla tpus adat. Egyszerre tbb fgg
vltozt is kijellhetnk az analzis szmra.
Amennyiben az analzis az tlagok kztti egyenlsget nem igazolja,
szksges az tlagok kztti klnbsgek kimutatsa. A variancia-analzist
kiegszt kzprtk sszehasonlt teszteknek ktfle tpusa ltezik:
elzetes, n. a priori kontrasztok s
az analzis utn elvgezhet, n. post hoc analzisek
A kontrasztokat teht a
ksrleti adatok elemzse eltt
kell ellltani, s gy
elvgezni az elemzst.
Az egy-szempontos
szrsanalzis F-prbja
akkor ad -szinten
szignifikns eredmnyt, ha
ezen a szinten ltezik
szignifikns kontraszt a
csoportok kztt. 15. bra: Egy-tnyezs variancia-analzis
Plda: vizsgljuk meg, hogy

hrom talajmvelsi
vltozatban hogyan alakul a
kukorica termse. Az egy-
tnyezs variancia-analzis
alkalmazshoz kattintsunk az
ANALYZE menpont COMPARE
MEANS almenjben az ONE-
WAY ANOVA parancsra (15.
bra).
16. bra: A vltozk s a tnyez
A statisztikai szmts
megadsa 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 -
variancia vajon megegyezik-e. Ezeket a teszteket a ksbbi fejezetekben

mutatjuk be.
20. tblzat: A variancia-analzis eredmnye

ANOVA
terms t/ha
Sum of
Between Groups 92.524 2 46.262 10.087 .000
Within Groups 646.657 141 4.586
Total 739.181 143
A fenti tblzat a szrs-elemzs eredmnyt mutatja. 5%-os elsfaj hibt

vlasztva, megllapthat, hogy a talajmvelsi vltozatokban a
kukoricatermse szignifiknsan klnbzik. Hangslyozzuk, hogy az F-prba
eredmnye csak akkor fogadhat el, ha a vizsglt vltoz norml eloszls s
a csoportokon belli variancik megegyeznek.
A modell rvnyessgnek vizsglata
Normalits vizsglat
A variancia-analzis alkalmazhatsgnak felttele, hogy a fgg vltoz
normlis eloszls legyen, pontosabban a klnbz kezelsek mintinak
17. bra. Az adatbzis megosztsa
(lnyegben azonban a hibnak, vagy eltrsnek) kell norml eloszlsnak

lenni. A kezelscsoportok elklntett elemzshez meg kell osztani az
adatbzist a DATA, majd a SPLIT FILE kivlasztsa utn a megjelen ablakban
- 60 -
vlasszuk a COMPARE GROUPS rdigombot, s a GROUPS BASED ON: ablakba

helyezzk a talajmvels vltozt. Az OK gomb megnyomsa utn trjnk
vissza az adatbzis ablakhoz.
Normalits vizsglatot az SPSS-ben tbbflekppen is vgezhetnk, pl.
ANALYZE/NONPARAMETRIC TEST/1-SAMPLE K-S a megjelen prbeszdablakban
(18. bra) adjuk meg a vizsgland vltozt, s jelljk be a norml eloszlst
(alapesetben ez van megjellve). A nullhipotzisnk ennek megfelelen az
lesz, hogy a vizsglt vltoz eloszlsa nem klnbzik a normlis eloszlstl.
Vlasszuk a szignifikancia szintet 5%-osra, s vgezzk el az analzist az OK
gomb megnyomsval. Az eredmny a 21. tblzatban lthat.
18. bra. Az egy-mints Kolmogorov-Smirnov teszt
Az ASYMP. SIG. (2-TAILED) sort tanulmnyozva elmondhat, hogy az szi

szntsos parcellk kukoricatermse norml eloszls (p>0,05), azonban a
msik kt talajmvelsi vltozat (tavaszi sznts, trcss) nem norml
eloszls, mert p<0,05, vagyis elvetjk a nullhipotzist. A kapott eredmny
alapjn ebben az esetben nem szabadna variancia-analzissel rtkelni a
ksrletet. Vajon mi lehet ennek az oka? Sokszor a kiugr rtkek, vagy
adatrgztsi hiba okozza a hibt.
Homogenits vizsglat
A variancik homogenitsnak ellenrzsre az OPTIONS parancsgomb
megnyomsa utn, a HOMOGENITY OF VARIANCE megjellsvel trtnik (19. bra).
A homogenitst Levene-teszttel llapthatjuk meg. Visszatrve a variancia-
analzis prbeszdablakhoz, s az OK gomb megnyomsa utn megkapjuk az
eredmnyeket.
- 61 -
21. tblzat: A vltoz eloszlsnak vizsglata Kolmogorov-

Smirnov prbval
One-Sample Kolmogorov-Smirnov Test
Talajmvels terms t/ha

szi sznts N 48
Normal Parametersa,b Mean 11.50673
Most Extreme Absolute .127
Differences Positive .095
Negative -.127
Kolmogorov-Smirnov Z .882
Asymp. Sig. (2-tailed) .418
tavaszi sznts N 48
Negative -.227
Kolmogorov-Smirnov Z 1.574
trcss N 48
Negative -.263
Kolmogorov-Smirnov Z 1.821
a. Test distribution is Normal.
b. Calculated from data.
19. bra. Homogenits vizsglat
Amennyiben a szignifikancia szintet elzetesen 5%-on rgztettk, a

talajmvels esetn megtartjuk a nullhipotzisnket (p>0,05) (22. tblzat). Ez
azt jelenti, hogy majd a kezelstlagok sszehasonltsa sorn nyugodtan
- 62 -
alkalmazhatjuk az egyenl variancikat felttelez teszteket. Abban az

esetben, ha a Levene-teszt a variancik klnbzsgt igazolja (23.
tblzat), nem hasznlhatjuk a Fischer-fle tesztet. Ilyenkor robusztusabb
prbt kell vlasztani, pl. Brown-Forsythe vagy Welch prbt (WELCH, 1938).
22. tblzat: A talajmvelsi vltozatokon belli variancik

egyenlsgnek ellenrzse
terms t/ha
Levene
1.096 2 141 .337
23. tblzat: A talajmvelsi vltozatokon belli variancik

egyenlsgnek ellenrzse
terms t/ha
Levene
5,144 2 141 ,007
A statisztika panelen klnbz kiegszt szmtsokat krhetnk. Ler

statisztika (Descriptive): esetek szma, tlag, szrs, az tlag hibja,
minimum, maximum, 95%-os konfidencia intervallum minden egyes csoportra.
Fix s vletlen hatsok (Fixed and random effects):
Brown-Forsythe prba
Ezt a prbt BROWN-FORSYTHE 1974-ben kzlte elszr. A szrsok
klnbzsge esetn meg kell vizsglni, mirt klnbzik a szrs, milyen
szakmai magyarzatot lehet r adni. Ha a szrsok klnbzsgnek
semmilyen logikai vagy szakmai okt nem tudjuk megadni, nagy
valsznsggel a szrsok vletlenl vagy valamilyen ksrleti hiba miatt
klnbznek.
A Welch s Brown-Forsythe-prba mezgazdasgi alkalmazsval mg nem
tallkoztunk, ezrt a tbb ves kutatmunka tapasztalatai alapjn itt ragadjuk
meg az alkalmat, hogy a hasznlatukhoz nhny tancsot adjunk. Ha a
csoporton belli szrs ngyzetek (variancik) nem egyformk nyugodtan
hasznlhatjuk a kezelstlagok egyenlsgnek tesztelsre brmelyiket a
kett kzl. A legjobb, ha mindkettt kiprbljuk s sszehasonltjuk az
eredmnyeket.
Vlasszuk ki az OPTIONS prbeszdablakban (19. bra) a Brown-Forsythe s
Welch prbkat s futtassuk le a programot jbl. A kapott eredmnyeket
lentebb lthatjuk.
- 63 -
24. tblzat: A kezels kzprtkek sszehasonltsa robusztus

tesztekkel
Robust Tests of Equality of Means
terms t/ha
a
Welch 3,238 2 83,571 ,044
Brown-Forsythe 3,725 2 49,027 ,031
a. Asymptotically F distributed.
Ebben az esetben a kt teszt ugyanazt az eredmnyt adta, ha klnbsg lett

volna a kt eredmny kztt, tovbb kell folytatni az rtkelst. Ilyenkor
szlssges esetben a Welch-prba szignifikns klnbsget mutathat a
kezels tlagok kztt, mg a Brown-Forsythe-prba nem. Mi lehet ennek az
oka? Ez akkor kvetkezik be, ha a csoportok variancija nagyon
nagymrtkben klnbzik egymstl. Ilyenkor az elklntett (separate)
variancia tesztek a szabadsgfok cskkentsvel vlaszolnak, s ezzel rontjk
a teszt eredmnyt. A variancik nagyon nagy mrtk klnbzsgt
legtbbszr a csoportokon belli kiugr rtkek okozzk. A kiugr rtkek
zavar hatst tbbflekppen szrhetjk ki. Az egyik hatsos eszkz a
csonktott (trimmed) teszt, amikor minden egyes csoportbl elhagyjuk a
legnagyobb s legkisebb rtk 15%-t. A csonkols mrtkt szakmai
megfontolsok miatt tetszlegesen megvltoztathatjuk. A csonkols utn
megismtelt Brown-Forsythe prbban a szabadsgfokok szma nni fog s a
teszt eredmnye javul (25. tblzat). A fenti felttelek esetn a szrs
hagyomnyos meghatrozsa helyett a ROBUST SD s WINSORIZED SD
kiszmtsa jobb becslst ad a csoporton belli szrs nagysgra. Ezek a
prbk kevsb rzkenyek a kiugr rtkekre. A klnbz mdon
kiszmtott szrsok sszehasonltsa kzvetett mdon, a csoporton belli
variancik egyenlsgre vagy egyenltlensgre is rmutat. Szntfldn
tszm ksrleteknl, ahol a variancik egyezsge nem vrhat, a Welch
vagy Brown-Forsythe- ltal kidolgozott variancia-analzist kell alkalmazni.
25. tblzat: A kezels kzprtkek sszehasonltsa robusztus

tesztekkel a csonkols utn
Robust Tests of Equality of Means
terms t/ha
a
Welch 9,905 2 93,797 ,000
Brown-Forsythe 10,087 2 139,613 ,000
a. Asymptotically F distributed.
- 64 -
Kiugr rtkek vizsglata

Az elz fejezetben lttuk, hogy a kiugr rtkek milyen nagymrtkben tudjk
megzavarni a variancia-
analzis eredmnyt. Ezrt a
statisztikai elemzsek els s
egyik legfontosabb lpse a
kiugr rtkek ellenrzse. Az
SPSS ennek ellenrzsre is
knl lehetsget.
Az elemzs els lpseknt
nzzk meg, hogy a
kukoricaterms adataiban
tallunk-e kiugr rtket. Van-
e vajon adatrgztsi, gpelsi
20. bra. Az kiugr rtkek vizsglata hiba?
A kiugr rtkek ellenrzse az ANALYZE / DESCIPTRIVE STATISTICS blokkjban az

EXPLORE parancs szolgl.
A DEPENDENT LIST mezbe helyezzk a vizsglni kvnt vltozt (vltozkat).
Mivel mind a hrom talajmvelsre ellenrizni kvnjuk, hogy a kukoricaterms
adatok tartalmaznak-e kiugr rtket, a FACTOR LIST mezbe helyezzk a
terms vltozt. Ezzel rjk el, hogy a program a kiugr rtkeket
talajmvelsi vltozatonknt kln-kln s nem sszevont llomnyon
ellenrizze. A STATISTICS nyomgombra kattintva a megjelen beszdpanelban
vlasszuk ki az OUTLIERS lehetsget (21. bra).
A belltsok elvgzse utn futtassuk le a programot. A 26. tblzat
talajmvelsi vltozatonknt az t legnagyobb s legkisebb rtket
tartalmazza. A kiugr rtkek ugyanis biztos, hogy itt keresendk, hiszen azok
vagy sokkal nagyobbak, vagy sokkal
kisebbek, mint a tbbi rtk a mintban. A
tblzatbl jl ltszik, hogy az szi
szntsos adatokban a 9. s 10. adat kiugr
rtk, adatrgztsi hiba miatt a
tizedesvessz eggyel jobbra csszott. A
msik kt talajmvelsnl nem tallunk
kiugr eseteket. Hasonlan vgezhetjk el
ms vltoz esetben is a vizsglatot.
21. bra. Kiugr rtkek

megjelentse
- 65 -
A kiugr rtkek ellenrzsnek egy msik lehetsges mdja az adatok

grafikus megjelentse. Az EXPLORE prbeszdpanel ablakbl vlasszuk a
PLOTS lehetsget (20. bra). A
BOXPLOTS panelrszben jelljk meg a
FACTOR LEVELS TOGETHER lehetsget,
majd a CONTINUES gombra kattintva
menjnk vissza a fablakba, s ott az
OK gomb megnyomsval hagyjuk
jv a statisztika szmtst. Ezt a
vizsglatot mindhrom talajmvelsre
futtatva a 23. brat kapjuk.
A megjelen bra legals s legfels
vonala a klnbz talajmvelsekben
22. bra. A kiugr esetek a kiugr rtkeket nem szmtva a
grafikus brzolsa mrt legnagyobb s legkisebb
rtkeket jellik. Az brn e kt vonal
alatt s fltt jelennek meg a kiugr rtkek (9. 10. adat szi sznts) pontok
formjban brzolva2.
26. tblzat: A kiugr rtket ellenrz tblzat

Extreme Values
Talajmvels Case Number Value

terms t/ha szi sznts Highest 1 9 114,41
2 10 113,51
3 32 14,395
4 35 14,392
5 36 14,286
Lowest 1 1 7,906
2 2 7,957
3 13 8,010
4 4 8,043
5 38 8,248
tavaszi sznts Highest 1 84 13,118
2 83 12,859
3 78 12,746
4 82 12,672
5 80 12,569
Lowest 1 88 6,715
2 87 6,865
3 85 6,929
4 49 7,078
5 62 7,099
trcss Highest 1 118 12,070
2 115 11,966
3 117 11,936
4 129 11,859
5 119 11,801
Lowest 1 135 5,355
2 134 5,421
3 136 5,652
4 122 5,697
5 124 6,059
2
A kiugr rtkek ellenrzsre az SPSS mg szmos lehetsget knl, ezek tovbbi bemutatsra
most nem kerl sor.
- 66 -
140
120
9
10
100
terms t/ha
80
60
40
20
-20
N= 48 48 48
s zi s znts tavas zi s znts trcs s
Talajmvels
23. bra. A kiugr rtkek grafikus ellenrzse (box-plot bra)
A variancia-analzist kiegszt kzprtk sszehasonlt tesztek
Kontrasztok
A csoportok kztti eltrs ngyzetsszeget (SUMS OF SQUARES) fel lehet bontani
trend komponensekre, vagy elzetesen megadhatunk ltalunk definilt
kontrasztokat is. A trendek kztt klnbz hatvnyfggvnyekkel lerhat
trend-sszetevket tesztelhetnk.
A kontrasztok az egyes csoportok vrhat rtkeinek lineris kombincii. A
slyok segtsgvel meg lehet adni a csoportviszonyokat, akr tbb
kontrasztot is egyidejleg. Ilyen csoportviszonyok a mezgazdasgban, pl.
mtrgyadzis ksrletekben nagyon knnyen rtelmezhetek. A lineris
sszehasonlt fggvnyek elmletvel tbb szerz is foglalkozott. Magyar
nyelven LTET .-ZIERMANN M. 1964 megjelent mvben tallhat meg.
A mdszer lnyege, hogy egy olyan lineris fggvnyt kell alkotni, mint pl.
g = cg1x1. + cg2x2. + ... + cgpxp.
s ha teljesl a
cg1 + cg2 + ... cgp = 0
felttel, akkor ez egy lineris sszehasonlt fggvny. A fenti defincibl
kvetkezen vgtelen szm g ltezik.
A kontrasztokra vonatkoz nullhipotzis: Hg: g = 0, az ellenhipotzis: Ag: g
0.
- 67 -
Ha pl. egy tnyez hatst T1, T2, T3, T4 szinten vizsglunk, akkor a (T1, T2)
csoport egybevetst a (T3, T4) csoporttal a g = x1. + x2. -x3. -x4. fggvny
segtsgvel vgezhetjk el (itt 1+1-1-1=0).
A fenti sszehasonlts a variancia-analzis ltal szolgltatott pooled variancia
felhasznlsval trtnik, ezrt kvetelmny, hogy a csoportok szrsai
megegyezzenek, gy gyakran a variancia-analzis kiegszt rszt kpezi. A
contrast fejezetben a hattnyezk sokfle csoportostsa tjn kapott tlagok
klnbzsgt lehet vizsglni, pl. mtrgyzs esetn, a felttelezsem az,
hogy az szi bza a legnagyobb termst a 120 kg nitrogn adag mellet ri el.
Vizsglhatom az ez alatti adagokat, mintt vve, vagy az e feletti adagokat,
szintn mintt vve, vletlenszeren, ha nem 120 kg-t alkalmazok, vajon
milyen eredmny szletne.
Korbban emltettk, hogy a kontrasztok segtsgvel a csoportok kztti
eltrs ngyzetsszeget (Sums of Squares) fel lehet bontani trend
komponensekre, ill. a trendek kztt klnbz hatvny fggvnyekkel
lerhat trend-sszetevket tesztelhetnk. Ennek egyik gyakorlati alkalmazsa
mtrgyadzis ksrletekben a hatsfggvny lineris, msodfok,
harmadfok jellegnek megllaptsa.
24. bra. Egy-tnyezs variancia-analzis
Plda: kukorica mtrgyzsi tartamksrletben a nem trgyzott kezelsen

fell t klnbz trgyaadagot alkalmaznak, ekvidisztns tvolsgokra. (30,
60, 90, 120, 150 kg/ha N s PK). Fgg vltoz a terms (t/ha), kezels
(factor) a mtrgyzs (24. bra). A Contrasts gombra kattintva llthatjuk
be a kontrasztokat. Kt lehetsgnk is van. Polinomilis trendeket
vizsglhatunk, lineris, kvadratikus, kbs, stb. tagokkal, vagy sajt magunk
adhatjuk meg a lineris sszehasonlt fggvnyek egytthatit. Az
egytthatkra a korbban lert szablyok az rvnyesek. A mtrgyzs s
terms kztti sszefggst gyakran msodfok fggvnnyel rjk le. Erre
jellemz, hogy egy hatrozott maximum pontja van, ami a legmagasabb
termst jelenti. Az ehhez tartoz mtrgyaadag ismerete fontos a szakszer
tpanyag-visszaptls elvgzshez. Vlasszuk ki a legrdl listbl a
polinom fokt (Degree) msodfokra (Quadratic). A Continue gomb
- 68 -
segtsgvel trjnk vissza az egyutas variancia-analzis ablakhoz, s az Ok

gomb megnyomsval futtassuk az analzist.
25. bra. Kontrasztok megadsa
A korbban mr megismert variancia-analzis eredmnytblzata tovbbi

sorokkal bvlt ki. Az els sor (Between) a mtrgyzs termsre gyakorolt
hatst, ill. ennek F-prbjt mutatja. Amennyiben elzetesen a szignifikancia
szintet 5%-osra vlasztottuk, megllapthatjuk, hogy a mtrgyzs
szignifiknsan befolysolja a kukoricatermst.
27. tblzat. Variancia-analzis eredmnytblzata, kiegsztve

lineris s msodfok kontrasztokkal, trendkomponensekkel
ANOVA
TERMS
Sum of
Between (Combined) 2025,772 5 405,154 77,247 ,000
Groups Linear Term Contrast 1693,864 1 1693,864 322,955 ,000
Deviation
331,908 4 82,977 15,821 ,000
Quadratic Contrast 296,019 1 296,019 56,439 ,000

Term Deviation 35,889 3 11,963 2,281 ,078
Within Groups 3493,101 666 5,245
Total 5518,873 671
A tovbbi sorokban a lineris s ngyzetes hatsgrbe tesztjei lthatk. A

Linear Term a lineris komponens hatst mutatja a termsre. A Contrast sora
a lineris tagot, a Deviation sora a maradk, nem lineris, hanem egyb,
magasabb fokszm polinomokkal jellemezhet rszt mutatja. Lnyegben az
eltrs-ngyzetsszegek (Sum of Squares) kerlnek felbontsra lineris s
egyb sszetevkre. A lineris tag szignifikns p<0,05. A maradk tag is
szignifikns, teht rdemes megvizsglni a msodfok sszetevt is. A
msodfok sszetev sor (Quadratic Contrast) szintn a mtrgyzs
szignifikns hatst mutatja (Sig. 0,000), azonban a maradk tag mr nem
- 69 -
p>0,05 (Sig. 0,078). Ebben az esetben teht a magasabb fokszm polinomok

bevonsa a modellbe mr nem indokolt.
Szimultn vagy tbbszrs sszehasonlt tesztek

Szimultn vagy tbbszrs sszehasonlts (multiple comparison) a
kztudatban a szrsanalzis kiegsztje, fejldst fleg felhasznli
ignyek indtottk tjra. Jelentsge azonban jval nagyobb, klnsen a
nem paramteres esetben, ahol szrsanalzisre, e normalitst felttelez
eljrsra, nem kerlhet sor. Ha az egy-szempontos szrsanalzis F-prbja
szignifikns, kvncsiak vagyunk, mely populcik miatt nem homogn a
minta. Eleinte csak pronknt az sszes lehetsges csoport prra kt-mints
t-prbt hajtottak vgre. Elfordulhat azonban, hogy adott -szinten
szignifikns F-prba esetn egyik csoport pr sem mutat szignifikns t-rtket
az adott -szint mellett. A szimultn hipotzis vizsglatok nemcsak az egy-
szempontos szrsanalzisben hdtottak teret, hanem mindentt, ahol
egyidej dntsre van szksg, pl. regresszi, kovariancia, tbb-szempontos
szrsanalzis, stb.
Szimultn dnts, ha kettnl tbb sszehasonltand mintm van. Olyan
lltsokat fogalmaznak meg, amelyek egyidejleg rvnyesek. Ezek lehetnek:
Szimultn vgzett statisztikai prbk vagy
Egyidejleg rvnyes konfidencia intervallumok
A tbbszrs statisztikai prbk zme paramteres, a normlis eloszlsra
pl eljrs. Sorozatos statisztikai sszehasonltsok vgzsekor halmozdik
a prbaknt vllalt elsfaj hiba (kockzat). A szimultn sszehasonltsi
mdszerek f clkitzse ennek a halmozdsnak a cskkentse illetve
megszntetse. Ennek eredmnyeknt az egyes sszehasonltsok
konzervatv irnyba toldnak el: a prbnknt fenyeget elsfaj hiba
tnylegesen kisebb a vllalt (nvleges) kockzatnl. Ez azonnal szembetlik a
tbbszrs sszehasonltsok azon csoportjnl, amelyek az n. Bonferroni-
egyenltlensg alapjn dolgoznak. Az els ilyen javaslat Fisher knyvben
(1935) tallhat. A lnyege, hogy m sszehasonlts estn, az egyes
sszehasonltsokat a nvleges szint helyett /m valsznsgi szinten
hajtjk vgre. A valsznsg szubadditv tulajdonsga miatt, ha az
sszehasonltsonknt vllalt i kockzatok sszege olyan nagy, mint a teljes
sorozatra vllalt valsznsgi szint, akkor annak valsznsge, hogy m
elvgzett sszehasonlts utn valahol elkvetjk az elsfaj hibt, legfeljebb
:
m
P ( H ) = i
i =1
- 70 -
ahol: H esemny azt jelenti, hogy az lltsok kzt legalbb egy hibs. Ha az
egyes lltsok (valsznsg-szmtsi rtelemben) fggetlenek lennnek,
akkor a fenti becsls helyett az
m
1 P ( H ) = (1 i )
i =1
egyenlsget alkalmazhatnnk, ami azt mutatja, hogy az lltsok kztt nincs

hibs. Miller (1966) megmutatta, hogy a szimultn konfidencia-intervallumokra
a fenti egyenlsg helyett mindig a rvnyes. A szimultn vizsglt mintk
kztt vgezhet sszehasonltsok nem fggetlenek. Legyen valamennyi i
valsznsge egyforma: i = m = /m, akkor az sszehasonltsok nem
fggetlen termszett figyelembe vve, a szimultn prbk egyttes
kockzata:
P(H) <= 1-(1-m)m
A levezetsbl ltszik, hogy az egyes szintek egyformasgnak semmifle
szerepe nincs. Megtehetjk teht, hogy a fontosabb sszehasonltsok
szmra magasabb szintet jellnk ki, ezzel biztostva szmukra a nagyobb
ert.
Legkisebb szignifikns differencia (LSD)

R.A.Fisher 1935-ben gy mdostotta az egyszer t-prbt, amennyiben a
szrsanalzis F-prbja szignifikns, akkor alkalmazhatjuk a legkisebb
szignifikns klnbsg (LSD) prbt, amelyben a kzs hiba ngyzetsszeg
osztva a szabadsgfokval (error mean square) becsli a variancit. A
mezgazdasgi kutatsban, a ksrletek kirtkelsben, a legrgebben
hasznlt mdszer a kezelsszintek klnbsgnek vizsglatra. A variancia-
analzis szolgltatta Hiba MQ-bl kiszmolt SZDp% -bl ( SzD p % = t p % sd ) levont
kvetkeztetsek azonban csak akkor rvnyesek, ha az analzis eltt
vletlenl vlasztunk ki kt kezelstlagot, s ennek a klnbsgt teszteljk.
ltalban a legnagyobb s legkisebb rtket ad kezelsek kztti
klnbsgek akkor is nagyobbak, mint az SZDp%, ha a kezelsek vletlen
mintk ugyanabbl a sokasgbl, teht nincs kzttk klnbsg. Erre a
kvetkeztetsre jutott Svb, 1981 is s a fenti htrnyok kikszblsre a
Duncan-tesztet emlti, de az rtkels krlmnyes voltra hivatkozva nem
foglalkozik vele. Sajnos a mezgazdasgi kutatsban is sokszor tvesen
alkalmazzk az SZDp%-t s gyakorlatilag sorba tesztelik a kezelsszinteket,
s azt nzik melyik kt kezels kztti klnbsg nagyobb, mint az SZDp%.
Az gy kimutatott szignifikns klnbsgek igen ktes rtkek, mivel az -
hiba valsznsge (a kockzat) az sszehasonltsok sorn halmozdik,
mivel az elsfaj hiba a pronknti sszehasonltsra rgztett. Ez a teszt nem
alkalmaz semmifle korrekcit.
- 71 -
Newman-teszt
D.Newman (1939) dolgozta ki az els, studentizlt terjedelmeken alapul
tbbszrs sszehasonlt tesztet. Erre az eloszlsra elszr lltott fel
tblzatokat, ksbb Pearson s Hartley (1943) rszletesebb tblzatot
ksztett. Ha a prba rtk szignifikns, akkor elhagyjk valamelyik szls
rtket, s a kvetkez terjedelmet vizsgljk tovbb. Newman a prbt
Student (alias W.S. Gosset) (1927) cikke alapjn dolgozta ki. Statisztikja:
xk x1
q=
s
k, paramterekkel, ahol k a norml eloszls populcik szma s
s 2 = ( xij xi . ) 2
i, j
ngyzetsszeg, amelynek szabadsgfoka =k(m-1), ahol m a minta

elemszma.
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
Tukey-teszt, J.W. Tukey (1953)

Studentizlt terjedelem tesztjben a p-elem rszcsoportokat ugyanazzal a
kritikus rtkkel hasonltja ssze. Itt a teljes vizsglat elsfaj hibja rgztett,
s az egyes sszehasonltsok elsfaj hibja n nvekedsvel cskken, s
gy a msodfaj n. A Tukey teszt (1953) alapesetben egyforma minta
nagysg csoportok tlagainak klnbsgt tudja tesztelni, s a kvetkez
null-hipotzist vizsglja:
H0: 1==k,.
Ezt felbontja a kvetkez hipotzisek metszetre:
m
tij = ( xi . x j . )
2s 2
Hij=i-j=0,
- 72 -
Ellenhipotzis: Aij: i-j0. Mivel a mintk azonos elemszmak: ni=m, ezrt

=k(m-1). Teht a pronknti egyenlsgeket szimultn teszteli. Statisztikja:
A Hij hipotzist elfogadja -szinten, ha tij<t1, ahol
P(tij<t1H)=1-
Annak a valsznsge, hogy a szmtott rtk kisebb a tblzati rtknl, ha
a nullhipotzis igaz, teht a teljes elsfaj hiba . A 2t1 rtkre , k,
fggvnyben studentized range nven tblzatokat ksztettek.
A fenti sszefggsbl H.Scheff (1959) ksztett g-re konfidencia-
intervallumot. A Hg hipotzist akkor fogadjuk el, ha a konfidencia-intervallum
tartalmazza a 0-t. Ezt kiterjesztett Tukey-prbnak vagy T-mdszernek
nevezik.
Tukey s tle fggetlenl C.Y.Kramer (1956) javaslata alapjn kiterjesztettk
nem egyenl elemszmra. Ez a mdszer a Tukey-Kramer mdostott teszt. A
teszt a Newman-Keuls-teszttel kiszmtott legnagyobb klnbsggel egyenl,
ezrt is hvjk Tukey's Honestly (szinte, becslet) Significant Difference-nek.
Ksbb ltalnostottk tetszleges kontrasztokra is.
sp
L= q ( tblzatbeli)
n
Dunett (1980a) cikkben szmtgpes szimulcival tbb szerz hasonl
eljrst hasonltotta ssze s ezek kzl a Tukey-Kramer prbt tallta a
legjobbnak, azaz a klnbz elsfaj hibk mellett a konfidencia-intervallum
hosszt a legrvidebbnek.
H. Scheff (1953) Scheffe-teszt

A hagyomnyos tesztek kz tartozik. mr valban a Hg hipotziseket
vizsglta. Az egyszer F-prba akkor utastja el a H0-hipotzist, ha ltezik egy
a<>0 vektor, amelynl a konfidencia-intervallum nem tartalmazza a 0-t. Ha k
darab sszehasonltand csoportom van akkor k(k-1)/2 sszehasonltst kell
vgeznem. A statisztikja:
1 1
L= s 2p ( k 1) F( tblzatbeli ) +
n n
i j
A teszt tetszleges elemszmok esetn rvnyes, s a paramterek

valamennyi kontrasztjnak egyidej vizsglatra alkalmas. A kontrasztok
szimultn vizsglata legtbbszr a szimultn konfidencia intervallumok
felrsval trtnik, s nzzk, hogy azok tartalmazzk-e a nullt vagy nem.
Mivel a kontrasztok szma vgtelen, a Scheff ltal kezdemnyezett
kiterjeszts igen lnyeges ltalnostst jelent. Ez a mdszer a
legltalnosabb, egyedl ennek van meg az a tulajdonsga, hogy ekvivalens a
szrsanalzissel. Az olyan vizsglatokat azonban, amelyek megfelelnek a
- 73 -
Tukey vagy Dunett-mdszer eredeti krdsfelvetsnek (egyenl elemszm

csoportok kztti klnbsgek vizsglata ill. ezek egy kontrollal val
sszehasonltsa a cl) rdemes ezekkel a mdszerekkel elvgezni, erejk
ilyenkor nagyobb a Scheff-mdszer erejnl. A Scheff-mdszer ereje a
Bonferroni-egyenltlensg alapjn kiterjesztett t-prbknl is kisebb
mindaddig, mg az elvgzett sszehasonltsok m szma lnyegesen meg
nem haladja az elvgezhet sszehasonltsok dimenzijt (Miller, 1966) k
fggetlen csoport egyszempontos sszehasonltsakor ez a dimenzi (k-1).
A Scheffe-teszt gyakorlati alkalmazshoz nyjt nagy segtsget O BRIEN R.
R. 1983 megjelent mve s LOTHAR SACHS 1985.
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:
2
xi xo d s p
n
xo = kontrol csoport tlaga
Statisztikja megegyezik Tukey statisztikjval, elfogadsi tartomnya viszont
nem.
P(tik<t2H)=1-
26. bra. A Dunett-teszt
- 74 -
Ehhez a statisztikhoz J. P. Shaffer ksztett konfidencia intervallumot, g-re.

Itt is a Hg:g=0 hipotzist elfogadjk, ha az intervallum tartalmazza a 0-t. Ezt
nevezik kiterjesztett Dunett-prbnak.
Plda: 13 FAO 300-as rscsoportba tartoz kukorica hibridet vizsgltak
azonos termesztsi krlmnyek kztt. Az rscsoport standardjnak az
Alpha hibridet vlasztottk, s ehhez hasonltottk az sszes tbbit. Az
elsfaj hiba halmozdsnak elkerlsre a hibridek sszehasonltst
Dunett-teszttel vgeztk.
A Dunett-tesztet az ANALYZE, COMPARE MEANS, ONE-WAY ANOVA, POST HOC (26.

BRA) parancsok utn rhetjk el. A teszt alkalmazsa eltt ki kell vlasztani a
kontroll csoportot (Control Category). A prbeszd ablakbl csak az els vagy
utols csoportot tudjuk kivlasztani a legrdl listbl. Amennyiben ms
csoportot szeretnnk kontrollnak, ezt csak a Syntax Editor ablakban tudjuk
megtenni. Tovbb meg kell adni, hogy az sszehasonlts egyoldal vagy
ktoldal legyen. Alapbelltsknt ktoldal sszehasonlts trtnik,
ktoldal szimmetrikus. Ebben az esetben nincs semmifle elzetes
informcink az sszehasonltand prokrl, brmelyik csoport lehet nagyobb,
vagy kisebb, mint a kontroll. Egyoldal prba esetben elzetesen mr van
informcink arrl, hogy az sszehasonltand csoport vagy csak nagyobb,
vagy csak kisebb lehet, mint a kontroll csoport. Ez az informci sokszor
valamilyen logikai felttelezsbl ered. Az egyoldal prba ereje nagyobb,
mint a ktoldal prb. Ez azt jelenti, hogy egy egyoldal prbval
ugyanolyan szignifikancia szint mellett mr kisebb valdi klnbsg is
kimutathat. Amennyiben nincs informcink a csoportok kztti relcirl,
mindig a ktoldal prbt hasznljuk.
A CONTINUE gombra kattintssal trjnk vissza az egy-tnyezs variancia-

analzis ablakhoz, s az OK gombbal futtassuk a programot. A Dunett-teszt
eredm
nyt, az elre rgztett 5%-os szignifikancia szint mellett, a 28. tblzat
mutatja.
Az els oszlopban az sszehasonltand hibridek nevei, a msodikban a
kontroll szerepel. A harmadik oszlopban a kt hibrid termsnek klnbsge
(t/ha) lthat. A klnbsg melletti csillag 5%-os szinten szignifikns
klnbsget jelez. A kvetkez oszlopokban sorban a standard hiba,
szignifikancia szint s a konfidencia intervallum als fels hatra lthat. A
szignifikancia rtke a hibzs valsznsgt mutatja, ha elvetjk a
nullhipotzist. Amennyiben a konfidencia intervallum magban foglalja a nullt,
meg kell tartani a nullhipotzist.
- 75 -
28. tblzat. A Dunnett-teszt eredmnye

Dependent Variable: TERMS

Dunnett t (2-sided)a
Mean
Difference 95% Confidence Interval
(I) HIBRIDEK (J) HIBRIDEK (I-J) Std. Error Sig. Lower Bound Upper Bound
Debreceni 351 Alpha -3.0217* .87697 .013 -5.5696 -.4739
Debreceni 377 Alpha -2.5845* .87697 .045 -5.1323 -.0367
Ella (Sze 361) Alpha -.5730 .87697 .998 -3.1208 1.9748
Mv 370 Hunor Alpha -1.6240 .87697 .406 -4.1718 .9238
Norma Alpha -1.7915 .87697 .297 -4.3393 .7563
Occitn Alpha -.7653 .87697 .977 -3.3131 1.7826
DKC 3511 Alpha .0128 .87697 1.000 -2.5351 2.5606
DKC 4626 Alpha -.1147 .87697 1.000 -2.6626 2.4331
Goldacord Alpha -.6185 .87697 .996 -3.1663 1.9293
LG 3362 Alpha .2450 .87697 1.000 -2.3028 2.7928
Szegedi 352 Alpha -.8767 .87697 .945 -3.4246 1.6711
PR38A24 Alpha -1.2873 .87697 .675 -3.8351 1.2606
a. Dunnett t-tests treat one group as a control, and compare all other groups against it.
A 28. tblzat alapjn csak az els kt hibrid termett kevesebbet, mint a

kontroll, a tbbi termsklnbsg statisztikailag nem igazolhat.
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.
sp
wr = q , r ,
n
A prba teszteli, hogy mely kezels kombincik tartoznak egy homogn
csoportba. Kiszmtsa bonyolultabb, ezrt clszer szmtgppel elvgezni.
Az eredmny grafikusan brzolhat s knnyen rtelmezhet. Legtbb
szmtgpes program elszr az tlagokat sorba rendezi, kicsitl a nagy fel
s vzszintes vagy fggleges vonallal jelzi a homogn csoportokat, ahol nincs
szignifikns klnbsg a kezels kombincik kztt. Vlemnyem szerint a
kezels kombincik sorba tesztelsre a mezgazdasgban is az egyik
legjobban hasznlhat prba.
Duncan tbbszrs rang teszt (1955, 1965)

Itt is homogn csoportok kpzse a cl. Napjainkban az egyik legjobbnak
tartott tbbszrs sszehasonlt teszt. Itt is a grafikus megjelents nagyban
- 76 -
segti a kapott eredmnyek interpretcijt. A mezgazdasgi kutatsban is

potencilisan nagy jelentsggel br teszt.
Az SPSS-ben a variancia-analzis utni kzprtk sszehasonlt teszteket a

POST HOC gombra kattintva rhetjk el (27. bra).
Az jonnan megnyl prbeszdablakban talljuk a teszteket. Az analzis utni
tesztek kt nagy csoportjt klnthetjk el: az egyikben a vizsglt csoportok
variancijnak meg kell egyeznie (Equal Variances Assumed), mg a msik
csoportban ennek a szigor felttelnek nem kell teljeslnie (Equal Variances
Not Assumed) (27. bra). Ebben a fejezetben csak a pronknti teszteket
ismertetjk, a tbbszrs sszehasonlt teszteket a kvetkez fejezetben
trgyaljuk.
Plda: A homogn variancikat felttelez tesztek kzl vlasszuk a

leggyakrabban alkalmazottakat. Az LSD teszt (Least Significant Difference =
legkisebb szignifikns klnbsg) a legengedkenyebb a felsorolt tesztek
kzl, ami azt jelenti, hogy mr nagyon kicsi kzprtk klnbsget is
szignifiknsnak mutat. A tbbi teszt ennl szigorbb feltteleket tmaszt, gy
sokszor elfordul, hogy az LSD-vel szignifikns klnbsgek egy msik,
szigorbb teszt hasznlatval mr statisztikailag nem igazolhatk. Jelljk
meg a legengedkenyebb LSD s a legszigorbb feltteleket tmaszt Tukey
tesztet. Vlasszuk a szignifikancia szintet 10%-nak (Significance level = 0,10).
Futtassuk le a programot.
27. bra. Kzprtk sszehasonlt tesztek
- 77 -
A 29. tblzat foglalja ssze a vizsglt vltoz (Dependent Variable) s a

talajmvelsek nevt. A kukorica termsnek klnbsgt kt-kt
talajmvelst sszehasonltva a Mean Difference oszlop mutatja. Ezutn
kvetkezik a klnbsgek standard hibja (Std. Error), a szmtott p-rtk
(Sig.), illetve a 90%-os konfidencia intervallum als (Lower Bound) s fels
(Upper Bound) hatra.
Az rtelmezst kezdjk az LSD-vel. Vlasszunk ki egy sort, pl. szi sznts
tavaszi sznts. Itt a klnbsg plusz 1,197 t/ha, amit azt jelenti, hogy az szi
szntsban a kukorica ennyivel tbbet termett. A szm mellett tallhat csillag
szignifikns klnbsget jell 10%-on. A Sig. oszlop az elsfaj hiba
valsznsgt mutatja, abban az esetben, ha elvetjk a nullhipotzist.
29. tblzat. Az LSD s Tukey teszt eredmnye

Mean
Difference 90% Confidence Interval
Tukey HSD szi sznts tavaszi sznts 1,19685* ,437141 ,019 ,29235 2,10136
trcss 1,94640* ,437141 ,000 1,04189 2,85090
tavaszi sznts szi sznts -1,19685* ,437141 ,019 -2,10136 -,29235
trcss ,74954 ,437141 ,203 -,15497 1,65405
trcss szi sznts -1,94640* ,437141 ,000 -2,85090 -1,04189
tavaszi sznts -,74954 ,437141 ,203 -1,65405 ,15497
LSD szi sznts tavaszi sznts 1,19685* ,437141 ,007 ,47307 1,92064
trcss 1,94640* ,437141 ,000 1,22261 2,67018
tavaszi sznts szi sznts -1,19685* ,437141 ,007 -1,92064 -,47307
trcss ,74954* ,437141 ,089 ,02575 1,47333
trcss szi sznts -1,94640* ,437141 ,000 -2,67018 -1,22261
tavaszi sznts -,74954* ,437141 ,089 -1,47333 -,02575
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 -
A Studentizlt terjedelmet hasznl tbbszrs kzprtk sszehasonlt

tesztek (pl. Tukey) msik nagy elnye, hogy nem csak pronknti
sszehasonlts (29. tblzat) vgezhet vele, hanem gynevezett homogn
csoportok is kpezhetk a kezelsek szintjeibl.
Kt homogn alcsoportot kaptunk. Az elsbe a trcss s tavaszi talajmvels
parcellinak termseredmnyei nem klnbznek szignifiknsan. Az elsfaj
hiba 20,3% szzalk, ami sokkal nagyobb, mint a vlasztott 10%, ezrt
homognnek tekinthetk az ebben az alcsoportban tallhat termstlagok. A
msodik alcsoportba egyedl az szi sznts tartozik, ez szignifiknsan
nagyobb termst eredmnyezett mind a trcss, mind a tavaszi
talajmvelstl.
30. tblzat. Homogn alcsoportok kpzse Tukey mdszervel

terms t/ha
Subset for alpha = .10

Talajmvels N 1 2
Tukey HSDa trcss 48 9,56033
tavaszi sznts 48 10,30988
szi sznts 48 11,50673
Sig. ,203 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 48,000.
Az One-Way ANOVA panel-ablakban megjelen Options ltal felajnlott

lehetsgeket tekintsk tovbb (19. bra). A Descriptive vlasztsval egy
sszefoglal tblzatot kszthetnk a vizsglt vltozrl. Ez a tblzat
csoportonknti bontsban tartalmazza a megfigyelsek szmt, tlagot,
szrst, a kzprtk standard hibjt, a 95%-os konfidencia intervallum als
s fels hatrt, valamint a minimum s maximum rtkeket.
31. tblzat. A ler statisztika eredmnytblzata

Descriptives
terms t/ha
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
szi sznts 48 11,50673 2,060577 ,297419 10,90840 12,10506 7,906 14,395
tavaszi sznts 48 10,30988 2,068890 ,298619 9,70913 10,91062 6,715 13,118
trcss 48 9,56033 2,287440 ,330164 8,89613 10,22454 5,355 12,070
Total 144 10,45898 2,273565 ,189464 10,08447 10,83349 5,355 14,395
A Means Plot kivlasztsval a vizsglt vltoz csoportonknti tlagrtkei

jelennek meg grafikusan. A Missing Values csoportban vlaszthat utastsok
vagy az res cellk (Exclude cases analysis by analysis), vagy pedit az res
- 79 -
cellkat tartalmaz sorok (Exclude cases listwise) figyelmen kvl hagyst

teszi lehetv.
Mr tudjuk, hogy a talajmvels szignifiknsan befolysolja a kukorica
termst. Vajon milyen mrtkben magyarzhat a talajmvelssel a terms
variancija? Ehhez nyissuk meg az Analyze menpont Compare Means
alpontjban a Means prbeszd ablakot (28. bra).
28. bra. Az ANALYZE/COMPARE MEANS/MEANS men
A belltsokat a fablakban hasonlan vgezzk, mint korbban, majd az

OPTIONS gombra kattintva tegynk egy pipt az ANOVA TABLE AND ETA mell.
Futtassuk le a programot. Itt is megkapjuk a korbbi ANOVA tblt s a
vltozk kztti sszefggs szorossgt mr asszocicis tblzatot (32.
tblzat).
32. tblzat. Az asszocici mrtke a terms s a talajmvels

kztt
Eta Eta Squared

terms t/ha *
,354 ,125
Talajmvels
Az eta-ngyzet alapjn (Eta Squared) kijelenthetjk, hogy a talajmvels

ebben az esztendben 12,5%-ban befolysolta a kukorica termsnek
vltozst. Ez elg kevsnek tnik, de az adatok egy olyan tartamksrletbl
szrmaznak, ahol a talajmvels mellett tszm, hibrid s mtrgyakezelsek
is szerepeltek. A mtrgyzs hatst a kukorica termsre a 33. tblzat
mutatja.
- 80 -
33. tblzat. Az asszocici mrtke a terms s a mtrgyzs

kztt
Eta Eta Squared

terms t/ha *
,874 ,763
Trgya kezels
LTALNOS LINERIS MODELLEK

Az SPSS programcsomagban az elrendezshez h egy-tnyezs valamint
tbb-tnyezs variancia-analzist
ltalnos lineris modellel helyettestjk.
Az ltalnos lineris modell a
hagyomnyos variancia-analzis s a
lineris regresszi-analzis tvzete.
Egyetlen tblzatban jelenik meg a
szrs elemzs s regresszi-analzis
eredmnye (34. tblzat). Napjainkban
a variancia-analzisnek nagyon sokfle
technikja ltezik, amik lehetv teszik
a feladat sajtossgainak
figyelembevtelvel a legalkalmasabb
rtkelsi mdszer kivlasztst. Az
29. bra. A GLM panelje elemzs megbzhatsga a hiba (error)
meghatrozsnak mdjtl fgg, ami
tulajdonkppen az eltrs ngyzetsszeg (SQ) szmtstechnikjnak
fggvnye. Az SPSS lehetv teszi a ksrleti elrendezshez h, a felhasznl
ltal megalkotott lineris modell megbzhat rtkelst.
34. tblzat. A GLM eredmnytblzata

Dependent Variable: X
Type III
Sum of Mean
Intercept 20563.279 1 20563.279 2434.723 .000
FAJTA 119.248 3 39.749 4.706 .006
Error 439.184 52 8.446
Total 21121.710 56
- 81 -
A megrts megknnytse rdekben az ltalnos lineris modellel kapott

becslt (predicted values) rtkeket mentsk el, s vgezzk el a lineris
regresszi-analzist (35. tblzat). A regresszi eredmnye megknnyti a
GLM tblzatnak rtelmezst.
A fggvnyilleszts sorn kapott eltrs ngyzetsszegek teljesen
megegyeznek a GLM-vel kapott rtkekkel. A GLM tblzatnak rtelmezse:
Corrected Model: a lineris modellel becslt s a megfigyelt rtkekre illesztett
megfelel-e.
( )
2
2 SPxy
SS R = Yi Y =
SS x
Intercept: a ksrlet ftlaga

FAJTA: a kezels okozta hats.
Error: Svb knyveiben a Hiba, a vletlen hatsa, a meg nem magyarzott
hatsok.
Total: az adatok sszes variancijt mutatja.
Corrected Total: a lineris regresszi-analzis sszesen sora, a megfigyelt
rtkek eltrs ngyzetsszege. Svb knyveiben az sszesen sor.
SS y = yi
2

( y ) i
2
35. tblzat. A lineris regresszi-analzis eredmnye

Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 .462a .214 .199 2.8518
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 119.248 1 119.248 14.662 .000a
Residual 439.184 54 8.133
Total 558.431 55
b. Dependent Variable: X
- 82 -
A variancia-analzis sorn ngyflekppen tudjuk kiszmtani az eltrs

ngyzetsszegeket (SS). Rmai szmokkal jellm a ngy tpust (I-IV.). A
programban kezdrtkknt a III. jelenik meg, ezt hasznlhatjuk az egy vagy
tbb-tnyezs, kiegyenslyozott (balanced) vagy kiegyenslyozatlan
(unbalanced), teljes, azaz nincs hinyz parcella adat ksrletek
kirtkelsekor (ez a leggyakoribb). Ez a mdszer megegyezik a szles
krben ismert Yates-fle mdszerrel. A Yates mdszer lnyegben az tlagok
slyozott eltrsngyzet technikjt hasznlja a ngyzetsszegek
szmtsakor. Ez a mdszer jl ismert a mezgazdasgi kutatsban, mivel
Svb knyveiben a variancia-analzis ismertetsekor ezt a technikt mutatja
be.
Type I: ezt kell hasznlni, ha a kezelsekben nem egyezik meg a
megfigyelsek szma, hinyz parcellaadat van.
Tovbbi lehetsgek a GLM-ben

Univariate options, Estimates of effect size. A hats nagysgt tudjuk
megbecslni a parcilis eta-ngyzet meghatrozsval. Ennek az rtke:
SSH/(SSH+SSE). Ahol SSH a fggetlen vltoz, vagy klcsnhats eltrs
ngyzetsszege, SSE a hiba, eltrs (error) ngyzet sszege. Ennek
segtsgvel meghatrozhat a hats nagysga, kiszrhetk a legjelentsebb
vltozk ill. klcsnhatsok.
SZNTFLDI KSRLETEK TERVEZSE S RTKELSE
Az albbi fejezetekben a mezgazdasgi, fldmvelsi, nvnytermesztsi,

nemestsi, fajta sszehasonlt, stb. ksrletek laboratriumi s klnbz
szntfldi kis-parcells elrendezseinek rtkelst mutatjuk be a teljessg
ignye nlkl. Az ismertetsre kerl klasszikus elrendezsek
tanulmnyozsa s megrtse segtsget nyjt a jvbeli ksrletek
megtervezshez s kirtkelshez.
A fejezetekben az elrendezs rvid ismertetse utn megadjuk:
a ksrlet vzrajzt,
a matematikai modell lerst,
GLM-tblzat szerkezett,
valamint a kirtkelshez szksges parancsokat, amit a parancsszerkeszt
(SYNTAX EDITOR) ablakban lehet futtatni.
Az elrendezshez h kirtkels legfontosabb parancsa a DESIGN, ezrt ezt
a GLM-tblzat szerkezetben is megadjuk. Ezt kveti a mintaplda
eredmnytblzata, melyben a tnyezk, ngyzetsszegek, szabadsgfokok,
tlagos ngyzetsszegek, F-prbk eredmnyei valamint a szignifikancia
- 83 -
szintek lthatk. Az analzis utn vgezhet post hoc analzisekre nem trnk
ki mg egyszer, ezek teljesen megegyeznek a korbbi fejezetekben
ismertetekkel. Ugyanezrt nem ismteljk meg a GLM alkalmazsi
feltteleinek tteles vizsglatt, mert ezek is megegyeznek a variancia-analzis
alkalmazsi feltteleivel. Nhny tbb-tnyezs elrendezsben azonban
engedmnyeket tehetnk a szigor
alkalmazsi felttelekbl. Ilyenek
pldul az osztott vagy ktszeresen
osztott parcells ksrletek.
A GLM nyit prbeszdablakt
mutatja a 29. bra. Az egyik
legfontosabb parancs a MODEL, itt
adhatjuk meg a ksrlet
elrendezst. Alapbelltsknt
mindig teljes faktorilis ksrletknt
rtkeldnek ki az adataink (Full
30. bra. A GLM Modell ablaka factorial). Ilyenkor a fhatsok
mellett a tnyezk kombincijbl
kpezhet sszes klcsnhats (interakci) is szerepel a lineris modellben.
Ezt gy lehet megvltoztatni, hogy a CUSTOM rdigombot jelljk meg,
amelynek hatsra aktvv vlik a FACTORS & COVARIATES ablak. Ebben az
ablakban kivlaszthatjuk a szerepeltetni kvnt vltozkat s ezek vizsglni
kvnt sszefggseit. Jelljk ki elbb a talajmvelst, majd a
tszmvltozt, amiket a BUILD TERM(S) rszben tallhat nyilacska
segtsgvel helyezhetnk a MODEL ablakba. A kt vltoz klcsnhatsnak
vizsglathoz egyidejleg jelljk ki mind a kettt, s a legrdl listbl
vlasszuk az INTERACTION lehetsget, s a kis nyl segtsgvel szintn
helyezzk el a MODEL ablakban. A pldban a talajmvels s a tszm fix
tnyezknt, az ismtls termszetesen random tnyezknt szerepel.
31. bra. A GLM belltsa
- 84 -
A teljesen vletlen elrendezs kt-tnyezs ksrlet lineris modelljt mutatja

az bra. Alapbelltsknt a lineris modellben konstans is szerepel (INCLUDE
INTERCEPT IN MODEL), ami legtbb esetben a ksrlet ftlagnak felel meg.
Az eltrs ngyzetsszegek szmtsa a III. tpus szerint fog trtnni. A

CONTINUE gombra kattintva visszatrhetnk a fablakba, ahol futtathatjuk a
programot (36. tblzat). Az elemzst a talajmvels*tszm soron rdemes
kezdeni. Lthat, hogy e kt tnyez klcsnhatsa nem igazolhat
statisztikailag. A tszm egymagban mint fhats sem befolysolta
szignifiknsan a kukorica termst.
Egyedl a talajmvels befolysolta jelents mrtkben a kukorica termst,
amit a SIG. oszlopban tallhat 0,000 rtk mutat (p<0,05).
A szmtsok automatikuss tehetk, ha a parancsszerkeszt (SYNTAX EDITOR)
ablakban megadjuk a kirtkelshez szksges parancsokat. Ennek a
legegyszerbb mdja, ha megnyomjuk a PASTE gombot a GLM ablakban (29.
bra). A gomb megnyomsa utn a parancsszerkeszt ablakba jutunk (32.
bra).
A belltsokat a szintaktikai szablyok betartsa mellett szabadon
megvltoztathatjuk. Vgezhetnk fjl mveleteket, szmtsokat,
brzolhatjuk az adatokat, klnfle kimutatsokat kszthetnk, s a program
olyan funkcijt is ki tudjuk hasznlni gy, amit a prbeszdpanelek
segtsgvel nem tudunk belltani.
36. tblzat. A tbb-tnyezs GLM eredmnytblzata


Type III Sum
Source of Squares df Mean Square F Sig.
Corrected Model 140,842a 11 12,804 2,825 ,002
Intercept 15752,195 1 15752,195 3475,103 ,000
TALAJMUV 92,524 2 46,262 10,206 ,000
TOSZAM 21,741 3 7,247 1,599 ,193
TALAJMUV * TOSZAM 26,577 6 4,430 ,977 ,443
Error 598,339 132 4,533
Total 16491,376 144
Corrected Total 739,181 143
a. R Squared = ,191 (Adjusted R Squared = ,123)
A RUN paranccsal azutn futtathatjuk az ltalunk szerkesztett programot. Lehet

soronknt vagy egy kijellt rszfeladatonknt futtatni a programot. Ez a
legknyelmesebb mdja az ismtld, nagy adatbzisokon vgzett elemzsek
automatikuss ttelhez.
- 85 -
Az elrendezsek ismertetsnl mr
nem trnk ki mg egyszer az SPSS
belltsaira, az itt lertak minden egyes
elrendezs esetn rvnyesek.
32. bra. A parancsszerkeszt
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. Hrom-
tnyezs ksrletben 5 ptis-adag, 3 mtrgyzsi idpont s 4 fajta esetn a
- 86 -
hrom tnyez vltozatainak a szma a kezelsek szma: 5 3 4 = 60 . Jelljk

a kezelsek szmt v -vel, a tnyezket A, B, C ,... -vel, ezek vltozatainak
szmt a, b, c,... -vel. Egy-tnyezs ksrletekben a kezelsek (kombincik)
szma v . Tbb-tnyezs ksrleteknl v = a b c ... .
Kvalitatv s kvantitatv tnyezk, a kezelsek megvlasztsa
A tnyezk lehetnek kvalitatvek s kvantitatvek. A kvalitatv tnyez

vltozatai kztt minsgi klnbsg van, nem kpeznek fokozatokat (pl.
fajtk, az ntzs mdja, mtrgyaksztmnyek). A kvantitatv tnyezk
vltozatai fokozatokat jelentenek, amik folytonos s diszkrt rtkeket
vehetnek fel (pl. az ntzs mennyisge folytonos, az ntzs gyakorisga
diszkrt tnyez).
Attl fggen, hogy a ksrletben kvalitatv vagy kvantitatv tnyezket
vizsglunk-e msknt kell megfogalmazni a krdst. Ennek megfelelen a
kezelsek megvlasztsa, az elrendezs s az rtkels is mskpp alakul.
Kvalitatv tnyez esetben a krds ltalban a vizsglt tnyez
meghatrozott vltozataira vonatkozik. Ekkor a kezelseket a vizsglt
vltozatok kpezik, s arra keressk a krdst, hogy melyik kt kezels kztt
van szignifikns klnbsg s ez a klnbsg mekkora? Olyan ksrleti
elrendezst kell megvlasztani, amellyel a kezelsek kzprtkei
pontosabban hasonlthatk ssze.
Ha kvantitatv tnyezt vizsglunk, akkor ltalban nem az a krds, hogy kt
meghatrozott vltozata, fokozata kztt mekkora a klnbsg, hanem a
hatsgrbe rdekel bennnket. Ezrt gy kell a ksrletet megtervezni, hogy a
hatsgrbe minl tbb pontjt meghatrozzuk. Ha pl. sszesen 24 parcellra
van helynk, akkor elnysebb 8 kezelsfokozat egyenknt 3 ismtlsben,
mint 4 kezelsfokozat egyenknt 6 ismtlsben. A knnyebb rtkels miatt a
kezelsfokozatokat lehetleg egyenl tvolsgokra vlasszuk meg s ne
szablytalan kzkre. Pl. ntzsi ksrletekben a vzmennyisg vizsglata
esetn 10, 30, 50, 70, 90 mm-es adagok kpezzk a kvantitatv sor 5 szintjt3.
A hatsgrbe meghatrozshoz legalbb 4 kezelsfokozatnak kell lennie, mert
ekkor tudjuk a lineris s a ngyzetes hatst elklnteni.
A hattnyezk (az ltalunk alkalmazott agrotechnikai beavatkozsok)
kvalitatv vagy kvantitatv jellegnek elbrlsa gyakran nagyon nehz s nem
egyrtelm.
Elvetemny, talajmvels, tszm, fajta, ntzs s trgyzs hatst
vizsglva a termstlag alakulsra az albbiakat kell figyelembe venni. Az
3
Ha az egyenletes tvolsg szakmailag nem helyes, akkor olyan fokozatokat
rdemes megadni, aminl a fokozatok logaritmusai majd egysges
fokozatokat kpeznek (pl. 6, 12, 24, 48, 96).
- 87 -
elvetemnyt kvalitatv vltozknt rdemes figyelembe venni, mert olyan

sokoldal hatst fejt ki a talajra, hogy azt pontos szmszer paramterekkel
lerni nagyon nehzkes lenne. Kvantitatv vltozknt figyelembe vve meg
kellene llaptani a klnbz elvetemnyek talajra gyakorolt hatst, tbbek
kztt, a teljessg ignye nlkl, hogyan hat a talaj vzgazdlkodsra,
mennyivel kevesebb vagy tbb vizet hagy maga utn, mint az elvetemnyek
tlaga. Nem is biztos, hogy az elvetemnyek tlaghoz kellene viszonytani,
s ha igen milyen nvnyeket, milyen slyozssal kellene bevonni az gy
kiszmtand elvetemny tlagba. Vajon a htrahagyott vz mennyisge vagy
gradiense (mlysgbeli, vertiklis elhelyezkedse, rtegzdse) szmt?
Valsznleg mindkett, de hogy milyen mlysgben, milyen sllyal kell ezt
figyelembe venni, fgg attl a nvnytl, aminek a termstlag alakulst
vizsglom. A tpanyag-gazdlkodsra gyakorolt hatssal a helyzet mg
bonyolultabb. Az egyes tpanyagok nem csak klnbz mennyisgben s
mlysgben fordulnak el a klnbz elvetemnyek utn, hanem klnbz
formkban is. A mikrobiolgiai let, biolgiai aktivits, gyomossg, nvny-
egszsggyi krds szmszer megtlse a fentieknl is bonyolultabb. A
felsorolt nehzsgek miatt, egyelre, clszer az elvetemnyt kvalitatv
tnyezknt figyelembe venni.
Talajmvels, szintn nehz megtlni a kvantitatv vagy kvalitatv jelleget. A
kvantitatv jellegnl szmszersteni kellene a talajmvelsek kztti
klnbsgeket. Ez lehetne a mvels mlysge, a lazultsg llapotban
bekvetkezett vltozs, a vz-leveg arny eltoldsnak arnya stb. A
vltozst nehz szmszersteni, mert akadnak olyan vltozk is, amelyek
trbeliek, pl. forgat vagy nem. Ezeket mtrixok segtsgvel vagy logikai
vltozknt lehetne figyelembe venni. A talajmvels minsgnek megtlse
nehz feladat kzvetlenl a talaj-elkszts utn. Mi a j talaj-elkszts,
ami a szemnek tetszets, vagy ami utn egyenletesen gyorsan kell a
nvnyllomny, vagy ami utn a legnagyobb termst kapjuk? Gyakran a fenti
hrom meghatrozs nem esik egybe s az egyb krlmnyek hatsa
kvetkeztben a hats nem egyrtelm. A talajmvelst is vlemnynk
szerint helyesebb kvalitatv tnyez gyannt a vizsglatba vonni.
A tszmot mennyisgi tnyezknt veszik figyelembe, ami vlemnynk
szerint helyes.
A fajta egyrtelmen minsgi tnyez. Ez az a tnyez amit megfigyelnk,
inkbb megfigyelsi egysg (subject), mint kezels. A fajta-sszehasonlt
ksrletek problematikja ezrt egy kiss sajtsgos.
Az ntzst figyelembe szoktk venni mind kvantitatv mind kvalitatv tnyez
gyannt. A kvantitatv jellegnl a kiadagolt vz mennyisgt veszik figyelembe.
Ez a vzmennyisg legtbbszr tbb ntzs sszege, ezrt nem egyrtelm
a megtls. Ugyanakkora vzmennyisg az ntzs idpontjtl, a kiadagolt
vznormtl, intenzitstl stb. fggen mskppen hat a termstlag
alakulsra. Az ntzs hatsa mindig sszetett, nem csak a nvny vzigny
kielgtsn keresztl hat, hanem szmos egyb tnyezt is megvltoztat. Az
ntzs lehti a talajt, megvltoztatja a hkapacitst, hmrskletvezet-
- 88 -
kpessgt ezeken keresztl az egsz hgazdlkodst. A talaj vz

tartartalmnak vltozsa a talaj leveg elltottsgt is megvltoztatja. A
megvltozott h-, vz-, leveggazdlkods megvltozott mikrobiolgiai
aktivitst von maga utn. Megvltozik a tpanyagforgalom. Mskppen n a
nvny, mskppen hat vissza a talajra, (rnykols, transzspirci, stb.). A
fenti problmkat mrlegelve rdemes az ntzst is kvalitatv tnyezknt
figyelembe venni a ksrletezs sorn.
A trgyzsi ksrletek kirtkelsekor problmt szokott jelenteni, hogy az
abszolt kontroll parcellt (ami nem kapott mtrgyt) a hatsgrbe
kiszmtsnl, amit legtbbszr msodfok fggvnnyel kzeltenek,
figyelembe vegyk-e vagy sem. A ktfle elgondols alapjn szmtott
egyenletek esetenknt nagyon eltrhetnek egymstl. (SVB J., 1981) Vajon
ekvidisztnsnak (egyenl tvolsgnak) vehet a nem mtrgyzott s az els
mtrgya lpcs, a tovbbiakban pedig a kvetkez trgyalpcsk. Ha a fenti
fggvnyt alkalmazzuk, a tbb ves tapasztalatok azt mutatjk, hogy nem. A
nem trgyzott s trgyzott kezelsek minsgileg teljesen ms kategriba
tartoznak, ezrt trgyzott s nem trgyzott kezelseket, mint kvalitatv
tnyezket, rdemes elklnteni, s csak a trgyzott kezelsekbl rdemes
kiszmtani a hatsgrbt. Azonban a kutatsi cl nha indokolhatja a kontroll
parcella figyelembe vtelt is.
A szervestrgyzsi ksrletekkel viszonylag kevesebbet foglalkoznak, s itt is
kvantitatv tnyezknt veszik figyelembe a trgyzst. A szerves-trgyban
lv hatanyag-tartalom alapjn lltjk a mennyisgi tnyezk sorba. A
kutatsok kimutattk, hogy a szervestrgya jtkony hatsa nem mindig a
benne tallhat makrotpanyag mennyisgtl fgg, hanem az egyb, a
talajtulajdonsgaira ill. a nvny nvekedsre kedvezen hat anyagok
mennyisgtl. A szervestrgyzst is kvalitatv tnyezknt vehetjk
figyelembe a statisztikai elemzs sorn.
A fentiek ismeretben megllapthat, hogy a ksrletbe vont tnyezk
mindegyikt lehet kvalitatv tnyeznek tekinteni. A kvantitatv jelleg
figyelembe vtele nagy krltekintst ignyel s a szntfldi ksrletezs
tern szinte csak a mtrgyzs terletn hasznlhat, br itt is csak
fenntartsokkal.
Az elbb ismertetett szempontok alapjn az derl ki, hogy a mezgazdasgi
szntfldi ksrletek variancia-analzis tjn trtn rtkelsbl a
jelensgek kvalitatv lersra vllalkozhatunk csak. Egy tudomnyg az adott
szakterletn mindig elszr a jelensg lefolysnak kvalitatv lerst adja
meg. A felhalmozdott ismeretek s egy j hipotzis eredmnyekppen
vllalkozhatnak a kvantitatv lersra is s ez a szakember feladata. A
matematikai lers szolgltatta mennyisgeket ksrleti ton ellenrzik, s ha
eltrs van korrigljk az egyenleteket. A mezgazdasgi kutatsban is
elszr a jelensgek kvalitatv lersa a f cl, amire a variancia-analzis az
egyik hathats eszkz lehet. Ha megvan a kvantitatv sszefggst ler
formula, amelynek egyes paramterei szintn ksrleti ton lettek
meghatrozva, vllalkozhatunk a mezgazdasgban is a szmtott s a
- 89 -
ksrletekben kapott, megfigyelt, rtkek sszehasonltsra. Az elmleti

rtkek s a megfigyelt rtkek sszehasonltsban szintn nagy szerepet
kap a matematikai statisztika.
A lineris modellek megalkotsakor el kell dnteni, hogy a hatsokat fix vagy
random tnyezknt vegyk figyelembe. A fix modellek fleg minst
vizsglatoknl hasznlhatk, ahol adott felttelek mellett vizsgljuk a
hattnyezk viselkedst, s gy az adott felttel melletti dolgozs
eredmnyeit kapjuk meg. A fix modellben legtbbszr kvalitatv tnyezket
hasonltunk ssze. pl. az albbi krdsekre keresem a vlaszt: Fajtknl egyik
fajta a msiknl, azonos termesztsi technolgia mellett, jobb-e?
Elvetemnynl, a szja jobb elvetemny, mint a kukorica? ntzsnl, a
hromszori 40 mm-es vzadag ntzs jobb, mint az egyszeri 120 mm-es?
Talajmvelsnl, a 25 cm-es sznts jobb, mint a 15 cm-es trcszs?
Mtrgyzsnl, az egyik mtrgyaflesg jobb, mint a msik, adott dzis
mellett?
Random modellnl a tnyezk hatsszintjei, amit a ksrletben alkalmazunk,
az ltalunk vizsglt tnyez reprezentatv mintja. Az ilyen modell ltalnos
rvny sszefggsek, trvnyszersgek felismersnek alapjt jelentheti.
Alkalmazsa fleg tbb-szempontos szrselemzsnl a kevert modellek
felptsnl jelents. A mezgazdasgi kutatsban val alkalmazs esetn
felmerlhet a krds, milyen mintt vegynk, ami hen reprezentlja az
ltalunk vizsglt tnyezt. A szakmai ismeretek birtokban erre szinte mindig
megadhat a vlasz.
Ha az szi bza trgya ignyt akarjuk megllaptani, de nem rdekel
bennnket a fajtk kztti klnbsg, akkor az szi bzt ilyenkor a
kztermesztsben lv fajtkkal jellemezhetjk. Milyen fajtk vegyenek rszt
az analzisben? Clszer a terleti rszeseds arnyban kivlogatni a
legjelentsebbeket. Abban az esetben, ha nincs Fajta x Mtrgyzs
klcsnhats, amit elzetes vizsglatok alapjn meg lehet llaptani, elegend
lenne egyetlen fajta is.
Ha pl. kvncsiak vagyunk, milyen vltozst okoz a talajmvels az szi bza
mtrgyzsban s nem clom kivlasztani a legjobb talajmvelst, csak
jellemezni akarom a magyarorszgi szi bza talajmvelst. A random
modellnl egyarnt vizsglhatunk kvantitatv s kvalitatv tnyezket. Ha
kvantitatv tnyezket vizsglunk elssorban a sszefggs milyensge
(hatsgrbe) rdekel bennnket, s nem a konkrt dzisok kztti klnbsg.
Ebben az estben j, ha ekvidisztnsan vagy logaritmikusan nnek a
kezelsfokozatok. Ha nem valsthat meg, akkor sincs problma, mert a
legtbb korszer software -nl meg lehet adni a kezelsszintek egymstl val
tvolsgt s az ortogonlis polinomok segtsgvel gy mr a pontos hats
mutathat ki. Kvantitatv tnyez vizsglata esetn keverhetem a fix s
random hatsok elemzst.
- 90 -
A random vagy fix modell alkalmazsa nem csak elmleti klnbsg, hanem a
variancia-analzis szmtsa sorn, a variancia-komponensek klnbzsge
miatt, ms szmtsi metdust is jelent.
A hatsok feldertsre szolgl modellek teht legtbbszr lineris
matematikai modellek. Az alkalmazott matematikai modell nagyban
meghatrozza a ksrlet elrendezst is, egymstl elvlaszthatatlanok.
Fordtva is igaz, adott elrendezshez csak meghatrozott matematikai modell
llthat fel.
Parcella, ksrleti egysg
A parcella, ksrleti egysg, megfigyelsi egysg kifejezseket egyms

szinonimjaknt hasznljuk. A ksrletnek azt a legkisebb rszt jelentik,
amelyre a megfigyelsnk vonatkozik. Szntfldi ksrletben a parcella szt
alkalmazzuk s itt terletet, az egsz ksrleti tr legkisebb egysgt rjk
rajta.
Egy parcella csak egy kezelst reprezentlhat. Ezrt ksrleti egysg a
parcella. Ha a ksrletben rsztvev parcellk eltr kezelst kapnak, akkor
ms-ms kezelst reprezentlnak, ha azonos kezelst kapnak, akkor
ugyanannak a kezelsnek az ismtlsei.
Az ismtlsek jelentsge s szma
Klnbz ellenrizhetetlen hatsok, az n. ksrleti hibk parcellnknt

befolysolhatjk a kezelshatsokat. Ha a kezelseket tbb ismtlsben
hasonltjuk ssze, felttelezhet, hogy a klnbz ismtlsekben minden
kezelst rnek pozitv s negatv hats hibk. Az ismtlsek szmnak
nvelsvel egyre valsznbb, hogy a pozitv s negatv hats ksrleti
hibk kiegyenltdve jelentkeznek.
Az ismtlseknek ketts szerepet tulajdonthatunk: (1) cskkenti a ksrleti
hibk hatst, (2) lehetv teszi a ksrleti hiba (ezen keresztl a
kzprtkek kztti klnbsgek) becslst.
Az ismtlsek szmt azonban nem lehet minden hatron tl nvelni, hiszen a
nagy ismtlsszm nveli a szksges ksrleti egysgek szmt, ami ltal a
ksrlet inhomogenitsa is megnhet.
Ksrletek elrendezsi terve
Minl tbb a ksrleti egysg, a parcella, annl kevsb biztosthat minden

parcellnak azonos krlmny. Mivel a ksrleti hibaforrs egyik oka a
- 91 -
parcellk krlmnyeinek egyenltlensge, ezt cskkenteni kell. Ha magt az

egyenltlensget nem is tudjuk cskkenteni, akkor a parcellkbl rdemes
kisebb csoportokat kpezni oly mdon, hogy a csoporton bell a krlmnyek
azonosak legyenek.
A parcellkbl kpzett csoportokat blokkoknak nevezzk. A blokk teht
valamilyen szempontbl sszetartoz parcellacsoportot jelent. Pl. szntfldi
ksrleteknl a szomszdos parcellk terlet-blokkot, azonos idpontban
vgzett megfigyelsek id-blokkot, nvnyen az azonos rend hajtsok,
azonos kor, azonos nem lltok biolgiai jelleg blokkot kpeznek.
A legegyszerbb s legltalnosabb parcella-csoportosts az, hogy az
sszes kezels egy-egy parcelljbl kpznk blokkot. Ekkor a kezelsek
teljes sorozata jelent egy blokkot. Az ilyen blokkot, amely az sszes kezels
parcelljt tartalmazza teljes blokknak nevezzk.
A ksrletek tervezsekor, amikor meghatrozzuk a kezelsek s az ismtlse
szmt, a ksrleti egysgekbl annyi teljes blokkot kpeznk, ahny
ismtlsnk van. Tz kezelses ngy ismtlses ksrlet sszesen 40 ksrleti
egysgt 4 blokkba rendezzk, Minden blokk 10 ksrleti egysget foglal
magba, minden kezelsbl egy ksrleti egysget.
Egy 12 parcells blokk szmos kialaktsi lehetsgei kzl kettt szemlltet
az 33. bra.
33. bra. 12 parcellbl kpzett blokk (Forrs: Svb Jnos (1981):

Biometriai mdszerek a kutatsban, 93.o.)
A klnbz ismtlseket jelent blokkok lehetnek trben, vagy idben zrt

egysgben egyms mellett vagy sztszrtan elhelyezve (34. bra). A blokkok
klnbz alakak is lehetnek, de legyenek azonos mretek. A blokk mrete
a parcellk (ksrleti egysgek) szmt jelenti.
- 92 -
34. bra. A blokkok klnbz elhelyezkedse. (Forrs: Svb Jnos

(1981))
A kezelsek elrendezse a parcellkon
A ksrleti terv elksztsekor a kezelsek elrendezse a parcellkon kt

fzisbl ll:
A blokk-kpzs utn a megvlasztott ksrleti elrendezsnek megfelelen
elksztjk az elrendezs alaptervt. Ez azt jelenti, hogy a kezelsek
sorszmt vagy egyb jelt az elrendezs szerkezetnek megfelelen berjuk
a parcellk helyre. Az alapterv mindig valamilyen szisztematikus elrendezs.
Az alapterv elksztse utn a ksrleti elrendezs szerkezetnek keretn
bell randomizljuk, vletlenszeren sszekeverjk a kezelseket. gy
randomizlva kapjuk meg az elrendezsi tervet. A randomizlssal minden
kezelsnek azonos eslyt adunk.
A 37. tblzat foglalja ssze a tovbbiakban bemutatsra kerl ksrleti
elrendezseket.
37. tblzat. Ksrleti elrendezsek sszefoglal tblzata.

Egy-tnyezs ksrlek Kt-tnyezs ksrletek
Teljesen vletlen Vletlen blokkelrendezs

elrendezs Osztott parcells (split-
Vletlen blokk- plot) elrendezs
elrendezs Svos elrendezs
Latin ngyzetes Az egyik tnyez nincs
- 93 -
elrendezs randomizlva
Latin tgla elrendezs
Csoportostott elrendezs
Hrom- s tbb-tnyezs ksrletek
Vletlen blokk elrendezs

Osztott parcells elrendezs
Ngy-tnyezs ksrletek
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.
38. tblzat. 20 tyk tojstermelse 4 kezelses 5 ismtlses

teljesen vletlen elrendezs ksrletben.
Kezels-
Kezels Adatok
sszeg
1 94 86 52 83 60 375
11 10 12
2 81 97 521
4 1 8
10
3 90 88 78 45 403
2
4 70 58 90 54 65 337
- 94 -
Elfordul, hogy egyb okok miatt az ismtlsekbl nem lehetsges vagy nem
clszer a blokk-kpzs, mg akkor sem, ha azonos szm ismtlsnk van.
Pl. llatokkal vgzett ksrletekben kezelsenknt tbb llat lehet, s ezeket
kzsen tartjuk. gy llandan keverednek, nem kpezhetk fix blokkok.
A mdszer ltalnosan alkalmazhat azonos elemszm mintk illetve

csoportok sszehasonltsra is, ha (1) meghatrozott szempontok szerint
kivlasztott mintk kzprtkeit hasonltjuk ssze, (2) utlag kpeznk
csoportokat, s ezek kzprtkeit hasonltjuk ssze. Jelljk az alapadatokat
x1 , x 2 ,... -vel, a ksrletek szma r , a kezelsek szma v .
Az elrendezs matematikai modellje:

Yij = m + Kj + eij
ahol:
Yij = egy tyk tojstermelse (db/tyk)
m = a ksrlet becslt, szmtott tlaga, a ksrlet legjellemzbb
rtke
Kj = a kezels hatsa a tykok tojstermelsre
eij = a ksrlet hibja, a csoporton belli szrs
39. tblzat. A GLM-tblzat szerkezete teljes vletlen

elrendezsben
Tnyez SS df MS F Sig. DESIGN
Korriglt modell
Eltrs 1
Kezels (csop. v-1 kezels
kztt)
Hiba (csoporton v(r-1)
bell)
sszesen rv
Korriglt sszesen rv-1
40. tblzat: A teljesen vletlen elrendezs SPSS parancsai
- 95 -
UNIANOVA
tojs BY kezels
/METHOD = SSTYPE(3)
/INTERCEPT = INCLUDE
/CRITERIA = ALPHA(.05)
/DESIGN = kezels .
41. tblzat. A teljesen vletlen elrendezs eredmnytblzata,

v=4, r=5
Dependent Variable: Tojstermels

Type III
Sum of Mean
Intercept 133824.8 1 133824.8 409.469 .000
KEZELS 3784.000 3 1261.333 3.859 .030
Error 5229.200 16 326.825
Total 142838.0 20
Vletlen blokk-elrendezs (RCBD)

Plda: A kukorica termst figyeljk 7 kezels esetn. A ksrlet 5 ismtlses
vletlen blokkelrendezs. A parcellnknti kezelseket, s ismtlseket az
albbi tblzat mutatja:
Egyik legegyszerbb s igen elnys ksrleti elrendezs brmilyen tmakr
ksrletben is az a fajta elrendezs, ahol a megfigyelsi egysgeket gy
csoportostjuk, hogy egy csoportba minden kezelsbl egy megfigyelsi
egysg jusson.
Mtrgyzs
1 2 3 4 5 6 7 (5)
2 7 5 6 7 3 1 (4)
ismtls
5 6 2 3 1 7 4 (3)
3 1 4 5 7 6 2 (2)
4 3 1 7 2 5 6 (1)
35. bra. Vletlen blokk elrendezs terve 7 kezels (v) 5

ismtlsben (r)
- 96 -
Egy ilyen csoport kpezi a blokkot, egyben egy ismtls is. A blokkok szma
gy megegyezik az ismtlsek szmval. A blokkokon bell a kezelsek
randomizljuk.
Az elrendezs elnye, hogy a ksrlet pontossga nem cskken, ha az
ismtlsek, azaz a blokkok, klnbz krlmnyek kztt vannak. Az a
fontos, hogy az egyes blokkon bell biztostsuk az azonos feltteleket. A
blokkok lehetnek egymstl tvolabb is, ha ezt a terepakadlyok szksgess
teszik, st lehetnek ms krlmnyek kztt is.
A vletlenszer blokkelrendezs htrnya, hogy minl nagyobb a blokk
(vagyis minl tbb megfigyelsi egysget tartalmaz), annl kevsb
biztosthat a megfigyelsi egysgek egyntetsge s a ksrlet
pontatlanabb lesz. Ha pl. ngy ismtlst feltteleznk, 15-20 kezelsnl
nagyobb vletlen blokkelrendezs ksrletek nem ajnlottak.
Plda:
42. tblzat. Parcella adatok kukorica ksrletben

Ismtls
Kezels
(1) (2) (3) (4) (5) (6)
1 18,9 17,6 16,4 16,4 14,4 14,8
2 16,4 16,7 14,7 14,4 12,6 13,8
3 10,4 13,5 13,9 8,7 11,5 12,3
4 17,4 17,7 15,7 17,5 16,8 18,3

Yij = m + Ri + Mj + eij
ahol:
Yij = egy parcella termse (kg/parcella)
rtke
Ri = blokk ill. ismtls hats a talaj heterogenitsa, hogyan
vltozik a talaj termkenysge fentrl lefel haladva
Mj = a mtrgyzs hatsa a cirok termsre
eij = a ksrlet hibja
- 97 -
43. tblzat. A GLM-tblzat szerkezete vletlen blokk

elrendezsben
Korriglt modell
Eltrs 1
Ismtls r-1 ismtls
kztt)
Hiba (r-1)(v-1)
sszesen rv
44. tblzat. A vletlen blokkelrendezs SPSS parancsai

UNIANOVA
terms BY ismtls kezels
/METHOD = SSTYPE(3)
/DESIGN = ismtls kezels.
45. tblzat. A vletlen blokkelrendezs eredmnytblzata, v=4,

r=6
Dependent Variable: cirok kg/parcella

Type III
Sum of Mean
Intercept 5424.027 1 5424.027 2575.511 .000
ISMTLS 17.993 5 3.599 1.709 .193
KEZELS 106.950 3 35.650 16.928 .000
Error 31.590 15 2.106
Total 5580.560 24
- 98 -
Latin ngyzet elrendezs
Plda: Hat kezelses hat ismtlses ksrletben nitrogn mtrgyakezelsek

hatst vizsgltk s hasonltottk ssze az szi bza szemtermsn.
1 2 3 4 5 6
6 1 2 3 4 5
5 6 1 2 3 4
4 5 6 1 2 3
3 4 5 6 1 2
2 3 4 5 6 1
36. bra. Szisztematikus (diagonlis elrendezs) 6x6 latin ngyzet

vzrajza
Egy-tnyezs ksrletekben 4, 5, 6, 7 s 8 kezels sszehasonltsra

alkalmas ksrleti elrendezs, felttelezve, hogy az ismtlsek szma azonos
a kezelsek szmval. Ebben az elrendezsben ugyanis a kezelsek s az
ismtlsek szmnak meg kell egyeznik. Az elrendezs nagy elnye, ha
ugyanabban a sorban vagy oszlopban tbb parcella is tnkremegy, akr egy
sor vagy egy oszlop is kihagyhat, s a ksrlet vletlen blokkelrendezsnek
tekinthet4.
A latin ngyzet elrendezs legegyszerbben a kvetkezkppen

szerkeszthet: a kezelseket az els sorban 1-gyel kezdd folyamatos
szmozssal rjuk fel. A kvetkez sorban ugyanebben a sorrendben, de egy
parcellval jobbra eltolva kezdjk meg a felrst. Ezzel a mdszerrel teht
minden egyes sorban eggyel jobbra tovbb tolva, de ugyanabban a sorrenden
rva tltjk ki a latin ngyzetet. Ekkor kapjuk meg az n. diagonlis (tls) latin
ngyzetet (36. bra), amelyben minden sor s oszlop tartalmazza az sszes
kezelst. Aztn elszr a sorokat (46. tblzat), majd az oszlopokat (47.
tblzat) vletlenszeren felcserljk. Az gy szerkesztett latin ngyzet mr
vletlen elrendezs.
4
Ez az elrendezs abban klnbzik a vletlen blokkelrendezstl, hogy az
sszes kezels egy-egy parcelljbl kt irnyban kpznk blokkokat.
- 99 -
46. tblzat. Sorok felcserlse. 6x6 latin ngyzet vzrajza

5 6 1 2 3 4
3 4 5 6 1 2
1 2 3 4 5 6
6 1 2 3 4 5
2 3 4 5 6 1
4 5 6 1 2 3
47. tblzat. Oszlopok felcserlse a sorok felcserlse tblzatbl

1 3 6 2 5 4
5 1 4 6 3 2
3 5 2 4 1 6
2 4 1 3 6 5
4 6 3 5 2 1
6 2 5 1 4 3

Yijk = m + Si + Oj + Kk + eijk
ahol:
rtke
Si = blokk ill. ismtls hats a talaj heterogenitsa, hogyan
vltozik a talaj termkenysge fentrl lefel haladva
Oj = blokk ill. ismtls hats a talaj heterogenitsa, hogyan
vltozik a talaj termkenysge jobbrl balra haladva
Kk = kezelshats
eijk = a ksrlet hibja
- 100 -
48. tblzat. A GLM-tblzat szerkezete vletlen blokk

elrendezsben
Korriglt modell
Eltrs 1
Sor r-1 sor
Oszlop r-1 oszlop
kztt)
Hiba (r-1)(v-2)
sszesen rv
49. tblzat. A latin ngyzet elrendezs SPSS parancsai

UNIANOVA
terms BY sor oszlop kezels
/METHOD = SSTYPE(3)
/DESIGN = sor oszlop kezels .
50. tblzat. 5x5 latin ngyzet eredmnytblzata

Dependent Variable: TERMS

Type III
Sum of Mean
Intercept 108860.4 1 108860.4 6465.188 .000
SOR 2326.386 4 581.597 34.541 .000
OSZLOP 901.374 4 225.344 13.383 .000
KEZELS 1284.510 4 321.128 19.072 .000
Error 202.055 12 16.838
Total 113574.7 25
- 101 -
Latin tgla elrendezs

A mdszer a latin ngyzet kiterjesztse 8, 9, 10, 12, 14, 15, 16, 18 kezels
sszehasonltsra, felttelezve, hogy a kezelsek szma ktszer, hromszor
annyi, mint az ismtlsek szma. Latin tgla elrendezsben ugyanis a
kezelsek szma az ismtlsek szmnak egsz szm tbbszrse5.
A latin tgla elrendezs nagyon hasonlt a latin ngyzet elrendezshez: itt is
sorokat s oszlopokat klnbztetnk meg, a sorok s az oszlopok szma
megegyezik egymssal, illetve az ismtlsek szmval. Minden sorban s
oszlopban az sszes kezels egy-egy parcellja szerepel. Mivel a kezelsek
szma az ismtlsek szmnak kt- vagy hromszorosa, brmely sor s
oszlop keresztezdsben kt vagy hrom kezels parcellja van. Ez gy
lehet, hogy minden oszlop kt vagy hrom rszoszlopbl ll6. Ettl eltekintve
az elrendezs vletlenszer.
Plda: 5 ismtlses 10 kezelses, 5x10-es latin tgla elrendezs terv (37.

bra).
Oszlop
Sor
1 2 3 4 5
1 8 5 9 7 2 4 10 3 1 6
2 9 7 8 1 3 10 4 6 5 2
3 6 3 5 10 1 7 9 2 8 4
4 4 10 6 2 8 9 1 5 7 3
5 1 2 3 4 5 6 7 8 9 10
37. bra. 5x10-es latin tgla elrendezs, a 10 kezels elhelyezse
Minden sor minden egyms melletti kt rszoszlop a kezelsek egy teljes

ismtlst tartalmazza. Kt rszoszlop egyttesen kpez egy oszlopot.
A latin tgla elrendezsben, a latin ngyzet elrendezssel teljesen egyezen,
kt alaptblzatot ksztnk. Az elsben a termsadatokat az elrendezsi terv
alapjn csoportostjuk (51. tblzat).
5
Nem clszer azonban, hogy a kezelsek szma az ismtlsek szmnak ngyszerese, vagy annl
is tbbszrse legyen.
6
A latin ngyzet mdszernl minden keresztezdsben csak egy parcella van.
- 102 -
51. tblzat. Az adatok oszlopok s sorok szerinti elrendezse.

Oszlop
Sor
1 2 3 4 5
0,9 1,1 1,1 1,0 1,3 1,5 2,2 2,0 2,2 1,2
1
6 7 2 3 8 0 2 4 4 9
1,7 1,9 1,4 1,4 1,9 2,3 2,4 2,0 1,9 1,7
2
0 0 8 1 7 5 0 5 5 0
2,1 1,7 1,9 1,6 1,8 1,6 1,8 1,7 1,9 1,5
3
2 3 7 8 6 9 0 5 2 3
1,9 2,4 1,7 1,9 1,7 1,6 1,9 1,5 1,8 1,4
4
4 2 5 3 9 4 3 9 2 5
1,0 1,6 2,0 1,5 1,9 1,7 1,9 1,7 1,7 1,1
5
0 9 6 9 3 0 2 6 6 1
A msodik alaptblzatban a termsadatokat a kezelsek s a sorok szerint

csoportostjuk (52. tblzat).
52. tblzat. Az adatok kezelsek s sorok szerint rendezve.

Kezel Sor
s 1 2 3 4 5
1 2,24 1,41 1,86 1,93 1,00
2 1,38 1,70 1,75 1,93 1,69
3 2,04 1,97 1,73 1,45 2,06
4 1,50 2,40 1,53 1,94 1,59
5 1,17 1,95 1,97 1,59 1,93
6 1,29 2,05 2,12 1,75 1,70
7 1,03 1,90 1,69 1,82 1,92
8 0,96 1,48 1,92 1,79 1,76
9 1,12 1,70 1,80 1,64 1,76
10 2,22 2,35 1,68 2,42 1,11
- 103 -
Csoportostott elrendezs
Egy-tnyezs ksrletek esetn, ha sok kezelst hasonltunk ssze gyakran

olyan kezelscsoportokat kpeznk, amelyeken bell a kezelsek
sszehasonltsnak a pontossgra nagyobb slyt helyeznk, mint a
klnbz csoportokban lv kezelsek sszehasonltsnak pontossgra. A
kezelsek kzvetlen sszehasonltsn tl vizsglni akarjuk mg a
csoporttlagok kztti klnbsgeket is. Ilyen esetekben, ahelyett, hogy miden
csoporttal kln elvgeznnk a ksrletet, a klnbz csoportokat egy kzs
ksrletbe foglaljuk. A csoportonknti kezelsek szma klnbz lehet.
Plda: Burgonya ksrletben 11 burgonyafajta hrom rsi csoportba

sorolhat, egyenknt 4 fajtval. A ksrlet clja, hogy elssorban
sszehasonltsa az azonos rsi csoportokon belli fajtk kztti
termsklnbsget. A klnbz rsi csoportokban lv fajtkat ill. ltalban
az rsi csoportok tlagos termkpessgnek sszehasonltsa csak
msodlagos jelentsg.
.
ismtls
III I II
1
10 9 11 1 3 4 2 8 6 5 7
II III I
2
5 6 8 7 11 9 10 2 1 4 3
I II III
3
4 1 3 2 6 7 5 8 10 11 9
III I II
4
9 11 10 1 2 3 4 7 5 8 6
II III I
5
6 8 7 5 10 9 11 2 3 4 1
38. bra. Csoportostott elrendezs terve, 11 kezelssel, 3

csoportban, 5 ismtlsben
Az alaptblzatban ismtlsenknt s csoportonknt, csoportokon bell

kezelsenknt rendezzk az adatokat.
- 104 -
53. tblzat. Az alaptblzat

rsi Ismtls
Kezel
csoporto s (1) (2) (3) (4) (5)
k
1 61 49 60 63 60
I.
2 42 33 66 64 51
kzpkor
3 66 50 54 68 58
ai
4 54 50 53 60 49
5 64 55 67 69 70
II. 6 47 39 41 37 52
kzp 7 62 61 62 64 66
8 72 56 62 60 71
9 61 62 74 60 80
III.
10 87 77 80 83 86
Ksei
11 82 73 85 83 74

Yijk = m + Ri + Cj +eij + Kk + eijk
ahol:
rtke
Ri = blokk ill. ismtls hats a talaj heterogenitsa
Cj = az rscsoportok termsre gyakorolt hatsa
eij = az rscsoportok kztti hiba
Kk = a fajtk hatsa a burgonya termsre
- 105 -
54. tblzat. A GLM-tblzat szerkezete csoportostott

elrendezsben
Tnyez SS df M F Sig. DESIGN
S
Eltrs 1
Ismtls r-1 ismtls
Csoportok cs-1 csoport
kztt
Hiba (cs) (r-1)(cs-1) ismtls*csopo
rt
Kezels v-cs kezels
csp. bell
Hiba (v) (r-1)(v-cs)
55. tblzat. A csoportostott elrendezs SPSS parancsai

UNIANOVA
terms BY ismtls csoport kezels
/METHOD = SSTYPE(1)
/RANDOM = ismtls
/DESIGN = ismtls csoport csoport*ismtls kezels .
Az eltrs ngyzetsszeget az els tpus szerint kell szmtani.
- 106 -
56. tblzat. A csoportostott elrendezs eredmnytblzata, cs=3,

v=11, r=5
Dependent Variable: Terms kg/parcella

Type I Sum Mean
Source of Squares df Square F Sig.
Interce Hypothesi
214531,364 1 214531,364 1096,328 ,000
pt s
Error 782,727 4 195,682(a)
ismtl Hypothesi
782,727 4 195,682 3,708 ,056
s s
Error 409,209 7,754 52,772(b)
csopor Hypothesi
4158,403 2 2079,202 39,761 ,000
t s
Error 418,339 8 52,292(c)
Hiba Hypothesi
418,339 8 52,292 1,579 ,170
(cs) s
Error 1059,733 32 33,117(d)
kezel Hypothesi
2520,433 8 315,054 9,513 ,000
s s
Hiba (v) 1059,733 32 33,117(d)
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
burgonyafajtval lltjuk be ( b1 ,b2 ) . 5 ismtlses vletlenszer
blokkelrendezsben. A ksrletben a kvetkez krdseket lehet feltenni:
Melyik mvelsi mddal lehet a legnagyobb termst elrni a burgonyafajtk
tlagban?
Melyik burgonyafajta ad nagyobb termst a vizsglt mvelsi mdok
tlagban?
A mvelsi mdok kzti klnbsg vltozik-e burgonyafajtk szerint, illetve
a burgonyafajtk termsklnbsge vltozik-e a mvelsi mdok szerint?
57. tblzat. 5 ismtlses vletlen blokkelrendezs, 2x3-as ksrlet

terms adatai, a1, a2, a3 mvelsi mdok, b1, b2.
ismtl
kezelsek
s
1 a1 b1 a1 b2 a 2 b1 a 2 b2 a 3 b1 a 3 b2
2 a 2 b1 a1 b1 a1 b2 a 3 b1 a 3 b2 a 2 b2
3 a 3 b1 a 2 b1 a1 b1 a 3 b2 a 2 b2 a1 b2
4 a 2 b2 a 3 b2 a 3 b1 a1 b2 a1 b1 a 2 b1
5 a 3 b2 a 3 b1 a 2 b2 a 2 b1 a1 b2 a1 b1
- 108 -
Kt-tnyezs ksrleti elrendezst felttelezve az A tnyez vltozatainak a

szmt jelljk a -val, a B tnyez vltozatainak a szmt b -vel. A
kezelsek szma a b .
Yijk = m + Ri + Aj + Bk + ABjk + eijk
ahol:
rtke
Ri = blokk ill. ismtls hats a talaj heterogenitst mutatja
Aj = az A tnyez termsre gyakorolt hatsa
Bk = a B tnyez termsre gyakorolt hatsa
ABjk= a kt tnyez klcsnhatsa
58. tblzat. A GLM-tblzat szerkezete kt-tnyezs vletlen

blokkelrendezsben
Tnyez SS df M F Si DESIGN
S g.
Korriglt ?
modell
Eltrs 1
Ismtls r-1 ismtls
A tnyez a-1 atnyez
B tnyez b-1 btnyez
AxB (a-1)(b-1) atnyez*btn
klcsnhats yez
Hiba (r-1)(ab-1)
sszesen rab
Korriglt rab-1
sszesen
59. tblzat. A kt-tnyezs vletlen blokkelrendezs SPSS

parancsai
- 109 -
UNIANOVA
terms BY ismtls atnyez btnyez
/METHOD = SSTYPE(3)
/DESIGN = ismtls atnyez btnyez atnyez*btnyez
60. tblzat. A kt-tnyezs vletlen blokkelrendezs

eredmnytblzata, a=3, b=2, r=5
Dependent Variable: Terms kg/parcella

Type III
Sum of Mean
Corrected Model 62695a 9 6966.130 18.867 .000
Intercept 1393207 1 1393207 3773.414 .000
ISMTLS 2720 4 679.917 1.842 .160
A TNYEZ 57965 2 28982.500 78.497 .000
B TNYEZ 3 1 2.700 .007 .933
AxB 2008 2 1003.900 2.719 .090
Error (Hiba) 7384 20 369.217
Total 1463287 30
Corrected Total 70080 29
Osztott parcells (split-plot) elrendezs
Osztott parcells elrendezs alkalmazsnak a felttelei:

A ksrlet eredeti cljnak megfelelen egy-tnyezs ( B ) . A kezelsek kztti
klnbsgeket azonban egy msik tnyez ( A) klnbz vltozataival
kombinlva akarjuk vizsglni;
Az egyik vizsglt tnyez ( A) parcellnknti vltoztatsa technikai
nehzsgbe tkzik;
Mindkt vizsglt tnyez vltozatai kztti klnbsgek, s ezek
klcsnhatsa rdekel;
Az egyik vizsglt tnyez ( A) vltozatai kztti klnbsgek elbrlsa nem
elsdleges cl. A ksrlet krdse elssorban a msik tnyez ( B )
vltozatainak rtkelsre s az A B klcsnhatsra irnyul.
- 110 -
Plda: 3 kukoricafajtt 4 idpontban vetve hasonltunk ssze 5 ismtlses

ksrletben. Mrjk a vetstl a hmvirgzsig eltelt napok szmt. A ksrlet
elsdleges clja, hogy a fajtk vegetatv tenyszideje kztt milyen klnbsg
van. Krds lehet mg, hogy a vetstl a hmvirgzsig eltelt id hossza a
fajtk tlagban hogyan vltozik a vetsidpont szerint? A vetsid a kevsb
lnyeges, A tnyez, a fajta a fontosabb, B tnyez.
ismtls kezelsek
1 a1 b1 a1 b2 a 2 b1 a 2 b2 a 3 b1 a 3 b2
2 a 2 b1 a1 b1 a1 b2 a 3 b1 a 3 b2 a 2 b2
3 a 3 b1 a 2 b1 a1 b1 a 3 b2 a 2 b2 a1 b2
4 a 2 b2 a 3 b2 a 3 b1 a1 b2 a1 b1 a 2 b1
5 a 3 b2 a 3 b1 a 2 b2 a 2 b1 a1 b2 a1 b1
39. bra. 3x2 kttnyezs ksrlet elrendezsi terve osztott parcells

elrendezsben, parcellnknti adatokkal
A pldban a vetsid az A tnyez ngy vltozata az t ismtlses

ksrletben vletlen blokkelrendezsben van. A fajta a B tnyez, ennek 3
vltozatt vizsgljuk.

Yijk = m + Ri + Aj + eij + Bk + ABjk + eijk
ahol:
rtke
eij = az A tnyez hibja
eijk = a B tnyez hibja
61. tblzat. A GLM-tblzat szerkezete kt-tnyezs osztott

parcells elrendezsben
- 111 -
Tnyez SS df M F Sig DESIGN

S .
Eltrs 1
Ismtls r-1 ismtls
A tnyez a-1 atnyez
Hiba (a) (r-1)(a-1) atnyez*ismtl
s
B tnyez b-1 btnyez
AxB (a-1)(b-1) atnyez*btny
klcsnhat ez
s
Hiba (b) a(r-1)(b-
1)
62. tblzat. A kt-tnyezs osztott parcells elrendezs SPSS

parancsai
UNIANOVA
napok BY ismtls atnyez btnyez
/METHOD = SSTYPE(3)
/RANDOM = ismtls
/DESIGN = ismtls atnyez atnyez*ismtls btnyez
atnyez*btnyez .
63. tblzat. A kt-tnyezs osztott parcells elrendezs

eredmnytblzata, a=4, b=3, r=5
Dependent Variable: Napok szma vetstl hmvirgzsig

Type III
Sum of Mean
Intercep Hypoth 675220, 675220, 58292
1 ,000
t5 esis 417 417 ,410
Error 11,583(a
46,333 4
)
ismtls Hypoth 46,333 4 11,583 1,590 ,240
- 112 -
esis
Error 87,400 12 7,283(b)
A Hypoth 1704,18 77,99
3 568,061 ,000
tnyez esis 3 5
Error 87,400 12 7,283(b)
Hiba (a) Hypoth
87,400 12 7,283 ,495 ,902
esis
Error 14,708(c
470,667 32
)
B Hypoth 9168,23 4584,11 311,6
2 ,000
tnyez esis 3 7 68
Error 14,708(c
470,667 32
)
A*B Hypoth
klcsn esis 19,767 6 3,294 ,224 ,966
hats
Hiba 14,708(c
470,667 32
(b) )
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 -
parcellaszm ezrt 48. A rendelkezsre ll terlet miatt egy parcella mrete

csak 10 m2 lehet. A talajmvels s vets kombinciinak elhelyezse
gyakorlatilag kivitelezhetetlen a gpek fordulsa s helyignye miatt. Mindkt
kezelshez nagyobb terletre van szksg, mint 10 m2. gy csak a svos
elrendezs nyjthat segtsget.
Az egsz ksrleti teret annyi egyforma nagysg rszre, blokkra bontjuk,
ahny ismtlses ksrletet terveznk. Ezt kveten ismtlsenknt
elhelyezzk az A tnyez minden vltozatt, mintha nem is lenne B
tnyez, majd ezekre keresztbe helyezzk el a B tnyez minden vltozatt,
mintha nem lenne A tnyez. A kt kezels szintjeinek elhelyezst minden
ismtlsben jra randomizljuk.
40. bra. Kt-tnyezs ksrlet svos elrendezsben.

Yijk = m + Ri + Aj + eij + Bk + eik + ABjk + eijk
ahol:
Yijk = egy parcella termse (kg/parcella)
rtke
eik = a B tnyez hibja
ABjk = a kt tnyez klcsnhatsa
- 114 -
64. tblzat. A GLM-tblzat szerkezete kt-tnyezs svos

elrendezsben
S g.
Eltrs 1
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 (a-1)(b-1) atnyez*btny
klcsnhat ez
s
Hiba (a x b) (r-1)(a-1)
(b-1)
65. tblzat. A kt-tnyezs svos elrendezs SPSS parancsai

UNIANOVA
terms BY ismtls atnyez btnyez
/METHOD = SSTYPE(3)
/RANDOM = ismtls
/DESIGN = ismtls atnyez atnyez*ismtls btnyez
btnyez*ismtls atnyez*btnyez
- 115 -
66. tblzat. A kttnyezs svos elrendezs eredmnytblzata,

a=4, b=3, r=4
Dependent Variable: c.rpa terms kg/10 m2
Type III
Sum of Mean
Intercept Hypothe 34133,33 34133,3 967,55
1 0
sis 3 33 9
Error 35,278(a
105,833 3
)
Ismtls Hypothe
105,833 3 35,278 2,988 ,134
sis
Error 5,0 11,806(b
59,652
53 )
A Hypothe
133,667 3 44,556 4,367 ,037
tnyez sis
Error 10,204(c
91,833 9
)
Hiba (a) Hypothe
91,833 9 10,204 1,406 ,257
sis
Error 130,667 18 7,259(d)
B Hypothe
1113,167 2 556,583 62,812 ,000
tnyez sis
Error 53,167 6 8,861(e)
Hiba (b) Hypothe
53,167 6 8,861 1,221 ,341
sis
Error 130,667 18 7,259(d)
AxB Hypothe
klcsnh sis 86,333 6 14,389 1,982 ,122
ats
Hiba
130,667 18 7,259(d)
(axb)
a MS(ismtls)
b MS(ismtls * atnyez) + MS(ismtls * btnyez) - MS(Error)
c MS(ismtls * atnyez)
d MS(Error)
e MS(ismtls * btnyez)
- 116 -
Hrom- s tbb-tnyezs ksrletek
Hrom vagy ennl tbb tnyezs ksrleti elrendezsek kzl gyakorlatilag

knnyen tervezhet s rtkelhet a vletlen blokk, az osztott parcells s a
svos elrendezs kombincii.
Hrom-tnyezs ksrletekben ebbl a hrom alaptpusbl a kvetkez
kombincikat kpezhetjk:
A hrom tnyez vltozatainak minden kombincijt az ismtlsen bell
vletlenszeren rendezzk el (vletlen blokkelrendezs).
Az A s B tnyezk vltozatainak kombinciit ismtlsen bell 1.)
vletlenszeren, 2.) osztott parcellsan, 3.) svosan rendezzk el. Az a x b
kombincij parcellkat osztjuk fel a C tnyez szerint alparcellkra.
Az A tnyez vltozatait ismtlsen bell vletlenszeren rendezzk el. Az A
tnyez vltozatai teht fparcellkat kpeznek. Ezeket a fparcellkat osztjuk
fel B s C tnyezk vltozatainak kombinciira: 1.) vletlenszer, 2.) osztott
parcells, 3.) svos elrendezsben.
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.

Yijkl = m + Ri + Aj + Bk + Cl + ABjk + ACji + BCki + ABCjkl + eijkl
ahol:
rtke
- 117 -
Cl = a C tnyez termsre gyakorolt hatsa

ABjk = a kt tnyez klcsnhatsa
ACji = a kt tnyez klcsnhatsa
BCki = a kt tnyez klcsnhatsa
ABCjkl = a hrom tnyez klcsnhatsa
eijkl = hiba
67. tblzat. A GLM-tblzat szerkezete hromtnyezs vletlen

blokkelrendezsben
Tnyez SS df M F Sig DESIGN
S .
Korriglt
modell
Eltrs 1
Ismtls r-1 ismtls
A tnyez a-1 toszam
B tnyez b-1 hibrid
C tnyez c-1 tragya
AxB (a-1)(b-1) hibrid*toszam
klcsnhats
AxC (a-1)(c-1) toszam*tragya
klcsnhats
BxC (b-1)(c-1) hibrid*tragya
klcsnhats
AxBxC (a-1)(b-1) hibrid*toszam*t
(c-1) ragya
Hiba (r-1)(abc-1)
sszesen rabc
Korriglt rabc-1
sszesen
- 118 -
68. tblzat. A hrom-tnyezs vletlen blokkelrendezs SPSS

parancsai
UNIANOVA
termes BY ismetles toszam hibrid tragya
/METHOD = SSTYPE(3)
/DESIGN = ismetles toszam hibrid tragya hibrid*toszam
toszam*tragya hibrid*tragya hibrid*toszam*tragya .
69. tblzat. A hrom-tnyezs vletlen blokkelrendezs

eredmnytblzata, a=2, b=3, c=3, r=4

Type III
Sum of Mean
Intercept 6769.019 1 6769.019 9399.807 .000
ISMETLES 1.098 3 .366 .508 .678
TOSZAM 16.872 1 16.872 23.430 .000
HIBRID 23.914 2 11.957 16.604 .000
TRAGYA 147.237 2 73.618 102.230 .000
TOSZAM * HIBRID 3.873 2 1.936 2.689 .078
TOSZAM * TRAGYA 8.104 2 4.052 5.627 .006
HIBRID * TRAGYA 1.438 4 .360 .499 .736
TOSZAM * HIBRID
2.098 4 .525 .728 .577
* TRAGYA
Error 36.726 51 .720
Total 7010.379 72
Ktszeresen osztott parcells (split-split-plot) elrendezs

Ez az elrendezs technikailag igen elnys hrom-tnyezs elrendezs,
fknt szntfldi ksrletekben, mert a fparcellk, az elsrend s a
msodrend alparcellk eltr mretei klnbz tulajdonsg kezelsek
kombincijt teszik lehetv. A kevsb fontos tnyezt (kezelst) a
fparcelln (A) helyezzk el, a legfontosabbat a msodrend alparcellkon
(C). Az A tnyez vltozatainak ismtlse megegyezik a valdi ismtls
szmval (r). A B tnyez ismtls szma ra, amibl a a bels ismtls. A
C tnyez ismtlse rab, amibl ab bels ismtls. Amennyiben a
- 119 -
klcsnhatsok nem szignifiknsan, a bels ismtlsek is valdi ismtlst

jelentenek.
Egy debreceni ksrletben a fparcelln a tszmot (A), az elsrend
alparcelln a hibridet (B) s a msodrend alparcelln a mtrgyakezelseket
(C) helyeztk el ngy ismtlsben (r).
(1) ismtls (2) ismtls

F parcella A1 A2 A2 A1
Al parcella 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
41. bra. Hrom-tnyezs ktszeresen osztott parcells elrendezs

terve

Yijkl = m + Ri + Aj + eij + Bk + ABjk + eijk + Cl + ACji + BCki + ABCjkl + eijkl
ahol:
rtke
Cl = a C tnyez termsre gyakorolt hatsa
ACji = a kt tnyez klcsnhatsa
BCki = a kt tnyez klcsnhatsa
ABCjkl = a hrom tnyez klcsnhatsa
eijkl = hiba
- 120 -
70. tblzat. A GLM-tblzat szerkezete hrom-tnyezs

ktszeresen osztott parcells elrendezsben
S g.
Eltrs 1
Ismtls r-1 ismtls
A tnyez a-1 toszam
Hiba (a) (r-1)(a-1) ismetls*toszam
B tnyez b-1 hibrid
AxB (a-1)(b- hibrid*toszam
klcsnhat 1)
s
Hiba (b) a(r-1)(b- toszam(hibrid*ism
1) etles)
C tnyez c-1 tragya
AxC (a-1)(c- toszam*tragya
klcsnhat 1)
s
BxC (b-1)(c- hibrid*tragya
klcsnhat 1)
s
AxBxC (a-1)(b- hibrid*toszam*trag
1)(c-1) ya
Hiba (c) ab(r-1)
(c-1)
71. tblzat. Hrom-tnyezs ktszeresen osztott parcells

elrendezs SPSS parancsai
UNIANOVA
termes BY ismetles toszam hibrid tragya
/METHOD = SSTYPE(3)
/RANDOM = ismetles
/DESIGN = ismetles toszam ismetles*toszam hibrid
hibrid*toszam toszam(hibrid*ismetles) tragya toszam*tragya
hibrid*tragya hibrid*toszam*tragya .
- 121 -
72. tblzat. Hrom-tnyezs ktszeresen osztott parcells

elrendezs eredmnytblzata, a=2, b=3, c=3, r=4
Dependent Variable: terms
Type III
Sum of
Source Squares df Mean Square F Sig.
Intercept Hypothesis 6769,019 1 6769,019 18498,464 ,000
Error 1,098 3 ,366(a)
Ismetles Hypothesis 1,098 3 ,366 ,336 ,803
Error 3,266 3 1,089(b)
Toszam Hypothesis 16,872 1 16,872 15,498 ,029
Error 3,266 3 1,089(b)
Hiba (a) Hypothesis 3,266 3 1,089 1,865 ,189
Error 7,005 12 ,584(c)
Hibrid Hypothesis 23,914 2 11,957 20,482 ,000
Error 7,005 12 ,584(c)
Toszam * Hypothesis
3,873 2 1,936 3,317 ,071
Hibrid
Error 7,005 12 ,584(c)
Hiba (b) Hypothesis 7,005 12 ,584 ,794 ,653
Error 26,455 36 ,735(d)
Tragya Hypothesis 147,237 2 73,618 100,181 ,000
Error 26,455 36 ,735(d)
Toszam * Hypothesis
8,104 2 4,052 5,514 ,008
Tragya
Error 26,455 36 ,735(d)
Hibrid * Hypothesis
1,438 4 ,360 ,489 ,743
Tragya
Error 26,455 36 ,735(d)
Toszam * Hypothesis
Hibrid * 2,098 4 ,525 ,714 ,588
Tragya
Hiba (c) 26,455 36 ,735(d)
a MS(ismetles)
b MS(ismetles * toszam)
c MS(toszam(ismetles * hibrid))
d MS(Error)
- 122 -
Kovarinsok alkalmazsa a lineris modellben

A variancia-analzis sorn tekintettel kell lenni arra is, hogy a vizsglni kvnt
fggvltozt vagy vltozkat a szmtsba bevont, ill. ksrletbe lltott
tnyezkn tl egyb ms tnyezk is befolysoljk. Keresni kell egy olyan
vltozt, amelyet folyamatosan kontrollunk, mrnk, s valsznleg lineris
kapcsolatban van a fgg vltozval. Ezt a vltozt nevezzk kovarinsnak. A
kovarins(ok) bevonsakor az analzis sorn gy hajtunk vgre egyszerre
variancia- s regresszi analzist, hogy a lineris regresszival korriglt,
mdostott fgg vltoz variancijt bontjuk fel kezelshatsokra. A
kovarinsnak folytonos, skla tpus adatnak kell lennie.
Alkalmazsi felttel:
A kovarins lineris kapcsolatban legyen a fggvltozval
A kovarins rtke nem fgghet az alkalmazott kezelsektl, tnyezktl
Az els felttel magtl rtetd. Amennyiben a kovarins s a fggvltoz

kztt a kapcsolat nem lineris, a regresszival mdostott adatok torz rtket
fognak felvenni.
A msodik felttel teljeslse gyakorlatilag azt eredmnyezi, hogy a kezelsek
minden egyes parcelljn, celljn, stb. a regresszis koefficiens rtke
megegyezik, azaz egyetlen regresszis egyenessel rhat le az sszefggs.
Egy kt-tnyezs lineris modell kovarinssal kiegsztett matematikai
modellje:
Yijk = + Ai +Bj + ABij + xijk + ijk
Ahol:
Yijk : a fggvltoz rtke
: a ksrlet ftlaga (fix hats)
Ai: A tnyez hatsa
Bj: B tnyez hatsa
ABij: a kt tnyez klcsnhatsa
: a fggvltoz s a kovarins kztti lineris regresszis
egytthat
xijk: a kovarins rtkei
ijk: hiba, eltrs, a vletlen hatsa
Egy modellbe tbb kovarins is bevonhat, ha teljestik a fenti alkalmazsi

feltteleket.
Plda: Gymlcsfkat kezeltek virgrgyet indukl szerrel. Megmrtk 50
kezeletlen s 50 kezelt vesszn a virgrgyek szmt. Az adatokat variancia-
analzissel rtkeltk. A kezels hatst az 73. tblzat mutatja.
- 123 -
73. tblzat. Virgrgyek szma a kezels hatsra

Estimates
Dependent Variable: virgyrgyek szma (db)

permetezs Mean Std. Error Lower Bound Upper Bound
nem kezelt 1.900 .183 1.536 2.264
kezelt 1.400 .183 1.036 1.764
Jl lthat, hogy a kezeletlen vesszkn tbb virgrgy van, mint a kezelten.

Vajon szignifiknsan tbb, vagy csak a vletlen ingadozsnak tudhat be a
klnbsg? Vlasszuk a szignifikancia szintet 5%-ra, s vgezzk el a
variancia-analzist! Az eredmnyt az 74. tblzat mutatja.
74. tblzat. A permetezs hatsa a virgrgyek szmra


Type III Sum
Intercept 272.250 1 272.250 162.191 .000
KEZELS 6.250 1 6.250 3.723 .057
Error 164.500 98 1.679
Total 443.000 100
A KEZELS sort elemezve, elmondhat, hogy 5%-os szignifikancia szint

mellett nincs klnbsg a kezelt s kezeletlen vesszk virgszma kztt.
Amennyiben elzetesen az elsfaj hiba valsznsgt 10%-ban llaptottuk
volna meg, akkor ki kellene jelenteni, hogy a nem kezelt vesszkn
szignifiknsan tbb virgrgy tallhat. Ez teljesen ellentmond a korbbi
szakirodalmi megllaptsoknak. Vajon mi lehet ennek az oka? Vizsgldjunk
tovbb, nzzk meg az r-ngyzet rtkt! Ez nagyon alacsony 0,037, s a
variancia-analzis tblzat Corrected Model sora sem igazolja a lineris
modell helyessgt (p>0,05). Valsznleg egyb tnyez befolysolja a
virgrgyek szmt, ami elfedi a kezels hatst.
A virgrgyek a vesszk nduszain fejldnek. Kt ndusz kztti tvolsg
ugyanazon faj esetben elgg konstans. Hossz vesszn potencilisan
tbb, rvidebb vesszn potencilisan kevesebb virgrgy indukldhat.
Vizsgljuk meg a kezelt s kezeletlen vesszk hosszt (42. bra).
- 124 -
200
Vesszk hossza (cm) 100
0
N= 50 50
nem kezelt kezelt
42. bra. Gymlcsfa vesszhossza a klnbz kezelsekben
Ezek szerint a nem kezelt vesszk valamilyen szisztematikus hiba miatt

eredetileg hosszabbak voltak, mint a kezelt vesszk. Mi okozhatja ezt?
Valsznleg kt szemly vgezte a fk felvtelezst, az egyik a nem kezelt
vesszket mrte s szmolta
meg rajta a virgrgyeket, a
msik ugyanezt tette a kezelt
vesszkkel. Az els
szemlynek azonban csak a
hosszabb vesszk voltak a
szimpatikusak,
szisztematikusan vlogatott a
vesszk kztt, nem adta meg
az eslyt, hogy brmilyen
hosszsg belekerljn a
mintba. Korbbi ismereteink
alapjn nyugodtan
felttelezhetjk, hogy a
43. bra. GLM modell kovarinssal vesszhossz s virgrgyek
szma lineris kapcsolatban
kiegsztve van egymssal. Knnyen
belthat, hogy a vesszk hossza nem fgg a kezelstl, permetezstl.
A kovariancia analzis futtatshoz trjnk vissza az ANALYZE/ GENERAL LINEAR

MODEL UNIVARIATE parancshoz, ahol a COVARIATE(S) ablakba helyezzk az
ghossz vltozt (43. bra). Az OK gombra kattintva futtassuk a programot.
- 125 -
75. tblzat. A GLM eredmnytblzata


Type III Sum
Intercept 22.848 1 22.848 115.322 .000
GHOSSZ 145.282 1 145.282 733.279 .000
KEZELS 2.061 1 2.061 10.404 .002
Error 19.218 97 .198
Total 443.000 100
A Corrected Model sor alapjn megllapthat, hogy a lineris modell helyes,

az R-ngyzet rtke magas, 0,887. Az ghossz vltoz, ami a vesszk
hosszt jelenti, lineris kapcsolatban van a virgrgyek szmval. A kezels
szintn szignifikns, a kezeletlen s kezelt csoportban a virgrgyek szma
jelentsen eltr. Kovarins alkalmazsakor korriglni kell a mrt csoport
tlagokat, mintha minden csoportban a vesszk hossza megegyezett volna.
Ezt egy tlagos vessz-hosszat figyelembe vve kell megtenni. (Gyakorlatilag
ezzel hendi kepeltk a virgszmot.)
A 76,19cm-es vesszhosszra korriglt virgszmokat az 76. tblzat mutatja.
Itt mr a szakirodalommal megegyez rtkeket ltunk, a kezelt vesszkn
20%-kal tbb virg fejldtt.
76. tblzat. Korriglt virgrgy szmok

Estimates

permetezs Mean Std. Error Lower Bound Upper Bound
nem kezelt 1.499 a .065 1.370 1.627
kezelt 1.801 a .065 1.673 1.930
a. Evaluated at covariates appeared in the model: GHOSSZ =
76.19.
Mivel csak kt csoportunk van nem kell tovbbi teszteket elvgezni a

kzprtkek klnbsgnek szignifikancia vizsglatra.
Azonban kvncsiak lehetnk a lineris modell paramtereinek rtkeire.
Ehhez 43. bra Options parancsra kattintva ikszeljk be a Parameter
estimates ngyzetet (44. bra). A paramterek rtkeit a 77. tblzat B
oszlopbl olvashatjuk le.
- 126 -
44. bra. A paramterek rtkeinek

meghatrozsa
77. tblzat. A lineris modell paramterei

Parameter Estimates

Parameter B Std. Error t Sig. Lower Bound Upper Bound
Intercept -1.091 .111 -9.791 .000 -1.313 -.870
GHOSSZ 3.80E-02 .001 27.079 .000 3.519E-02 4.075E-02
[KEZELS=0] -.303 .094 -3.226 .002 -.489 -.116
[KEZELS=1] 0a . . . . .
a. This parameter is set to zero because it is redundant.
A fenti plda is jl igazolja, hogy a ksrlet kivitelezse, az adat felvtelezs

krlmnyei, a randomizci hinya dnt mrtkben befolysolhatja egy
ksrletbl levont kvetkeztetsek helyessgt.
- 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.
KT-VLTOZS SZTOCHASZTIKUS KAPCSOLATOK
Egy gazdasgban termesztett haszonnvny pl. kukorica termst szmos

tnyez befolysolja: talajtpus, tszm, a mtrgyzs jellege, kzi- s gpi
munka rfordts, termkpessg stb. Ezek kztt a vltozk kztt
klnbz kapcsolatok alakulhatnak ki. Kt vltoz kztt hromfle kapcsolat
jhet ltre:
A kt vltoz fggetlen egymstl, ha az egyik vltoz semmilyen informcit
nem szolgltat a msik vltozrl.
Ha az egyik mutat hat a msik mutat alakulsra, de a hats vletlenszer
(kvetkeztets szint s csak kzeltleg becslhet), akkor sztochasztikus a
kapcsolat kt mutat kztt.
Fggvnyszer kapcsolatrl akkor beszlnk, ha az egyik mutat vltozsa
egyrtelmen befolysolja a msik mutat megvltozst.
A mezgazdasgi termelsi folyamatokban elssorban sztochasztikus
kapcsolattal tallkozhatunk, ezeknek van kitntetett szerepk. A
sztochasztikus kapcsolatokat az albbiak szerint csoportosthatjuk.
Kt minsgi ismrv kztti kapcsolatot az asszocici fejez ki.
A rangkorrelci a sorba rendezett tnyezk kztti kapcsolat elemzsnek
eszkze.
Vegyes kapcsolatrl beszlnk, ha egy minsgi s egy mennyisgi vltoz
kztti kapcsolatot elemznk.
Kt vagy tbb magas mrsi szint ismrv egyttes vizsglatakor (ha nem
fggetlenek egymstl) kt krds merl fel: (1) milyen a kt vltoz kztti
kapcsolat erssge s irnya; (2) hogyan lehet kvetkeztetni az egyik vltoz
- 128 -
rtkeibl a msik vltoz rtkeire. Az els krdsre a korrelciszmts, a

msodikra a regresszi-szmts adja meg a vlaszt.
A kvetkezkben rszletesen ismertetjk a fenti mdszereket. A vizsglat
sorn el kell majd dntennk, hogy melyik mdszert kell alkalmazni; a dntst
aszerint kell meghozni, hogy az adataink milyen mrsi szintek (nominlis,
ordinlis, arny s intervallum).
Brmilyen vizsglat megkezdse eltt azonban fontos annak tgondolsa,
hogy van-e valamilyen valsgos alapja a kt vltoz kztti kapcsolatnak.
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).
78. tblzat. A vezetk megoszlsa a klnbz nyeresg

mezgazdasgi vllalkozsokban
Als- Kzp- Fels-
A vllalat sszesen
fok vgzettsg vezetk
Vesztesges 280 145 45 470
Kzepes
260 180 60 500
nyeresg
Nagy
180 230 120 530
nyeresg
sszesen 720 555 225 1500
Forrs: VINCZE SZ. (2005): A korrelci- s regressziszmts

mdszertani alapjai a terleti statisztikai elemzsekben.
Amikor megkezdjk kt minsgi ismrv kapcsolatnak vizsglatt s a

kapcsolat erssgnek meghatrozst, elsknt az adatokat kereszttblba
(kombincis tblba) rendezzk. A kereszttblban az adatokat kt (vagy
- 129 -
tbb) szempont / kt (vagy tbb) vltoz szerint rendezve ltjuk. A pldnkban

az egyik szempont (vltoz) a megkrdezett egyn iskolai vgzettsge, ami
hrom kategribl ll: als-, kzp- s felsfok vgzettsg. A msik
szempont a vllalat minstse aszerint, hogy vesztesges, kzepes
nyeresg vagy nagy nyeresg-e a vllalat.
Ha a kontingencia tblzatban a gyakorisgok elhelyezkedse valamilyen
szablyossgot mutat, akkor rdemes konkrt mutatszmmal kimutatni a
kapcsolat szorossgt.
Az asszocicinl alkalmazott mutatszmokat tbb megkzelts szerint
kaphatjuk, ezek kzl mi azzal foglalkozunk, amelyik fggetlensget ttelez fel
( 2 - prba).
A 2 - prba
A prba kt vltoz kztti kapcsolat valdisgnak az eldntsre szolgl.

Ez a mdszer nmagban nem mutatja meg a kapcsolat erssgt, csak arra
ad vlaszt, hogy a vltozk kztt van-e tnylegesen kapcsolat egy bizonyos
valsznsgi szint mellett.
Az egyik vltoznk legyen r osztlyba sorolhat, mg a msik vltozt c
osztlyba soroljuk. Jelljk a kereszttbla ltalnos elemt xij -vel. A
nullhipotzisnk ( H 0 ) szerint a kt vizsglt vltoz fggetlen egymstl.
A statisztikai prba clja az, hogy megllaptsuk, milyen mrtk eltrs
tapasztalhat a megfigyelt rtkek s a nullhipotzisek alapjn elmletileg vrt
rtkek kztt. Az eltrs mrtke a vltozk egymsra hatsbl addik.
Minl nagyobb ez az eltrs, annl nagyobb a valsznsge, hogy a vltozk
kztt tnyleges kapcsolat van.
A prba:
r c (f ij f ij ) 2
2
= ,
i =1 j =1 f ij
ahol f ij az elvrt, elmleti gyakorisg (felttelezve a fggetlensget):

f i. f . j
f ij = .
n
A 2 rtkre rvnyes a kvetkez relci: 0 2 N min{( r 1), ( c 1)} , ahol a
szorzand a kapcsos zrjelben lv szmok kisebbike. A 2 rtke
pontosan akkor nulla, ha a kt ismrv fggetlennek tekinthet, s akkor ri el a
maximumt, ha a kt ismrv kztt fggvnyszer kapcsolat van.
A tovbbiakban klnvlasztjuk a 2 2 -es s az r c -s ( r , c > 2 ) tblkat,
megnzzk, hogy hogyan vizsgljuk a fggetlensget, s milyen asszocicis
mrszmokat lehet hasznlni az egyes esetekben. Szmos mutatt
- 130 -
dolgoztak ki az asszocici mrsre, ezek kzl a legltalnosabban

hasznltakat tekintjk t.
Asszocici s fggetlensg 2 2 -es tblban
Legyen kt vltoznk, ezeket jelljk A -val s B -vel, s mindkt vltoz

legyen dichotm (ktrtk). A kt-kt kategrit jelljk A1s A2 -vel, illetve
B1s B2 -vel. A megkrdezett szemlyeket gy ngy tpusra lehet bontani
aszerint, hogy ( A1,B1) , ( A1,B2 ) , ( A2,B1) s ( A2,B2 ) kategrik melyikbe
esnek. Jelljk fij -vel azoknak az eseteknek a szmt, amelyek az ( Ai , B j )
kategriba esnek. Rendezzk a gyakorisgokat a 79. tblzatba.
79. tblzat. A 2 2 -es kontingencia tblzat

B1 B2 sszesen
A1 f11 f12 f1.
A2 f21 f22 f 2.
sszesen f.1 f .2 N
Az utols oszlopban ( fi. ) s az utols sorban ( f. j ) szerepl gyakorisgokat

peremgyakorisgoknak (felttel nlkli eloszlsoknak) nevezzk, mg a tbbi
gyakorisgot ( fij ) feltteles eloszlsoknak hvjuk. A tblzatban fi. az i -edik
sor sszegt (vagyis az Ai kategriba es vlaszadk teljes szmt), f. j a
j -edik oszlop sszegt (vagyis a B j kategriba es vlaszadk teljes
szmt) jelli, mg N a teljes vlaszadk szmt jelenti.
A tblzat alapjn az albbi krdsekre kereshetjk a vlaszt:
Az A s B vltozk kapcsoldnak egymshoz, vagy fggetlenek?

Ha nem fggetlenek, hogyan kapcsoldnak egymshoz?
A vltozk fggetlensgnek tesztelse
Ha az A s B vltozk fggetlenek egymstl, akkor ez azt jelenti, hogy az

A kategrijnak ismerete semmifle informcit nem ad a B kategrijra
- 131 -
f11 f12 f11 f21

nzve. Matematikailag ha A s B fggetlenek, akkor = s =
f.1 f.2 f1. f2.
fggetlensg tesztelsekor a kt-vltozs valsznsgeloszlst kell tekinteni.
Tekintsk a 80. tblzatot, ami az elmleti valsznsgeloszlst tartalmazza.
80. tblzat. 2 2 -es tblzat elmleti valsznsg eloszlsa

B1 B2 sszesen
A1 p11 p12 p1.
A2 p21 p22 p2.
sszesen p.1 p.2 1
A tblzatban szerepl pij elmleti valsznsg annak a valsznsgt adja

meg, hogy vletlenszeren kivlasztva egy megfigyelsi egysget, az ppen
az (i, j ) cellhoz tartozik-e. A peremeloszlsokat a kvetkezkppen lehet
2 2 =1
felrni: pi. = pij , p. j = pij s
pij
i j . (A teljes valsznsg 1-gyel
j =1 i =1
egyenl, hiszen egy vlaszol a ngy cella valamelyikbe mindenkppen
beletartozik.)
Ha az A s B vltozk fggetlenek, akkor a B1 kategriba tartozk azon
arnya, akik az A1 kategriba tartoznak, meg kell hogy egyezzen a B2
kategriba tartozk azon arnyval, akik az A1 kategriba tartoznak,
vagyis:
p11 p12 p1.
= = ,
p.1 p.2 1
azaz p11 = p1. p.1 .

Ha a B1 kategrit tekintjk felttelnek, akkor az A kategrira akkor nincs
hatssal ez a felttel, ha:
p11 p 21 p.1
= = ,
p1. p 2. 1
vagyis p11 = p.1 p1. . ltalnossgban azt mondhatjuk, hogy az A s B

fggetlenek egymstl, ha pij = pi. p. j , ( i, j = 1,2) .
A tnyleges valsznsgeket rendszerint nem ismerjk, azok becslst
f ij
azonban a gyakorisgok alapjn megkaphatjuk: p ij = . Fggetlensget
N
felttelezve:
- 132 -
f ij f i. f . j
= .
N N2
A vrhat gyakorisg az A s B vltozk fggetlensgt felttelezve:
f i. f . j
f ij = N p ij = . A tnyleges s a vrhat gyakorisg alapjn 2 -fggvny
N
tapasztalati rtkt kiszmtjuk s sszehasonltjuk az elmleti rtkkel, amit
szignifikancia-szint s ( i 1) ( j 1) szabadsgi fok mellett keresnk meg. Ha
az empirikus 2 rtk nagyobb, mint az elmleti rtk, az adott valsznsgi
szinten elvetjk a fggetlensgre vonatkoz nullhipotzist. A 2 kiszmtsa
2 2 -es tblzat esetn:
( 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.
Az asszocici mrse 2 2 -es tblzat esetben
11 22 12 21 f f f f
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.
Goodman s Kruskal-fle mrtk: A Goodman s a Kruskal-fle mrtk
2 2 -es tbla esetben megegyezik a 2 statisztikval, ha a 2 rtkt
( f11 f22 f12 f21) 2
elosztjuk N -nel: = .
fi. f2. f.1 f.2
Kzvetlenl 2 -en alapul mrtkek: A fggetlensg tesztelsre alkalmas

2 rtk az asszocici mrsre is alkalmas, ha klnbz transzformcit
hajtunk vgre rajta. A transzformci vgrehajtsra azrt van szksg, mert
a 2 rtke a [0, ] intervallumba esik. A kvetkez kt mutat alkalmas az
asszocici jellemzsre:
2
= , ahol 2 rtke megegyezik a rtkkel;
N
2
C= .
2 + N
- 133 -
A C -t kontingencia-egytthatnak nevezzk. Ennek a mutatnak az a

1
htrnya, hogy maximuma nem 1, hanem 2.
Asszocici s fggetlensg r c -s tblban

Tekintsk ltalnossgban az r sorbl s c oszlopbl ll ktdimenzis
kontingencia tblzatot (81. tblzat).
A 2 2 -es tbla elemzsnl lttuk, hogy fggetlensg esetn annak
valsznsge, hogy a mintbl egy esetet vletlenl kivlasztva az a tblzat
i -edik sor j -edik oszlopba, vagyis az ( i, j ) cellba esik: pij = pi. p. j ,
(i =1,...,r; j =1,...,c) . Itt sem ismerjk a pij elmleti valsznsget, de meg
lehet becslni a mintbl:
fi. f. j
fij = .
N
A fggetlensg tesztelse a 2 prbval:
2
=
r c f ij f ij
2
( ) ,
i =1 j =1 f ij
ahol f ij az elvrt, elmleti gyakorisg (felttelezve a fggetlensget):

f i. f . j
f ij = .
n
81. tblzat. Kontingencia tblzat

Az Y ismrv szerinti
osztlyok
C1Y C 2Y C Yj C cY sszesen
Az X ismrv szerinti osztlyok
C1X f11 f12 f1 j f1c f1.
C 2X f 21 f 22 f2 j f 2c f 2.
.
C iX 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 N
- 134 -
Az asszocici mrse r c -s tblzat esetben
Az asszocici mrsnl a vltozk kt mrsi tpust klnbztetjk meg: a

nominlis vltozkat s az ordinlis vltozkat. Nzzk meg, hogy a kt
vltoz esetn milyen asszocicis mrszmokat hasznlhatunk.
Nominlis vltozkhoz tartoz asszocicis mutatk
Kzvetlenl a 2 -en alapul mrtkek: A 2 2 -es tblnl alkalmazott

mrtkek ugyangy alkalmazhatk az r c -s tblk esetben is.
2 r c;
Cramer-fle asszocicis egytthat: V= ha illetve
N ( r 1)
2
V = ha r > c . A Cramer-fle asszocicis egytthat rtke 0, akkor
N ( c 1)
a kt mutat fggetlen, mg az 1-hez kzeli rtk nagyon ers kapcsolatra
utal.
2
A Csuprov-fle asszocicis egytthat: T =
N ( r 1) ( c 1) . A T rtke
szintn 0 s 1 kztt mozog.
Goodman s Kruskal-fle mrtk: A mrtk rtke a [ 0,1] intervallumba
r c f ij2 c
N f. 2j
i =1 j =1 f i. j =1
esik s kiszmtsnak kplete: = .
c
N2 f . 2j
j =1
Ordinlis vltozkhoz tartoz asszocicis mutatk
A kvetkezkben olyan tblkkal foglalkozunk, amelyben az A s B vltozk

kategrii rendezettek, vagyis, ha mondjuk valaki az A vltoz els
kategrijba kerl magasabbra rangsorolt, mint aki a msodik kategriba
kerlt.
- 135 -
82. tblzat. Az ordinlis vltozk esetn bevezetett ngy

mennyisg
A megfigyelsi egysgek
Az j jells: azon prjainak a teljes
szma, amelyekre:
vagy i > i s j > j
S
vagy i < i s j < j
vagy i > i s j < j
D
vagy i < i s j > j
Ta i = i
Tb j = j
Vezessnk be ngy j jellst. Tekintsk a megfigyelt szemlyek egy ltalnos

prostst. Az egyik szemly tartozzon az ( i, j ) cellhoz, vagyis az A vltoz
i -edik kategrijhoz s a B vltoz j -edik kategrijhoz. A msik
szemly kerljn az ( i , j ) cellba. Az asszocici ordinlis mrtke a
kvetkez ngy mennyisgnek a fggvnye (82. tblzat):
Ha az A s B vltozk kztt ers az asszocici rtke akkor az S rtke
nagy, s D rtke kicsi lesz. Ez azt jelenti, hogy az asszocicit az S s a D
klnbsgvel, ennek a klnbsgnek a standardizlsval kell mrni.
SD
Goodmann s Kruskal-fle : = . A mrtknek a valsznsgi
S+D
rtelmezse: annak a valsznsgbl, hogy a mintbl vletlenszeren
kivlasztott kt megfigyels hasonlan rendezett vonjuk ki annak a
valsznsgt, ha nem hasonlan rendezett, eltekintve azoktl a proktl,
amelyik valamelyik vltoz azonos kategrijba esnek. A a [1,1]
intervallumban veheti fel az rtkt. Ha az A s B vltozk fggetlenek,
akkor tlagosan nulla.
Kendall-fle : Kendall-mrtke figyelembe veszi az azonos kategrikba
2 ( S D)
val esst is: =
( S + D + Ta ) ( S + D + Tb ) .
Somer-fle d : Somer javasolta, hogy a vizsglat sorn vegyk figyelembe
azt is, hogy B fgg A -tl, vagy fordtva. Ha a B a fgg vltoz a d
S D
mrtkt Somer a kvetkez kplettel definilta: dba = S + D + T . Hasonl
b
rtelmezst adhatunk ennek a Somer-fle rtknek, mint a -nak, azzal a
klnbsggel, hogy most azt felttelezzk, hogy az A vltoz szerint
nincsenek kategriaegyezsek, vagyis i = i .
Trjnk vissza a kiindul feladatunkhoz, amelyben azt akarjuk megvizsglni,
hogy a klnbz vgzettsg vezetk s a mezgazdasgi vllalkozsok
jvedelmezsge kztt van-e sszefggs. Els lpsknt a szmtsok
egyszersge miatt megmutatjuk, hogy hogyan lehet kiszmtani a fenti
- 136 -
kpletekben is szerepl, s a statisztikai vizsglatokban gyakran alkalmazott

2 rtkt.
Ehhez ksztsnk el egy olyan tblzatot (83. tblzat), ami a tapasztalati

f i. f . j
gyakorisgokat tartalmazza a f ij = kplet alapjn. A tblzatba az adatok
n
720 470 338400
szmtsa a kvetkezk szerint trtnik: f11 = = = 225,6;
1500 1500
555 470 260850
f12 = = = 173,9 , stb.
1500 1500
83. tblzat. A tapasztalati gyakorisgok

Als- Kzp- Fels-
A vllalat sszesen
fok vgzettsg vezetk
vesztesges 225,6 173,9 70,5 470
kzepes
240 185 75 500
nyeresg
nagy nyeresg 254,4 196,1 79,5 530
sszesen 720 555 225 1500
A Cramer-fle asszocicis egytthat kiszmtshoz a 84. tblzat ad

segtsget.
84. tblzat. Munkatbla a Cramer-fle egytthat kiszmtshoz
A vllalat f ij f ij f ij f ij (f f ij ) 2 (f ij f ij )
2
ij
f ij
225, 2959,3 13,1177

vesztesges alsfok 280
6 54,4 6 3
kzpfok 173, 4,80281
145
9 -28,9 835,21 8
9,22340
felsfok 45 70,5
-25,5 650,25 4
kzepes 1,66666
alsfok 260 240
nyer. 20 400 7
kzpfok 0,13513
180 185
-5 25 5
- 137 -
felsfok 60 75 -15 225 3

254, 5535,3 21,7584
nagy nyer. alsfok 180
4 -74,4 6 9
kzpfok 196, 1149,2 5,86032
230
1 33,9 1 6
1640,2 20,6320
felsfok 120 79,5
40,5 5 8
80,1966
sszesen 1500 1500 0 -
5
A tblzat alapjn a 2 rtke 80,197. A kapott 2 rtk segtsgvel mr a

korbban ismertetett asszocicis mrszmok meghatrozhatk.
Mivel a pldban r = c , gy ha a Cramer-fle egytthatt szmtjuk ki, akkor a
2 80,197
V = kpletbe helyettestnk s ezzel: V = = 0,163 . Ha a
N ( r 1) 1500 2
Csuprov-fle asszocicis egytthatt hatrozzuk meg, akkor:
2 80,197
T = = 0,19 .
N ( r 1) ( c 1) 1500 3 1
A V s a T rtke alapjn a vezeti szint s a vesztesg kztti kapcsolat

nem tnik jelentsnek.
Az SPSS-ben az asszocicis vizsglatot a kvetkezk szerint vgezhetjk el.
Elszr elkszttetjk a kereszttblt, amit az ANALYZE menpont DESCIPTRIVE
STATISTICS menjnek CROSSTABS parancsn bell tehetnk meg.
Ahogy azt megszoktuk a bal

oldali ablakbl a megfelel
vltozkat tegyk a ROW(S) s
a COLUMN(S) ablakokba. A
DISPLAY CLUSTERED BAR CHARTS
mell tegynk pipt s
egyelre semmilyen ms
belltst ne hajtsunk vgre,
csak egyszeren futtassuk le
a programot.
45. bra. A kereszttbla elksztshez

tartoz panel
- 138 -
Ekkor az OUTPUT ablakban kt tblzat s egy bra jelenik meg. Az els

tblzat csak az esetszmrl tjkoztat bennnket, vagyis hogy hny vals s
hny hinyz adattal rendelkezik az adatmtrixunk, ennek megjelentstl
most eltekintnk. A msodik tblzat (85. tblzat) a tapasztalati
gyakorisgokat tartalmazza, s megegyezik az ltalunk ksztett 83.
tblzattal.
85. tblzat. Az SPSS ltal ksztett tapasztalati gyakorisgokat

tartalmaz tblzat
A megkrdezett vezet vgzettsge * A vlllalat minstse nyeresgessg
szempontjbl Crosstabulation
Count
A vlllalat minstse nyeresgessg
szempontjbl
Total
kzepes nagy
vesztesges
nyeresg nyeresg
A megkrdezett alsfok 280 260 180 720
vezet vgzettsge
kzpfok 145 180 230 555
felsfok 45 60 120 225
Total 470 500 530 1500
A 46. bra a kt vltoz esetn mutatja a gyakorisgokat. Ha az brt

elemzzk, akkor ltjuk, hogy a vesztesges vllatok szma az alsfok
vgzettsg vezetk esetben a legmagasabb, majd egyre nagyobb
vgzettsghez egyre alacsonyabb vesztesges vllalatszm tartozik. Hasonl
tendencia llapthat meg a kzepes nyeresg vllalatok esetben is. A nagy
nyeresg vllalkozsoknl azonban nem lthat semmifle tendenciaszer
sszefggs, ugyanis a kzpfok vgzettsg vezetk esetben a legtbb a
nyeresges vllalatok szma, a felsfok vgzettsg vezetkhz tartozik a
legalacsonyabb gyakorisg rtk.
46. bra. A vltozk kereszttbljhoz tartoz oszlopdiagram
- 139 -
A tovbbiakban
nzzk meg a
parancsablak
egyb belltsi
lehetsgeit. Ha a
STATISTICS gombra
kattintunk,
megjelenik a 47.
bran lthat
panel. Itt llathatjuk
be azt, hogy a
program rja ki a
Khi-ngyzet
statisztika rtkt
(CHI-SQUARE).
47. bra. A STATISTICS parancsgomb
belltsai
Az elmleti sszefoglalshoz hasonlan lthatjuk felsorolva nominlis s

ordinlis vltozk esetn a klnbz asszocicis mrszmokat. Megjellve
a khi-ngyzet statisztikt s a PHI AND CRAMRS V asszocicis mrszmot,
futtassuk le a programot.
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 -
( )
n
6 R xi R yi 2
i =1
= 1
n n2 1 ( )
A Spearman-fle rangkorrelcis egytthat rtke -1 s 1 kz esik. Ha az
rtk 1-hez kzeli, akkor a kt sorrend azonosnak tekinthet, a -1-hez kzeli
rtk a kt sorrend fordtottsgra utal. A 0 kzeli eredmny azt mutatja, hogy
a kt sorrend kztt nincs kapcsolat.
86. tblzat. Az almafajtk sorrendje az z s szn szerint

Alma z Szn
sorszma szerinti sorrend
1 6 6
2 2 3
3 3 1
4 5 7
5 1 2
6 4 4
7 8 8
8 7 5
8 almafajta z s szn kztti sszefggst keressk (rangkorrelacio.sav). A 8

almt brmilyen sorrendben 1-tl 8-ig sorszmozzuk, majd z s szn szerint
rangsoroljuk ket (86. tblzat).
A legrosszabb z alma az 1-es, a legjobb a 8-as rangszmot kapja, mg szn
szerint a legvilgosabbnak az 1-es, a legsttebbnek a 8-as rtket adjuk.
Elfordulhat, hogy kt vagy tbb megfigyels kztt nem tudunk klnbsget
tenni, ilyenkor ezeknek azonos rangszmot adunk. Az azonos rangszm
megfigyelsek n. ktst kpeznek.
Vegyk a megfelel rangszmok klnbsgnek ngyzett (87. tblzat).
Behelyettestve a Spearman-fle rangkorrelcis egytthatt megad kpletbe
(a megfigyelt esetek szma n = 8).
( )
n
6 R xi R y i 2
i =1 6 ( 0 + 1 + 4 + 4 + 1 + 0 + 0 + 4) .
=1
n n 2 1 ( ) =1
(
8 82 1 ) 0,833
- 141 -
87. tblzat. Munkatbla a rangkorrelci szmtshoz

Alma
sorszma
R xi R yi R xi R yi ( R xi R yi ) 2
1 6 6 0 0
2 2 3 1 1
3 3 1 2 4
4 5 7 -2 4
5 1 2 -1 1
6 4 4 0 0
7 8 8 0 0
8 7 5 2 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).
48. bra. A Spearman-fle rangkorrelci parancssora az SPSS-

ben
A megjelent panelban (49. bra) a bal oldali ablakrszben vannak a vltozk
megadva, amelyek kzl ki kell vlasztanunk azokat a vltozkat, amelyek
- 142 -
kztt a Spearman-fle rangkorrelcit ki akarjuk szmtani. Jelljk ki ezeket

a vltozkat, majd helyezzk a VARIABLES ablakba. A CORRELATION COEFFICIENTS
rszben meg kell adni, hogy milyen korrelcit kvnunk szmtani, itt a
SPEARMAN felirat mell tegynk pipt.
49. bra. A rangkorrelci elvgzse az SPSS-ben
Miutn a megfelel belltsokat elvgeztk, futtassuk le a programot, majd

elemezzk a kapott eredmnyt (88. tblzat).
88. tblzat. Az SPSS ltal vgzett rangkorrelci-szmts

eredmnye
Correlations
Az alma z Az alma szn
szerinti szerinti
rangszma rangszma
Spearman's rhoAz alma z szerinti Correlation Coefficient 1,000 ,833*
rangszma Sig. (2-tailed) . ,010
N 8 8
Az alma szn Correlation Coefficient ,833* 1,000
szerinti rangszmaSig. (2-tailed) ,010 .
N 8 8
*. Correlation is significant at the 0.05 level (2-tailed).
Az eredmnyl kapott tblzatban a vizsglt vltozk kztti kapcsolat

szorossgrl (Correlation Coefficient), a korrelci szignifikanciaszintjrl
(Sig. 2-tailed) s a vltoznknt rendelkezsre ll elemszmrl (N)
- 143 -
tjkozdhatunk. Elszr a szignifikancia rtket nzzk meg, ami a

hipotzisvizsglat eredmnye. Nullhipotzisnk alapjn a kt vltoz kztt
nincs kapcsolat. Mivel a szignifikancia sorban p < 0,05, gy elvetjk a
nullhipotzist, azaz az alma ze s szne kztt van kapcsolat. Mivel a
kapcsolat szignifikns, megnzzk a Spearman-fle rangkorrelcis
egytthat rtkt, amit a CORRELATION COEFFICIENT sorban tallunk. Az itt
szerepl 0,833 rtk megegyezik a kzi szmts sorn kapott rtkkel. Mivel
a korrelci rtke pozitv, ez azt jelenti, hogy nagyobb z-rangszmhoz
nagyobb szn-rangszmok tartoznak.
Korbban utaltunk arra, hogy elfordul olyan eset is, amikor kt vagy tbb
megfigyelt eset kztt nem tudunk klnbsget tenni, vagyis rangsorolsuk
nem egyrtelm. Az ilyen egyedeknek adjunk azonos rangszmot, s ahogy azt
korbban jeleztk, ezek az egyedek n. ktsben llnak egymssal. Jelljk a
kts elemeinek a szmt t -vel. A pldnkat mdostsuk olyan formban,
hogy zben a 3. s 6. sorszm almt ne tudjuk megklnbztetni, gy
mindkett a 3,5-es rangszmot fogja kapni. Sznben a 2., 5. s 6. illetve 4. s
7. sorszm almkat ne tudjuk megklnbztetni. Mivel az els hrom a 2., 3.
s 4. szn-ranghelyeken vannak, gy tlagosan a 3-as szmot kapjk, az
utbbi kett pedig a 7. s 8. szn-ranghelyeket megosztva tlagosan a 7,5
rangszmot kapja.
89. tblzat. Az almafajtk sorrendje z s szn szerint

Alma z Szn
sorszma szerinti sorrend
1 6 6
2 2 3
3 3,5 1
4 5 7,5
5 1 3
6 3,5 3
7 8 7,5
8 7 5
Az zben egyetlen kts van t = 2 elemmel, mg a sznben kt kts van t = 3

s t = 2 elemmel. A ktseket a rangszm kiszmtsakor figyelembe kell
venni gy, hogy a ktsekbl korrekcis tnyezt kell kiszmtani.
Jelljk TA -val az A tulajdonsg, TB -vel a B tulajdonsg korrekcis
tnyezjt. Ezzel a rangkorrelcis kplet az albbiak szerint mdosul:
- 144 -
n
[(
6 R x i R y i 2 + T A + TB ) ],
i =1
=1
(
n n2 1 )
ahol T A =
(
tA t2
A 1 ) s T A =
( 2 1
tB tB ). A jel az azonos tulajdonsgon
12 12
belli klnbz ktsekre vonatkozik.
Pldnkban az A tulajdonsgban (z) egy kts van, gy tA = 2 elemmel, gy:
TA =
(
2 2 2 1
= 0,5 .
)
12
A B tulajdonsgban kt kts van t = 3 s t = 2 elemmel:
TB =
( ) (
3 32 1 + 2 2 2 1
= 2,5 .
)
12
A kapott rtkeket helyettestsk be a = 1

n
[( )
6 Rxi Ryi 2 + TA + TB
i =1
] kpletbe:
(
n n2 1 )
6 ( 22 + 0,5 + 2,5)
=1
8 82 1 ( ) = 0,702 .
Mivel a szmtott rtke kisebb, mint a df = 8 2 = 6 szabadsgi foknl s

5%-os szignifikancia-szintnl megadott elmleti rtk ( = 0,7067 ) , gy csak
10%-os szignifikancia-szint mellett kapunk szignifikns sszefggst.
Ha az SPSS-el az eddig szoksos mdon vgeznnk el a vizsglatot, ms
eredmnyt kapnnk, ugyanis az SPSS-be beptett nem szmol a
ktsekkel. Futtassuk le erre az adatbzisra is a vizsglatot
(Spearman_kotes.sav) s az eredmnyl kapott tblzatunkat (90. tblzat)
vessk ssze a kzi szmts eredmnyvel.
90. tblzat. A Spearman-fle korrelci rtke

Correlations
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
- 145 -
Elfordul, hogy nem kt rangsort, hanem tbbet kell sszehasonltani. Ilyen

tpus feladatoknl a Kendall-fle konkordancia, vagy egyetrtsi mutat-t
hasznljuk, melyet a
n
(
12 Ri R
i =1
) 2
W=
m 3
(n 3
n)
kplet alapjn kapunk meg. A kpletben lv m a klnbz sorrendek
szma, n az elemek szma, Ri az i -edik elem rangszm-sszege s R az
m ( n + 1)
R=
tlagos oszlopsszeg, vagyis 2 . Az egyetrtsi mutat rtke 0 s
1 kz esik. Azt mondjuk, ha ez az rtk 0,6 fltti, akkor a fellltott sorrendek
azonosnak tekinthetk.
91. tblzat. Az almk z, szn s elads szerinti sorrendje

Az alma
z Szn Eladsi r Ri
sorszma
1 6 6 7 19
2 2 3 3 8
3 3 1 2 6
4 5 7 5 17
5 1 2 1 4
6 4 4 4 12
7 8 8 8 24
8 7 5 6 18
A tblzat utols oszlopa az egyes vltozk rangszm-sszegvel van

kiegsztve. Hatrozzuk meg az tlagos oszlopsszeg rtkt:
m ( n + 1) 3 ( 8 + 1)
R= = = 13,5 , mivel m = 3 s n = 8 .
2 2
A Kendall-fle mutat rtke:
12 (5,5) 2 +( 5,5) 2 +( 7,5) 2 +(3,5) 2 +( 9,5) 2 +( 1,5) 2 +(10,5) 2 +( 4,5) 2

W =
2 3
3 8 8

0,931.
- 146 -
Mivel 0,6-nl nagyobb rtket kaptunk, gy elmondhatjuk, hogy az almk

sorrendje a hrom vltoz tekintetben hasonlnak tekinthet (kzeltleg
93%-ban tekinthetk a sorrendek azonosnak).
Nyissuk meg a KendallW.xls fjlt, ami Excel tblzatban tartalmazza az
adatainkat. Ebben a tblzatban hrom oszlopban jelentjk meg az z, szn
s eladsi r vltozkat. Jelljk ki a tblzatot, majd msoljuk t a
KendallW_rang.sav nv alatt megnyitott SPSS fjl DATA VIEW adattbljba. A
msols utn az els sor resen maradt, nem jelent meg adat, ezzel most ne
foglalkozzunk. A rszletes lerst azrt mutatjuk be, mert ennl a mutat
kiszmtsnl az adatmtrixunkat transzponlni kell, hiszen nem az z,
szn s eladsi r vltozkat akarjuk sszehasonltani, hanem az almk
sorrendjre vagyunk kvncsiak a hrom vltoz tekintetben.
50. bra. A transzponls mvelet elvgzse az SPSS-ben

A transzponls mvelett a DATA men TRANSPOSE parancsa alatt vgezzk
el. A megjelent panel (50. bra) bal oldali ablakbl a VARIABLE(S) ablakba
helyezzk t a mg varR000001, var00002 s var00003 vltozkat, majd
kattintsunk az OK gombra.
51. bra. A transzponls utn a DATA VIEW
- 147 -
A transzponls elvgzse utn a DATA VIEW ablak a 51. bran lthat mdon
fog kinzni. Jelljk ki a var001 oszlopot s trljk. Legyen VAR00001:
alma_ize, a VAR00002: alma_szin s VAR00003: alma_elad, ezeket az
tnevezseket egyszeren az adott cellra lpve s berva mdosthatjuk.
Ezutn felcmkzhetjk a vltozkat. A Case_Ibl vltoznak nv helyett adjuk
a megfigy nevet, majd az egyes almafajtkat rendre jelljk a_1, a_2,,a_8
jellsekkel. Ezzel elkszlt az az adatfjl, amin most mr elvgezhetjk a
rangkorrelcis vizsglatunkat (52. bra).
52. bra. A KendallW_rang.sav fjl a DATA VIEW ablaka
Kattintsunk az ANALYZE men NONPARAMETRIC TEST almenjnek K RELATED

SAMPLES parancsra (53. bra). Jelljk ki az almkat, ezek sorrendjt
akarjuk ugyanis sszehasonltani a vltozk tekintetben s tegyk t a TEST
VARIABLES listba ezeket.
53. bra. Tbb rangsor sszehasonltsa a
Kendall-fle konkordancia mutat segtsgvel
- 148 -
Az alkalmazott teszt tpusa (TEST TYPE) mezben a KENDALLS W tesztet jelljk

meg. A belltsok utn futtassuk le a programot, majd elemezzk az
eredmnyl kapott 92. tblzatot.
92. tblzat. A Kendall-teszt eredmnye

Test Statistics
N 3
a
Kendall's W ,931
Chi-Square 19,556
df 7
Asymp. Sig. ,007
a.Kendall's Coefficient of Concordance
A Kendall-fle egyetrtsi mutat rtkt a msodik sorban olvassuk le, ami

lthat, hogy nagyobb 0,6-nl (s megegyezik a kzi szmts eredmnyvel),
vagyis az almk sorrendje azonosnak tekinthet a vizsglt vltozk
tekintetben, s a kapcsolat szignifikns p <0,05 .
Vegyes kapcsolat
Vegyes kapcsolatrl akkor beszlnk, ha mennyisgi s minsgi vltozk

kztti kapcsolatot vizsglunk (pl. a talajmvels s a termstlag kztti
kapcsolat). A vegyes kapcsolatok vizsglatra a varianciaanalzist hasznljuk,
amivel mr a korbbi fejezetek egyikben rszletesen megismerkedtnk.
Kt kvantitatv vltoz kztti kapcsolat elemzse
A kvantitatv vltozk kztti kapcsolatok jellemzsre ahogy arra mr

korbban is utaltunk a korrelci- s regressziszmtst alkalmazzuk.
Amikor magas mrsi szint vltozk kztti kapcsolatokat elemeznk, tbb
krdsre keressk a vlaszt: (1) Van-e kapcsolat a vltozk kztt? (2) Milyen
szoros ez a kapcsolat? (3) Hogyan tudunk kvetkeztetni az egyik vltoz
megvltozsbl a msik vltoz megvltozsra?
Magas mrsi szint vltozk kztti kapcsolat vizsglata

Egy gazdasgban 15 fldterleten 15 bzakalsz hosszt s kalszonknti
szemszmt jegyeztk fel (93. tblzat). Jelentse az xi az i -edik kalsz
- 149 -
hosszt, mg y i az i-edik kalsz esetn a szemszm mennyisgt (db).

Szmtsuk ki, hogy milyen ers s milyen irny a kapcsolat a kt vltoz
kztt. Az adatokat a lienaris.sav fjl tartalmazza.
93. tblzat. Bzakalsz hossza s a kalszonknti szemszm

A kalsz Kalszonknti
Fldterlet
hossza szemszm (db)
sorszma
(cm) xi yi
1 7,1 26
2 7,3 24
3 7,4 25
4 7,6 27
5 7,7 22
6 8,1 30
7 8,2 32
8 8,2 31
9 8,3 33
10 8,5 29
11 9,3 35
12 9,4 37
13 9,5 38
14 9,7 40
15 10,5 41
A kalszonknti szemszm fgg-e a kalsz hossztl, ha igen milyen

erssg s milyen irny a kapcsolat? llaptsuk meg tovbb, hogy a
fggetlen vltoz alakulsbl a fgg vltoz alakulsra tudunk-e
kvetkeztetst adni.
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 -
ersebb a kapcsolat, fggetlenl annak irnytl. A (c) s (d) esetben a

vltozk kztt nincs kapcsolat.
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.
55. bra. A SCATTERPLOT ablak
- 151 -
56. bra. A SIMPLE SCATTERPLOT ablak belltsai
A megjelent ablakban (56. bra) vgezzk el a kvetkez belltsokat. A bal

oldali ablakbl vlasszuk ki a fggetlen vltozt s a fgg vltozt, majd
tegyk t az A bzakalsz hossza vltozt az x-tengely ablakba, a
Kalszonknti szemszm fgg vltozt pedig az y-tengely ablakba. Ezek
utn kattintsunk az OK gombra, amelynek eredmnyekppen az OUTPUT
ablakban megjelenik a pontdiagram.
- 152 -
57. bra. A kalsz hossza s a kalszonknti szemszm kztti

pontdiagram
A 57. bra a vltozk kztti kapcsolatot szemllteti. Kisebb ellentmondsok

ellenre gy tnik, hogy az empirikus megfigyelsi pontokra kpzeletbeli
egyenes illeszthet, amely balrl jobbra hatrozott emelked irnyt mutat.
(Megjegyezzk, hogy az esetek szma igen kevs, az empirikus elemzseknl
azonban nem szabad kevs szm megfigyels alapjn statisztikai
sszefggseket keresni.) A kapott bra azonban csak vizulisan mutatja meg
a vltozk kztti kapcsolat jellegt s irnyt, szmszer eredmnyeket itt
nem tudunk leolvasni. Hogyan tudjuk azt eldnteni, hogy milyen ers a
kapcsolat? Hatrozzuk meg tovbb azt a fggvnyt, amely legjobban
illeszkedik a ponthalmazra!
Elszr tekintsk t, hogy a kapcsolat erssgt s irnyt milyen
mutatszmokkal jellemezhetjk!
Lineris korrelcis egytthat
Amennyiben kt vltoz kztt lineris kapcsolat ll fenn, vagyis a

pontdiagramon lthat pontok kzelten egy kpzeletbeli egyenes krl
csoportosulnak, akkor a kapcsolat erssgnek s irnynak
szmszerstsre a Pearson-fle korrelcis egytthatt hasznljuk:
- 153 -
n
( xi x ) ( y i y )
r= i =1
.
n 2 n 2
( ) (
xi x y i y )
i =1 i =1
A kifejezsben szerepl ( xi , yi ) az x -re s y -ra vonatkoz n elem minta

1 n 1 n
(i =1,2,..., n ) , tovbb x= xi s y = n yi .
n i =1 i =1
A kt vltoz kapcsolatnak mrsre alkalmazott Pearson-fle korrelcis

egytthat szmtsra vonatkoz mdszer br a legltalnosabban hasznlt
mdszer, alkalmazsnak felttelei azonban szigorak:
Mindkt vltoz intervallumszint;
Mindkt vltoz normlis eloszls;
Felttelezhet, hogy a kt vltoz kztt lineris kapcsolat van.
A gyakorlatban ezek a felttelek csak ritkn teljeslnek maradktalanul (a
mutat legkevsb a normalitsra rzkeny).
Ha tudjuk, hogy a kt vltoz kztti kapcsolat szignifikns, akkor a
gyakorlatban az r rtke alapjn a kvetkezket mondhatjuk (94. tblzat):
94. tblzat. A korrelci rtkei alapjn a vltozk kztti lineris

kapcsolat jellege
Nincs kapcsolat a kt 0,25 < r < 0,25
vltoz kztt
Gyenge sztochasztikus 0,5 < r 0,25 vagy
kapcsolat 0,25 r < 0,5
Kzepes sztochasztikus 0,75 < r 0,5 vagy
kapcsolat 0,5 r < 0,75
Ers sztochasztikus 1 < r 0,75 vagy
kapcsolat 0,75 r <1
A kapcsolat fggvnyszer r = 1 vagy r = 1
A klnbz kutatsoknl jelents szerepet kap a lineris korrelcis

egytthat ngyzete (r 2 ) , amit determincis egytthatnak neveznk. A
determincis egytthat rtke megmutatja, hogy az x rtkei hny
szzalkban magyarzzk az y rtkeinek az alakulst. A determincis
egytthat rtkre: r 2 [0,1] .
Mivel az r s az r 2 szimmetrikus kapcsolatot kifejez mutatszmok, gy az
x -nek y -nal val korrelcija megegyezik az y -nak az x -szel val
- 154 -
korrelcijval, azaz nincs jelentsge annak, hogy melyiket tekintjk fgg

illetve fggetlen vltoznak. A Pearson-fle korrelcis egytthat a lineris
kapcsolatok erssgt mri, gy nem alkalmazhat nem lineris kapcsolatok
esetben. Az r = 0 csupn azt jelenti, hogy nincs lineris kapcsolat az x s
y vltoz kztt s nem azt, hogy nincs kzttk kapcsolat. Ha ugyanis a kt
vltoz kztt nem lineris a kapcsolat, akkor azt az r rtke nem mutatja
meg.
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
n
,
( yi y )
2
i =1
ahol ei a tapasztalati (mrt) y i s a becslt fggvny ltal szmolt y i

rtkek kztti eltrst jelenti.
A korrelcis index eljelt nem tudjuk rtelmezni, csak az abszolt
nagysgt, amelyre: I [0,1] .
A lineris korrelcis egytthat meghatrozsa SPSS-ben
Kt vltoz kztti kapcsolat erssgnek s irnynak szmszer

megadsra ksztsk el az SPSS-ben a korrelcis mtrixot. Az SPSS-ben a
Pearson-fle korrelcis egytthat kiszmtst az ANALYZE / CORRELATE /
BIVARIATE menpontban vgezhetjk el ppen gy, ahogy azt tettk a
Spearman-fle korrelcis egytthat kiszmtsnl is. A megjelen
panelben (58. bra) a bal oldali ablakbl a kt vltozt helyezzk a jobb oldali
ablakba, majd a Pearson-korelci belltsa mellett krjk le az eredmnyt az
Ok gombra kattintva.
- 155 -
58. bra. A Pearson-fle korrelci vizsglatnak parancssora
A korrelciszmts eredmnyekppen a 95. tblzatot kapjuk.
95. tblzat Az SPSS outputja A Pearson-fle korrelci

elvgzsekor
Correlations
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).
A korrelcis egytthat szignifikancia-vizsglata jelenti a kapott tblzat

elemzsnek els lpst. Azt kell eldnteni, hogy a kapott r rtk valdi,
szignifikns kapcsolatot jelent-e a kt vltoz kztt, vagy csak a vletlen
hatsok eredjeknt keletkezett. A statisztikai prba nullhipotzise szerint a
kt vltoz kztt nincs kapcsolat. Mivel p < 0,05 , ezrt elvetjk a
nullhipotzist, azaz a kt vltoz kztt van kapcsolat. Ha tudjuk, hogy a kt
vltoz kztti kapcsolat nem a vletlennek ksznhet, megnzhetjk a
kapcsolat szorossgt. A korrelcis egytthat rtke 0,938, ami igen ers
- 156 -
sztochasztikus kapcsolatot jelent. A vltozk kztti kapcsolatot lineris

fggvnnyel tudjuk legjobban kzelteni.
A regresszis egyenes
Miutn tudjuk, hogy a kt vltoz kztti kapcsolat lineris fggvnnyel

modellezhet, addik a krds, hogy hogyan kapjuk meg azt az egyenest, ami
a pontokra legjobban illeszkedik. A pontok s az egyenes tvolsgnak
meghatrozsa az adott pontbl az illesztett egyenesig (regresszis
egyenesig) hzott fggleges ( Y tengellyel prhuzamos) tvolsg alapjn
trtnik.
59. bra. A regresszis egyenes illesztse az egyenes s pont

tvolsgnak mrse alapjn
A regresszis egyenes illesztse gy trtnik, hogy a tvolsgokat

sszegezzk, majd ezt az sszeget minimalizljuk. Ugyanis a legjobban
illeszked regresszis egyenes az az egyenes, ahol a tvolsgok sszege
minimlis. Erre a gyakorlatban a legkisebb ngyzetek mdszert szoktuk
hasznlni, ami a nevben is mutatja, hogy az eljrs a tvolsgok
ngyzetsszegeit minimalizlja. (A legkisebb ngyzetek elvnek kidolgozsa
Gauss (1777-1855) nmet matematikushoz kthet.)
Tekintsnk egy n elembl ll mintt. Kt-vltozs modell esetben a
regresszis egyenes ltalnos kplete yi = 1 xi + 0 alakban rhat fel, ahol
0 s 1 a regresszis paramterek. Ez a modell determinisztikus
kapcsolatot r le, amelyben az x teljesen meghatrozza y -t. A regresszis
egyenes illesztse az empirikus vizsglatokban soha sem tkletes, az ltala
meghatrozott rtkek eltrnek a tnyleges rtkektl. Az eltrs a hibatag-
ban nyilvnul meg, amit jelljnk i -vel.
- 157 -
Ezek alapjn a kvetkez sszefggst rhatjuk fel: yi = 1 xi + 0 + i . A 0 s

1 tnyleges paramterek regresszis egyenes alapjn becslt rtkeit
jelljk 0 s 1 -el, mg a hibatagok becslt rtkeit (az n. reziduum-okat)
ei -vel. Ezek alapjn:
x +
yi = 1 i
+e
0 i (i =1,2,..., n )
illetve
x +
y i = ,
1 i 0
ahol y i = yi ei . Az ei maradkok fontos szerepet jtszanak a modellezsben,

ugyanis megmutatjk, hogy a modell mennyire kzelti a valsgot, hiszen ei
kis rtkei j, nagy rtkei pedig gyenge illeszkedst jeleznek.
A legkisebb ngyzetek mdszere
Tekintsnk askban n szm pontot (60. bra): ( xi , y i ) , ahol

i =1,2,..., n ; n N , feltve, hogy xi x j ha i j . A minta alapjn becslt
regresszis fggvny y i = 1 xi + 0 (i =1,2,...n ) .
60. bra. Legkisebb ngyzetek mdszere
Keressk a 0 s 1 becslt paramterek rtkeit, amely mellett a

megfigyelsekbl szrmaz ( f ( xi ) = yi ) s a regresszis fggvny alapjn
becslt rtkek ( yi ) klnbsgnek ngyzetsszege minimlis:
- 158 -
( ) ( )
n 2 n 2
Q 0 , 1 = ( y i yi ) = 0 + 1 xi yi min .
i =1 i =1
A feladat teht azon 0 s 1 (becslt) rtkek meghatrozsa, amelyekre a

Q( 0 1 ) kt-vltozs fggvny minimlis rtket vesz fel. (Egy adott fggvny
,

szlsrtke ltezsnek szksges felttele, hogy az els derivltja nullval
legyen egyenl. Mivel kt-vltozs fggvnyrl van sz, gy el kell kszteni a
kt vltoz szerinti elsrend parcilis derivltakat, s ezeket kell nullval
egyenlv tenni.) Elvgezve a derivlst s
fggvnyben a kvetkez
0 1
egyenletrendszert kapjuk:
Q
0
(
,
)
n
(
0 1 = 2 0 + 1 xi y i = 0 )
i =1
Q
1
(
,
)
n
(
0 1 = 2 xi 0 + 1 xi yi = 0. )
i =1
Az egyenletek kettvel egyszersthetk. A zrjelek felbontsa s

egyenletrendezs utn jutunk az n. normlegyenletek-hez:

n n
x i 1n 0= y i
i=1 i=1

n n n
x 2i 1 x i 0 = x iy i .
i=1 i=1 i=1
A szmtgpes programok a lineris regresszis fggvnyek paramtereinek

becslsre a fenti egyenletrendszer megoldsval ksz eljrst adnak meg.
A tovbbiakban a lineris regresszis feladaton keresztl kzi szmtssal
bemutatjuk a vizsglat menett, majd az SPSS-ben trtn elemzsre trnk
t. A nemlineris regressziszmts esetben csak az SPSS segtsgvel
trtn elemzsre trnk ki.
A lineris regressziszmts menete
A lineris fggvny meghatrozsa
Szmtsuk ki a lineris regresszifggvny paramtereit! Ehhez meg kell

oldanunk a legkisebb ngyzetek mdszernl levezetett normlegyenletekbl
ll lineris egyenletrendszert:
- 159 -
n n
xi 1 + n 0 = yi

i =1 i =1
n 2 n n
x 1 + xi 0 = xi y i .
i
i =1 i =1 i =1
Az egyenletrendszer felrshoz szksges adatokat sszefoglaltuk a 96.

tblzatban.
15 15 15 15
2
Mivel n =15 , xi =126,8 , y i = 470 , xi =1086,18 s xi yi = 4052,2 , gy
i =1 i =1 i =1 i =1
a megoldand egyenletrendszer:
126,8115 0=470
1086,181126,80 =4052,2
96. tblzat. A regresszis paramterek kiszmtsa

xi yi x i2 xi yi
1 7,1 26 50,41 184,6
2 7,3 24 53,29 175,2
3 7,4 25 54,76 185
4 7,6 27 57,76 205,2
5 7,7 22 59,29 169,4
6 8,1 30 65,61 243
7 8,2 32 67,24 262,4
8 8,2 31 67,24 254,2
9 8,3 33 68,89 273,9
10 8,5 29 72,25 246,5
11 9,3 35 86,49 325,5
12 9,4 37 88,36 347,8
13 9,5 38 90,25 361
14 9,7 40 94,09 388
15 110,2
10,5 41 5 430,5
1086,
126,8 470 18 4052,2
Az egyenletrendszer megolds: 0 = 15,45, 1 = 5,53 . A kapott

paramterekkel az illesztett egyenes egyenlete:
=15,54 +5,53 x .
y
- 160 -
rtelmezzk a kapott eredmnyeket! A regresszis paramterek

rtelmezsekor elssorban statisztikai, szakmai rtelmezst kell adnunk, mert
a matematikai rtelmezs nem elegend. A 1 regresszis egytthat
megmutatja, hogy az x magyarz vltoz egysgnyi nvekedse az
eredmnyvltoz mekkora vltozsval jr egytt. Teht az x vltoz rtkt
1 egysggel nvelve az y vltoz rtke tlagosan 1 rtkkel nvekszik,
vagy cskken. A regresszis egytthat pozitv vagy negatv eljele a
kapcsolat irnyt fejezi ki. A 0 paramter az x = 0 esetre ad elmleti rtket.
Termszetesen ez csak abban az esetben rtelmezhet, ha a 0 rtk
beletartozik az x -ek kz.
Visszatrve most a pldra: A kapott 1 regresszis egytthat rtke alapjn
azt mondhatjuk, hogy egy cm-rel nagyobb kalszhossz esetben tlagosan 5-
6 szemmel tbb a kalszonknti szemszm. A 0 paramter rtelmezsnek
pldnkban nincs rtelme.
A korrelcis egytthat s a determincis egytthat kiszmtsa
Szmtsuk ki a Pearson-fle korrelcis egytthatt, amit a
n
( xi x ) ( y i y )
r= i =1
n 2 n 2
( ) (
xi x y i y )
i =1 i =1
kplettel definiltunk.
97. tblzat. A Pearson-fle korrelci munkatblzata

( xi ) ( yi ) xi x y i y (xi x ) ( yi y ) (xi x )2 ( y i y )2
- -
7,1 26 1,35 5,33 7,22 1,83 28,44
- -
7,3 24 1,15 7,33 8,46 1,33 53,78
- -
7,4 25 1,05 6,33 6,67 1,11 40,11
- -
7,6 27 0,85 4,33 3,70 0,73 18,78
- -
7,7 22 0,75 9,33 7,03 0,57 87,11
- -
8,1 30 0,35 1,33 0,47 0,12 1,78
- 161 -
-
8,2 32 0,25 0,67 -0,17 0,06 0,44
- -
8,2 31 0,25 0,33 0,08 0,06 0,11
-
8,3 33 0,15 1,67 -0,26 0,02 2,78
-
8,5 29 0,05 2,33 -0,11 0,00 5,44
9,3 35 0,85 3,67 3,10 0,72 13,44
9,4 37 0,95 5,67 5,36 0,90 32,11
9,5 38 1,05 6,67 6,98 1,10 44,44
9,7 40 1,25 8,67 10,80 1,55 75,11
10,5 41 2,05 9,67 19,78 4,19 93,44
Vezessk be a kvetkez jellseket: az SP jelentse az x s y vltozk

sszes eltrsszorzatt; SQ x az x vltoz sszes eltrsngyzett s SQ y
pedig az y vltoz sszes eltrsngyzett. A korrelcis egytthat
kiszmtshoz ksztettk el a 97. tblzatot.
A tblzat alapjn tekintsk a kvetkez sszegzsek eredmnyeit:
15 15
, ( xi x ) ( yi y ) = 79,13 , azaz SP = 79,13 ;
xi yi 15
i =1 , i =1
= x = 8,45 = y = 31,33 i =1
15 15
2
( )
15
xi x =14,3 , azaz SQ x = 14,3
i =1
2
( )
15
yi y = 497,33 , azaz SQ y = 497,33 .
i =1
A kapott rszeredmnyekbl:
79,13
r= 0,938.
14,3 497,33
Az r rtke alapjn a 98. tblzattal sszhangban azt mondhatjuk, hogy a kt

vizsglt vltoz kztt ers, sztochasztikus kapcsolat van.
A korrelcis koefficiens ngyzett kiszmtva kapjuk meg a determincis
egytthatt: r 2 0,8798 . A determincis egytthat rtelmezse szerint a
vizsglati mintban a bza kalszonknti szemszmnak vltozatossgt
kzel 88%-ban tulajdonthatjuk a kalsz hossznak, s csak 12%-ban
befolysoljk ezt egyb tnyezk.
- 162 -
A regresszi szignifikanciavizsglata
A kt vltoz sszefggsnek szignifikanciavizsglata
A kt vltoz sszefggsnek szignifikanciavizsglatt a varianciaanalzisnl

trgyalt F -prbval vgezzk el. A varianciaanalzis tblzat szerkezetvel
mr a korbbi fejezetekben megismerkedtnk (98. tblzat).
98. tblzat. A varianciaanalzis tblzat

A szrds Az eltrsek Szabadsgi Szrsngyzet
F
oka ngyzetsszege fok ek becslse
Regresszi SP 2 SQ x = SSR 1 MSR =SSR 1

MSR
Hiba SQ y SP 2 SQ x = SSE n 2 MSE = SSE ( n 2 )
MSE
sszesen SQ y = SST n 1
Ksztsk el a varianciaanalzis tblzatunkat a fenti smnak megfelelen

gy, hogy a megfelel rtkeket behelyettestjk (99. tblzat).
99. tblzat. A varianciaanalzis tblzat

A Az eltrsek Szabads Szrsngyz
szrds F
ngyzetsszege gi fok etek becslse
oka
Regress 79,13 2 14,3 =437,871 437,87
zi
437,87
Hiba 497,33 437,87 = 59,13
46 4,57 = 95,81
4,57
sszese 497,33 14
n
A 99. tblzat alapjn a szmtott F rtk: 95,81. Az F -prba kritikus

rtkei tblzatbl keressk ki a tapasztalati F rtket: F0,1% =17,81 . Mivel a
szmtott rtk nagyobb, mint a tapasztalati rtk, gy azt mondhatjuk, hogy a
kt vltoz kztt az adott szignifikancia szinten szignifikns sszefggs van.
- 163 -
A regresszis egyenesbl szmtott y i rtkek hibja
Kt esetet kell vizsglnunk:

Az els esetben az a krds, hogy a fggetlen vltoz valamely meghatrozott
xi rtkhez tartoz tlagos y rtknek a becsls sorn milyen a hibja. A
konfidenciahatrok szmtst a regresszis egyenes egyenletbl az xi
ponthoz szmtott y i rtktl, vagyis az brzolt egyenestl fggleges
irnyban:

1
h y i = t p % MSE + i
( 2
x x ), df = n 2 esetn megadott t rtkkel
n SQ x

( t5% = 2,16) . Feladatunk ebben az esetben az, hogy pl. a kivlasztott xi = 7,5 cm-
es kalszok esetn meghatrozzuk, hogy mekkora lesz az tlagos
kalszonknti szemszm becslsnek a hibja? Vlasszuk a p = 5% -os
szignifikancia szintet. A kapott regresszis egyenletbe ( y = 15,54 + 5,53 x ) ha
behelyettestjk az x helyre a 7,5 rtket, akkor y 7,5 = 25,935 tlagos
szemszmot kapunk. A becsls konfidenciahatra:
1
h y 7,5 = 2,16 4,57
( 7,5 8,45) 2 = 1,66
15
+
14,3 . Ez azt jelenti, hogy a becslsnk

kt konfidenciahatra 7,5 cm hossz kalsz esetn 25,935 2,74 , vagyis
[23,195;28,675] szem/kalsz.
A msik esetben arra vagyunk kvncsiak, hogy egy egyedre vonatkoz
becslsnk milyen hibval terhelt. A konfidenciahatrok kplete:

1 (
h y i = t p % MSE 1 + + i
)2
x x
, df = n 2 esetn megadott t rtkkel. xi = 7,5
n SQ x

cm-es kalszt kivlasztva a regresszis egyenes egyenletbl 25,935 db a
becslt szemek szma. Ezt a becslst

h y i = 2,16 p % 4,57 1 +
1 ( 7,5 8,45) 2 = 4,91
15
+
14,3 hibahatr terheli. A becslsnk

kt konfidenciahatra vletlenl kivlasztott 7,5 cm-es kalszra vonatkozan
21,025 s 30,845 szem.
Szmtsuk ki az elbbi konfidenciahatrokat az sszes xi rtkekre (100.
tblzat). A konfidenciasv kifejezst ltalban az els esethez tartoz
kplettel hatrozzuk meg s nem az egyes egyedekre megadott kplet
alapjn.
Lthat, hogy a konfidenciasv az x krl lesz a legkisebb, azonban minl

jobban tvolodunk az x -tl, egyre nagyobb konfidencia intervallumokat
kapunk (61. bra). A 61. bra az 5%-os szignifikancia szinten mutatja a
konfidenciasvot.
- 164 -
100. tblzat. A konfidenciasvok p = 5% -s szignifikanciaszinten

xi y i h y i Als Fels
xi x
Konfidenciahatr
7,1 -1,35 23,84 5,05 18,80 28,89
7,3 -1,15 24,95 4,97 19,98 29,92
7,4 -1,05 25,50 4,94 20,56 30,44
7,6 -0,85 26,61 4,88 21,73 31,49
7,7 -0,75 27,16 4,86 22,31 32,02
8,1 -0,35 29,38 4,79 24,59 34,17
8,2 -0,25 29,93 4,78 25,15 34,71
8,2 -0,25 29,93 4,78 25,15 34,71
8,3 -0,15 30,48 4,77 25,71 35,26
8,5 0,05 31,59 4,77 26,82 36,36
9,3 0,85 36,02 4,88 31,14 40,90
9,4 0,95 36,57 4,91 31,66 41,48
9,5 1,05 37,13 4,94 32,19 42,06
9,7 1,25 38,23 5,01 33,23 43,24
10,
5 2,05 42,66 5,39 37,28 48,05
61. bra. A lineris regresszis egyenlet brja a konfidenciasvval
- 165 -
A regresszis koefficiens statisztikai prbi
A regresszis koefficiens hibja s statisztikai prbi analgit mutatnak a

kzprtk hibjval s statisztikai prbival.
A regresszis koefficiens hibaszrsa

MSE
A regresszis koefficiens hibaszrst az 1 = kplet alapjn szmtjuk
SQx
4,57
ki, ami a pldnkban: 1 = = 0,565.
14,3
A regresszis koefficiens konfidenciahatrai
A regresszis koefficiens hibahatrait h1 s h2 -vel jellve: 1 t p% 1 , ( )

df = n 2 szabadsgfok t rtkkel. Pldnkban 5%-os szignifikancia szint
mellett a konfidenciahatrok: 5,53 ( 2,16 0,565) , azaz 4,31 s 6,75.
A szmtott ( 1 ) s a hipotetikus ( ) regresszis koefficiens kztti klnbsg

szignifikanciaprbja:

t= 1
s 1
df = n 2 szabadsgi fok t rtk alapjn trtnik.
Ellenrizzk, hogy az 5,53-os regresszis koefficiens eltr-e a sok-ves

tapasztalat alapjn meghatrozott = 4,57 -s regresszis koefficienstl.
Behelyettestve:
5,53 4,57
t= =1,699 .
0,565
Ez a szmtott t rtk kisebb, mint df =15 2 =13 szabadsgi fokra a p = 5%

szinten megadott tblzati t rtk ( 2,16) . Ez azt jelenti, hogy a mintnk
alapjn kapott regresszis koefficiens rtk nem tr el bizonythatan a sok-
ves adatok alapjn szmtott regresszis koefficiens rtktl.
- 166 -
A regresszis egyenlet konstans tagjnak prbja
A regresszis egyenes konstans tagja ( 0 ) az x = 0 helyen adja meg az y

rtkt. ltalban azonban az x = 0 az analzisek tlnyom tbbsgben a
megfigyelsi tartomnyon kvl esik, ezrt annak rtkbl semmifle
kvetkeztetst nem tudunk megllaptani, vagyis hibja nem adhat meg.
A korrelcis koefficiens statisztikai prbi
Vizsgljuk meg, hogy a korrelcis koefficiens rtke szignifiknsan eltr-e

nulltl? A korrelcis koefficiens statisztikai prbit ismertetjk a
kvetkezkben, ennek vizsglatra ugyanis tbb lehetsgnk van.
A varianciaanalzis tblzatbl kzvetlenl kiszmthatjuk a determincis
SSR 437,87
koefficienset, hiszen r2 = = = 0,88 . Ennek ngyzetgyke a
SST 497,33
korrelcis koefficiens: r = r 2 =0,938 . Ez alapjn azt mondhatjuk, hogy a
regresszi statisztikai prbja megegyezik a korrelcis koefficiens prbjval.
A korrelcis koefficiens kritikus rtkei tblzatbl keressk ki megfelel
szabadsgfokhoz tartoz kritikus r rtket. A szabadsgfok df = n 2, ahol az
n az adat-prok szmt jelenti. A pldban a szabadsgfokok szma 13, az
ehhez tartoz kritikus r rtk p = 0,1% -s szignifikancia szinten: rkrit = 0,7603.
Mivel a szmtott r rtk ( r = 0,938) nagyobb, mint a kritikus rtk. Ez azt
jelenti, hogy p = 0,1% -os szignifikancia szinten bizonytottnak tekinthetjk, hogy
az r rtke szignifiknsan eltr nulltl, azaz az x s y vltozk egymssal
sszefggsben vannak.
Elfordulhat, hogy nem ll rendelkezsnkre tblzat, ebben az esetben a
r 2 ( n 2) df = n 2
t= kpletet alkalmazzuk, s szabadsgfok mellett vgznk
1 r 2
0,8813
t -prbt. A pldabeli adatokat hasznlva: t= =9,76. Ez az rtk
1 0,88
nagyobb, mint df =13-hoz tartoz p = 0,1% esetn leolvasott tblzatbeli t
rtk ( t = 4,22) , azaz az sszefggs ezen a szignifikancia szinten igazolt.
A tovbbiakban hatrozzuk meg a korrelcis koefficiens hibjt, a
konfidenciaintervallumot. Ennek a vizsglathoz els lpsknt A korrelcis
koefficiens transzformlt z -rtkei tblzatbl keressk ki a korrelcis
koefficiens rtkt (amit kiszmtottunk) s a bal oldali z oszlopban, valamint
a fels z sorban leolvassuk a megfelel z rtket. A pldabeli r rtk
alapjn z =1,72. Ezzel az r rtket z rtkk transzformltuk, s lthat,
hogy a z rtke felveszi az r rtk eljelt. Ezutn hatrozzuk meg a z
- 167 -
1
szrst ehhez a z = kpletet hasznljuk: z = 0,288. A kpletbl z kt
n 3
konfidenciahatra: ( ) ( )
h1 = z t p% z s h2 = z + t p% z alapjn hatrozhat meg (a
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 -
A lineris regresszi elvgzse az SPSS-ben
Korbban a pontdiagram alapjn azt mr lttuk, hogy a tapasztalati rtkekre

leginkbb egyenes illeszthet, gy lineris regresszit kell vgeznnk.
Ha a szmtsokat az SPSS programban vgezzk, akkor a
regressziszmts elvgzshez kattintsunk az ANALYZE menpont REGRESSION
almenjben a LINEAR parancsra (62. bra).
62. bra. A lineris regresszianalzis parancssora
A bal oldali ablakbl (63. bra) az INDEPENDENT(S) ablakba a fggetlen vltozt

(A kalsz hossza), mg a DEPENDENT ablakba a fgg vltozt (Kalszonknti
szemszm) tesszk t a nyilacska segtsgvel. A tbbi belltssal egyelre
ne foglalkozzunk, majd kattintsunk az OK gombra. A belltsok elvgzse
utn futtassuk le a programot s elemezzk az OUTPUT ablakban megjelent
tblzatokat.
- 169 -
63. bra. A lineris regresszi belltsai
Tbb tblzat jelenik meg a program eredmnyekppen, az els (101.

tblzat) tblzat szmunkra ebben a feladatban nem informatv, gy ennek
elemzsvel most nem foglalkozunk (ksbb a tbb-vltozs lineris
regresszinl trnk erre vissza). A lineris regresszi eredmnyeknt
megjelent kvetkez tblzat (102. tblzat) msodik oszlopban ( R) a
korrelcis egytthat rtkt ltjuk.
101. tblzat. Az sszest tblzat

Model Summary
Std. Error
Adjusted
Model R R Square of the
R Square
Estimate
1 ,938a ,881 ,871 2,137
a.Predictors: (Constant), A kalsz hossza (cm)
A harmadik oszlop (R SQUARE) a korrelcis egytthat ngyzett tartalmazza.

A determincis egytthat ( R 2 ) megadja, hogy a tnyezvltoz az
eredmnyvltoz variancijt hny szzalkban magyarzza. (Ha R 2 = 1 ,
akkor a pont-prok tkletesen illeszkednek a regresszis egyenesre, ha
R 2 = 0 , akkor a vltozk kztt nincs lineris kapcsolat.) Pldnkban
R 2 = 0,881 , vagyis a modell 88,1%-ban tudja magyarzni az y rtkek eltrs
- 170 -
ngyzetsszegt, ez az rtk azonban torztott becsls. A valsgos, az

alapsokasgbeli megmagyarzott hnyad torztatlan becslst az ADJUSTED R
2 2
SQURE oszlopban olvassuk le RA = R2 1 R . Ez az n. mdostott
n 2

( )
megbzhatsgi egytthat R A2 megksrli kikszblni a mintavtelezskor
elkvetett esetleges hibt a kt vltoz elmleti lineris regresszija
erssgnek megtlsekor. A STD. ERROR OF THE ESTIMATE oszlopban tallhat
rtk is bizonyos rtelemben szintn a regresszis egyenes illeszkedst jelzi,
hiszen ez az rtk a rezidulisok szrst jelenti. Minl nagyobb ez az rtk,
annl inkbb szmthatunk olyan kalszonknti szemszm adatokra, amelyek
messze esnek a regresszis egyenes ltal becslt rtktl.
Azt, hogy sikerlt-e a regresszis egyenes segtsgvel akkora rszt
megragadni a fgg vltoz variancijbl, hogy a fggetlen vltoz hatst
szignifiknsnak tekinthessk, varianciaanalzissel teszteljk. Az erre
vonatkoz sszefoglal tblzat a kvetkez elemzsre vr tblzat (103.
tblzat). A tblzat szerkezett, felptst a kzi szmtsoknl rszletesen
bemutattuk (de a varianciaanalzis fejezetnek ksznheten mr egybknt is
ismers lehet). Ha sszevetjk az ott kapott tblzattal (99. tblzat) azt ltjuk,
hogy egy oszloppal (SIG.) tbb van az SPSS ltal ksztett tblzatban.
Gyakorlatilag ez az oszlop az, ami szmunkra az elemzs sorn az eredmny
leolvasshoz szksges. A regresszis modell helyessgre vonatkoz
prba nullhipotzis azt mondja, hogy az y rtkek vletlenszeren
szrdnak, vagyis nem a modellel magyarzhat a vltozsuk. Mivel a
szignifikancia rtk kisebb 0,05-nl, gy elvetjk a nullhipotzist, teht a
lineris modellnk helyes.
102. tblzat. A regresszis modell helyessgt tesztel

varianciaanalzis tblzat
ANOVAb
Sum of
Model df Mean Square F Sig.
Squares
1 Regression 437,990 1 437,990 95,947 ,000a
Residual 59,344 13 4,565
Total 497,333 14
a.Predictors: (Constant), A kalsz hossza (cm)
b. Dependent Variable: Kalszonknti szemszm (db)
A regresszis egytthatkat s ezek statisztikai prbit tartalmazza a 103.

tblzat.
- 171 -
103. tblzat. Az regresszis egytthatk s statisztikai prbi

a
Coefficients
Unstandardized Standardized
Coefficients Coefficients
Model
Std.
B Beta
Error t Sig.
1 (Constant) -15,454 4,808 -3,214 ,007
A kalsz hossza (cm)
5,535 ,565 ,938 9,795 ,000
a.Dependent Variable: Kalszonknti szemszm (db)
A paramterek becslsre kapott rtkeket a tblzat B oszlopban olvassuk

le. A konstans rtke: 0 = 15,454 s 1 = 5,535, gy a becslt regresszis
egyenes:
y = 15,454 + 5,535 x .
A tblzat STD. ERROR felirat oszlopban az egytthatk becslsi hibjt

lthatjuk. A BETA oszlop a standardizlt egytthatkat adja meg, jelentst
akkor fogjuk megrteni, amikor kett vagy tbb fggetlen vltozt ptnk be a
regresszis modellbe. A t oszlop a szmtott t rtkeket tartalmazza. A
program mindkt egytthatra t -prbt vgez korbban rszletesen
bemutattuk a 1 egytthatra vgzett prbt , amely nullhipotzise szerint az
egytthatk rtkei 0-val egyenlk (azaz nincs szerepk a modellben, rossz a
modell). Az utols oszlopban a paramterek tesztelsnek az eredmnye
jelenik meg. Ha az itt szerepl rtk 0,05 alatt van, akkor 95%-os
megbzhatsgi szinten mondhatjuk, hogy a kapott paramterrtkek becslse
megbzhat, a modellben val szereplsk igazolt.
Nzzk meg, hogy milyen tovbbi statisztikkat krhetnk mg a lineris
regresszi elvgzsekor. Ha visszatrnk a lineris regresszi paneljhoz a
panel als rszben ngy parancsgombot ltunk, kattintsunk ezek kzl
elszr a STATISTICS gombra (64. bra).
- 172 -
A megjelen panelban tbb

belltst vgezhetnk el. A
regresszis koefficiensek
ablakrszben (REGRESSION
COEFFICIENTs) az ESTIMATES
parancs megjellsvel a
regresszis egytthatk
becslt rtkt kapjuk ez
az alapbellts.
64. bra. A LINEAR REGRESSION men

STATISTICS... parancsnak belltsai
A CONFIDENCE INTERVALS megjellsvel az egytthatkra vonatkozan a
konfidencia intervallumokat krhetjk, mg a kovariancia mtrix kiratsra is
lehetsgnk van (COVARIANCE MATRIX). A MODEL FIT a modell helyessgre
vonatkoz jellemzket szmtja ki ( R, R 2 , ANOVA) alapbellts ez is. Az R
SQUARED CHANGE bejellse esetn tbbvltozs regresszi esetn kapjuk meg
az R 2 rtkt. A RESIDUALS panel-rszben a hibatagok statisztikit kapjuk meg.
A PLOTS gombra kattintva az X s Y megadsval klnbz rajzokat
kszthetnk.: pl. DEPENDNT fgg vltozk, PRED vgek a becslt rtkek,
RESID a hibatagok. A HISTOGRAM a hibatagok eloszlst vizsglja, mg a
NORMAL PROBALITY PLOT a hibatagok normlis eloszlst mutatja meg (65. bra).
65. bra. A Linear Regression men Plots alpontja
A SAVE gombra kattintva megjelen ablakban (66. bra) az eltrsek

(RESIDUALS) s a modellnek az esetekre val rzkenysgnek szles kr
- 173 -
elemzsre van lehetsgnk. Az albbi vltozkat menthetjk el a

regresszis vizsglat eredmnyeknt.
A PREDICTED VALUES rszben a becslt rtkeket adja meg a program.
UNSTANDARDIZED: a regresszis sszefggsnek az egyes esetekhez kiszmtott
rtke, amivel a clvltozt kzeltjk.
STANDARDIZED: az elz rtkek standardizlt vltozata (XZPRED).
ADJUSTED: mdostott elrejelz rtk, amit gy kapunk, hogy az i -edik eset
becslsnl a regresszit azon n 1 esetre szmoljuk, ahol az i -edik eset
nem szerepel (XADJPRED).
S.E. OF MEAN PREDICTIONS: minden esethez szmolt vrhat becslsi pontossg.
66. bra. A Linear Regression men Save alpontja
A RESIDUALS a hibatagokat menti el:

UNSTANDARDIZED: a tnyleges s az elre jelzett rtkek klnbsge;
STANDARDIZED: az elz hibatag standardizltja (XZRESID).
STUDENTIZED: az esetektl fggen slyozza az rtkeket, az tlagostl jobban
eltr fggetlen eseteknl kisebb sllyal, az tlagoshoz kzeli helyeken
nagyobb sllyal veszi figyelembe a hibatagokat. (XSRESID)
- 174 -
DELETED: abban az esetben tartalmazza az eltrst, amikor a regresszis sk

ppen a vizsglt pont kihagysval kszlt (XDRESID).
STUDENTIZED DELETED: az elz eltrseket slyozza t attl fggen, hogy a
bemen adatok milyen messze esnek az tlagos esettl (XSDRESID).
Az SPSS alaprtelmezsben nyilvntartja a szlssges eseteket, amelyekrl

listt krhetnk. Ezt a DISTANCES panelrszben a tehetjk meg.
2
x x
MAHALANOBIS (tvolsg): Di = i . Ez megadja minden input-eset vektornak
x
az tlagvektortl vett tvolsgt, ami igen rzkeny az tlagostl jelentsen
eltr szlssges esetek detektlsra.
COOKS (tvolsg):
n
(( i)
y j y j
j =1
) 2
. Ez a tvolsg az elre jelzett rtkekben

Ci = 2
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.)
LEVERAGE VALUES: az esetek fontossgt mri a regresszis sszefggsben.
67. bra. A Linear Regression men Options alpontja
A PREDICTION INTERVALS rszben a konfidencia intervallumok hatrai jelenthetk

meg tetszlegesen bellthat szignifikancia szinten a rszletek
ismertetsre az elmleti rszben mr sor kerlt.
- 175 -
Az OPTIONS belltsainl (67. bra) a STEPPING METHOD CRITERIA a STEPWEISE

mdszer feltteleinek belltsra alkalmas (ennek tbb-vltozs regresszinl
van rtelme), az INCLUDE CONSTANT IN EQUATION a konstans tag megadsra ad
lehetsget (hogy legyen-e a modellben konstans tag), mg a MISSING VALUES a
hinyz tagok kezelsre szolgl.
Ha a kapott pontokra (szmtott rtkekre) egyenest is illeszteni szeretnnk,

ezt ebben a menpontban nem tudjuk megtenni. Kattintsunk az ANALYZE /
REGRESSION / CURVE ESTIMATION parancsra (68. bra), ahol a fent bemutatott
szmtsok mellett brt is kszthetnk.
68. bra. Analyze/Regression/ Curve Estimation menpont
A bal oldali ablakbl vlasszuk ki a fggetlen vltozt (A kalsz hossza), amit

helyezznk a nyilacska segtsgvel a VARIABLE mezbe, majd a fgg vltozt
(Kalszonknti szemszm) a DEPENDENT(S) mezbe tesszk. Az SPSS
alapbelltsaknt a MODELS rszben hagyjuk meg a LINEAR megjellst, majd
futtassuk le a programot. A program futtatsnak eredmnyeknt tbbek
kztt azokat a tblzatokat is megkapjuk, amelyek a feladat kapcsn mr
elemzsre kerltek, szmunkra azonban most az egyenes illesztse (69. bra)
a lnyeges, amit az elz menpontban a program nem vgzett el.
- 176 -
69. bra. Regresszis egyenes illesztsnek eredmnye
TBBSZRS LINERIS REGRESSZISZMTS
Egy jelensg vizsglata sorn ltalban az adott jelensget tbb tnyez

befolysolja, vagyis tbbnyire nem elegend a kt-vltozs modell elemzse.
Szksg van tovbbi olyan magyarz vltozk vizsglatra, amik a jelensg
egzaktabb lerst teszik lehetv. Azokat a kapcsolatokat, amelyeknl az
egyik tnyezre tbb msik tnyez is hatssal van tbbszrs
kapcsolatoknak nevezzk, a kapcsolatok mennyisgi jellemzinek, illetve
szorossgnak vizsglatt pedig tbbszrs korrelci- s
regressziszmtsnak hvjuk.
A kt-vltozs regresszis modell problmit trgyalva bemutattuk a
regresszis modell alapjait, most ezt kiterjesztjk arra az esetre, amikor tbb
tnyez befolysolja egy jelensg alakulst, s mindezt oly mdon tesszk
meg, hogy felhasznljuk mindazokat a mdszereket s elveket, amiket kt-
vltozs esetben megismertnk. A kt-vltozs esethez hasonlan itt is
megklnbztetnk lineris s nemlineris tpus sszefggseket.
A fejezet kvetkez rszben a tbbszrs modellek elemzsnek
lehetsgeit ismertetjk, m csak az egyszerbb lineris modellt trgyaljuk.
Ugyanakkor megjegyezzk, hogy a kutatsok sorn gyakran nemlineris
regresszit kell alkalmazni.
- 177 -
A standard lineris regresszis modell
Ha n elem mintt vesznk, akkor a tbbszrs lineris sszefggsek

ltalnos matematikai egyenlete:
yi = 0 + 1 xi1 + 2 xi 2 + ... + m xim + i ,
( i =1,2,..., n , m + 1 < n < N ),
ahol 1 , 2 ,..., m a fgg vltozra hat tnyezket jelenti; 0 a fggvny

konstans tagja, az i pedig a regresszis egyenes hibatagja.
Tekintsk a regresszis modell mtrixalgebrai jellst:
y1 1 x11 x12 ... x1m 1 1

y2 1 x 21 x 22 ... x 2m 2 2
y = . , X = .
= . = .
, , ,
. . . .

yn 1 x n1 xn2 ... x nm n n
ahol m a magyarz vltozk szma s X els oszlopa mindig egy

sszegzvektor.
A kvetkezkben az albbi felttelezsekkel fogunk lni:

A modellben szerepl xim tnyezk a fggetlen vltozk, amelyek a
feltevsnk szerint linerisan befolysoljk az y fgg vltoz alakulst
(azaz y = X + , y =X +e illetve y =X ).
Az X mtrix olyan mennyisgi vltozkat tartalmaz, amelyek nem
valsznsgi vltozk, rtkk nem fgg a vletlentl.
Az X hatsa az y -ra nem determinisztikus, hanem sztochasztikus, amit
kifejez az sszefggsben szerepl , amely a fggetlen vltozkon tl hat az
y -ra, vagyis az y vltoz rtke fgg a vletlentl, azaz valsznsgi
vltoz.
A hibatagok nulla vrhat rtk, konstans variancij, korrellatlan
valsznsgi vltozk, amelyek normlis eloszlsak.
Az ismertetett feltteleknek eleget tev modelleket standard lineris
regresszis modellnek hvjuk. A felttelek azonban tbbnyire nem teljeslnek,
az okok kzl a 3 legfontosabbat emeljk ki:
Multikollinearits: a magyarz vltozk nem linerisan fggetlenek;
- 178 -
Autokorrelci: a hibatagok linerisan nem fggetlenek;

Heteroszkedaszticits: a hibatagok szrsngyzete nem lland.
A knyv keretein bell nem foglalkozunk azzal, hogy mi lenne annak a
kvetkezmnye, ha a standard lineris regresszis modell ellentmond
valamelyik felttel teljeslsnek. Megmaradunk az alapfok trgyals mellett,
s abbl indulunk ki, hogy a felttelek ellenrzsei megerstik a felttelek
teljeslst.
Multikollinearits
A standard lineris regresszis modell felttelezi, hogy a magyarz vltozk

egymstl linerisan fggetlenek. Ha azonban valamelyik magyarz vltoz
kifejezhet a tbbi tnyez lineris kombincijaknt (azaz fggvnyszer
kapcsolatban ll a tbbi magyarz vltozval) akkor multikollinearitsrl
beszlnk.
A multikollinearits kikszblse viszonylag egyszeren megoldhat (lenne),
hiszen a lineris fggsg megszntethet azzal, hogy a vizsglatba bevont
vltozk kzl kizrjuk a lineris fggsgben lvt. Annak eldntse
azonban, hogy melyik a lineris fggsgben lv vltoz, nem knny. Mivel
a magyarz vltozk kztti sszefggsek sztochasztikus jellegek, a
jelensg felismerse s a tnyezk hatsainak sztvlasztsa kln
szmtsokat, elemzsi mdszereket ignyel.
Ha a magyarz vltozk linerisan nem fggetlenek, akkor az albbi
kvetkezmnyekkel kell szmolni:
A becsls s az elrejelzs torztott marad;
A regresszis egytthatk standard hibi nnek;
A becslseink bizonytalann vlnak;
Az egyes magyarz vltozk hatsainak elklntse nem lehetsges.
A magyarz vltozk lineris fggetlensgnek tesztelst a tbbszrs
lineris regresszi elvgzse eltt meg kell vizsglni. A multikollinearits
meghatrozsra a multikollinearits mrszmai szolglnak.
A 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 -
Ha egy j magyarz vltozt vonunk be az elemzsbe, akkor a tbbszrs

determincis egytthat rtke vagy nvekszik, vagy nem vltozik. Ezrt a
multikollinearitst kiszmthatjuk, ha minden magyarz vltozra
meghatrozzuk, hogy a modellbe utols vltozknt bevonva mennyivel nveli
a determincis egytthat rtkt. Ha a hatsoknak az sszege egyenl a
tbbszrs determincis egytthatval, akkor azt mondjuk, hogy a
magyarz vltozk linerisan fggetlenek az alapelvvel egybehangzan.
Ellenkez esetben az eredmnyvltoz ngyzetnek van olyan rsze, ami
egyttesen magyarz tbb vltozt. A multikollinearits nagysgt pedig ezzel
az egyttesen magyarzott rsszel mrhetjk:
m
( )
M = ry2.x1, x2 ,..., xm ry2. x1, x2 ,..., xm ry2.x1, x2 ,..., x j 1, x j +1,..., xm .
i =1
Az M rtke alapjn azt mondhatjuk, hogy minl kisebb az eltrs kzte s a

tbbszrs determincis egytthat kztt, annl jelentsebb a
multikollinearits, nullhoz kzeli rtke a multikollinearits hinyt mutatja.
Autokorrelci
Autokorrelcirl akkor beszlnk, ha a hibatagok linerisan nem fggetlenek.

Az autokorrelci klnbz rend lehet, attl fggen, hogy a hibatag i -edik
rtke melyik rtkkel van kapcsolatban. Ha a hibatag i -edik rtke
kzvetlenl az eltte lv rtkkel ll korrelcis kapcsolatban, akkor
elsrend autokorrelcirl beszlnk. Az elsrend autokorrelci modellje:
i = i 1 + i ,
ahol az autokorrelcis egytthat.
Az elsrend autokorrelci tesztelse
Az elsrend lineris autokorrelci tesztelsre a Durbin-Watson-fle prb-t

alkalmazzuk, a prba a regresszis reziduumokra pt s prbafggvnyt
azokbl lltja el:
- 180 -
n
( ei ei 1 )
2
i= 2
d= n 2
,
ei
i =1
ahol ei a legkisebb ngyzetek mdszervel kapott reziduumokat jelenti (ezt a

hibatagok becslsnek tekintjk). A d statisztika rtkei 0 s 4 kz esnek.
A lineris autokorrelcis egytthat rtkt a
n
ei ei 1
i= 2
=
n 2 n
ei ei21
i= 2 i= 2
kplet alapjn becsljk.

n n n
2 2 2
Mivel ei ei ei 1 , gy a Durbin-Watson-fle prbafggvny
i =1 i =2 i =2
d 2 (1 ) alakra hozhat.
A prba nullhipotzise az elsrend autokorrelci hinyt fogalmazza meg,
azaz e szerint = 0 . Ha a prbafggvny rtke 2-nl nagyobb, akkor az
alternatv hipotzisnk a negatv autokorrelci ( H1 : < 0) , amennyiben 2-nl
kisebb, akkor a pozitv autokorrelci ( H1 : > 0 ) .
Az elsrend lineris autokorrelci tesztelsekor a 104. tblzat relcii
alapjn dntnk. A kritikus rtkek ( d L s dU ) meghatrozsa a megfigyelsek
szmnak s a magyarz vltozk szmnak fggvnyben a Durbin-
Watson-fle prba kritikus rtkei tblzatbl kereshetk ki.
104. tblzat. A Durbin-Watson-fle prba dntsi tblja

H0 : =0
Alternatv
hipotzis 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
A dntsszably szemlltetsre tekintsk a 70. brat.
- 181 -
70. bra. A Durbin-Watson teszt dntsi szablya
Amennyiben a teszt alapjn nem tudunk dntst hozni, vagyis a

prbafggvny rtke a semleges znk valamelyikbe esik, akkor tbb
lehetsggel is lhetnk:
A modell paramtereinek a becslst jra el kell vgezni, de nagyobb
minta alapjn.
Meg kell vltoztatni a szignifikancia-szintet gy, hogy dntsi helyzetbe
kerljnk.
Ms prbafggvnyt kell alkalmazni.
Heteroszkedaszticits
71. bra. A heteroszkedaszticits interpretcija
- 182 -
A keresztmetszeti vizsglatoknl gyakori problma, hogy a hibatagok

variancii nem llandak (71. bra), pedig standard lineris regresszis modell
esetben ez kvetelmny.
Azt, hogy a variancik hibatagjainak az llandsga nem ll fenn okozhatja az,

hogy a hibatag nagysga fgg valamelyik vltoztl.
A heteroszkedaszticits tesztelsnl ellenrizni kell, hogy milyen szoros a
kapcsolat az egyes vltozk s a hibatagok abszolt rtkei kztt. A
hasznland prbafggvny:
r n 2
t= .
1r 2
Ki kell szmtani kln az egyes magyarz vltozknak, illetve a becslt

eredmnyvltozknak a reziduumok abszolt rtkeivel val szorossgt
jellemz lineris korrelcis egytthatt, amelyek kzl a legnagyobb abszolt
rtk kerl tesztelsre. Ha a nullhipotzist elvetjk, akkor a modell
heteroszkedasztikusnak tekinthet.
A tbbszrs lineris regressziszmts lpsei
A tbbszrs regresszielemzs folyamata hasonlt a kt-vltozs

regresszielemzs folyamathoz.
A regresszis modell illeszkedsnek vizsglata
A regresszis modell illeszkedsnek vizsglathoz definiljuk az albbi

eltrs-ngyzetsszegeket:
2 2 2
( y i y ) ( y i y )
n n n n
:= SST , := SSR s a SSE = ( y i y i ) = ei2 .
i =1 i =1 i =1 i =1
- 183 -
Ha a modell tartalmaz konstans tagot (vagyis 0 0 ), akkor: SST = SSR + SSE . A

n
2
ei
r2 =1 i =1
lineris determincis egytthat, ami megadhat az
( )2
n
yi y
i =1
kplettel (is), felrhat a kvetkez alakban:
SSE SSR
r2 =1 = .
SST SST
Egy modell illeszkedsnek mrtkt az hatrozza meg, hogy a teljes eltrs-

ngyzetsszegnek mekkora rszt teszi ki a regresszi ltal magyarzott s
a hibataggal kapcsolatos ngyzetsszeg.
A modell illeszkedsnek jsgt a varianciaanalzis segtsgvel teszteljk
(globlis 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
m MSR
F= = .
SSE MSE
n m 1
A varianciaanalzis tblzatbl olvashat le a modell illeszkedsnek

helyessge, ebben a tblzatban a tapasztalati F -rtkek vannak sszevetve
a megfelel elmleti rtkekkel. A varianciaanalzis egyoldal prba, ami azt
jelenti, hogyha a tapasztalati F rtk kisebb az elmleti rtknl, akkor a
nullhipotzist elfogadjuk (az adott szignifikancia szint mellett), vagyis ebben az
esetben a vizsglt modell nem alkalmas a megfigyelt jelensg elemzsre. A
nullhipotzis elvetse azonban nem jelenti automatikusan a modell
illeszkedsnek jsgt.
Az ANOVA tblzat felptst a 105. tblzatban mutatjuk be. A regresszis
modellben a teljes eltrs-ngyzetsszeg kt rszre bonthat: (1) regresszis
hatsra s (2) hibahatsra. Azzal, hogy az egytthatk legkisebb ngyzetes
becslse sorn az SSE-t minimalizljuk, az SSR-t maximalizljuk. Az
tlagrtkeik arnya az F -hnyados nagy lesz, ha van lineris
sszefggs a fgg s fggetlen vltozk kztt.
- 184 -
105. tblzat. Az ANOVA tblzat

A Az eltrsek
Szabads Szrsngyz
szrds ngyzetssz F
gi fok etek becslse
oka ege
Regressz SSR m MSR
i
MSR
Hiba SSE n m 1 MSE
MSE
sszese SST n 1
n
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:
2
j
F =
Var ( j),
ahol ( )
Var j a ()
Var =
eT e
n m 1
(
XT X
1
) (
= se2 XT X)1
variancia-kovariancia
mtrix ftljban lv j -edik elem. (Az s e2 az n. rezidulis szrsngyzet,
ami torztatlan becslse a 2 -nek.) Ez a statisztika f1 = 1 , f 2 = n m 1
szabadsgi fok F -eloszlst kvet.
Ha t -prbt vgznk, akkor a prbafggvny alakja:
j
t= ,
s
j
ahol s j a fentebb definilt variancia ngyzetgyke. Ha az empirikus t -rtk

abszolt rtke kisebb, mint az elmleti t -rtk, akkor a nullhipotzist
elfogadjuk, ami azt jelenti, hogy a vizsglt magyarz vltoz nem befolysolja
az eredmnyvltozt. Ebben az esetben nem rdemes szerepeltetni a
modellben a magyarz vltozt.
- 185 -
A becslt paramterek jelentse

Miutn elvgeztk a modell, a paramterek vizsglatt s az megfelel volt
, rtelmezni kell a kapott 1 , 2 ,..., m becslt regresszis paramtereket. A
( j =1,2,..., m )
j azt mutatja meg, hogy az x j magyarz vltoz egysgnyi
nvekedse az eredmnyvltoz mekkora vltozsval (tlagos) jr egytt, ha
a tbbi magyarz vltoz rtke nem vltozik.
A reziduumok vizsglata
A reziduumok pontdiagramjainl a reziduumokat az yi 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 yi rtkeivel egytt brzoljuk. Ha
ugyanis a ponthalmazban szerepl pontok elrendezdse nem vletlenszer,
akkor a hibatnyez variancija nem konstans.
Kt fggetlen vltozs lineris regresszielemzs
A regresszi paramtereinek meghatrozsa kzi szmtssal
A kvetkez pldban azt fogjuk megvizsglni, hogy egy mennyisgi vltoz

hogyan fgg msik kt mennyisgi vltoztl. A problma matematikai
egyenlete:
y = 0 + 1 x1 + 2 x 2 ,
- 186 -
ahol y a fgg vltoz becslt rtke, x1 , x 2 a fggetlen vltozk, 0 , 1 , 2

az egyenlet becslt paramterei.
106. tblzat. Kt fggetlen vltozs tbbszrs regresszianalzis

adatmtrixa
P2 O 5 ( x1 ) H % ( x2 ) AK ( y )
5,4 2,9 23,0
4,0 2,9 26,9
7,0 1,9 19,0
7,8 4,4 19,4
8,0 2,5 21,0
10,3 3,1 31,0
16,1 3,6 31,8
13,1 2,5 28,0
5,0 2,5 15,0
9,6 2,3 28,0
5,0 2,5 14,0
12,4 3,6 31,0
10,2 2,1 28,0
20,7 2,5 35,2
15,0 2,5 28,0
10,0 2,5 22,0
2,6 2,5 20,8
6,3 2,9 14,3
Forrs: SVB JNOS (1981), 332.o.
Az albbi pldban azt szeretnnk meghatrozni, hogy egy gazdasg

napraforg tbli esetben (106. tblzat) a tblk aranykorona rtke ( AK )
hogyan fgg a talaj foszfor tartalmtl ( P2 O 5 ) , humuszszzalktl ( H % ) . A
plda 1976-os adatokat tartalmaz.
Mieltt elvgezzk a modell paramtereinek a becslst, nzzk meg, hogy
teljesl-e a standard lineris regresszis modell felttelrendszere.
Elsknt a magyarz vltozk lineris fggetlensgt teszteljk. Szmtsuk ki
a korrelcis mtrixot (ezt az SPSS-el vgezzk el), amit a 107. tblzat
tartalmaz.
107. tblzat. Az SPSS ltal ksztett korrelcis mtrix
- 187 -
Correlations
aranykorona
foszfor_x1 humusz_x2
ertek_y
foszfor_x1 Pearson Correlation 1 ,091 ,764**
Sig. (2-tailed) ,718 ,000
N 18 18 18
humusz_x2 Pearson Correlation ,091 1 ,122
Sig. (2-tailed) ,718 ,629
N 18 18 18
aranykoronaertek_y
Pearson Correlation ,764** ,122 1
Sig. (2-tailed) ,000 ,629
N 18 18 18
A fenti tblzatbl felrva a korrelcis mtrixot:
1 0,091 0,764

R = 0,091 1 0,122 .
0,764 0,122 1

A szimmetria miatt a mtrixnak csak az als hromszgt tekintjk. Az egyes

rtelmezsek a kt vltozs korrelcinl tanultak alapjn egyszer: pldul a
0,764 azt mutatja, hogy a talaj foszfor tartalma pozitv s kzepesnl ersebb
kapcsolatban van a talaj aranykorona rtkvel.
Mivel a mtrixban a kt fggetlen vltoz kztti korrelcis rtk (0,091)
nullhoz kzeli, felttelezhet, hogy a magyarz vltozk egymstl
fggetlenek. Ellenrizzk a multikollinearitst, amihez helyettestsnk be a
m
M = r2 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
kpletbe. A megfelel pronknti korrelcis egytthatk:

ryx1 = 0,764; ryx2 = 0,122 . Mivel hrom dimenzis a modell, ezrt meg kell adni a
1
tbbszrs determincis egytthatt, amit az ry2. x1, x2 ,...., xm =1 kplet
R1
yy
szerint fogunk kiszmolni az R 1 (inverz) mtrix segtsgvel. (Az inverz

mtrix olyam mtrix, amelyre teljesl a kvetkez sszefggs:
R R 1 = R 1 R = E ).
- 188 -
A korrelcis mtrix inverze:

2,402 0,005 1,836
1
R = 0,005 1,015 0,128 .
1,836 0,128 2,418

Az inverz meghatrozst az SPSS mtrix utastsaival vgeztk a MATRIX

END MATRIX eljrs segtsgvel. A program Syntax Editor ablakt nyissuk meg,
s rjuk be az eredeti korrelcis mtrixot (72. bra). A mtrix sorelemeit
vesszvel, az oszlopait pontosvesszvel kell elvlasztani. A mtrixot kapcsos
zrjelek kztt kell definilni, ezt a Compute paranccsal tehetjk meg.
Szintn ezzel a paranccsal szmtottuk ki az inverz mtrixot is. A beptett
fggvnyek kzl vlasszuk az inv(mtrix)-t, s a mtrix helyre rjuk be az
eredeti korrelcis mtrixot, esetnkben r-t. A print-tel kezdd sor csak az
inverz mtrix kiratsnak formjt szablyozza. A cm Inverz mtrix, s
minden szm nyolc karakter hosszsgban, hrom tizedes pontossggal fog
megjelenni. A tovbbi szmtsokat is az SPSS-vel vgeztk el, ahol az
inverzen kvl a transzponls s mtrixszorzs fggvnyeit hasznltuk fel.
72. bra. Az SPSS utastsszerkeszt ablaka
A tbbszrs determincis egytthat rtke:
1 1
r y2. x =1 =1 = 0,586 .
1 , x2 ,...., xm
R1
yy
2,418
Ez azt jelenti, hogy az eredmnyvltoz szrsngyzetnek 58,6%-t tudjuk

megmagyarzni az x1 s x 2 vltozkkal.
Most mr a megfelel adatokat helyettestsk be a multikollinearits
kpletbe:
- 189 -
m
M = ry2. x1, x2 ,..., xm ry2. x1, x2 ,..., xm ry2.x1, x2 ,..., x j 1, x j +1,..., xm
i =1
[( ) (
= 0,586 0,586 ( 0,764 ) 2 + 0,586 ( 0,122 ) 2 0,013. )]
Az M rtke alapjn azt mondhatjuk, hogy nullhoz kzeli rtke a
multikollinearits hinyt mutatja.
r n 2
A kt magyarz vltoz kapcsolatnak szorossgt a t=
1r2
prbafggvnnyel teszteljk:
0,091 16
t= 0,365 .
1 0,0083
Ktoldali prba esetn ( = 0,05 s df = 16) az elmleti t-rtk 2,11 (Student-fle

t-eloszls vltoz eloszlsnak kvantilisrtkei tblzat ktoldali prbkhoz).
Az empirikus t = 0,365 kisebb ennl az rtknl, ezrt a nullhipotzist 5%-os
szignifikanciaszinten megtartjuk, ami a magyarz vltozk lineris
fggetlensgt tmasztja al.
Grafikusan is brzolhatjuk a kt magyarz vltozt (73. bra). A kapott
pontok elhelyezkedse alapjn azt mondhatjuk, hogy a pontok elrendezdse
vletlenszer. A grafikus megjelents alapjn is ugyanarra a kvetkeztetsre
jutottuk a magyarz vltozk esetben, mint azt a szmolsokkal is kaptuk,
vagyis nincs multikollinearits.
4,50
4,00
3,50
humusz_x2
3,00
2,50
2,00
1,50
5,00 10,00 15,00 20,00
foszfor_x1
73. bra. A magyarz vltozk pontdiagramja
- 190 -
A multikollinearits tesztelse utn az autokorrelcira vonatkoz

nullhipotzist vizsgljuk meg, amelyhez a reziduumokra van szksg.
Kiindulsknt felrtuk a tbb-vltozs lineris regresszis egyenletet a
kvetkez alakban:
yi = 0 + 1 xi1 + 2 xi 2 + ... + m xim + ei .
A fenti kifejezs felrhat egyszerbben mtrixalgebrai jellssel:
+e
y =X .
Helyettestsk be az adatokat a mtrixegyenletbe:
23 1 5,4 2,9
26,9 1 4,0 2,9
e
. . 0 0
= 1 + e1
. . e
. . 2 2

14,3 1 6,3 2,9
Az ismeretlen oszlopvektornak a meghatrozshoz hasznljuk fel a

(
= XT X
)
1
X T
y kpletet, ahol XT az X mtrix transzponltjt jelenti.
Elszr meghatrozzuk az XT X kifejezs rtkt:
1 5,4 2,9
1 4,0 2,9
1 1 . . . 1
.
X X =
T
5,4 4,0 6,3
. =
2,9
2,9
2,9
. .

1 6,3

2,9
18 168,5 49,7
= 168,5 1955,81 469,68

.

49,7 469,68 143,43

Vegyk az XT X mtrixszorzat inverzt:
1,43 0,02 0,43

(X T
)
X
1
= 0,02 0,003 0,002

.

0,43 0,002 0,163

Kpezzk az XT y szorzatot:
- 191 -
23
1 1 . . . 1 26,9

X T
y =
5,4 4,0
6,3 =

2,9 2,9 2,9

14,3

436,4
=
4478,81.

1213,02

Most mr knnyen megkapjuk -t, ha elvgezzk a (XT X)1 XT y

mtrixszorzst:
1,43 0.02 0,43 436,4 13,0165

=
0,02 0,003 0,002
4478,81 = 1,0335 .

0,43 0,002
0,163 1213,02
0,5627

A fenti mtrixmveletek eredmnyeit az SPSS segtsgvel gyorsan

megkaphatjuk. Nyissuk meg a Syntax Editort s rjuk be az albbi
utastsokat, majd kattintsunk a Run gombra:
MATRIX.
COMPUTE x = {1,5.4,2.9;;1,6.3,2.9}.
COMPUTE y = {23;26.9;;14.3}.
COMPUTE BETA = INV(T(x)*x)*T(x)*y.
PRINT BETA /FORMAT=F8.4 /TITLE=Egytthatk.
END MATRIX.
A becslt paramterek oszlopvektora segtsgvel a tblk aranykorona

rtke (az kpletbe helyettestve).
= X
y
1 5,4 2,9 20,229

1 4,0
2,9 18,782
13,0165
. .
y = 1,0335 =
. 0,5627 . .
. .

1
6,3
2,9 21,159

Az autokorrelci tesztelshez hasznljuk az albbi munkatblzatot (108.

tblzat).
- 192 -
108. tblzat. A regresszis fggvny becslt rtkei s a

hibatagok
yi yi ei ei2 ei 1 ( ei ei 1 ) 2 ei
1 23 20,2
-
3 2,77 7,68 7,6729 2,77
2 26,9 18,7 28,622
8 8,12 65,90 2,77 5 8,12
3 19 21,3 108,99
2 -2,32 5,38 8,12 36 2,32
4 19,4 23,5
5 -4,15 17,25 -2,32 3,3489 4,15
5 21 22,6
9 -1,69 2,86 -4,15 6,0516 1,69
6 31 25,4 52,998
1 5,59 31,30 -1,69 4 5,59
7 31,8 31,6 29,920
8 0,12 0,01 5,59 9 0,12
8 28 27,9
6 0,04 0,00 0,12 0,0064 0,04
9 15 19,5 21,436
9 -4,59 21,07 0,04 9 4,59
10 28 24,2 69,889
3 3,77 14,20 -4,59 6 3,77
11 14 19,5 87,609
9 -5,59 31,25 3,77 6 5,59
12 31 27,8 76,212
6 3,14 9,88 -5,59 9 3,14
13 28 24,7
4 3,26 10,63 3,14 0,0144 3,26
14 35,2 35,8 15,054
2 -0,62 0,38 3,26 4 0,62
15 28 29,9
3 -1,93 3,71 -0,62 1,7161 1,93
16 22 24,7
6 -2,76 7,61 -1,93 0,6889 2,76
17 20,8 17,1 41,602
1 3,69 13,61 -2,76 5 3,69
18 14,3 21,1 111,30
6 -6,86 47,05 3,69 25 6,86
436, 436, 289,7 663,14
6,85 --
4 4 0 7 3
- 193 -
n
( ei ei 1 ) 2
i=2
A 108. tblzat adatait felhasznlva helyettestsnk be a d = n
2
ei
i =1
kpletbe, gy a prbafggvny rtke: d = 2,288. Az autokorrelci becslse:
d 2,288
= 1 = 1 = 0,144 . A kapott eredmny alapjn alternatv hipotzisnk
2 2
a negatv autokorrelci (mivel a prbafggvny rtke kisebb 2-nl). A
Durbin-Watson-fle prba kritikus rtkei tblzat alapjn =0,05
szignifikancia szint mellett: dU = 1,543. Mivel d = 2,288 < 4 dU = 2,457 , ezrt a
Durbin-Watson-fle prba nullhipotzist elfogadjuk, azaz a hibatagok
linerisan nem autokorrellnak.
A felttelek ellenrzse kztt mg a heteroszkedaszticitst is tesztelnnk kell,
ami a reziduumok abszolt rtkei s a vltozk rtkei kztti lineris
korrelci kiszmtsnak segtsgvel trtnik (a reziduumok abszolt
rtkeit mr a . tblzatban meghatroztuk). A korrelcis mtrix
meghatrozst az SPSS-ben vgezzk el, amelynek eredmnye a 109.
tblzat.
109. tblzat. A korrelcis mtrix a reziduumok abszoltrtkeivel

kiegsztve
Correlations
aranykoronaera reziduumok
foszfor_x1 humusz_x2
tek_y abszoltrtke
foszfor_x1 Pearson Correlation 1 ,091 ,764** -,677**
Sig. (2-tailed) ,718 ,000 ,002
N 18 18 18 18
humusz_x2 Pearson Correlation ,091 1 ,122 ,112
Sig. (2-tailed) ,718 ,629 ,658
N 18 18 18 18
aranykoronaertek_yPearson Correlation ,764** ,122 1 -,439
Sig. (2-tailed) ,000 ,629 ,068
N 18 18 18 18
a reziduumok Pearson Correlation -,677** ,112 -,439 1
abszoltrtke Sig. (2-tailed) ,002 ,658 ,068
N 18 18 18 18
A tblzat alapjn: r e y = 0,439; r e x1 = 0,677; r e x2 = 0,112 . A legnagyobb

abszolt rtk az r e x1 , az kell ellenrizni, hogy ez szignifiknsan klnbzik-
e nulltl. A tesztelshez a t -prbafggvnyt hasznljuk:
0,677 16
t= 3,679 .
1 0,4583
- 194 -
Az elmleti t -rtk 2,12 ( = 0,05sdf = 16) , az empirikus t -rtk ( t = 3,679)

nagyobb ennl az rtknl, ezrt a nullhipotzist 5%-os szignifikanciaszinten
elvetjk.
Grafikusan is ellenrizhetjk a heteroszkedaszticitst, ha brzoljuk az egyes
vltozk s a reziduumok kztti kapcsolatokat (74. bra, 75. bra).
10,00
5,00
reziduum
0,00
-5,00
5,00 10,00 15,00 20,00

foszfor_x1
74. bra. A talaj foszfor tartalma s a reziduum pontdiagramja
10,00
5,00
reziduum
0,00
-5,00
1,50 2,00 2,50 3,00 3,50 4,00 4,50

humusz_x2
75. bra. A talaj humusz tartalma (%) s a reziduum pontdiagramja
- 195 -
A lineris regresszis fggvny a kapott eredmny alapjn:
y = 13,0165 + 1,0335 x1 + 0,5627 x 2 .
A tbbszrs determincis egytthat r 2 y.x1,x2 = 0,586 rtke alapjn nem

tudjuk objektvan megtlni, hogy megfelel-e a modell illeszkedse. Azonban
ellenrizzk ezt a felttelezsnket a globlis F -prba segtsgvel.
Az F -prba nullhipotzise szerint 1 = 2 = 0 , mg az alternatv hipotzis
szerint j 0 valamelyik j -re ( j = 1,2 ) . A prbafggvny:
SSR
m MSR
F= = ,
SSE MSE
n m 1
amelyhez ksztsk el az ANOVA tblzatunkat (110. tblzat).
110. tblzat. Az ANOVA tblzat

A Az eltrsek Szrsngyz
Szabadsg et
szrds ngyzetssz F
i fok
oka ege becslse
Regress (SSR=) (m=) 2 (MSR=)
zi 411,15 205,575
Hiba (SSE=) (n-m-1=) (MSE=) 10,6
289,77 15 19,318 4
sszese 700,92 17 --
n
Az SSR eltrs ngyzetsszeg kiszmtsa: SSR=1,033 393

,621+ 0,563 8,0711
,
,5 436,4
168
ahol . ,621= 5,4 23+ 4 26,9 + ...+ 6,314,3
393 s
18
49,7 436,4
8,0711= 2,9 23+ 2,9 26,9 + ...+ 2,914,3 .
18
Az 5%-os szignifikancia szint mellett az elmleti F rtk: F( 2,15) = 3,68. Mivel a
prbafggvny rtke ennl nagyobb, gy a nullhipotzist elvetjk, vagyis a
modell illeszkedse megfelel.
Most mr csak a regresszis paramterek tesztelse van htra, amihez a
paramterek standard hibit kell meghatrozni. Ez a
()
Var =
eT e
n m 1
(
XT X )
1
(
= se2 XT X)1
kplet segtsgvel trtnik.
- 196 -
A szmts alapjn:
1,43 0,02 0,43 27,63 0,38 8,33

()
=
Var
289,
15
77

0,02 0,003 0,002
= 0,38 0,05 0,04
.

0,43 0,002 0,163
8,33 0,04 3,14

A standard hibkat a ftlban lv elemek ngyzetgykei adjk: s = 5,256 ,

0
s = 0,227 s s = 1,772 .
1 2

j
A parcilis F -teszt prbafggvnynek az rtkei t= alapjn:
s

j
13,0165 1,0335 0,5627

t = 2,476 ; t = 4,553 s t = 0,317 .
0 5,256 1 0,227 2 1,772
Ktoldali t -prba esetn ( = 0,05sdf = 15) az elmleti t -rtk: 2,1315. Mivel

t =4,553 >2,1315 , ez azt jelenti, hogy az x1 vltoz szignifiknsan
1
befolysolja a fgg vltoz alakulst.
- 197 -
A regresszis paramterek meghatrozsa az SPSS-vel

A kzi szmts utn ami igen hosszadalmas , nzzk meg az SPSS-ben,
hogyan lehet tbb-vltozs lineris regresszit kiszmtani. A fenti pldn
keresztl csak bemutatjuk a tbb-vltozs lineris regresszis belltsokat s
sszevetjk a kapott eredmnyeket a kzi szmts eredmnyeivel, majd egy
pldn keresztl rszletesebben ismertetsre kerl a tbb-vltozs
regresszis elemzs menete.
76. bra. A tbb-vltozs lineris regresszi elvgzsnek panelja

az SPSS-ben
Tltsk be a pldhoz tartoz adattblzatot, amit a Tobbszoros_linreg1.sav
fjl tartalmaz. Kattintsunk ANALYZE men REGRESSION almanjnek LINEAR
parancsra. A megjelen panelban (76. bra) vgezzk el az albbi
belltsokat.
A bal oldali ablakban jelljk ki a fggetlen vltozkat (foszfor_x1 s
humusz_x2) majd helyezzk ezeket az INDEPENDENT(S) ablakba; a fgg vltozt
(aranykoronaertek_y) pedig a DEPENDENT ablakba tegyk. A METHOD ablakban
az n. ENTER nev mdszer van megadva alapllapotban, ez azt jelenti, hogy a
vizsglat minden fggetlen vltozt bevon az elemzsbe (a ksbbiekben
ennek a rszletes elemzsre visszatrnk). Minden egyb belltst hagyjunk
vltozatlanul. Kattintsunk az OK gombra, amelynek az eredmnyekppen az
Output ablakban kapott tblzatokat kell elemezni. Elsknt megjelenik az a
tblzat, ami az alkalmazott modellt tartalmazza (111. tblzat), jelen esetben
ez az ENTER mdszer volt.
- 198 -
111. tblzat. Az Output els tblzata, ami a kivlasztott mdszert

takarja, a magyarz vltozkat megjelentve
b
Variables Entered/Removed
Variables Variables
Model Method
Entered Removed
1 humusz_x2,
a . Enter
foszfor_x1
a.All requested variables entered.
b. Dependent Variable: aranykoronaertek_y
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).
77. bra. A vltozk kivlasztsnak mdszerei
A FORWARD mdszer minden lpsben azt a magyarzt vonja be a

vizsglatba, amelyik parcilis F tesztjhez a legkisebb p (vagyis hibzsi)
valsznsg tartozik. A bevons folyamata addig tart, amg a p az elre
rgztett maximum rtk (PIN) alatt marad, vagy minden vltozt bevon.
- 199 -
A BACKWARD eliminci az indul lpsben mindegyik vltozt tartalmazza, s

lpsenknt mindig azt az egyet hagyja ki, amelyiknek a legkisebb a parcilis
korrelcija. Ekkor a parcilis F teszthez a legnagyobb p valsznsg (a
legnagyobb elsfaj hiba) tartozik. Akkor ll le a mdszer, ha a p kisebb, mint
a kszbrtk (POUT), vagy mr nincs vltoz a modellben.
A STEPWISE mdszer a FORWARD szelekcitl annyiban tr el, hogy minden

lpsben ellenrzi a modellbe korbban bevont vltozk p valsznsgt, s
ha a p rtke nagyobb, mint a kszbrtk, akkor a vltozt kihagyja a
modellbl. (Szoksos bellts: PIN = 0,05; POUT = 0,1 .) Nem kerlnk vgtelen
ciklusba, ha PIN POUT .
A REMOVE eljrs a fggetlen vltozk kzl eltvoltja azokat, amelyeknl az
egytthat nem szignifikns. A vgs kifejezsben csak a maradk fggetlen
vltozk szerepelnek.
Az OUTPUT ablakban megjelen kvetkez tblzat (112. tblzat) a
tbbszrs korrelcit, a determincis egytthatt, a korriglt r 2 rtkt, a
regresszis modell standard hibjt tartalmazza (ezeket sszevetve a kzi
szmols eredmnyvel, lthat, hogy ugyanazok az rtkek addtak).
112. tblzat. Az ENTER mdszer sszefoglal tblzata

Model Summary
Adjusted Std. Error of

Model R R Square
R Square the Estimate
1 ,766a ,587 ,532 4,39523
a.Predictors: (Constant), humusz_x2, foszfor_x1
A harmadik tblzat a modell tesztelsre szolgl ANOVA tblzat (113.

tblzat), amibl ltszik, hogy a regresszis modell jl magyarzza az y
rtkek szrdst ( p < 0,05) , vagyis a modell alkalmas az y rtkek
becslsre.
113. tblzat. Az ANOVA tbla

ANOVAb
Sum of
Squares
1 Regression 411,334 2 205,667 10,646 ,001a
Residual 289,771 15 19,318
Total 701,104 17
a.Predictors: (Constant), humusz_x2, foszfor_x1
b. Dependent Variable: aranykoronaertek_y
- 200 -
A tblzat utols oszlopa szerint elvetjk a nullhipotzist, ami azt jelenti, hogy
a modell alkalmas a fgg vltoz magyarzatra. Abbl azonban, hogy
elvetjk a nullhipotzist mg nem kvetkeztethetnk arra, hogy a fgg
vltoznak j becslst tudjuk megadni, mert elfordulhat, hogy a modellben
vannak olyan vltozk, amik nem szignifikns paramterek. Errl a 114.
tblzat ad tjkoztatst.
114. tblzat. Az egytthatk tblzata

a
Coefficients
Model Coefficients Coefficients t Sig.
B Std. Error Beta
1 (Constant) 13,017 5,256 2,476 ,026
foszfor_x1 1,033 ,227 ,759 4,555 ,000
humusz_x2 ,563 1,772 ,053 ,317 ,755
a.Dependent Variable: aranykoronaertek_y
A t -prbhoz tartoz szignifikancia rtkek alapjn a humusz magyarz

vltoz szerepeltetse nem helyes a modellben ( p > 0,05) , azaz a humusz s
az aranykorona rtk kztt nincs lineris kapcsolat.
Hrom fggetlen vltozs regresszianalzis
A hrom fggetlen vltozs regresszianalzis esetn:

y = 0 + 1 x1 + 2 x 2 + 3 x3 , ahol y
a fgg vltoz becslt rtke, x1, x2, x2 a
fggetlen vltozk, , , , az
0 1 2 3 egyenlet becslt paramterei.
Vizsgljuk meg, hogy a miclium tmege hogyan fgg a talaj N, P s K
tartalmtl, melyik tpanyag nvelse mekkora hatssal van a miclium
slynak alakulsra (115. tblzat)
115. tblzat. A N, P s K klnbz kombinciinak hatsa az

Aspergillus niger micliumnak tmegre
N ( x1 ) P ( x2 ) K ( x3 ) y
mg mg mg
12 72 4 1,23
12 48 4 1,17
6 72 32 1,12
6 24 16 1,11
24 8 20 1,08
30 32 12 1,02
30 32 20 1,01
- 201 -
18 16 12 0,99
24 16 24 0,98
18 40 28 0,93
36 24 28 0,84
42 8 8 0,78
48 56 36 0,74
48 40 32 0,74
54 56 36 0,69
Forrs: SVB JNOS (1981), 317.o.
Az SPSS alkalmazsa eltt nzzk meg grafikus mdszerrel (2-3 dimenzis

brkkal), hogy kzelten teljeslnek-e a lineris regressziszmts
elfelttelei, hasznlhat-e a modell (tobbszoros_linreg2.sav). Mivel a grafikus
bra magasabb dimenziban nem kszthet el, ez a lps nem helyettestheti
a modell jsgt vizsgl teszteket, de arra alkalmas, hogy a teljesen
hasznavehetetlen szmtsokat megelzzk.
78. bra. A miclium tmege a talaj nitrogn tartalma (mg)

fggvnyben
Az y s az x1 , x 2 ,... vltozk pontdiagramjt vizsglva leolvashatk a
kvetkezk:
- 202 -
Lineris-e a kapcsolat, jogos-e a lineris modell alkalmazsa, vagy ms

fggvnytpust clszer vlasztani?
Az x nvekedsvel az y adatok szrsa vltozatlan marad-e, vagyis a
hibatag konstans szrsa felttelezhet-e?
Homogn-e a minta, vagy almintk lthatk, amelyekben ms-ms tendencia
rvnyesl a vltozk kztt?
Vannak-e kiugr pontok s milyen az elhelyezkedsk?
brzoljuk pontdiagramon (GRAPHS / SCATTER) minden egyes fggetlen vltoz
s a fgg vltoz kapcsolatt kln-kln, ezt a 78. bra, 79. bra, 80. bra
mutatja.
A talaj nitrogn tartalma s a miclium tmege kztti kapcsolat linerisnak
tekinthet, a kzttk lv kapcsolat ellenttes irny, vagyis nvekv
nitrogntartalomhoz cskken micliumtmeg tartozik.
Ha a talaj foszfor tartalmnak a fggvnyben nzzk a miclium tmegt (79.
bra), akkor a ponthalmaz elhelyezkedse alapjn nem lehet tendencizus
megllaptst levonni. Fggvnyszer kapcsolatot nem lehet leolvasni, mg
akkor sem, ha esetleg almintra bontannk a mintt (hangslyozzuk az
alacsony mintaszm erre egybknt nem ad lehetsget).
79. bra. A miclium tmege a talaj foszfor tartalma (mg)

fggvnyben
- 203 -
A talaj klium tartalmnak a fggvnyben megvizsglva a miclium tmegt,

a pontdiagramot a 80. bra mutatja.
80. bra. A miclium tmege a talaj klium tartalma (mg)

fggvnyben
A pontok itt is szrdnak, m els kzeltsben megprbltunk a pontokra

egyenest illeszteni. A minta j kzeltssel homognnek tekinthet, van
nhny kiugr rtk, amely elhagysval a lineris regresszis egyenes
illeszkedst javtani lehetne, m az alacsony mintaszm miatt ettl
eltekintnk.
A kapott brk alapjn gy tnik, hogy a hrom fggetlen vltoz kzl a talaj
foszfor tartalma az a vltoz ami nem illeszkedik a lineris modellbe. Hrom
dimenzis brn jelentsk meg a msik kt fggetlen vltozt (a talaj nitrogn
s klium tartalmt) s a miclium tmegnek az alakulst (81. bra).
Br a hrom dimenzis brk elemzse nem knny, m a pontok
elhelyezkedse alapjn durva kzeltsben mondhatjuk, hogy lineris
sszefggs lthat a vizsglt vltozk kztt.
Az brk elksztse utn vgezzk el a regressziszmtst. A tbbszrs
regressziszmts elvgzshez kattintsunk az ANLALYZE menpont
REGRESSION almenjnek LINEAR parancsra. A megjelen panelban (82. bra)
vgezzk el a kvetkez belltsokat: a fgg vltoz ablakba (DEPENDENT)
- 204 -
helyezzk a miclium tmege vltozt, mg a fggetlen vltozk kz

helyezzk be a talaj nitrogn tartalma ( x1 ) , foszfor tartalma ( x2 ) s a klium
tartalma ( x3 ) vltozkat.
81. bra. A vltozk hrom dimenzis brja
Azt, hogy a fggetlen vltozkat hogyan vlassza be a program, a METHOD

ablakban llthatjuk be. Megint az ENTER mdszert jelltk meg, ahogy azt az
elbbi feladatban is tettk.
Kattintsunk a STATISTICS parancsgombra (83. bra). A REGRESSION COEFFICIENTS

rszben az ESTIMATES parancs megjellsvel azt rjk el, hogy a program a
regresszis paramtereket rja ki. De ebben az ablakban van arra
lehetsgnk, hogy konfidencia intervallumot (CONFIDENCE INTERVALS) s
kovariancia mtrixot (COVARIANCE MATRIX) is lekrjnk.
- 205 -
82. bra. A tbbszrs lineris regresszi belltsai
83. bra. A STATISTICS parancsgomb belltsai
A modell illeszkedst (MODEL FIT), az r 2 vltozst (R SQUARED CHANGE), a ler

statisztikkat (tlag, szrs, megfigyelsek szma) (DESCRIPTIVES), a parcilis
korrelcit (PART AND PARTIAL CORRELATIONS) s multikollinearitsi mreteket
- 206 -
(COLLINEARITY DIAGNOSTICS) a jobb oldali panelrszben trtn megjellsekkel

krhetnk. Ezek kzl mi most a krjk az r 2 vltozst. A rezidulis rszben
Durbin-Watson tesztet s esetenknti diagnosztikt krhetnk. Ha a vizsglati
minta szma nagy, rdemes kiratni a kiugr rtkeket, amelyek az tlagtl 2-3
szrsnyi tvolsgra vannak, ezek ugyanis nagymrtkben torzthatjk a
kapott eredmnyeket. A 83. bra csak a program alapbelltsait mutatja, mi
most azonban jelljnk meg minden lehetsget, majd futtassuk le a
programot.
Az elsknt kapott tblzatban (116. tblzat) a ler statisztika eredmnyeit
ltjuk, a vltozk tlagt, szrst s a megfigyelt esetek szmt kzli a
program.
116. tblzat. A vltozk tlaga s szrsa

Descriptive Statistics
Std.
Mean Deviation N
A miclium tmege (gramm)
,9620 ,16992 15
Nitrogn (mg) 27,2000 15,68985 15
Foszfor (mg) 36,2667 21,13719 15
Klium (mg) 20,8000 11,13040 15
A ler statisztikkat tartalmaz tblzatbl a miclium tmegnek tlaga

0,962 gramm, a talaj nitrogn tartalmnak tlaga 27,2 mg, a foszfortartalom
tlaga 36,27 mg s a kliumtartalom tlaga 20,8 mg. A szrsok alapjn a
foszfortartalom esetben legnagyobb a szrs, ez sszhangban van a kt
dimenzis brn kapott kppel. A mintaszm minden vltoz esetn 15.
A korrelcis mtrixban (117. tblzat) a fgg s a magyarz vltozk
pronknti korrelcii, a szignifikancia-szintek s a minta mrete szerepel.
A szignifikancia rtke alapjn a miclium tmege ( y) a talaj nitrogn
tartalmval ( x1) s klium tartalmval ( x3) van szignifikns kapcsolatban. A
Pearson-fle korrelci rtke azt mutatja, hogy a nitrogntartalom
( r = 0,914) ers sztochasztikus kapcsolatban van a miclium tmegvel, de
ez a kapcsolat ellenttes irny; mg a kliumtartalomnl kzepes erssg a
sztochasztikus kapcsolat, s ez a vltoz is negatv hatssal van a miclium
tmegre, vagyis nvekv kliumtartalom esetn cskken micliumtmeget
kapunk.
- 207 -
117. tblzat. Korrelcis mtrix

Correlations
A miclium Nitrogn Foszfor

Klium (mg)
tmege (gramm) (mg) (mg)
Pearson Correlation
A miclium
1,000 -,914 ,141 -,625
tmege (gramm)
Nitrogn (mg) -,914 1,000 -,096 ,485
Foszfor (mg) ,141 -,096 1,000 ,237
Klium (mg) -,625 ,485 ,237 1,000
Sig. (1-tailed) A miclium
. ,000 ,309 ,006
tmege (gramm)
Nitrogn (mg) ,000 . ,367 ,033
Foszfor (mg) ,309 ,367 . ,197
Klium (mg) ,006 ,033 ,197 .
N A miclium
15 15 15 15
tmege (gramm)
Nitrogn (mg) 15 15 15 15
Foszfor (mg) 15 15 15 15
Klium (mg) 15 15 15 15
A 118. tblzatban a tbbszrs korrelci s a determincis egytthat, a

korriglt r 2 , a regresszis modell standard hibja szerepel. Az utols
oszlopban a Durbin-Watson teszt eredmnyt ltjuk.
118. tblzat. A Stepwise mdszer sszefoglal tblzata

b
Model Summary
Change Statistics
Std. Error
R Adjusted Durbin-
Model R of the
Square R Square Watson
Estimate R
F Sig. F
Square df1 df2
Change Change
Change
1 ,946a ,895 ,866 ,06215 ,895 31,220 3 11 ,000 2,092
a. Predictors: (Constant), Klium (mg), Foszfor (mg), Nitrogn (mg)
b. Dependent Variable: A miclium tmege (gramm)
A gyakorlatban a tblzatbl szmunkra a msodik s a harmadik oszlop az

rdekes. A tblzat msodik oszlopban a tbbszrs korrelcis koefficiens
rtke tallhat ( r = 0,946) , ami a fgg vltoz s a fggetlen vltozk kztti
lineris sszefggs szorossgt fejezi ki. A harmadik oszlopban a tbbszrs
determincis koefficiens rtke olvashat le (r 2 = 0,895) , ez az rtk azt
mutatja meg, hogy az y fgg vltoz szrdsbl mennyi tulajdonthat a
fggetlen vltozk hatsnak. A miclium tmege szrdsnak 89,5%-a a
kapott eredmny alapjn a N, P s K tpanyag vltozsval magyarzhat.
A program elkszti a regresszianalzis varianciaanalzis tblzatt is (119.
tblzat), ami a modell tesztelsre szolgl. Ebbl a tblzatbl olvashatjuk le,
hogy a modell mennyire jl magyarzza meg az y rtkek szrdst. A
- 208 -
tblzat utols oszlopbl lthatjuk ( p < 0,05) , hogy a nullhipotzisnket el kell

vetni, ami azt jelenti, hogy a modell j.
119. tblzat. Az Anova tblzat

ANOVAb
Sum of
Squares
1 Regression ,362 3 ,121 31,220 ,000a
Residual ,042 11 ,004
Total ,404 14
a.Predictors: (Constant), Klium (mg), Foszfor (mg), Nitrogn (mg)
b. Dependent Variable: A miclium tmege (gramm)
A 120. tblzatban kapjuk meg a tbbszrs lineris regresszis modell

felrshoz szksges paramtereket, valamint, hogy a vltozk egyenknt
szignifiknsan befolysoljk-e az y vltozt.
A regresszis koefficiensek rtkeit a tblzat msodik oszlopbl olvashatjuk
le, ez alapjn a miclium tmege s a talaj nitrogn-, klium- s foszfor
tartalma kztti sszefggs y = 1,238 0,008 x1 + 0,001 x2 0,004 x3 formban
rhat fel, ahol y a miclium tmege, x1 , x2 , x3 pedig a talaj nitrogn-, klium-
s foszfor tartalma. A standardizlt koefficiens oszlopban lv Beta rtkrl
mr korbban szltunk, m igazi jelentst most rthetjk meg. Tbbszrs
lineris regresszinl minl kzelebb van a Beta rtke az 1-hez, annl
inkbb
Azt, hogy az egyes regresszis koefficiensek valban befolysoljk-e az y
vltozt t -prbval dntjk el a bi = 0 ( i = 1,2,3) nullhipotzissel szemben. A t -
prba eredmnyt a t oszlopban lthatjuk, mg a szignifikancia oszlopban
olvassuk azt le, hogy melyik regresszis egytthat hatsa szignifikns.
120. tblzat. A regresszis egytthatk

a
Coefficients
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 -
A nitrogn nvelsnek depresszv hatsa szignifikns, a foszfor vltozsnak

hatsa nem bizonythat, mg a klium hatsa p = 5% -s szinten bizonythat. A
N s a K hatsa negatv.
A parcilis regresszis koefficiensek szignifikancijnak az alakulst
befolysolja a fggetlen vltozk egyms kztti korrelcija. Ha a fggetlen
vltozk kztt ers a korrelci, akkor az rtelmezsnl a kapott
eredmnyekkel vatosan kell bnni.
Nemlineris sszefggsek vizsglata
Az elz pldkban a vltozk kztti kapcsolat elemzsekor (mind az

egyszeres, mind a tbbszrs esetben) lineris regresszit alkalmaztunk. A
biometria tmakrbe tartoz jelensgek kztt azonban gyakrabban fordul
el az, hogy a fgg vltoz a fggetlen vltoz 1 egysgnyi vltozsra nem
lland vltozssal reagl a klnbz x pontokban. A statisztikai gyakorlat
ppen ezrt gyakran nemlineris fggvnyek illesztst ignyli.
A nemlineris fggvnyeket statisztikai szempontbl kt csoportra osztjuk:
linerisra visszavezethet s linerisra nem transzformlhat modellekre.
84. bra. Nemlineris, de linearizlhat fggvnyek az SPSS-ben

Ezek az illesztsek az SPSS-ben az albbi parancssorral indthatk el: ANALYZE
/ REGRESSION / CURVE ESTIMATION (84. bra).
- 210 -
Linerisra visszavezethet sszefggsek vizsglata
Ha a lineris regresszi felttelei nem teljeslnek, vagy rossz illesztst

kapunk, akkor meg kell prblkozni a fgg s a fggetlen vltozk
transzformcijval. A transzformlt adatokon mr lineris regresszis
elemzst hajtunk vgre, de ez az eredeti adatoknl mr nem lineris
sszefggst fog magyarzni. A tovbbiakban ismertetnk nhny
lehetsget a nemlineris kapcsolatnak a lineris regresszi segtsgvel val
megadsra.
A 84. bran a MODELS rszben pipval jelltk a nemlineris, de linearizlhat
fggvnyeket. Ezek megnevezst s kplett a 121. tblzatban foglaltuk
egybe.
121. tblzat. A legfontosabb nemlineris (de linearizlhat)

regresszis fggvnyek
SPSS
Tpus Egyenlet
elnevezs
Logarithmic Logaritmikus y = 0 + 1 ln x
Inverse Inverz y = 0 + 1 x
Quadratic Parabolikus y = 0 + 1 x + 2 x 2
Cubic Harmadfok y = 0 + 1 x + 2 x 2 + 3 x 3

y = 0 x 1 vagy
Power Hatvnykitevs +ln x
=
ln y 0 1
y = 0 1 x vagy
Compound Vegyes
ln y = ln 0 + ln 1 x

( )
y = e 0 +1 x vagy
S Szigmoid +
x
=
ln y 0 1
1
y = vagy
(1 u ) + 0 1 x
Logistic Logisztikus
1
ln
1
(
= ln 0 + ln 1 x )
y u

y =e 0 +1x
vagy
Growth Nvekedsi +
x
ln y = 0 1
y = 0 1 x vagy
Exponential Exponencilis
y = 0 e 1x vagy
=ln
ln y + x
0 1
- 211 -
A tovbbiakban az albbi fggvnyekkel foglalkozunk rszletesen egy-egy

pldn keresztl:
Logaritmusfggvny esetn az y vltoz az x logaritmusval van lineris
sszefggsben, azaz x szorzatos vltozsra y additvan reagl.
Exponencilis sszefggs esetn a logaritmusfggvnnyel ellenttben az y
logaritmusa az x -szel van lineris sszefggsben. Az exponencilis
sszefggsben y nvekedsnek a sebessge arnyos v mr elrt
rtkvel.
Hatvnyfggvny esetn y logaritmusa az x logaritmusval van lineris
sszefggsben.
A parabolikus fggvny s a harmadfok fggvny a polinomilis
fggvnycsaldba tartozik, ez a fggvnycsald gyakorlatilag brmilyen
sszefggs lersra alkalmas, de az sszefggs trvnyszersgt
legtbbszr nem jellemezik.
Logisztikus fggvny esetn a fgg vltoz rtkei elszr lassan, majd
egyre gyorsabban nvekednek, majd ismt lassulnak egy fels hatr fel
kzeltve.
Logaritmikus regresszi
122. tblzat. A logaritmikus regresszihoz tartoz adattblzat

A A
Testtmeg Testtmeg
kock kock
termels termels
szma szma
(100 kg) (100 kg)
(db) (db)
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 -- --
Forrs: MANCZEL (1983): Statisztikai mdszerek alkalmazsa a

mezgazdasgban
- 212 -
Vizsgljuk meg a 122. tblzathoz tartoz adatok alapjn, hogy egy

sertstelepen fokozatosan nvelve a kocaltszmot, az llatok
testtmegtermelse hogyan vltozik. A kock szmt s a testtmegtermels
kztti adatokat tartalmaz SPSS fjlt logaritmikus_regresszio.sav nv alatt
mentettk el.
A kt vltoz kztti kapcsolat jellegnek szemlltetshez brzoljuk a pont-
prokat az SPSS-ben. A pontdiagramot a tanult mdon ksztsk el (GRAPHS /
SCATTER). A kt vltoz kztti kapcsolatot a 85. bra szemllteti
85. bra. A kt vltoz kztti pontdiagram
Az brrl ltszik, hogy ebben az esetben a ponthalmazra nem az egyenes

illesztse tnik megfelelnek, hanem a logaritmusfggvny, amelynek az
egyenlete y = 1 ln x + 0 alak.
A tovbbiakban nem ismertetjk a regresszis paramterek manulis
kiszmtsnak mdszert s menett, hanem a knyv cljnak alrendelten
az SPSS-ben mutatjuk meg a szmtsokhoz szksges belltsokat.
Kattintsunk az ANALYZE menpont REGRESSION almenjnek CURVE ESTIMATION
parancsra (86. bra).
A megjelent panelben a bal oldali ablakbl (87. bra) vlasszuk ki a fggetlen
vltozt (kock szma) s a nyilacska segtsgvel tegyk t a VARIABLE
ablakba, majd a fgg vltozt (testtmeg termels) a DEPENDENT(S) ablakba.
- 213 -
86. bra. A logaritmikus regresszis fggvny illesztsnek

parancssora
87. bra. A logaritmikus regresszis fggvny illesztse SPSS-ben
- 214 -
A MODELS rszben van arra lehetsg, hogy a klnbz regresszis

fggvnyek kzl vlasszunk (egyszerre tbb regresszis fggvnyt is
kijellhetnk). Jelljk meg a LOGARITHMIC fggvnyt.
Ms belltsokat is vgezhetnk. Ha azt akarjuk, hogy a program a konstans
tagra is adjon becslst, akkor az INCLUDE CONSTANT IN EQUATION mellett hagyjuk
meg az alapbelltsban megjelen pipt. A PLOT MODELS megjellsvel (ami
szintn alapbellts) a program grafikusan jelenti meg a megfigyelsi
pontokra illesztett, ltalunk kivlasztott regresszis fggvnyt. A DISPLAY ANOVA
TABLE megjellsvel variancia tblt kszttetnk a programmal.
88. bra. A SAVE parancs belltsai
A SAVE parancsra kattintva (88. bra) a kvetkez belltsokra van

lehetsgnk:
PREDICTED VALUES: Megjellve a regresszis fggvny ltal becslt y rtkeket
rja ki a program az adatmtrixba j vltozknt FIT_1 nv alatt.
RESIDUALS: Ha bejelljk, akkor a maradkok egy kln vltozban jelennek
meg az adatmtrixban ERR_1 nv alatt.
123. tblzat. A logaritmikus regresszis fggvny sszefoglal

tblzata
Model Summary
Adjusted R Std. Error of
R R Square
Square the Estimate
,976 ,953 ,949 ,722
The independent variable is A kock szma (db).
- 215 -
PREDICTION INTERVALS: Kipilva, a megadott szignifikancia szinten

(alapbelltsban 95%), akkor kt jabb vltozban (LCL_2 s UCL_2)
vltoznv alatt a konfidencia intervallum hatrait adja meg a program.
A bemutatott belltsok mindegyikt megjellve futtassuk a programot, majd
elemezzk az Output ablakban megjelent tblzatokat s a kapott brt.
A 123. tblzat els oszlopa tartalmazza a lineris korrelcis egytthat

rtkt ( r = 0,976 ) . A msodik oszlopban a determincis egytthat rtkt
(r 2 = 0,95) ltjuk, ami szerint a modell 95%-ban tudja magyarzni az y rtkek
eltrs ngyzetsszegt. Ez j eredmnynek tekinthet, hiszen csak 5% a
hibbl add eltrs. A harmadik oszlop a korriglt r 2 adja, mg az utols
oszlopban a regresszis modell standard hibja szerepel.
A 124. tblzat az ANOVA tblzat, amely tartalmazza tbbek kztt az

eltrs- s tlagos ngyzetsszegeket, az F -prba rtkt (ezek korbban
ismertetsre kerltek). Az utols oszlop jelenti szmunkra a legfontosabb
informcit, innen olvashat le, hogy a kivlasztott modell helyes-e. A
nullhipotzis szerint az y rtkek vletlenszeren szrdnak. Mivel a
szignifikancia rtk kisebb 0,05-nl, gy elvetjk a nullhipotzist, teht a
logaritmikus modellnk helyes.
124. tblzat. A logaritmikus regresszis fggvny illesztshez

tartoz ANOVA tblzat
ANOVA
Sum of
df Mean Square F Sig.
Squares
Regression 137,415 1 137,415 263,379 ,000
Residual 6,783 13 ,522
Total 144,197 14
The independent variable is A kock szma (db).
A 124. tblzatbl a regresszis paramtereket ( B ) s azok tesztelst kapjuk

meg (Sig ) . A kock szma sorban a 1 paramter becslt rtkt ltjuk, mg
a konstans (Constans) sorban a 0 egytthat rtke olvashat le.
- 216 -
125. tblzat. A paramtereket megad tblzat

Coefficients
Coefficients Coefficients t Sig.
B Std. Error Beta
A kock szma 3,289 ,203 ,976 16,229 ,000
(Constant) -6,151 ,973 -6,319 ,000
A paramterek alapjn a regresszis egyenlet:

y = 3,289 ln x 6,115 .
A kapott regresszis grbe egyenlete alapjn megbecslhetjk pldul azt,

hogy 250 darabos kocaltszmhoz mekkora testtmegtermels trsul. A
fggvnybe helyettestve az x = 250 -et megkaphatjuk a testtmegtermelst:
y = 3,289 ln 250 6,115 , ahonnan =12,45 .
y
Megllapthatjuk, hogy a kocaltszm 250 darabra nvelsvel a

testtmegtermels 12,45 100 kg lesz.
A kiszmtott rtkeket, azaz a program ltal a ponthalmazra illesztett
logaritmikus fggvnyt a 89. bra mutatja.
89. bra. Az empirikus adatokra illesztett logaritmikus fggvny
A nemlineris, de linearizlhat kapcsolatok esetben a korrelcis index

szolgl mrszmul a kt vltoz kztti kapcsolat jellemzsre, amit az
- 217 -
n
2
ei
I = 1 i =1
( )2
n
yi y
i =1
kplettel rtelmeztnk ( ei = yi y i ). Elszr meghatrozzuk a korrelcis

indexet, a transzformlt vltozk kztti lineris korrelcis egytthatt, majd
rtelmezzk a kapott eredmnyeket.
A szmtshoz szksges rszeredmnyeket a 126. tblzat tartalmazza.
126. tblzat. A korrelcis index kiszmtshoz szksges

munkatbla
xi yi y i ei ( ei ) 2 ( yi y ) ( yi y )2
1 29 3,7 4,96 -1,26 1,588 -5,65 31,923
2 32 6,4 5,28 1,12 1,246 -2,95 8,703
3 39 5,6 5,93 -0,33 0,112 -3,75 14,063
4 41 6,7 6,10 0,60 0,361 -2,65 7,023
5 45 7,2 6,41 0,79 0,632 -2,15 4,623
6 62 7,6 7,46 0,14 0,020 -1,75 3,063
7 102 8,7 9,10 -0,40 0,157 -0,65 0,423
8 145 9,4 10,25 -0,85 0,728 0,05 0,003
9 155 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
140,8 144,19
-- 140,3 -- 6,802 --
4 8
tla
-- 9,35 -- -- -- -- --
g
A 126. tblzat adatait helyettestsk be a korrelcis index kpletbe:
- 218 -
n 2
ei
i =1 6,802
I = 1 = 1 0,9761.
n
(
yi y i
i =1
)2 144,198
Az eredmny nagyon ers nemlineris korrelcis kapcsolatra utal. Ez azt

jelenti, hogy a kock testtmeg-termelse s a ltszm kztt szoros
kapcsolat ll fenn.
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.
127. tblzat. A feladathoz tartoz adattblzat

Mlysg (cm) Gykrtmeg
(g/m2)
010 26,87
10,120 15,66
20,130 6,18
30,140 2,9
40,150 1,5
50,160 0,65
60,170 0,28
70,180 0,13
80,190 0,06
90,1100 0,03
Forrs: SVB JNOS (1981), 381. o.
A talaj mlysghez tartoz adatok intervallumban s cm mrtkegysgben,

mg a gykrslyhoz tartoz adatok g/m2 -ben vannak megadva. A
- 219 -
talajmlysghez tartoz adatokat alaktsuk t konkrt rtkekre gy, hogy a 0

10 cm-es intervallumhoz rendeljk az 1 dm, a 10,120 cm-es intervallumhoz a
2 dm stb. adatokat. A gykrtmeg adatokat vltsuk t mg/m2-re (128.
tblzat).
128. tblzat. A feladathoz tartoz adatok a transzformci utn

Mlysg (dm) Gykrtmeg
x (mg/m2) ln y
y
1 26870 10,20
2 15660 9,66
3 6180 8,73
4 2900 7,97
5 1500 7,31
6 650 6,48
7 280 5,63
8 130 4,87
9 60 4,09
10 30 3,40
Ezeket az adatokat vigyk be az SPSS tblba s mentsk el

Exponencialis_regresszio.sav nv alatt. Elsknt brzoljuk pontdiagramon
a pont-prokat (90. bra).
A kapott pontok elhelyezkedse alapjn lthat, hogy a ponthalmazra
leginkbb illeszked fggvny ebben az esetben az exponencilis fggvny.
Az exponencilis regresszis fggvny alakja: y = 0 1x . A fggvny
logaritmikus transzformci segtsgvel a kvetkez lineris sszefggs
alakthat:
log y =log 0xlog 1 .
(A transzformcihoz tetszleges alap logaritmust hasznlhatunk.) Az

exponencilis regresszis fggvny paramtereit kzi szmtsokkal gy
hatrozhatjuk meg, hogy alkalmazzuk a lineris regresszinl tanultakat a
transzformlt vltozkra, majd a kapott eredmnyeket visszatranszformljuk.
Knnyen ellenrizhetjk, hogy a vltozk kztti kapcsolat valban az
exponencilis fggvnnyel kzelthet-e. Ehhez vegyk az y rtkeknek pl. a
termszetes alap logaritmust ( ln y ) s az x , valamint ln y adat-prokbl
ksztsnk grafikont. Amennyiben a vzszintes tengely beosztsa az x
vltoz termszetes lptke, a fggleges beosztsa pedig a logaritmus s a
kapott pont-prok egy kpzeletbeli egyenes mentn helyezkednek el, akkor az
- 220 -
sszefggs exponencilis (91. bra). Ha az adat-prok elhelyezkedsben

hajls tallhat, akkor az sszefggs nem exponencilis, ms regresszis
fggvnyt kell keresni.
30000
25000
A bza gykrtmege (mg/ m2)
20000
15000
10000
5000
0 2 4 6 8 10
A talaj mlysge (dm)
90. bra. A vltozk kztti pontdiagram
Az SPSS-ben az exponencilis illesztst ugyangy vgezzk, mint azt tettk

pl. a logaritmikus regresszifggvny alkalmazsnl. Kattintsuk vgig az
albbi parancssort: ANALYZE/REGRESSION/CURVE ESTIMATION. A megjelen
panelban (92. bra) vlasszuk ki a fggetlen vltozt (A talaj mlysge) amit
a VARIABLE mezbe helyezznk, a fgg vltozt (A bza gykrtmege) a
DEPENDENT(S) ablakba tegyk. Most vlasszuk ki az EXPONENTIAL fggvnyt, majd
futtassuk le a programot.
- 221 -
10,00
8,00
ln_gyokertomeg
6,00
4,00
0 2 4 6 8 10
A talaj mlysge (dm)
92. bra. Az exponencilis regresszi belltsai
Az exponencilis regresszis fggvny illesztse utn elemezzk a 129.

tblzatot.
- 222 -
129. tblzat. Az exponencilis regresszis fggvny illesztshez

tartoz tblzat
Model Summary and Parameter Estimates
Dependent Variable: A bza gykrtmege (g/m2)
Model Summary Parameter Estimates
Equation
R Square F df1 df2 Sig. Constant b1
Exponential ,999 8872,148 1 8 ,000 64706,304 -,771
The independent variable is A talaj mlysge (dm).
Az els oszlopban lv determincis rtk (r 2 = 0,999) alapjn azt

mondhatjuk, hogy, a modell majdnem 100%-ban tudja magyarzni az y
rtkek eltrs ngyzetsszegt. A szignifikancia oszlopban a regresszis
modell helyessgt tesztelve kapjuk, hogy az exponencilis modell
megfelelen rja le a vizsglt jelensget ( p < 0,05) . Az utols kt oszlopbl
tudjuk megadni a keresett paramterrtkeket.
93. bra. Az exponencilis regresszi fggvny
A konstans (Constant) oszlopban a 0 egytthat rtkt ltjuk, mg a b1

oszlophoz tartoz rtkbl a 1 paramtert a 1 = e b1 helyettestssel kapjuk,
ugyanis az SPSS az exponencilis fggvnyt y = b0 e b1t alakban illeszti. gy a
- 223 -
becslt regresszis paramterek 0 = 64706,304 s 1 = 0,463 , ezzel az illesztet

regresszis fggvny: y = 64706,304 0,463 x .
A kapott regresszis egyenlet alapjn azt mondjuk, hogy a gykrsly 10 cm-
enknt 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
Ezt a fggvnyt elssorban akkor hasznljuk, ha az x s y vltozk

logaritmusai kztt van lineris sszefggs. A y = 0 x 1 sszefggst
logaritmikus transzformci segtsgvel visszavezethetjk lineris alakra.
Ha mindkt oldalnak vesszk a logaritmust, akkor az albbi sszefggshez
jutunk:
log y =log 0 1log x .
Ha bevezetjk a kvetkez jellseket: log y =y , log

= s ,
log x =x
0 0
akkor a regresszis fggvny az albbi alakban rhat fel:
y = 0 + 1 x .
A transzformlt modell megoldsa utn a 0 rtket kell a log

0 megfelel
alap hatvnyozsval kiszmtani, ugyanis a 1 -et kzvetlenl megkapjuk.
- 224 -
Mivel a y =
+
x
egyenlet hasonlatos a lineris regresszinl kapott
0 1
x egyenlethez, gy a s becslsek ha a szmtsokat kzzel
+
y = 0 1 0 1
vgeznnk, az albbi norml-egyenletekbl nyernnk
n n
0 n + 1 xi = y i

i =1 i =1
0 xi + 1 ( xi ) = xi y i .
n n n
2
i =1 i =1 i =1
A hatvnykitevs regresszi vizsglathoz bvtsk ki az elz feladatunkat

azzal, hogy megadjuk a gykrtmeghez tartoz gykrfellet-adatokat.
Nzzk meg, hogy milyen sszefggsben van egymssal a gykrtmeg s
a gykrfellet a talaj klnbz szintjeiben. A gykrtmeg (mg/m2) vltoz a
fggetlen vltoz ( x ) , a gykrfellet (dm2) pedig a fgg ( y ) vltoz (130.
tblzat).
130. tblzat. Alaptblzat a hatvnyfggvny szerinti sszefggs-

vizsglathoz
Gykrtmeg Gykrfellet
Mlysg
(mg/m2) (dm2)
(cm) x y
010 26870 4472
10,120 15660 4152
20,130 6180 1728
30,140 2900 904
40,150 1500 472
50,160 650 260
60,170 280 48
70,180 130 39
80,190 60 24
90,1100 30 12
Forrs: SVB JNOS (1981), 386. o.
Az adatokat tartalmaz Hatvany_regresszio.sav fjlt nyissuk meg s

brzoljuk az adat-prok sszefggst (49. bra).
- 225 -
5000
4000
Gykrfellet (dm2)
3000
2000
1000
0 5000 10000 15000 20000 25000 30000
Gykrtmeg (mg/ m2)
94. bra. Az adat-prok pontdiagramja
Megvizsglva a 49. brt lthat, hogy a kisebb rtkek nagyon

sszetmrlnek, s csak nehezen vehet ki az adat-prok elhelyezkedse.
Ilyenkor clszer az x s y rtkek logaritmuss alaktott rtkeibl
kszteni brt ( ln x -bl s ln y -bl), amelynek egyenest kell adnia. Ha
ugyanis az adat-prok nem egy kpzeletbeli egyenes mentn helyezkednek
el, hanem grbe vonalat mutatnak, akkor az sszefggs trvnyszersge
nem kveti a hatvnyfggvnyt, s ms fggvnyt kell vlasztani.
El kell kszteni a vltozk termszetes alap logaritmusait, amihez
kattintsunk a TRANSFORM men COMPUTE parancsra.
A megjelent panelban (95. bra) a TARGET VARIABLE mezbe rjuk az j vltoz
nevt, ami elszr legyen lnx. Ezt kveten a FUNCTION GROUP ablakban
vlasszuk ki az ALL funkcit, ami azokat a fggvnyeket s specilis vltozkat
jelent meg, amelyek be vannak ptve az SPSS-be. Ezek kzl vlasszuk ki a
termszetes alap logaritmus fggvnyt (LN), majd a nyilacska segtsgvel
helyezzk ezt a fggvnyt a NUMERIC EXPRESSION ablakba.
- 226 -
95. bra. A Transform men Compute parancsa, ahol j

vltozkat definilunk
Ekkor az LN szimblum utn megjelenik egy zrjel, ahov helyezzk a bal

oldalon lv vltozkat tartalmaz ablakbl a gykrtmeg vltozt. A
belltsok utn az OK gombbal hagyjuk jv az j vltoz definilst, aminek
kvetkeztben az adatmtrixban megjelenik az j vltoznk az rtkeivel
egytt. Ugyanezt a mveletet vgezzk el az ln y fggvny elksztsre is,
majd nzzk meg a 96. bra adatmtrixnak alakulst.
A kapott kt j vltozval ksztsnk pontdiagramot, melynek eredmnyt az
97. bra mutatja.
- 227 -
96. bra. Az j vltozk definilsa utn az SPSS Data View ablaka
9,00
8,00
7,00
6,00
lny
5,00
4,00
3,00
R Sq Linear =0,985
2,00
4,00 6,00 8,00 10,00
lnx
97. bra. A vltozk (gykrtmeg s fellet) termszetes alap

logaritmusai kztti sszefggse.
- 228 -
Az bra alapjn elmondhatjuk a fentiekkel sszhangban , hogy a

hatvnykitevs regresszi fggvny illesztse megfelelnek tnik.
Vgezzk el a regresszis fggvny illesztst, amihez kattintsunk az ANALYZE
menpont REGRESSION almenjnek CURVE ESTIMATION parancsra. A megjelent
panelban (98. bra) a VARIABLE mezbe helyezzk a fggetlen vltozt, ami a
gyktmeg, mg a DEPENDENT(S) ablakba a gykrfellet vltozt helyezzk.
A MODELS rszben most a POWER fggvnyt vlasszuk, ez a hatvnykitevs
regresszi-fggvny.
98. bra. A hatvnykitevs regresszi-fggvny illesztsnek

belltsa
A belltsok s a szmtsok elvgzse utn nzzk meg a kapott eredmnyt

a 131. tblzat alapjn. Ebbl a tblzatbl olvashatjuk azt ki, hogy megfelel-
e a modellnk, valamint hogyan alakulnak a paramterrtkek.
131. tblzat. A hatvnykitevs regresszi paramterei

Dependent Variable: Gykrfellet (dm2)
Equation
R Square F df1 df2 Sig. Constant b1
Power ,985 517,285 1 8 ,000 ,476 ,927
The independent variable is Gykrtmeg (mg/m2).
- 229 -
A paramterek becslse az utols kt oszlopbl olvashat le: 0 = 0,476 s

1 = 0,927 , gy a keresett hatvnykitevs regresszi fggvny alakja:
y = 0,476 x 0,927 .
A determincis egytthat rtke 0,985, ez alapjn azt mondhatjuk, hogy a

modell kzeltleg 99%-ban tudja magyarzni az y rtkek eltrs
ngyzetsszegt. A szignifikancia oszlopban a regresszis modell
helyessgt tesztelve azt kapjuk ( p < 0,05) , hogy a hatvnykitevs modell
megfelelen rja le a vizsglt jelensget. Elmondhatjuk mg, mivel 1 rtke
kisebb mint 1, hogy a gykrfellet nvekedse lassbb, mint a gykrtmeg
nvekedse.
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.
132. tblzat. A feladathoz tartoz adattblzat

Csves termstlag
Tszm
(kg/parcella)
(ezer db/ha)
Sze SC 352,FAO 340
20 1,99
30 2,24
40 2,57
50 2,75
60 3,29
70 3,10
80 3,29
90 3,31
100 3,07
Forrs: HUZSVAI L. (2003)
Az SPSS-ben is ksztsk el az adatfjlt, ennek neve legye

Parabolikus_regresszio. Els lpsknt brzoljuk a pont-prokat, ezt a 99.
bra tartalmazza.
- 230 -
3,00
Csvesterms tlag (kg/ parcella)
2,50
2,00
20 40 60 80 100
Tszm (ezer db/ ha)
A pontfelh elhelyezkedse alapjn leginkbb a msodfok fggvny

illeszkedik a ponthalmazra. A parabolikus regresszis fggvny alakja:
+
y = x2 .
x+
0 1 2
A regresszis fggvny illesztshez kattintsunk az ANALYZE menpont

REGRESSION almenjnek CURVE ESTIMATION parancsra, ahol a megjelent
panelban a 100. bra szerint vgezzk el a belltsokat.
A modellhez tartoz determincis egytthat rtke 0,974, ami azt jelenti,
hogy kzel 97%-ban tudja magyarzni a modell az y rtkek eltrs
ngyzetsszegt. A szignifikancia oszlopban a regresszis modell
helyessgt tesztelve kapjuk, hogy a msodfok modell megfelelen rja le a
vizsglt jelensget.
- 231 -
100. bra. Parabolikus regresszis fggvny illesztse
Az utols hrom oszlopbl tudjuk megadni a keresett paramtereket (133.

tblzat).
133. tblzat. A parabolikus regresszi paramterei

Dependent Variable: Csvesterms tlag (kg/parcella)
Equation
R Square F df1 df2 Sig. Constant b1 b2
Quadratic ,947 53,340 2 6 ,000 ,910 ,057 -,00034
The independent variable is Tszm (ezer db/ha).
A szmtott paramterek alapjn a parabolikus regresszifggvny:

=0,91 +0,057 x 0,00034 x 2
y
alakban rhat fel, mg az illeszts eredmnyekppen az 101. bra mutatja a

parabolikus regresszis fggvnyt. A fggvny alakjbl azt a kvetkeztetst
vonhatjuk le, hogy a hektronknti tszm nvelse csak egy bizonyos pontig
jr egytt a hektronknti csves terms mennyisgnek nvekedsvel.
Amennyiben meghatrozzuk a fggvny maximum pontjt, megllapthatjuk,
hogy mennyi az a hektronknti tszmrtk, ami mg a termst nveli.
- 232 -
101. bra. Az empirikus adatokra illesztett parabolikus

regresszifggvny
A fggvny szlsrtkhelynek meghatrozsa differencil-szmts

segtsgvel trtnik. Egy fggvnynek ott lehet szlsrtkhelye, ahol az els
derivltja nulla. Ismerjk az illesztet fggvnyt: y = 0,91 + 0,057 x 0,00034 x 2 ,
ezt kell derivlnunk. A derivlt-fggvny: y = 0,057 0,00068 x . Egyenlv tve
a kifejezst nullval, majd megoldva az egyenletet az x =83,82 rtket kapjuk.
Ebben a pontban a fggvnynek akkor van biztosan szlsrtk-helye, ha a
msodik derivlt rtke nem nulla. Mivel a msodik derivlt ezen a helyen
kisebb, mint nulla, gy a msodfok fggvnynek ezen a helyen maximuma
van.
Hatrozzuk meg a 83,82 ezer/ha tszmhoz tartoz csves terms
mennyisgt (kg/parcella). A tszm rtket behelyettestve a regresszis
fggvny kpletbe megkapjuk azt a termsmennyisget, ami az adott
tszmhoz trsul: 0,91 + 0,057 83,82 0,00034 83,82 2 = 3,299 .
Ez azt jelenti, hogy az elrhet legmagasabb terms 3,299 kg/parcella csves
terms.
- 233 -
Linerisra nem visszavezethet sszefggsek vizsglata
Logisztikus fggvny
A biolgia egyik legltalnosabb s legfontosabb trvnyszersgt fejezi ki a

logisztikus fggvny, amely jellemzje, hogy a fgg vltoz eleinte lassan,
majd mind gyorsabban nvekszik, aztn a nvekedse lelassul s egy fels
hatr, a maximum fel kzeledik.
134. tblzat. A nvny tmegnek gyarapodsa

Sorsz Eltelt napok A nvny tmege
m szma ( x ) (gramm) ( y )
1 1 0,19
2 7 0,96
3 14 3,01
4 21 6,59
5 28 12,25
6 35 19,73
7 42 30,30
8 49 43,14
9 56 57,06
10 63 73,44
11 70 89,99
12 77 104,97
13 84 118,24
14 91 129,55
15 98 141,46
16 105 155,40
17 112 166,84
18 119 175,32
19 126 181,74
20 133 186,06
21 140 187,76
Forrs: Huzsvai L. kzirat
y max
A logisztikus fggvny megadshoz az y = ( m = e 0 +1x , y max : teltdsi
1+ m
szint, a fggvny fels aszimptotja) kplettel definilt becslfggvnyt fogjuk
hasznlni.
Kukorica nvnyek tmegnek nvekedst vizsgltk. A kels els napjtl
kezdve hetente mrtk a nvnyeket, az adatokat grammban jegyeztk fel.
- 234 -
Milyen fggvnnyel rhat le a kukorica nvekedse? Az adatokat az 134.

tblzatban kzljk.
Ksztsnk az adatokbl SPSS fjlt s mentsk el
Logisztikus_regresszio.sav nv alatt. Kezdjk a vizsglatot a vltozk kztti
pontdiagram elksztsvel (102. bra).
200,00
A kukorica nvnyegyed tmege (gramm)
150,00
100,00
50,00
0,00
0 20 40 60 80 100 120 140
Az eltelt napok szma
102. bra. Kukorica nvnyegyed nvekedse
Az adatok brzolsa alapjn a logisztikus fggvnykapcsolat ltszik a

legmegfelelbbnek a napok szma s a nvny tmege kztti kapcsolat
lersra, ugyanis a megfigyelt rtkek jellemzen elszr lassan, majd egyre
gyorsabban nvekednek, azutn ismt lassulnak, majd egy fels hatr fel
kzeltenek.
A logisztikus fggvny paramtereinek meghatrozsa
A megfigyelt ponthalmazra illeszked logisztikus fggvnyt ebben az esetben

a korbban lertakkal sszhangban az:
y max
y =
1 + e 0 + 1x
- 235 -
kplet alapjn keressk. (Ahogy n az x rtke, a fggvny rtke is

llandan n, az x -nek vgtelen nagy rtkre a fggvny hatrrtke y max
lesz.)
Feladatunk az lesz, hogy meghatrozzuk az y max , 0 s 1 paramterek

rtkeit. Mivel a logisztikus trend paramtereinek a meghatrozsa a
legkisebb ngyzetek mdszere szerint igen bonyolult, ezrt egy kevsb
egzakt mdszert mutatunk be, az n. hrom kivlasztott pont mdszert. Ennek
a mdszernek a lnyege, hogy az emltett hrom szakaszra jellemz helyen
kivlasztunk hrom pontot, amelyek egymstl kzeltleg azonos tvolsgra
vannak (ezeket a pontokat a 134. tblzatban kiemelten jelltk). A hrom pontot
jelljk x0 , x 0 + m, x0 + 2m szimblumokkal, ahol m a kivlasztott pontok
egymstl val tvolsgt jelenti s x0 = 0 . A pontok kivlaszts utn meg kell
hatrozni a kivlasztott pontok krnyezethez tartoz tlagos adatokat
( y x0 , y x0 +m , y x0 +2m ) . Ezek utn van aztn arra lehetsg, hogy a fggvny
paramtereit meghatrozzuk, amelyhez a kvetkez sszefggseket hasznljuk
fel:
(
2 y x0 y x0 + m y x0 + 2m y 2 x0 + m y x0 + y x0 + 2m )
y max =
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 ) .
Els lpsknt adjuk meg az nknyesen kivlasztott hrom pontot

( x0 , x0 + m, x0 + 2m ) , amelyek egymstl nagyjbl azonos tvolsgra legyenek
s gy vlasszuk meg a pontokat, hogy x0 a kisebb, x0 + m a kzps s
x 0 + 2m a legnagyobb rtkekhez tartozzanak.. A paramterek
meghatrozshoz szksges szmtsokat a 135. tblzatban foglaltuk
ssze.
- 236 -
135. tblzat. A logisztikus trendfggvny illesztshez szksges

rszeredmnyek
A kivlasztott
pontok
A pontok j (
tlagok y x0 , y x0 + m , y x0 + 2 m )
jellse
sorszma
0,19 3,01
+ 0,96 +
2 x0 = 0
y0 = 2 2 1,28
2
73,44 104,97
+ 89,99 +
11 x0 + m = 9
y9 = 2 2 89,6
2
181,74 187,76
+186,06 +
20 x0 + 2m = 18 2 2
y18 = 185,405
2
A tblzat adatait helyettestsk be a paramtereket megad kpletekbe:
2 1,28 89,6 185,405 ( 89,6 ) (1,28 +185,405)

2
y max =
1,28 185,405 ( 89,6 ) ;
2
189,91
186,91 1,28
0 = ln 4,977 ;
1,28
1 1,28 (186,91 89,6 )

1 = ln 0,543 .
9 89,6 (186,91 1,28)
A logisztikus trendfggvny paramterei: y max = 186,91 ; 1 = 4,977 s

= 0,543 . A paramterekkel a logisztikus trendfggvny:
0
186,91
y = ,
4,977 0,543 x
1+ e
ahol x a sorszm, s a kiindulpont az x = 2 .

Az empirikus s a fentebb szmolt fggvny alapjn kapott adatokat az 103.
bra mutatja.
- 237 -
Empirikus Szmolt
200
180
160
A nvnytmege(gramm)
140
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sorszm
103. bra. Kukorica nvnyegyed nvekedse az empirikus s a

szmolt adatokkal
A logisztikus regresszis-fggvny meghatrozsnak ez a mdszere

nknyes elemeket tartalmazott, gy joggal merl fel a krds, hogy mennyire
megbzhat ez a mdszer.
Az SPSS-ben a nemlineris regresszi elvgzshez kattintsunk az ANALYZE,
REGRESSION, NONLINEARmenre. A megjelent panel (104. bra) belltsait az
albbiak szerint vgezzk.
104. bra. Az Analyse / Regression / Nonlinear ablak belltsai
A DEPENDENT mezbe rjuk a fgg vltozt (104. bra). A MODEL EXPRESSION

panelrszben a fgg vltoz becslsre alkalmas fggvnyt kell megadni,
aminek legalbb egy fggetlen vltozt kell tartalmaznia.
- 238 -
A PARAMETERS ablakban azokat a paramtereket adjuk meg, amiket

felhasznlunk a modellben. A regresszis fggvnyekben szerepl
paramterek kezdeti rtkeit neknk kell megbecslni s megadni, a program
csak ezutn, kzelt eljrst hasznlva hatrozza meg a paramterek legjobb
rtkt, gy, hogy a hiba eltrs ngyzetsszegt minimalizlja (az elz
rszben bemutatott kzi szmts eredmnyei segtsget adhatnak a
paramterek becslt rtkeinek megadshoz).
136. tblzat. A nemlineris panel parancsgombjai s azok

funkcija
Parancsgom Funkci
b
Loss PARAMETER CONSTRAINTS: Lineris kifejezssekkel egy
vagy tbb paramter rtknek korltoz feltteleket
adhatunk meg.
Constraints LOSS FUNCTION: A regresszis egyenlet
meghatrozsnak mdjt hatrozhatjuk itt meg.
Alapesetben a maradkok eltrs
ngyzetsszegnek minimalizlsval folyik a
regresszis egyenlet meghatrozsa. Lehetsg van
ltalunk ksztett s definilt mdszerrel is
meghatrozni a regresszis fggvnyt (USER-DEFINED
LOSS FUNCTION). Ha pl. a keresett fggvny kpe
f = p1 + p 2 x , akkor a legkisebb ngyzetes eltrst gy
adhatjuk meg xloss = [ y ( p1 + p 2 x ) ] 2 , az illeszts
sorn ezen rtkek sszegnek a minimalizlsa
folyik. Az xloss-ba csak paramterek is tartalmaz
fggvnyt rdemes megadni, hisz a szmtsok
sorn a p rtkek vltoznak, s csak ezek tudnak
konverglni a megadott felttelek szerint. Az SPSS-
ben a vltozk kztt megtallhatk a becslt s
maradk rtkek, PRED_ s RESID_ jellssel.
Save Ezzel a paranccsal elmenthetjk a becslt, maradk,
derivlt s ha volt az xloss fggvny rtkeit. Ezek
az rtkek j vltozknt az adatbzisban
megjelennek, s tovbbi elemzst vgezhetnk
rajtuk.
Options Az OPTIONS az iterci mdszert s feltteleit lltja
be. Ebben a menpontban nem kapunk
automatikusan rajzot az illesztet grbrl, azrt a
becslt rtkek elmentse fontos. Az brzolst a
GRAPHS/SCATTER/OVERLAY menben vgezhetjk el. A
pontokat clszer a SPLINE mdszerrel sszektni.
- 239 -
Az itercis eljrs alkalmazsa miatt az eredmny kismrtkben fgg a

paramterek kezdeti rtktl is.
Ha a megadott lpsszm utn nem kapunk j eredmnyt, vagyis az R 2
rtke nagyon kicsi, akkor rdemes az odig kiszmtott paramtereket
megadni kezd paramterknt s jrakezdeni a szmtst.
A 104. bran lthat panelben alul mg ngy parancsgombot tallunk,
amelynek funkciit a kvetkez (136. tblzatban) foglaltuk ssze.
Most vegyk sorba a ksrlethez tartoz belltsokat. A DEPENDENT mezbe a
tmeg vltozt helyezzk A MODEL EXPRESSION ablakban berjuk a logisztikus
fggvny kplett, amelyhez segtsgl hasznljuk a beptett fggvnyeket
tartalmaz FUNCTIONS parancsot. A PAREMETERS ablakba magunk adjuk meg a
paramterek rtkeit, amivel a program a szmtsokat kezdi (105. bra).
Fontos a becslt rtkek elmentse az illesztett grbe kirajzolshoz, valamint
mentsk el a hibatagokat is azok tovbbi vizsglata cljbl. Ezeket a SAVE
parancsgombra kattintva megjelen panelban tehetjk meg.
A belltsok elvgzse utn elemezzk az Outputban megjelent tblzatokat.
Az iterci (137. tblzat) a paramterek ltalunk megadott kezdeti rtkeibl
indul ki, s akkor ll le, amikor a hiba eltrs ngyzetsszege mr csak 10 8 -
on nagysgrend rtkkel cskkent.
105. bra. Az ANALYSE/REGRESSION/NONLINEAR menpont belltsa
- 240 -
137. tblzat. Az iterci eredmnye

b
Iteration History
Residual Parameter
Iterationa
Sum of
Number
Squares
P0 P1 P2
1.0 246851,26 190,000 3,000 ,100
1.1 267535,3242127,405222,580 -3,304
1.2 267535,3220784,732104,123 -2,508
1.3 267535,3210576,229 47,467 -2,126
1.4 1931701,85706,070 20,449 -1,942
1.5 167850,14 477,234 1,196 -,273
2.0 167850,14 477,234 1,196 -,273
2.1 4425,993 297,872 1,060 -,221
3.0 4425,993 297,872 1,060 -,221
3.1 60134,657 100,866 ,082 -,317
3.2 2912,611 267,339 ,916 -,221
4.0 2912,611 267,339 ,916 -,221
4.1 1897,044 219,410 ,618 -,256
5.0 1897,044 219,410 ,618 -,256
5.1 751,158 195,241 ,343 -,314
6.0 751,158 195,241 ,343 -,314
6.1 295,599 191,442 ,233 -,356
7.0 295,599 191,442 ,233 -,356
7.1 285,111 192,831 ,236 -,355
8.0 285,111 192,831 ,236 -,355
8.1 285,110 192,843 ,236 -,355
9.0 285,110 192,843 ,236 -,355
9.1 285,110 192,844 ,236 -,355
Derivatives are calculated numerically.
a.Major iteration number is displayed to the left of the decimal, and minor
iteration number is to the right of the decimal.
b. Run stopped after 23 model evaluations and 9 derivative evaluations
because the relative reduction between successive residual sums of
squares is at most SSCON = 1,00E-008.
A P0, P1 s P2 oszlopok legutols sorbl tudjuk leolvasni a paramterek

rtkeit, ami azt jelenti, hogy az SPSS ltal szmolt P0 rtk 192,844, a
P1 = 0,236 s P3 = 0,355 .
A 138. tblzat megadja a kapott paramterek rtkeit, hibit s kzli a

konfidencia intervallum als s fels hatrt 95%-os megbzhatsgi szinten.
- 241 -
138. tblzat. A paramterek s azok standard hibi

Parameter Estimates

ParameterEstimate Std. Error
Lower Bound Upper Bound
P0 192,844 3,229 186,061 199,627
P1 ,236 ,051 ,129 ,343
P2 -,355 ,015 -,386 -,325
Ez a programrsz nem szmt t-prbt a paramterekre vonatkozan, de a

konfidencia intervallum alapjn lehet dnteni (138. tblzat). Mivel egyik
intervallum sem tartalmazza a 0-t, gy 95%-os megbzhatsgi szinten egyik
paramter rtke sem lehet 0-val egyenl.
Az ANOVA tblt a 139. tblzat tartalmazza.
139. tblzat. Az ANOVA tbla s a determincis egytthat

ANOVAa
Source Sum of Squares df Mean Squares

Regression 267250,212 3 89083,404
Residual 285,110 18 15,839
Uncorrected Total 267535,322 21
Corrected Total 98513,840 20
Dependent variable: Egy nvny (g)
a.R squared = 1 - (Residual Sum of Squares) / (Corrected Sum of Squares)
= ,997.
Nem szmol F -prbt a fggvny, de a kapott kt szrsngyzet

hnyadosbl ki tudjuk az F rtkt szmtani:
MQmod ell
F= .
MQhiba
A modell miatt szrsngyzet jval nagyobb, mint a hiba miatti, ezrt az F

rtk nagy lesz, vagyis miszerint az y rtkek szrdsa vletlenszer,
biztosan elutastjuk.
Az R 2 rtk alapjn azt mondhatjuk, hogy modellnk 99,7%-ban tudja
magyarzni az y rtkek szrdst, azaz a modell nagyon j.
Az illesztett fggvny a becslt paramterek alapjn:
- 242 -
192,844
y = ,
1 + e 4,14 0,355 x
ahol x a sorszm.
106. bra. A nemlineris regresszi vgrehajtsa utn a bvlt

adattblzat
Az illesztett grbe kirajzolsa a GRAPHS / SCATTER / OVERLAY menben trtnik.

Erre akkor van lehetsgnk, ha a nemlineris regresszi Save
belltsnl megjelltk a PREDICTED VALUES s a RESIDUALS parancsokat. Ennek
hatsra ugyanis az SPSS DATA VIEW ablakban 2 j vltoz jelenik meg
PRED_ s RESID_ vltoznevekkel (106. bra).
A logisztikus regresszifggvny kirajzolshoz tmeg-napok s pred_-napok
vltoz-prokat vigyk be (107. bra).
- 243 -
107. bra. Az GRAPHS/ SCATTER / OVERLAY menpont belltsai
A belltsok elvgzse utn futtassuk le a programot, majd megkapjuk azt az

brt, ami kzsen szemllteti az eredeti y s a szmolt y rtkeket (108.
bra).
- 244 -
108. bra. Az empirikus y s a szmolt y rtkek kzs

pontdiagramja
A program alapbelltsban nem kti ssze a pontokat, ha ez is cl, akkor azt

a grafikonszerkesztben llthatjuk be (109. bra).
Empirikus SPSS ltal szmolt
200
180
160
A nvnytmege(gramm)
140
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sorszm
109. bra. Kukorica nvnyegyed nvekedse az empirikus s az

SPSS ltal szmolt adatokkal
- 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.
140. tblzat. Alapadatok

Fajta farinogrf sikr sikr fehrje
rtk terls mennyisg %
Mironovszkaja 808. 81.8 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 -
Martonvsri 16. 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
SPSS Analyze, Descriptive Statistics, Descriptives

Options Mean, Std. Deviation
Save standardized values as variables
141. tblzat. tlagok s szrsok

N Mean Std. Deviation

Farinograf rtk 14 67.279 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
Standardizls utn az albbi rtkeket kapjuk:
142. tblzat. Standardizlt adatok, Z mtrix

Fajta farinogrf sikr sikr fehrje
rtk terls mennyisg %
Mironovszkaja 808. 1.33 -.77 .17 .32
Fertdi 293. .79 .62 2.20 2.47
Bezosztja 1.16 -.94 -.51 -.67
Martonvsri 1. .12 -.49 -.88 -.18
- 247 -
Martonvsri 2. .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: 0 0 0 0
A standardizlt rtkek tulajdonsgai: sszegk, ill. az tlaguk egyenl

nullval, a szrsuk egy. A standardizlssal egy nulla vrhatrtk, egy
szrs sokasgot lltottunk el.
SPSS Analyze, Data Reduction, Factor

Descriptives, Correlation Matrix
Korrelcis mtrix meghatrozsa
143. tblzat. Korrelcis mtrix, R mtrix

Correlation Matrix
Farinograf Sikr
rtk Sikr terls mennyisge Fehrje %
Correlation Farinograf rtk 1.000 -.774 -.126 .103
Sikr terls -.774 1.000 .681 .087
Sikr mennyisge -.126 .681 1.000 .480
Fehrje % .103 .087 .480 1.000
- 248 -
Az U sajtvektor mtrix s a sajtrtkek (j) meghatrozsa
144. tblzat. Sajtvektor mtrix s sajtrtkek, U mtrix s

Vltoz 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
A sajtvektorok sor s oszlop irnyban normltak, azaz a ngyzetsszegk

egy sor-, ill. oszlopvektoron bell 1.
A sajtvektorok tovbbi tulajdonsga, hogy sorpronknti s oszloppronknti
szorzatsszegk nulla, azaz a sorok s oszlopok pronknt ortogonlisak
(fggetlenek egymstl). Az U mtrix ortonormlt.
Ha a sajtrtkeket sszeadjuk, megkapjuk a vltozk szmt, a mtrix
rangjt.
Fkomponens koefficiensek
A fkomponens koefficienseket (Component Score Coefficient) a sajtvektor
mtrixbl lltjuk el slyozssal, teht a sajtvektorokat osztjuk a
hozztartoz sajtrtkek gykvel.
uij
wuij =
j
145. tblzat. Slyozott fkomponens-koefficiensek WU

Component Score Coefficient Matrix
Component
1 2 3 4
Farinograf rtk -,326 ,460 ,714 3,706
Sikr terls ,447 -,174 ,214 5,451
Sikr mennyisge ,365 ,359 ,772 -3,778
Fehrje % ,157 ,616 -,923 ,973
Extraction Method: Principal Component Analysis.

Component Scores.
- 249 -
Fkomponens vltozk
Fkomponens-vltozk kiszmtsa: Z mtrix * Slyozott fkomponens-
koefficiensek.
146. tblzat. Fkomponens-vltozk C mtrix

Fajta 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: 0 0 0 0
A fkomponens-vltozk kzprtke nulla, szrsngyzetk egyenl eggyel.

Teht tulajdonsgban hasonltanak a Z-mtrixhoz, azonban van egy nagyon
jelents eltrs. A fkomponens-vltozk egymstl fggetlenek, azaz az
egyms kztti korrelcijuk nulla. (A kovariancia-mtrixa is ugyangy nz ki.)
A standardizlt vltozk s a fkomponens-vltozk szrsngyzeteinek
sszege, valamint a sajtrtkek sszege azonos.
147. tblzat. Fkomponens-vltozk korrelcis mtrixa

C1 C2 C3 C4
C1 1 0 0 0
C2 0 1 0 0
C3 0 0 1 0
C4 0 0 0 1
- 250 -
A fkomponens vltozk brzolsa

A vzszintes tengely a C1, a fggleges a C2 vltoz. A klnbz szi
bzafajtk fkomponens-vltoz rtkeit az albbi bra mutatja.
3
Fertdi 293.
1
2
REGR factor score 2 for analysis
Mironovs zkaja 808.

1
Martonvs ri 16.
Martonvs ri 2.
Bezos ztja
Jubilejnaja
0 Rannaja AvrraGK-Fertdi 2.
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
REGR factor score 1 for analysis 1
110. bra. A fkomponens-vltozk brzolsa
Hrom fkomponens-vltoz kt dimenzis brzolshoz vlasszuk a

Scatterplot Matrix menpontot, s adjuk meg az els hrom fkomponens-
vltozt.
- 251 -
REGR factor s core
REGR factor s core
REGR factor s core
111. bra. Hrom fkomponens-vltoz brzolsa
Az tl elemei a fkomponens-vltozk. Az els oszlopban az els vltoz az

x-tengely, a msodikban a msodik, s gy tovbb. Az y-tengelyt a sorok
mutatjk.
A fkomponens slyok meghatrozsa

A sajtvektorok elemeit megszorozzuk a hozztartoz sajtrtk
ngyzetgykvel, vagyis a szrssal.
aij = uij j
- 252 -
148. tblzat. Fkomponenssly mtrix, A-mtrix
Component Matrixa
Component
1 2 3 4
Farinograf rtk -,702 ,613 ,356 6,317E-02
Sikr terls ,962 -,232 ,107 9,291E-02
Sikr mennyisge ,787 ,478 ,385 -6,44E-02
Fehrje % ,338 ,821 -,461 1,658E-02
a. 4 components extracted.
A fkomponens-sly mtrix tulajdonsgai:

Szmszer rtke csak -1 s +1 kztt lehet. Az oszloponknti ngyzetsszeg
egyenl a hozztartoz sajtrtkkel.
A soronknti ngyzetsszeg egyenl eggyel.
Teht oszlop irnyban a fkomponensek, sor irnyban a megfigyelt vltozk
variancijt bontottuk fel.
A slyok ngyzeteinek fsszege egyenl a mtrix rangjval, az egsz
rendszer sszvariancijval.
Kommunalits, h2. Ha sor irnyban balrl jobbra haladva sszegezzk a
fkomponens-sly ngyzeteit, megkapjuk a kumullt rtkket, s ezeket
nevezzk kommunalitsnak.
149. tblzat. Kommunalitsok
Communalities
Initial Extraction
Farinograf rtk 1,000 1,000
Sikr terls 1,000 1,000
Sikr mennyisge 1,000 1,000
Fehrje % 1,000 1,000
- 253 -
Brmely kt oszlop szorzata nulla. A fkomponenssly vektorok ortogonlisak

(fggetlenek).
Brmely kt sor szorzata a kt vltoz kt-vltozs korrelcis koefficienst
adja. Ha megszorozzuk az A-mtrixot a transzponltjval, visszakapjuk az R-
mtrixot, azaz az eredeti vltozk korrelcis koefficienseit.
Factor Analysis, Descriptives, Correlation Matrix, Reproduced
150. tblzat. Korrelcis mtrix reproduklsa a

fkomponensslyokbl, maradkok
Reproduced Correlations
Farinograf Sikr
rtk Sikr terls mennyisge Fehrje %
Reproduced Correlation Farinograf rtk 1,000b -,774 -,126 ,103
Sikr terls -,774 1,000b ,681 8,740E-02
Sikr mennyisge -,126 ,681 1,000b ,480
Fehrje % ,103 8,740E-02 ,480 1,000b
Residual a Farinograf rtk ,000 1,665E-16 ,000
Sikr terls ,000 -4,441E-16 -2,78E-17
Sikr mennyisge 1,665E-16 -4,441E-16 1,110E-16
Fehrje % ,000 -2,776E-17 1,110E-16
a. Residuals are computed between observed and reproduced correlations. There are 0 (,0%)
nonredundant residuals with absolute values greater than 0.05.
b. Reproduced communalities
A fkomponens-analzissel a variancikat trendeztk. A standardizlt

vltozknl minden vltoz azonos jelentsggel szerepel a variancia
szempontjbl. A fkomponens-analzisben az eredeti vltozk sszefggse
miatt az els fkomponens variancija magba foglalja az sszes vltoz
variancijnak legnagyobb kzs rszt, msodik fkomponens a maradk
variancik legnagyobb kzs rszt s gy tovbb, mg az utols
fkomponensekre alig marad varianciarsz. Ezrt ezeket jelentktelennek
tekinthetjk, s elhanyagolhatjuk. Az trendezett variancikban figyelembe
vettk az X vltoz sszes variancijt s egyms kztti korrelcijt. A
fkomponensek egymssal mr nem korrellnak.
A sajtrtkeket fkomponensenknt kumullva mutatja a 151. tblzat.
Leolvashat, hogy a klnbz fkomponensek hny szzalkt rtelmezik az
sszes variancinak.
- 254 -
151. tblzat. Az sszes variancia felbontsa

Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings

Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,152 53,810 53,810 2,152 53,810 53,810
2 1,332 33,290 87,100 1,332 33,290 87,100
3 ,499 12,473 99,574 ,499 12,473 99,574
4 1,704E-02 ,426 100,000 1,704E-02 ,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 1,0
,5 ,5
0,0 0,0
-,5 -,5
Component 1 Component 3
112. bra. A vltozk hrom dimenzis konfigurcija
- 255 -
A fkomponensslyok gyakorlati rtelmezse
A fkomponensslyok a megfigyelt vltozk s a fkomponens-vltozk

kztti korrelcis koefficiensek, melyet a 152. tblzat mutat.
152. tblzat. A korrelcis koefficiensek, ill. fkomponensslyok

Correlations
REGR factor REGR factor REGR factor REGR factor

Farinograf score 1 for score 2 for score 3 for score 4 for
rtk analysis 1 analysis 1 analysis 1 analysis 1
Farinograf rtk Pearson Correlation 1 -,702** ,613* ,356 ,063
Sig. (2-tailed) , ,005 ,020 ,211 ,830
N 14 14 14 14 14
REGR factor score Pearson Correlation -,702** 1 ,000 ,000 ,000
1 for analysis 1 Sig. (2-tailed) ,005 , 1,000 1,000 1,000
N 14 14 14 14 14
REGR factor score Pearson Correlation ,613* ,000 1 ,000 ,000
2 for analysis 1 Sig. (2-tailed) ,020 1,000 , 1,000 1,000
N
14 14 14 14 14
REGR factor score Pearson Correlation ,356 ,000 ,000 1 ,000

3 for analysis 1 Sig. (2-tailed) ,211 1,000 1,000 , 1,000
N 14 14 14 14 14
REGR factor score Pearson Correlation ,063 ,000 ,000 ,000 1
4 for analysis 1 Sig. (2-tailed) ,830 1,000 1,000 1,000 ,
N 14 14 14 14 14
**. Correlation is significant at the 0.01 level (2-tailed).
A fkomponensekkel httrvltozkat (okvltozkat) akarunk felderteni. A

fkomponensslyok azt fejezik ki, hogy milyen jelentsge s slya van
valamely fkomponensnek (httrvltoznak) a megfigyelt vltozk
variancijban.
A megfigyelt vltozk kztti korrelcis koefficiensek felbontsa. Az A-mtrix
brmely kt sornak skalris szorzata megadja a kt vltoz kztti
korrelcis koefficienst. Kt vltoz skalris szorzata akkor lehet nagy, ha a
kt vltoz nagy fkomponensslyai ugyanazokban a fkomponensekben
vannak s a klnbz fkomponensekben a szorzatuk azonos eljel. A
korrelcis koefficienst gy egymstl fggetlen tnyezkre bontottuk fel.
A fkomponensslyok csoportosulsa. Ha kettnl tbb nagy fkomponens
ugyanabba a fkomponensben van, akkor a vltozk egymssal pronknt,
ezltal kzsen, csoportosan korrellnak. Kzs httrvltozt kereshetnk.
A vltozk brzolsakor legjobban a kr, ill. gmb kerletn elhelyezked
vltozk korrellnak a legszorosabban. Az egymssal negatvan korrell
- 256 -
vltozkat az origra kzppontosan tkrzni lehet, hogy knnyebben

felismerjk az sszefggst.
Mit jelent a nagy vagy kis fkomponenssly? Svb szerint, ha a vltozk
1
kztt nincs korrelci, gy p=2 esetn , kb. 0,7 krliek az aij rtkek,
2
1
p=10 vltoz esetn , kb. 0,3 krli rtkeket kapunk vletlenszer
10
elosztsban, minthogy a ngyzetek sszege mindenkppen csak 1 lehet.
Hny fkomponens jelents? A legalbb egy, vagyis elri az tlagot. Ezt
alkalmazzk a statisztikai programcsomagokban is. Ms ajnls szerint az
sszes variancia legalbb 80%-t magyarzzk a fkomponensek, azaz a
kumullt szzalk legalbb 80% legyen. Svb szerint ez, ha tl sok vltoz
van, magas kvetelmny. Egyesek a faktoranalzisben kpletet is megadnak,
hogy legfeljebb hny faktort rdemes meghatrozni.
( 2 p +1) 8 p +1
q
2
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 -
Ferdeszg forgats esetn a faktorok nem lesznek fggetlenek, a kzttk

fennll korrelci mrtke:
rI, II = cos (90 + I - II)
ahol: I : az I., vzszintes tengely elfordtsnak szge
II : a II., fggleges tengely elfordtsnak szge
Ez a megolds az elsdleges faktor (primary factor) szerinti ferdeszg

forgats. Ennek tovbbfejlesztse a ferdeszg vetleti vektorok (reference
vector) szerinti forgats.
Derkszg forgats Varimax mdszerrel
Tbbfle derkszg forgats ltezik. A legelterjedtebb eljrs H.F. Kaiser

mdszere a Variamax rotci. Ez elgti ki legjobban a Thurstone-fle
egyszer struktra kvetelmnyeit. A Varimax kritrium: a fkomponenssly
ngyzetek oszloponknti varianciinak sszege (V) maximum legyen.
q
V = s2a2 maximum
j=1 j
153. tblzat. Fkomponenssly mtrix Varimax rotci utn, Ao

mtrix
Rotated Component Matrixa
Component
1 2 3 4
Farinograf rtk ,997 -4,30E-02 5,821E-02 3,083E-02
Sikr terls -,753 ,639 -6,40E-03 ,155
Sikr mennyisge -,102 ,951 ,291 -1,02E-02
Fehrje % 5,514E-02 ,212 ,976 -5,15E-04
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
Ez akkor a legnagyobb, ha a fkomponens slyok |1| s 0-hoz kzeli rtkek.

A forgats sorn megvltoznak az aij rtkek. Az j A0 mtrix is ortogonlis,
soronknt a a2ij sszege tovbbra is 1, azonban az oszloponknti sszegk
mdosul, tbb mr nem azonosak j-vel. Az ortogonlis forgats a
- 258 -
fkomponensekben azonban csak trendezi a variancik vltoznknti

megoszlst, de az sszes variancit nem mdostja.
A fenti Varimax kritriumban minden vltoz azonos sllyal, jelentsggel
vesz rszt. Ezrt a szmtsok sorn a tnyleges kritrium: az a2ij rtkeket az
X i vltozk h2i kommunalitsval slyozzk.
2 2
a2ij a 2ij
( ) ( )
q p q p
V=p
j=1 i=1 h 2i j=1 i=1 h2i
154. tblzat. Transzforml mtrix, T mtrix
Component Transformation Matrix
Component 1 2 3 4
1 -,691 ,681 ,238 ,055
2 ,587 ,341 ,734 -,017
3 ,421 ,645 -,636 ,048
4 ,028 -,063 ,030 ,997
155. tblzat. Fkomponens-koefficiensek forgats utn
Component Score Coefficient Matrix
Component
1 2 3 4
Farinograf rtk ,900 ,162 -,084 3,704
Sikr terls -,168 ,039 ,004 5,474
Sikr mennyisge ,177 1,108 -,252 -3,717
Fehrje % -,108 -,340 1,105 ,924
Component Scores.
- 259 -
156. tblzat. Fkomponens-vltozk forgats utn, C mtrix

Fajta 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: 0 0 0 0
157. tblzat. Az sszes variancia felbontsa

Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,152 53,810 53,810 2,152 53,810 53,810 1,575 39,364 39,364
2 1,332 33,290 87,100 1,332 33,290 87,100 1,360 33,998 73,362
3 ,499 12,473 99,574 ,499 12,473 99,574 1,040 26,011 99,373
4 1,704E-02 ,426 100,000 1,704E-02 ,426 100,000 2,509E-02 ,627 100,000
- 260 -
2 Fertdi 293.
Martonvs ri 16.
2
Burgas
1
Kis zombori
REGR factor score 2 for analysis Avrra

Mironovs zkaja 808.
0 Bezos
Martonvs
Martonvs ztja
ri ri
24. 2.
Kavkz
GK-Fertdi 2.
Martonvs ri 1.
Jubilejnaja
-1
Rannaja
-2
-3
-2,5 -2,0 -1,5 -1,0 -,5 0,0 ,5 1,0 1,5
REGR factor score 1 for analysis 2
113. bra. A fkomponensvltozk brzolsa
Component Plot in Rotated Space
sikr mennyisge
1,0
sikr terls
,5 fehrje %
farinograf rtk
Component 2 0,0
-,5
1,0 1,0
,5 ,5
0,0 0,0
-,5 -,5
Component 1 Component 3
114. bra. A vltozk hrom dimenzis konfigurcija
- 261 -
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 -
Nhny vltoz nem tbbszrs nominlis vltoz (egy vagy tbb vltoz
skla tpus a tbbi tbbszrs nominlis. Vagy lehetnek mg egyszer
nominlis ordinlis s diszkrt rtkek is.
Number of Sets of Variables: meg kell adni hogy a vltozk csoportjbl
hnyat akarunk sszehasonltani ms vltoz csoportokkal.
Egy csoport
Tbb csoport
Minden vltoz Nhny nem

tbbszrs nominlis
Egy csoport Tbbszrs Kategorikus
korrespondencia fkomponens-analzis
analzis
Tbb csoport Nemlineris kanonikus Nemlineris kanonikus
korrelci korrelci
- 263 -
NEM PARAMTERES PRBK

Chi-ngyzet teszt
A Chi-ngyzet teszt a vltozkat kategrikba rendezi, s utna szmtja ki a
statisztikt. A teszt sorn a megfigyelt s felttelezett relatv gyakorisgokat
hasonltja ssze. Lehetsgnk van tbb csoport eloszlsnak homogenitst
tesztelni vagy egy megadott relatv gyakorisggal val egyezs tesztelsre.
Feladat:
Szrmazhat-e egy gyepmag keverk egy 20, 17, 30, 20, 13%-os sszettel
keverkbl? A mintavtelezs sorn az albbi eredmnyt kaptuk:
Faj magok szma (db)

Rti perje 236
Angolperje 241
Rti komcsin 443
Rti csenkesz 252
Fehrhere 155
sszesen: 1 327
Az SPSS-ben a fenti adatbzissal csak akkor lehet gyakorisgokat szmtani,

ha a Faj vltozt slyozzuk a magok szma vltozval. Date, Weight
Cases
Analyze, Nonparametric Tests, Chi-Square.
- 264 -
FAJ
Observed N Expected N Residual

1.00 236 265.4 -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
Megfigyelt gyakorisg, vrhat gyakorisg s a kett klnbsge.
Test Statistics
FAJ
a
Chi-Square 11.827
df 4
Asymp. Sig. .019
a. 0 cells (.0%) have expected frequencies less than
5. The minimum expected cell frequency is 172.5.
A vetmagkeverk arnya nem felel meg az elrsnak. Mi lehet ennek az

oka?
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
Observed Asymp. Sig.

Category N Prop. Test Prop. (2-tailed)
Tszm Group 1 <= 60 36 .50 .50 1.000a
Group 2 > 60 36 .50
Total 72 1.00
a. Based on Z Approximation.
A kt csoport relatv gyakorisga tkletesen megegyezik.
Runs Test
Sok statisztikai teszt alkalmazsnak felttele, hogy a mintban a
megfigyelsek fggetlenek legyenek. Ezt csak akkor tudjuk leellenrizni, ha
ismert a mintaelemek kihzsnak idpontja vagy sorrendje, fknt idsoros
elemzsnl hasznos. Ezzel a teszttel leellenrizhetjk, hogy a mintnk vletlen
mintnak tekinthet-e. Legelszr vlasztani kell egy jellemz rtket ami
legtbbszr valamilyen centrlis mutat s ehhez hasonltjuk a megfigyelt
rtkeket. Az eljrs sorn a vltoz mindenegyes rtkt osztlyozzuk, hogy
a trspont alatt vagy felett helyezkedik el. Ez utn megllaptjuk, hogy van-e
valamilyen szablyossg a sorozatban, hnyszor ismtldik egymsutn
ugyanabba az osztlyba tartoz elem, azaz egy sorozat. Egy sorozatnak (run)
legalbb egy tagja van.
- 266 -
A teszt eredmnye attl is fgg, hogy mit vlasztunk ki trspontnak (medin,

mdusz, tlag, stb.).
Az eloszls egy bimodlis sokasgot mutat melynek kt mdusza van. Az
SPSS a mdusz meghatrozsakor a nagyobbikat adja meg.
5.5
5.0
4.5
4.0
3.5
3.0
2.5
2.0
Count
1.5
6 7 8 9 10 11 12 13 14
Web Site Rating
Web Site Rating

N 32
Mean 9.94
Minimum 6
Maximum 14
Percentiles 25th 8.00
50th (Median) 10.00
75th 12.00
- 267 -
Runs Test
Web Site
Rating
Test Value a 10.00
Cases < Test Value 14
Cases >= Test Value 18
Total Cases 32
Number of Runs 10
Z -2.283
a. Median
Ha a minta teljesen vletlen lenne, akkor a sorozatok szma 17 krli lenne.

Mivel a megfigyelt sorozatok szma csak 10, ezrt a Z-statisztika rtke
negatv. Tl alacsony a szignifikancia rtke, ezrt nem tekinthet vletlennek
a minta.
Ratin cut point

g 10
8 1
7 1
8 1
6 1
10 2
8 1
6 1
7 1
8 1
9 1
7 1
10 2
7 1
8 1
12 2
10 2
12 2
- 268 -
9 1
11 2
12 2
10 2
13 2
13 2
12 2
11 2
14 2
9 1
14 2
11 2
12 2
11 2
13 2
Runs Test 2
Web Site
Rating
Test Value a 12b
Cases < Test Value 22
Cases >= Test Value 10
Total Cases 32
Number of Runs 16
Z .315
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 -
Runs Test 3
Web Site
Rating
Test Value a 8
Total Cases 32
Number of Runs 11
Z .000
Asymp. Sig. (2-tailed) 1.000
a. User-specified.
A bimodlis eloszls els mduszt vlasztottuk trspontnak. A sorozatok

vrhat szma ekkor 11. A szmtott rtk pontosan megegyezik a vrhat
rtkkel, ezrt a minta vletlennek tekinthet.
Egymints Kolmogorov-Smirnov teszt (One-Sample Kolmogorov-

Smirnov Test)
Milyen eloszlsba tartozik a minta? Norml, Poisson, egyenletes (Uniform) s

exponencilis (Exponential) eloszls tesztelse. A megfigyelt adatok kumulatv
eloszls fggvnyt (cumulative distribution function, CDF) hasonltja ssze a
teoretikus eloszls kumulatv fggvnyvel. A Kolmogorov-Smirnov Z-rtk a
megfigyelt s teoretikus kumullt eloszls fggvnyek kztti legnagyobb
abszolt klnbsgbl szmtjk. Ezt az rtket szorozzk a megfigyelsek
- 270 -
ngyzetgykvel. Sok paramteres teszt megkveteli, hogy a vltoz normlis

eloszls legyen.
One-Sample Kolmogorov-Smirnov Test
Terms t/ha
N 72
a,b
Normal Parameters Mean 9.69609
Negative -.075
Kolmogorov-Smirnov Z .635
a. Test distribution is Normal.
b. Calculated from data.
A nullhipotzis: a mrt vltoz norml eloszls. A hipotetikus s mrt eloszls

nem klnbzik egymstl. A nullhipotzist megtartjuk, mivel nagyon kicsi az
eltrs a kett kztt, s a szignifikancia szint is magas.
12
10
2 Std. Dev = 1.84

Mean = 9.70
0 N = 72.00
5.50 6.50 7.50 8.50 9.50 10.50 11.50 12.50 13.50
6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00
Terms t/ha
Kt fggetlen mints tesztek (Two Independent Sampes Tests)
Mann-Whitney U-prba
A Mann-Whitney U s a Wilcoxon W statisztika.
- 271 -
Kt fggetlen minta medin egyezsnek igazolsra val eljrs (kt-mints

t-teszt). A nullhipotzis, hogy a kt sokasg ugyanabba az eloszlsba tartozik.
Ordinlis tpus adatoknl hasznlhat, vagy skla tpus adatoknl, ahol nem
felttel a norml eloszls. Csak az egyezsre ad elfogadhat, megbzhat
eredmnyt. Ha ettl eltr eredmnyt kapunk, nem tudhatjuk biztosan, hogy
mi a valsg.
Alkalmazsi felttel:
Hasonl alak eloszlsok (tesztelhet a kt-mints Kolmogorov-Smirnov
prbval)
Fggetlen mintk
Null hipotzis: M(x) = M(y). A hipotzisvizsglat cljra konstrult
valsznsgi vltoz: n1+n2 elem mintbl egyetlen rangsor fellltsa, x
mintra vonatkoz rangszmok sszege: R1 vagy W-rtk.
n1 ( n1+ n 2+ 1)
m=
2
=
n1 n 2 n1n21
12
A prba vltozjnak eloszlsa, ha n1 s n2 elg nagy, megkzelten N(m, ).
Kolmogorov-Smirnov Z-prba
Kt eloszls sszehasonltsra szolgl eljrs. A nullhipotzis, hogy a kt
sokasg ugyanabba az eloszlsba tartozik. A Kolmogorov-Smirnov Z-rtket a
kt csoport kumullt eloszls fggvnyei kztti legnagyobb abszolt
klnbsgbl szmtjk. A vltozknak ezrt illik folyamatos eloszlsnak
lenni. A kt csoportban a megfigyelsek szmnak nem kell megegyeznie.
Nagyon rugalmas a teszt, nem kell az eloszlsoknak hasonl alaknak lennie,
hisz az eljrs ezt is teszteli.
Alkalmazsi felttel:
Csak folytonos eloszlsok hasonlthatk ssze.
Fggetlen mintk
A prba rzkeny a helyzeti klnbsgekre s az eloszlsok alakjra. A
helyzeti klnbsg azt jelenti, hogy a kt eloszls hol helyezkedik el a skln.
A Kolmogorov-Smirnov teszt akkor is klnbznek mutatja a kt eloszlst, ha
az alakjuk (shape) megegyezik, de egymstl tvol helyezkednek el. Ezek
szerint kt eloszls akkor klnbzik, ha vagy az alakjuk, vagy az
elhelyezkedsk klnbzik, vagy mindkett. Amennyiben a kt eloszls
helyzeti klnbsge nem rdekel bennnket, toljuk el a sklt az origra,
aminek a legegyszerbb mdja az adatok standardizlsa (ettl az eloszlsok
alakja semmit sem vltozik). A standardizlssal skla-eltolst s skla
transzformcit is vgrehajtunk egyszerre.
- 272 -
Alternatvaknt hasznlhatjuk a Crosstabs eljrsokat is kett vagy tbb

ordinlis vagy nominlis vltoz kztti klnbsg kimutatsra.
Amennyiben a t-teszt alkalmazsnak felttelei teljeslnek, akkor azt kell
hasznlni.
Tbb fggetlen mints teszt (K Independet Samples...)
Kruskal-Wallis H prba
Rendezett mintn alapul, tbb mints hipotzis vizsglat, amelynek null
hipotzise: minden minta azonos eloszls sokasgbl szrmazik. A prba
segtsgvel h darab nh elemszm mintt vizsglhatunk. Ezt ismtelt
Wilcoxon-pbkkal is elvgezhetnnk, de ebben az esetben az ismtlsek
megnvelik az elsfaj hibt (analg a kzprtkek tbbszrs
sszehasonltsnak, szimultn prbk problematikjval).
Kt pronknt sszetartoz mintk tesztjei (2 Related Samples)
Wilcoxon teszt (Wilcoxon signed-rank test)

Kt eloszls egyezsnek vizsglatra alkalmas. Sokszor hasznljk kt
vrhat rtk egyezsnek vizsglatra is. A kt minta elemei pronknt
sszefggnek. n1+n2 elem mintbl egyetlen rangsort kpeznek. Konstrult
valsznsgi vltoz u. A nullhipotzis: a pronknti klnbsgek a nulla
krl szimmetrikusan helyezkednek el.
Eljel prba (Sign)

sszetartoz elem prok vizsglata. Hipotzis, hogy x1 xn minta elemei
nagyobb (vagy kisebb) rtket vesznek fel, mint y1 yn elemei, ahol az
azonos index minta elemek kztt valamilyen logikai kapcsolat van (pl.
ugyanazon jelensg kt klnbz idpontban vagy helyen mrt rtkei).
Els lpsben meghatrozzuk az xi-yi klnbsgek eljelt, utna
megszmoljuk, hogy hny darab - s + eljel klnbsg addott. Az eljel
prba, ellenttben a rendezett mints prbkkal szemben, kisebb
elemszmokra ersebb. gy ktszeresen nem indokolt nagy elemszmok
esetn az eljel prba hasznlata: Nagyobb mintk esetn relatve gyengbb
a prba ereje. Elvsz az eljel prba jelents elnye, a gyors
alkalmazhatsg.
- 273 -
McNemar teszt
Kt-rtk, binris vagy dichotm vltozk sszehasonltsra szolgl
mdszer. Tipikusan megismtelt mrsek esetben hasznlhat, amikor
ugyanazon egyedeket figyeljk meg: bizonyos esemny bekvetkezse (pl.
kezels) megvltoztatja-e az egyedek llapott (az esemny eltti s utni
llapot sszevetse). Nullhipotzis: a kezels utni llapot egyenl a kezdeti
llapottal.
Ez a teszt fknt nominlis vagy ordinlis vltozk tesztelsre alkalmas.
K szm sszetartoz minta tesztjei (k Related Samples)
Friedman teszt
Tbb eloszls homogenits vizsglatra alkalmas, sszetartoz tbb vltoz
esetn. Paramteres megfelelje a kttnyezs variancia-analzis.
Felttelezzk, ha az eloszls megegyezik a vrhat rtk is megegyezik nagy
valsznsggel. Fordtva ez nem igaz. Null hipotzis: a k darab sszetartoz
vltoz ugyanabba a sokasgba tartozik.
F(x) = G(x) = =K(x)
Alkalmazsi felttel: tbb rendezett minta azonos elemszmokkal, g s h elg
nagy, ahol g a minta elemszma a szempont egy szintjre (blokk), h a
szempontonknti vagy szintenknti mintk szma (kezels).
A prba vltozjnak eloszlsa Chi-ngyzet, szabadsgfoka k-1.
1 r11 r1k A minta elemeinek sorrendje az els

szempont szerint

Blokk
g rg1 rgk A minta elemeinek sorrendje az utols

szempont szerint
R1 Rk A vltozk tlagos rangszmai.
Megjegyzs: a Friedman-teszt s a Kendall-fle konkordancia egytthat

ugyanannak a problmnak a tesztelsre hasznlhat. Szignifikancia-
szintjeik megegyeznek, mindkett kt-tnyezs problmt trgyal.
- 274 -
Kendall konkordancia egytthatja W

Kettnl tbb brl rangsora ll rendelkezsre. Van-e klnbsg a brk
egyttest tekintve a kzttk lv egyetrtsnek, vagy van-e szignifikns
mrtke? Milyen az egyetrts (konkordancia) a rangsorok egyttesben.
(egyltaln nem egyezik a brlk vlemnye) 0 <= W <= 1 (tkletesen
egyezik a brlk vlemnye). A prba vltozjnak eloszlsa Chi-ngyzet,
szabadsgfoka m-1.
Pl.: tbb oktat a hallgatkat rangsorolja tuds szerint. Minden oktat sorba
rendezi a hallgatt 1-tl m-ig, m a hallgatk szma. Az oktatk szma legyen
n. Vajon megegyeznek az oktatk vlemnyei, van kzttk egyetrts?
Hallgat Hallga Hallga Hallga Hallga Hallga Hallga Hallga Hallga

k -t1 -t2 -t3 -t4 -t5 -t6 -t7 -t8
Oktatk
Kovcs 6 2 3 5 1 4 8 7
Kiss 6 3 1 7 2 4 8 5
Szab 7 3 2 5 1 4 8 6
Test Statistics
N 3
Kendall's Wa .931
Chi-Square 19.556
df 7
Asymp. Sig. .007
a. Kendall's Coefficient of Concordance
- 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.
4,00 Seasonal
Trend
3,00
Seasonal
number of units demanded
2,00
Average
Seasonal
1,00
0,00
0,00 5,00 10,00 15,00 20,00 25,00 30,00
time
A mrt rtkeket u1, u2, u3 ut-vel jelljk.

t=0 idpontbl kiindulva nemcsak elre, hanem htra is haladhatunk, ekkor az
indexeket -1, -2 stb. jelljk.
Az idsorok elmlete ms tpus adatokra is alkalmazhatk, pl. fldsv
mentn klnbz pontokban mrt nitrogntartalom, amelyben az idbeli
vltozs helybe trbeli vltozs lp fel. Mtrgyadzisok is felfoghatk
idsornak. A mdszer felhasznlhat olyan esetben, ahol egy valsznsgi
vltoz egy t vltoztl fgg, ahol t egyarnt vonatkozhat idre vagy lineris
trre.
Az u vltoz lehet diszkrt, pl. emberek szma, s lehet folytonos vltoz, pl.
hmrsklet, lgnyoms, stb.
Az idsornak ngy sszetevje lehet:
- 276 -
Trend, hossz idszakon keresztl rvnyesl vltozs

Szezonlis ingadozs, rvid ideig tart szisztematikus ingadozs
Periodikus ingadozs, mely hosszabb idtvon jelentkezik
Vletlen ingadozs
Az idsorok analzise sorn ezt a ngy sszetevt kell elklnteni, ami
sokszor elg nehz feladat.
Trend
Regresszis technikval valamilyen alkalmas fggvny illesztse az adatokra.
Lehet lineris ill. nem lineris, pl. polinomok illesztse. A magasabb fok
polinomok illesztse azonban sokszor htrnyos, mivel sok szmtst ignyel,
s jabb tagok csatolsa esetben az illesztst ellrl kell kezdeni.
Mozgtlagols. A leggyakoribb a 3, 5, 7, 9, 15 s 21 pontos mozgtlagols.
Ezzel a mdszerrel a szezonlis hatsok kikszblhetk.
Rvid lejrat szezonlis s vletlen sszetevk

Felttelezzk, hogy az idsor trend mentes, vagy a trendet mr korbban
kiszrtk (detrendels). Sorozatunk ekkor tbb-kevsb szablytalanul
ingadozik valamilyen kzpponti rtk krl.
A sorozat vletlenszersgnek vizsglata

Vizsgljuk meg, hogy milyen sorozatot vrhatunk abban az esetben, ha az
ingadozs teljesen vletlenszer, azaz ha az egymst kvet tagok
fggetlenek, s a sorozat egy ismeretlen sokasgbl szrmaz minta vletlen
elrendezseknt foghat fel. Az ettl az llapottl val eltrst klnbz
mrszmokkal mrhetjk, pl.:
Cscspontok s mlypontok elfordulsa a sorozatban
A szomszdos tagok kztti korrelci
Cscspontok s mlypontok elfordulsa a sorozatban

ut-1<ut>ut+1 cscspont vagy ut-1>ut<ut+1 mlypont. Mindkt esetben ut
fordulpont. Kt fordulpont kztti intervallumot fzisnak neveznk. Egy
oszcilll idsor vletlenszersge a fordulpontok szmnak
2
meghatrozsval jl vizsglhat, ez n tag vletlen sorozatban ( n2 )
3
vrhat rtk s (16n-29)/90 szrs.
- 277 -
A szomszdos tagok kztti korrelci, sorozatkorrelci

Egy sorozat szomszdos tagjai korrelcis egytthatjt elsrend
autkorrelcis egytthatnak nevezzk. A k tvolsgra lv tagok korrelcis
egytthatjnak elnevezse k-ad rend autkorrelcis egytthat.
cov ( ut , u t+ k )
k=
D (u t ) D( ut+ k )
Hossz sorozatban D2 ( ut ) s D2 ( ut+ 1 ) gyakorlatilag azonosak, s emiatt a

fenti kplet a kvetkez mdon adhat meg:
cov ( ut ,u t+ k )
k=
D 2 ( ut )
Rvid megfigyelsi sorozatok esetben D2 ( ut ) becslsnek jobb az egsz

sorozat (n tagbl szmtott) szrsngyzett tekinteni, br a kovariancit csak
(n-k) tagbl hatrozzuk meg. Hasonlkppen jobb ut s ut+k
szorzatsszegnek meghatrozsnl az u eltrseket a teljes sorozat
szmtani kzeptl mrni.
Amennyiben a sorozat tagjait az sszes tag szmtani kzeptl mrjk, akkor:
nk
n
u t ut+ k
t=1
rk= n
nk
u2t
t=1
Amennyiben a sorozat vletlen jelleg, akkor k elmleti rtke minden k-ra

nulla. Ennlfogva a sorozatkorrelcis egytthatk nulltl val eltrst
felhasznlhatjuk a sorozat vletlenszersgnek vizsglatra. Vletlen
sorozatban nagy n-re k szrsngyzete kzelten:
1
D2 ( r k )
nk
A k autkorrelcis egytthatt k fggvnyben brzol grbt
korrelogrammnak nevezzk. Ennek segtsgvel megklnbztethetk a
harmonikus sorozatok s az autoregresszv sorozatok.
- 278 -
Periodogram-elemzs
Szmos oszcilll fizikai jelensg bizonyos szm tiszta harmonikus
hullmra bonthat fel, amely mindegyike egy-egy szinusz vagy koszinusz
2
(
fggvnnyel rhat le. Egy tiszta oszcilltor idbeli mozgsa az A sin +

t )
fggvnnyel fejezhet ki, ahol a hullmhossz s A az amplitd. Az
oszcillcis jelensg pedig gyakran llthat el ilyen tagok sszegeknt:
2 2
(
ut = A 1 sin 1+
1 ) (
t + A 2 sin 2+
2)t + +
Idsor periodicitsnak keresse harmonikus analzis segtsgvel

Nincs zavar. Egy rdikszlk behangolsval hasonlthat ssze. Ismert
hullmhossz sorozatokat korrellunk az adott sorozatokkal, ha sszhangba
jutnak, akkor intenzv korrelcit kapunk. Hibkkal terhelt, rgi mdszernek
tartjk napjainkban.
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 -
Egyszer (Simple) modell: nincs trend s nincs szezonlis hats, ill. vltozs.
Holt modell: lineris trend szezonlis hats nlkl.
Winters modell: lineris trend s multiplikatv szezonlis hats. Az ingadozs
nagysga n vagy cskken a sorozat rtktl fggen
Felhasznl ltal definilt modellek: a felhasznl llthatja be a trend s
szezonlis hatsokat.
60,000
50,000
mennyisg
40,000
30,000
20,000
10,000
0,000
janur
janur
janur
janur
janur
jlius
jlius
jlius
jlius
jlius
Multiplikatv szezonlis dinamika, nvekv ingadozs
30,000
mennyisg
20,000
10,000
0,000
janur
janur
janur
janur
janur
jlius
jlius
jlius
jlius
jlius
Additv szezonlis dinamika
- 280 -
A fenti modellek ngy paramtert hasznlnak

Alfa (ltalnos paramter), minden modell hasznlja, rtke 0,00-1,00. Ha az
alfa 1, kizrlag a legfrissebb megfigyelseket hasznljuk, ha alfa 0, akkor a
rgebbi megfigyelsek is befolysoljk az aktulis rtk alakulst.
Gamma Akkor hasznljuk, ha felttelezzk, hogy az idsornak van trendje.

rtke 0,00-1,00. A gammt csak lineris vagy exponencilis trendnl, vagy
csillaptott trendnl, ahol nincs szezonlis komponens, hasznljuk. Egyszer
modell esetben nincs rtelme.
Delta. Ez a paramter a szezonalitst rja le. rtke 0,00-1,00, egyhez kzeli

rtke magasabb slyt jelent. Csak szezonlis hatst tartalmaz modellben
kerl meghatrozsra, nem hasznljuk egyszer, ill. Holt modell esetben.
Phi. Az exponencilis simts ezen paramtere kontrolllja, hogy a trend

damped, csillaptott vagy milyen gyorsan cskken a nagysga az id
fggvnyben. rtke 0,00-1,00 (de soha sem ri el az egyet), egyhez kzeli
rtke nagyobb fok csillaptst jelez. A phi csak csillaptott trendet tartalmaz
modellben hasznlhat, nincs rtelme a szimpla, a Holt ill. a Winters
modellben.
Az exponencilis simts legels lpse az brzols, mivel a adatok idbeli

alakulsa segt a megfelel modell kivlasztsban.
Van-e a sorozatnak egyltaln trendje? Milyen a trend: vltozatlan vagy
vltozik az id fggvnyben?
Lthat-e az adatokon szezonalits? A szezonlis ingadozsok idvel nnek,
vagy vltozatlanok.
Vlasszuk a grafikonok kzl a Szekvencilis grafikonokat.
- 281 -
60000
50000
40000
db
30000
20000
10000
0
APR 2005
AUG 2005
APR 2006
AUG 2006
J AN 2005
J UN 2005
J UL 2005
J AN 2006
J UN 2006
J UL 2006
SEP 2004
OCT 2004
SEP 2005
OCT 2005
SEP 2006
OCT 2006
NOV 2004
DEC 2004
FEB 2005
MAR 2005
MAY 2005
NOV 2005
DEC 2005
FEB 2006
MAR 2006
MAY 2006
Filteres teafogyaszts
Trend nehezen ismerhet fel, vagy nincs, vagy enyhn cskken lineris
trendet felttelezhetnk. (nincs elg adat, hogy biztonsgosan megtljk
konstans-e a trend).
Szezonlis dinamika figyelhet meg: a hidegebb hnapokban tbb, a nyri
idszakban kevesebb tet fogyasztanak az emberek.
A fentiek ismeretnek ellenre legelszr a legegyszerbb modellt lltsuk fel,
ahol nincs trend s nincs szezonlis hats.
- 282 -
Az alfa paramter meghatrozst bzzuk a programra (vlasszuk a Grid

Search lehetsget). rassuk ki a legjobb 10 modell paramtereit.
A legjobb 10 modell alfa rtke az albbi volt. A legpontosabb rtket alfa=0,7

rtknl kaptuk, ekkor volt az eltrs ngyzetsszeg a legkisebb.
Smallest Sums of Squared Errors
Model
Series rank Alpha (Level) Sums of Squared Errors
db_sum 1 ,70000 3907879011,54776
2 ,80000 3910177609,03472
3 ,60000 3965966440,05588
4 ,90000 3974185801,05280
5 ,50000 4081471836,26282
6 1,00000 4103872124,85208
7 ,40000 4242310694,02872
8 ,30000 4418217451,93448
9 ,00000 4485032083,84616
10 ,20000 4560252585,14987
- 283 -
60000 Megfigyelt (db)

Becslt rtk (db)
50000
40000
30000
20000
10000
0
NOV 2004
NOV 2005
MAR 2005
MAR 2006
J AN 2006
J AN 2005
J UL 2005
J UL 2006
MAY 2005
MAY 2006
SEP 2004
SEP 2005
SEP 2006
Az egyszer modellel kapott becslt s tnyleges forgalmi adatok
Az exponencilis simts szpen lerja az adatokat, azonban van egy idbeli

elcsszs, ami tbb ezer darabos al s fell becslst jelent. Ezrt rdemes a
maradkok autkorrelcis grafikonjt elkszteni, s megvizsglni, hogy van-
e valamilyen jl felismerhet szezonlis hats.
1,0 Koefficiens
Fels konfidencia
hatr
Als konfidencia
0,5 hatr
ACF
0,0
-0,5
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Number
- 284 -
Az brn jl lthat, hogy van egy 11 hnapos szignifikns hats, ami ers
szezonlis hatst jelent.
A becslt adatok rossz illeszkedse, s a 11 hnapos autkorrelcis
egytthat miatt az egyszer exponencilis modell nem alkalmas a teakereslet
pontos elrejelzsre.
A szezonlis hats felbontsa

A szezonlis analzis ngy j vltozt hoz ltre, amelyek az adatbzisban
megjelennek s az albbi kezdbetkkel azonosthatk:
SAF. Szezonlis faktorok, a szezonlis vltozsokat mutatjk. A multiplikatv
modellben az 1 rtk a szezonlis ingadozs hinyt mutatja. Az additv
modellben ugyanezt a 0 rtk jelenti. A szezonlis faktorokat hasznlhatjuk
inputknt az exponencilis simts modelljeiben.
SAS. A szezonlis hatstl megtiszttott eredeti idsor. Ezzel a sorozattal
trend-analzist, vagy ms fggetlen szezonlis sszetev kimutatst
vgezhetjk el. Trend meghatrozsa regresszi-analzis segtsgvel fgg
vltozknt lehet megadni. Autoregresszi szmtsa.
STC. Rvidebb trend-ciklus sszetevk. Trend meghatrozsa regresszi-
analzis segtsgvel fgg vltozknt lehet megadni. Autoregresszi
szmtsa.
ERR. Maradk tagok.
A szezonlis hatsok levlasztsval az egyszer szezonlis hatsokat

tvolthatjuk el a ciklikus idsorokbl.
- 285 -
GRAFIKONOK
Grafikon ksztsekor nemcsak az alapadatokat brzolhatjuk, hanem a
csoportkpz vltoz szerint sszestett, szmtott rtkeket is. Pl. napi
hmrskleti tlagok, minimumok, maximumok brzolsa.
Oszlop diagramok (Bar Charts)
Egyszer (Simple)
Csoportostott megfigyelsek brzolsa (Summaries for groups of cases):
A kategria tengelyen (Category Axis) a csoportkpz vltoz szerepel, pl. a
kezels (ntzs, hibrid, trgyzs, stb.). Az oszlopok mutathatjk a
kezelsszintek megfigyelseinek, eseteinek szmt, kumullt rtkeit s ezek
szzalkos rszesedseit. Egy fgg vltozt kijellve klnbz statisztikai
mutatkat brzolhatunk a csoportkpz vltoz fggvnyben.
TRAGYA: 1 nem trgyzott
9
9
Mean terms t/ha
7
szi s znts tavas zi s znts trcs s
115. bra: A kukorica termse (t/ha) klnbz talajmvelsekben
Klnbz vltozk brzolsa egy diagramon (Summaries of separate

variables):
Csoportkpz vltoz nlkl tbb vltozt, vagy ugyanannak a vltoznak a
klnbz statisztikai mutatit brzolhatjuk a grafikonon.
- 286 -
TRAGYA: 1 nem trgyzott

14
12
10
8
t/ha
6
0
Mean Minimum Maximum
116. bra: A terms (t/ha) klnbz statisztikai mutati
A megfigyelt rtkek brzolsa (Values of individual cases):

A vltoz minden egyes rtkt brzolhatjuk. A megfigyelsek szma nem
lehet tbb, mint 3000. A megfigyelseknek, eseteknek magyarzatokat,
cmkket is adhatunk.
40
Value Napi csapadk (mm)
30
20
10
0
1 31 61 91 121 151 181 211 241 271 301 331 361
16 46 76 106 136 166 196 226 256 286 316 346
Az v napja
117. bra: 2002. v napi csapadkadatai (mm)
Csoportostott (Clustered)
Csoportostott megfigyelsek brzolsa (Summaries for groups of cases):
Egy vltoz klnbz statisztikai jellemzinek brzolsa kt ismrv alapjn.
A kategria tengelyen a trgyzs, klaszterknt az ntzs szerepel.
- 287 -
11
10
Mean terms t/ha

8
6
ntzs
5
Nem ntztt
4 ntztt
nem trgyzott nitrogn 120 nitrogn 240
Trgya kezels
118. bra: A trgyzs hatsa a kukorica termsre nem ntztt

s ntztt kezelsekben
Klnbz vltozk brzolsa egy diagramon (Summaries of separate

variables):
Tbb vltozt, vagy ugyanannak a vltoznak a klnbz statisztikai mutatit
brzolhatjuk a grafikonon. A csoportkpz vltoz a kategria tengelyen
jelenik meg.
14
13
12
11
10
9
terms t/ha
8
Mean
7 Variance
Kukorica Bza
Elvetemny
119. bra: Az elvetemny hatsa a kukorica termsre s

variancijra
A megfigyelt rtkek brzolsa (Values of individual cases):
- 288 -
Tbb vltoz minden egyes rtkt brzolhatjuk. A megfigyelsek szma

nem lehet tbb, mint 3000. A megfigyelseknek, eseteknek magyarzatokat,
cmkket is adhatunk.
10
0
Value
-10
Napi cs apadk (mm)
-20 Hmrs klet (C)

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
31
Az v napja
120. bra: 2002. v janur havi napi hmrsklet s

csapadkadatai
Halmozott (Stacked)
Egyetlen vltoz szmtott rtkeinek brzolsa vonaldiagram segtsgvel:
(Graphs, Line Charts Simple)
Summaries for groups of cases, Define. A vltoz kivlasztsa utn
megadhat az sszests mdja (statisztikja). A kategria tengelyen a
csoportkpz vltozt kell megadni.
Summaries of separate variables
Values of individual cases: a vltoz minden egyes elfordulst brzolja,
nem szmt statisztikt.
Tbbszrs brzols: (Graphs, Line Charts, Multiple)
Summaries for groups of cases. Kt csoportkpz ismrv szerint
brzolhatjuk a kivlasztott vltozkat, pl. kukorica termseket a termhely s
id fggvnyben. Az x-tengely (Category Axis) lehet az id, pl. v, a vonalak
(Define Lines by) pedig a termhelyenknti termsek.
Summaries of separate variables, Define. A Lines Represent ablakban az
brzoland vltozkat lehet megadni. A vltozkhoz klnbz sszestsi
eljrsok vlaszthatk. Jelljk ki egrrel a vltozt (kk szn) s Change
Summary gombbal adjuk meg a szmtsi eljrst (tlag, medin, mdusz,
esetek szma, sszeg, szrs, variancia, minimum, maximum, kumulatv
sszeg). Lehetsg van klnbz szzalkokban is megjelenteni a vltoz
rtkeit.
- 289 -
Values of individual cases:
Minden grafikonnak azonos formtumot biztosthatunk, ha a mintt (template)

alkalmazunk. A minta *.sct fjlban tallhat. Figyelem: bonyolult elrsi
tvonal esetn nem mindig tallja meg a fjlt. rdemes az SPSS
alknyvtrban trolni ezeket a fjlokat.
Krdiagramok (Pie Charts)

Krdiagramot fknt nominlis vltozk gyakorisgnak, vagy egy vltoz
sszettelnek bemutatsra hasznlunk.
121. bra: A krdiagram belltsa
- 290 -
Kszthetnk egyszer, gynevezett robbantott ill. klnbz informcikkal

kiegsztett krdiagramokat.
Tevkenysgi kr
nkormnyzat
termel gazdasgi
szervezet
szolgltat
gazdasgi
szervezet
civil szervezet
hatsg
egyb
122. bra: Egyszer krdiagram
Tevkenysgi kr
nkormnyzat
termel gazdasgi
szervezet
szolgltat
gazdasgi
szervezet
civil szervezet
hatsg
egyb
30,3%
123. bra: Robbantott krdiagram, a leggyakoribb rtk jellsvel
- 291 -
Tevkenysgi kr
nkormnyzat
termel gazdasgi
szervezet
szolgltat
gazdasgi
12,12% szervezet
15,15%
civil szervezet
hatsg
6,06% egyb
30,3%
21,21%
15,15%
124. bra: Robbantott krdiagram, a szzalkok feltntetsvel
- 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
Nyitott krds (1 soros vlasz)
Nyitott krds (tbb soros vlasz)
Nyitott krds (szmjegyes vlasz)
Tbbszrs nyitott krds (szmjegyes vlasz).
Egyszer vlaszts (egy vlaszlehetsg)
Tbbszrs vlaszts (tbb vlaszlehetsg)
Mtrix-krds (soronknt egy vlaszlehetsg)
Mtrix-krds (soronknt tbb vlaszlehetsg)
rtkel krds
Tbbszrs rtkel krds
Osztlyoz krds 1-tl 10-ig
Tbbszrs osztlyoz krds 1-tl 10-ig A krdv ltrehozsa
Idpontra vonatkoz krds
rtk-relevanciakrds
s mg biztosan lehetne kitallni mg egy prat. A knny eligazods

rdekben le fogom egyszersteni a krdsek csoportostst, fknt az
adatbzis tulajdonsgaik alapjn, mivel a klnbz tpus krdseket
klnbzkppen kell bepteni az adatbzisba. Vannak olyan krdsek,
amikre csak egyetlen vlaszt lehet adni, pl. a lenti krds (melyik korosztlyba
tartozik), s vannak tbbszrs vlaszadsak is. A vlaszad csak egyetlen
korcsoportba tartozhat. Az ilyen tpus vlaszokat rdigombokkal szoktk
jelezni, ezzel is sugalmazva, hogy csak egyetlen vlaszt vr a krdst feltev
szemly. Az adatbzisban ezt egyetlen nominlis vagy ordinlis tpus
vltozban trolhatjuk. rdemes szmokkal kdolni az egyes korosztlyokat,
s cmkket hasznlni a megnevezskhz.
- 293 -
Melyik korosztlyhoz tartozik?

0-20 v
21-40 v
41-60 v
61-80 v
80 felett
Az albbi krdsre (hogy van megelgedve a munkahelyvel) is csak egyetlen

vlasz adhat. Ez egy minst, eldntend krds. Az adatbzisban ezt is
egyetlen vltozban troljuk, ordinlis adatknt. rtke lehet szveg vagy
szm. Clszer szmokat megadni, s cmkket hasznlni, mivel gy sokkal
kisebb mret adatbzist kapunk.
Hogy van megelgedve a munkahelyvel?
Nagyon
Kzepesen
Kevsb
Az elz kt krdstpusra adott vlaszokat teht egyetlen vltozban kell

trolni. Az olyan krdseket, ahol tbb vlasz is lehetsges, kicsit
bonyolultabb az adatbzisba elhelyezni. Ilyen tpus krds az albbi:
Van-e a laksban?
Vezetkes vz
Kzponti fts
Telefon
Sznes televzi
Szmtgp
A vlaszol akr mindet megjellheti vagy egyiket sem. Ilyenkor a lehetsges

vlaszok mindegyikre egy-egy dichotm (kt-rtk, 0=nincs, 1=van) vltozt
kpeznk. Ezek a vltozk egy csoportot alkotnak, rdemes a vltozk
nevvel is jelezni a csoportba tartozst. Pl. ha a fenti krds a nyolcadik, akkor
a vlaszokat K8_1, K8_2, K8_3 stb. jellhetjk. A tbbszrs vlaszadsok
elemzse bonyolultabb, mint az egyszer vlaszt krdsek kirtkelse.
Milyen sorrendben tartalmazzk a krdseket a krdvek?
Ez elg szubjektv, fgg a krdv tpustl. ltalban a kzvlemny
kutatsban hasznlt krdvekben az elejn egyszer, figyelemfelkelt
krdsek vannak. A bizalmas jelleg, szemlyes krdsek a krdv vgre
- 294 -
kerlnek. Bizalmatlansgot s ellenkezst vlthat ki az olyan krdv, aminek

az els krdse azt firtatja, hogy hny vesek vagyunk s mennyit keresnk,
kvrek vagyunk-e vagy sovnyak. Egy j krdv betartja az ratlan udvarlsi
szablyokat. Elbb az rdekldst, szimptit, bizalmat kell megszerezni, s
csak utna jhetnek az esetleges bizalmas krdsek.
KRDVEK KIRTKELSE
Elszr az egyetlen vlaszt ad krdsek rtkelst mutatom be. Ezek a

vlaszok lehetnek nominlis, ordinlis s skla tpus adatok.
Nominlis tpus adatok kirtkelse

Az elemzst az SPSS-hez mellkelt contact.sav adatbzison mutatom be.
Nyissuk meg az adatbzist s vlasszuk Analyze, Descriptive Statistics,
Frequencies men pontot. Ezutn a Department vltozt tegyk a vltozk
ablakba.
125. bra: Gyakorisgok prbeszdpanel
Kattintsunk a Charts gombra (grafikonok), s a grafikon tpusnak (Chart

Type) adjuk meg a krdiagramot (Pie Charts). A diagram brzolhatja az
adatok gyakorisgt (az elforduls szmt) vagy szzalkt. Ezt a Chart
Values terleten tudjuk belltani.
- 295 -
126. bra: Grafikonok kivlasztsa s belltsa
A folytatshoz kattintsunk a Continue gombra.
127. bra: Krdiagram, a kategrik feltntetsvel
A krdiagram szemlletesen brzolja a klnbz kategrik relatv

gyakorisgt a megfigyelsek egszhez viszonytva. A gyakorisgi tblzat
pontosan megmutatja az egyes kategrik gyakorisgt (Frequency),
szzalkban kifejezve (Percent), az rvnyes megfigyelsek szzalkban
kifejezve (Valid Percent) s a kumulatv eloszlst szzalkban (Cumulative
- 296 -
Percent). Az els oszlopban a Valid az rvnyes megfigyelseket, a Missing a

hinyz rtkeket jelli. Az adatbzisban sszesen 70 megfigyels szerepel.
Ebben 62 rvnyes s 8 hinyz adat van. ltalnos rvny kvetkeztets
levonshoz mindig az rvnyes adatokat kell figyelembe venni. Nominlis
tpus adatoknl a kumulatv eloszls nem ad tbblet informcit, gyakorlatilag
nem is lehet hasznlni semmire. Ez inkbb az ordinlis tpus adatok esetn
hasznos.
A leggyakoribb adat a Computer Services, az rvnyes adatok szzalkban

48,4%.
A krdiagram helyett oszlopdiagramot vlasztva, amiben a kategrikat
cskken gyakorisggal brzoljuk, gyorsan megllapthatjuk a sokasg
mduszt (leggyakrabban elfordul kategria), illetve a relatv gyakorisgot
szemlletesen brzolhatjuk.
Vlasszuk jbl a grafikonok men pontot, s most az oszlop diagramot
aktivizljuk.
128. bra: Oszlopdiagram kivlasztsa
- 297 -
A folytats utn kattintsunk a Format gombra, ahol a frekvencik tblzatos

megjelentsnek s brzolsnak mdjt lehet belltani. A gyakorisgok
megjelentst vgezzk a kategriagyakorisgok cskken sorrendjben
(Descending Counts). A Continue utn megkapjuk az oszlopdiagramot.
129. bra: A gyakorisgok megjelentsnek belltsa
A gyakorisgok az elfordulsok nagysgnak cskken sorrendjben

jelennek meg.
130. bra: Oszlopdiagram, cskken gyakorisgi sorrend
- 298 -
Ordinlis tpus adatok kirtkelse

Olyan adatok kirtkelse, amik valamilyen szempont alapjn sorba
rendezhetk, valamilyen rangsor felllthat kzttk. Ugyanazt az eljrs
fogjuk hasznlni, mint az elbb, csak a belltsok lesznek msok. Az
adatbzis alapjn elemezzk a cg rangsor vltozt. Tegyk be a Company
Rank vltozt a vizsglati ablakba. Ez egy ordinlis tpus vltoz, amit a
vltoz definilsakor neknk kellett belltani az SPSS adatbzis ablakban.
131. bra: Gyakorisgok elemzse
Ksztsnk oszlopdiagramot.. A Format belltsai az albbiak lesznek:

cskken rendezs a vltoz rtkei szerint. Teht nem az elforduls
gyakorisga szerint, hanem a rangsorban elfoglalt rtke alapjn fognak
megjelenni a frekvencik. A rangsorban legrtkesebb kategria gyakorisga
fog az els helyen (balra) megjelenni, s utna a tbbi.
132. bra: Gyakorisgok megjelentse cskken rtkek szerint
Ez alapjn fog elkszlni a frekvenciatblzat s az oszlopdiagram. A

gyakorisgi tblzat fentrl lefel cskken rangszmok alapjn mutatja a
- 299 -
frekvencikat. Kpzeljk el, hogy iskolai osztlyzatokat rtkeltnk. Ekkor a

jeles ll az els helyen s az elgtelen az utolsn. Jeles csak az rvnyes
megfigyelseket figyelembe vve 10,2%, j 22, kzepes 30,5%, elgsges
18,6% s vgl elgtelen szintn 18,6%. A kumulatv eloszlsbl (Cumulative
Percent) egyb rtkes megllaptsok is tehetk. Pl. a legalbb kzepes
eredmnyt elrt hallgatk arnya 62,7%. Sikeres vizsgk arnya 81,4% s gy
tovbb.
Az oszlop diagram a gyakorisgokat mutatja az osztlyzatok cskken

sorrendjben. Leggyakoribb osztlyzat a kzepes, jelesbl van a legkevesebb,
stb.
133. bra: Oszlopdiagram, gyakorisgok cskken rtk kategria

szerint rendezve
- 300 -
Skla tpus adatok kirtkelse

Itt is ugyanazt a programot fogjuk hasznlni, mint az elbb. A skla tpus adat
valamilyen fizikai mennyisget jell, legtbbszr mrtkegysggel is
rendelkezik. Az elbbi adatbzis segtsgvel a legutbbi rtkestsi
eredmnyeket fogjuk elemezni. Kattintsunk a Reset gombra, hogy
alaphelyzetbe hozzuk a prbeszdablakot. Ezutn vlasszuk ki a Amount of
Last Sale vltozt s tegyk be a vltozk ablakba. Ne ksztsnk frekvencia
tblzatot, mivel skla tpus adatnl nagyon sok kategria van, ezrt a
Display Frequency Tables jellngyzetet trljk.
134. bra: Skla tpus adat gyakorisgnak elemzse
Valsznleg kapunk egy hibazenetet, ami arra figyelmeztet, hogy minden

outputot letiltottunk. Ez nem baj, majd a ksbbiekben belltjuk amire
szksgnk van. Klikkeljnk az OK-ra.
135. bra: Az SPSS figyelmeztet zenete
Kattintsunk a Statistics gombra a Frequencies prbeszdablakban. Vlasszuk

ki a kvartiliseket, a szrst, a minimumot s maximumot, az tlagot, a medint,
a ferdesget s vgl az eloszls cscsossgt.
- 301 -
136. bra: A klnbz statisztikk belltsa
Klikk Continue. Vlasszuk ki a grafikonok menbl a hisztogramot s jelljk

be a norml eloszls jellngyzett. Continue.
137. bra: Hisztogram belltsa, a norml eloszls grbjnek

kivlasztsa
Az elkszlt statisztikk az eladsok jellemz rtkeit mutatjk. A

megfigyelsek szma 70, nincs hinyz adat. Az tlag 55,45, a medin 24, a
szrs 103,94. Az eloszls ferdesge 5,33, cscsossga 34,29. A legkisebb
rtke 6, a legnagyobb 776,5. Az els kvartilis rke 12, a msodik 24, a
harmadik 52,88. Az eladsok eloszlsnak kzept a medin, illetve a
msodik kvartilis mutatja, rtke 24. Az eloszls kzppontja krl az adatok
- 302 -
fele 12 s 52,88 kz esik. Ezt az els s harmadik kvartilis mutatja, aminek a

klnbsgt interkvartilisnek neveznek.
Az eladsok kt extrm rtke a minimum s a maximum. Az tlag s a

medin nagyon klnbzik, ami azt sugalmazza, hogy az eloszls ersen
aszimmetrikus. Ezt ersti meg a ferdesgi mutat nagy pozitv rtke (5,33),
ami azt mutatja, hogy az eladsok eloszlsnak hossz jobboldali farka van,
azaz balra ferde az eloszls. Kis gyakorisggal nagyon nagy eladsok is
elfordulnak, szinte nincs fels hatra az elads nagysgnak. Az als hatra
azonban csak nulla lehet, negatv elads nem ltezik. Az eladsok ezen
tulajdonsga okozza a balra ferde eloszlst, vagyis a pozitv ferdesget. A
nagy pozitv ferdesg jl lthat a medin s tlag elhelyezkedsn is, az
tlag jobbra tallhat a medintl. A szrs nagyon nagy 103,94. A nagy
pozitv cscsossg (34,29), a norml eloszlsnl cscsosabb eloszlst jelez.
138. bra: Az eladsok hisztogramja
- 303 -
A hisztogram vizulisan mutatja az eladsok eloszlst. A norml eloszls

vonala segt a tnyleges eloszls tulajdonsgainak megtlshez.
Tbbszrs vlaszadsok elemzse 1.

A tbbszrs vlaszadsok elemzse gyakorisgi-, s kereszttblzatok
ltrehozst jelenti az ltalunk elre definilt tbbszrs vlaszadsok
csoportjai, szettjei alapjn. A tbbszrs vlaszads szettje logikailag
sszetartoz vltozk egyttesbl ll. Ezek a vltozk legtbbszr dichotm,
kt-rtk vagy kategria vltozk. A tbbszrs dichotm szett a
gyakorlatban sokszor igen/nem (1/0 vagy true/false) tpus vlaszok csoportjt
jelenti. Pl. milyen eszkzkkel rendelkezik a vlaszad az albb felsoroltak
kzl? Tbbszrs kategria szettet akkor ksztnk, amikor maximalizljuk a
vlaszok szmt. Ebben az esetben a megkrdezettek maximlis vlaszainak
szma jelentsen kevesebb, mint a lehetsges vlaszok szma.
A tbbszrs vlaszads szettjnek ltrehozshoz vlasszuk az Analyze,
Multiple Response, Define Sets... parancsot. A pldaadatbzist az SPSS-hez
kapjuk. Ebben egy telekommunikcis krdv adatai szerepelnek, hogy
milyen szolgltatsokat vesznek ignybe a megkrdezettek. Az adatbzis
vltozi kzl vlasszuk ki a logikailag sszetartozkat, s tegyk bele
Variables in Set ablakba. sszesen maximum 20 ilyen szettet tudunk
megadni. Mindegyiknek egyedi nvvel kell rendelkeznie.
139. bra: Tbbszrs vlaszadsok szettjnek megadsa
A vltozk most kt-rtkek s az sszeszmlland rtket az 1 jelenti. A

szett neve servises s a cmkje Services. Klikk Add gomb s Close.
- 304 -
140. bra: Tbbszrs vlaszadsok neve s cmkje
A gyakorisgi tblzat elksztshez vlasszuk az Analyze, Multiple

Response, Frequencies... parancsot. A Services vltozt tegyk a Table(s) for:
ablakba.
141. bra: Gyakorisg elemzse tbbszrs vlaszts vltozval
Klikk OK. Az adatbzisban sszesen 1 000 megfigyels szerepel 111 hinyz

adattal. A hinyz adat ebben a pldban azokat a szemlyeket jelenti, akik
egyetlen szolgltatsra sem fizetnek el. rvnyes vlasznak tekintjk azt, ha
legalbb egy szolgltatst ignyben vesz az illet.
- 305 -
A gyakorisgi tblzat a megkrdezettek vlaszait tartalmazza. Jl lthat,

hogy milyen szolgltatst hnyan vesznek ignybe. Pl. az 1 000 megkrdezett
kzl 368 hasznlja az Internetet. Termszetesen az sszes vlaszok szma
meghaladhatja az 1 000, mivel egy vlaszad tbb szolgltatst is hasznlhat
egyszerre. Ez a tbbszrs vlaszads lnyege. Az egyszer gyakorisgi
rtkek mellett egyb fontos informci is kiolvashat a tblzatbl. Az N
jelenti, hogy hnyan hasznljk vagy fizetnek el a szolgltatsra, a Total N az
sszes elfizeti szerzds szmt mutatja. A szzalk (Percent) oszlop az
sszes vlaszok szzalkban adja meg az ignybe vett szolgltatsok
nagysgt. Ezt tbbflekppen is lehet rtelmezni. Pl. a vlaszadk
mindennapi tevkenysgk sorn ilyen arnyban hasznljk a klnbz
szolgltatsokat vagy a klnbz szolgltatsok piaci rszesedse. Ilyen
kimutatst egy egyszer gyakorisgi tblzattal nem lehet kszteni csak
tbbszrs gyakorisgi tblzattal.
A Percen of Cases oszlopban az rvnyes vlaszok szzalkban ltjuk az

adott szolgltats ignybevteli arnyt. A 889 vlaszol 41,4%-a hasznlja
az Internetet. Ezek a szmok azonban nem mutatjk azokat a felhasznlkat,
akik egyetlen szolgltatst sem vlasztanak (ezek a hinyz adatok).
Amennyiben ezekre is kvncsiak vagyunk el kell lltani egy j vltozt, amit
a Transform, Compute paranccsal vgezhetnk el (142. bra). Legyen a
vltoz neve none. A fggvny: 1-max(a szolgltatsok listja vesszvel
elvlasztva). Ennek az rtke 1, ha egyelten szolgltatst sem vesz ignybe
az illet. A vltoz cmkje legyen No services. Klikkelj a Continue gombra.
- 306 -
Ezek utn adjuk hozz az j vltozt a mr meglv tbbszrs dichotm

szetthez (143. bra).
142. bra: A szolgltatst ignybe nem vevk szmtsa
143. bra: A tbbszrs vlaszts bvtse
- 307 -
Van-e sszefggs az iskolai vgzettsg s a szolgltatsok kedveltsge

kztt? Ehhez ksztsnk kereszttblzatot az ignybe vett
telekommunikcis szolgltatsok gyakorisga s az azt ignybe vev
gyfelek iskolai vgzettsg vltozk felhasznlsval. Analyze, Multiple
Response, Crosstabs
144. bra: Kereszttblzat ksztse tbbszrs vltozval
A sorba (Row) tegyk bele a services vltozt, az oszlopba (Column) az ed

(level of education) vltozt. Az iskolai vgzettsg vltoznak meg kell adni az
elemzsbe vont tartomnyt (Define Ranges). Jelen esetben 1-5 kategrik
vesznek rszt az elemzsben.
145. bra: Iskolai vgzettsg kategrijnak megadsa
Ezek utn lltsuk be, hogy a cellkban a szzalkok oszloponknt

szmtdjanak, vagyis iskolai vgzettsg szerint (146. bra).
- 308 -
146. bra: Cellk szzalkszmtsa oszlop szerint
A szmtsok elvgzse utn az albbi eredmnytblzatot kapjuk.
A sorokban a szolgltatsok, az oszlopokban az iskolai vgzettsgek lthatk.

A legutols sor (Total Count) mutatja a megkrdezettek iskolai vgzettsgnek
megoszlst (204, 28766). A tblzat azt sugalmazza, hogy sszefggs
van az iskolai vgzettsg s a hasznlt szolgltatsok kztt. Pl. a Caller ID-
tl 3-way calling szolgltatsok ignybevtele kzel azonos a klnbz
iskolai vgzettsg kategrikban. A tbbi szolgltatsok hasznlatnak
gyakorisga azonban n az iskolai vgzettsggel. Minl magasabb
- 309 -
vgzettsggel rendelkezik a vlaszad, annl tbb szolgltatst hasznl. Az

sszefggs pozitv. A szolgltatst nem hasznl kategriban (No
services) az iskolai vgzettsg nvekedsvel cskkennek a szzalkos
rtkek. A kt vltoz kztti sszefggs negatv.
Maximum k vlasz elemzse 2.

Az SPSS programban egyb lehetsg is rendelkezsre ll a tbbszrs
vlasztsos krdsek kirtkelsre. Nagyon hasonl az elbb lertakhoz az
Analyze, Tables, Multiple Response Sets menpont. Ebben is dichotm s
kategria vltozkbl kszthetnk sszelltsokat, szetteket. A kategria
vltozk kdolsnak tkletesen meg kell egyeznik. A kategria vltozkbl
ksztett szett ellltst nem rtam le rszletesen korbban, most ptolom.
Az albbi krdsre vrjuk a vlaszokat:
Jellje be a legszimpatikusabb nemzeteket! Maximum hrmat vlaszthat.
magyar
olasz
angol
romn
.
.
.
egyb
A lehetsges vlaszok szma 41, de ebbl csak maximum hrmat vlaszthat

a megkrdezett. Az adatbzisban ilyenkor hrom kategria vltozt kell
definilni. Az els, msodik s harmadik vlasztsra. Mindhrom vltozban
41 kategria van (magyartl-egyb nciig).
- 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 sajt kszts text tpus
adatbzison!
Szmtsa ki terms.sav fjl terms vltozjnak legfontosabb statisztikai
mutatit a klnbz mtrgya kezelsekben! (Analyze, Reports, Case
summaries, Variables: terms, Grouping Variables: mtrgyzs)
Szmtsa ki az esztend2002.sav fjl minden vltozjnak jellemz ves
rtkt! (Analyze, Reports, Reports summaries in Columns)
llaptsa meg, hogy a Terms1989.sav fjlban hny parcellt figyeltnk meg a
talajmvels x tszm kombinciban! (Analyze, Descriptive Statistics,
Crosstabs)
- 311 -
brzolja oszlopdiagrammal a Terms1989.sav fjlbl a terms nagysgt a

mtrgyzs fggvnyben! Graphs, Bar, Simple, Summaries for groups of
cases)
brzolja oszlopdiagrammal az esztend2002.sav fjlbl a globlsugrzs,
minimlis, maximlis s tlagos rtkt! Graphs, Bar, Simple, Summaries of
separate variables)
brzolja az esztend2002.sav fjlbl a globlsugrzs ves menett!
(Graphs, Line, Simple, Values of individual cases, Line Represents:
globlsugrzs, Category Labels Variable: az v napja)
A terms1989.sav fjlbl szmtsa ki a terms vltoz klnbz statisztikai
mutatit a talajmvels fggvnyben! llaptsa meg az sszefggs
szorossgt s lineris jellegt! Mennyiben hatrozza meg a talajmvels a
kukorica termst ebben az esztendben?
llaptsa meg, hogy a kukorica termse 10t/ha volt-e az 1989-as esztendben!
Van-e klnbsg a nem trgyzott s a 120 kg/ha nitrognnel mtrgyzott
kukorica termse kztt 1995-ben? (ktmints t-prba)
- 312 -
FGGELK
Az esztend2002.sav fjl szerkezete:

Name Position
JDATE Az v napja 1
Measurement Level: Scale
Column Width: Unknown Alignment: Right
Print Format: F3
Write Format: F3
GRAD Globlsugrzs (MJ/m2 nap) 2

Print Format: F4.1
Write Format: F4.1
TMAX Maximlis hmrsklet (C) 3

Print Format: F4.1
Write Format: F4.1
TMIN Minimlis hmrsklet (C) 4

Print Format: F4.1
Write Format: F4.1
CSAPADK Napi csapadk (mm) 5

- 313 -
Print Format: F4.1

Write Format: F4.1
A csapadk.sav fjl szerkezete:
Name Position
V Esztend 1
Print Format: F4
Write Format: F4
CSAPADK ves csapadk (mm) 2

Print Format: F8.2
Write Format: F8.2
A terms.sav fjl szerkezete:
Name Position
V 1
Column Width: 4 Alignment: Right
Print Format: F4
Write Format: F4
NPK mtrgyzs 2
Measurement Level: Nominal
- 314 -
Print Format: F3
Write Format: F3
Value Label
1 nem trgyzott
30 N30, P23, K27
60 N60, P45, K53
90 N90, P68, K80
120 N120, P90, K106
150 N150, P113, K133
180 N180, P135, K159
240 N240, P180, K212
300 N300, P225, K265
TERMS Terms (t/ha) 3

Print Format: F8.2
Write Format: F8.2
A terms1989.sav fjl szerkezete:
Name Position
EV vek 1
Print Format: F4
Write Format: F4
TALAJMUV Talajmvels 2
- 315 -

Print Format: F1
Write Format: F1
Value Label
1 szi sznts
2 tavaszi sznts
3 trcss
TOSZAM Tszm 3
Print Format: F2
Write Format: F2
HIBRID 4
Print Format: F2
Write Format: F2
Value Label
1 De 351
2 De 377
3 De 382
4 Dk 366
5 Dk 373
6 Dk 391
7 Dk 471
8 Dk 477
9 DK 493
- 316 -
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 Veronika (Sze 427)
27 Volga SC
28 Szegedi 463
29 Dk 440
30 Ella
31 Hunor
TRAGYA Trgya kezels 5

Measurement Level: Ordinal
Print Format: F1
Write Format: F1
Value Label
1 nem trgyzott
2 nitrogn 120
- 317 -
3 nitrogn 240
ISMTLS 6
Print Format: F1
Write Format: F1
TERMS terms t/ha 7

Print Format: F6.3
Write Format: F6.3
Missing Values: -999.0
A terms1995.sav fjl szerkezete:
Name Position
EV vek 1
Print Format: F4
Write Format: F4
ONTOZES ntzs 2
Print Format: F1
Write Format: F1
Value Label
- 318 -
1 Nem ntztt
2 ntztt
ELOVET Elvetemny 3
Print Format: F1
Write Format: F1
Value Label
1 Kukorica
2 Bza
TALAJMUV Talajmvels 4
Print Format: F1
Write Format: F1
Value Label
1 szi sznts
2 tavaszi sznts
3 trcss
TOSZAM Tszm 5
Print Format: F2
Write Format: F2
HIBRID 6
- 319 -

Print Format: F2
Write Format: F2
Value Label
1 De 351
2 De 377
3 De 382
4 Dk 366
5 Dk 373
6 Dk 391
7 Dk 471
8 Dk 477
9 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 Veronika (Sze 427)
- 320 -
27 Volga SC
28 Szegedi 463
29 Dk 440
30 Ella
31 Hunor
TRAGYA Trgya kezels 7

Print Format: F1
Write Format: F1
Value Label
1 nem trgyzott
2 nitrogn 120
3 nitrogn 240
ISMTLS 8
Print Format: F1
Write Format: F1
TERMS terms t/ha 9

Print Format: F6.3
Write Format: F6.3
Missing Values: -999.0
- 321 -
Huzsvai Lszl: SPSS alkalmazsok
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, 399-
433.
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 -
Svb J.: Tbbvltozs mdszerek a biometriban. Mezgazdasgi Kiad,

Budapest, 1979. (ISBN 963 230 011 4)
Szcs I. (szerk.)(2002): Alkalmazott statisztika. Tanknyv, Agroinform K.
Budapest
- 323 -
GAUSS, CARL FRIEDRICH

(1777. 04. 30. - 1855. 02. 23.)
Nmet matematikus, csillagsz s fizikus. t

tartjk minden idk egyik legnagyobb
matematikusnak. gy is nevezik: "A
matematikusok fejedelme." Euler mellett a
matematika legsokoldalbb tudsa.
Braunschweigben szletett, desapja
nyergesmester volt. Mr 6 ves korban kitnt
matematikai tehetsgvel. Tantja egyszer azt a
feladatot adta a kis tanulknak, hogy adjk ssze
a szmokat 1-tl 40-ig, mivel a tant r addig
egy msik vfolyammal akart foglalkozni, s gy
akarta addig a kicsiket lefoglalni. De a kis Gauss
hamarosan jelentkezett a j eredmnnyel.
Csodlkoz tantjnak el is magyarzta, hogyan
csinlta.
Prba lltotta a szmokat 40 + 1 = 39 + 2 = 38 + 3 stb. Ezek a prok mindig
41-t adnak sszegl, s mivel 20 ilyen pr van, az eredmny 820. Ez a
gondolkozs megegyezik a szmtani sorozat sszegnek meghatrozsnl
alkalmazottal. Tantja felismerve a kisfi rendkvli kpessgeit, jelentette az
esetet elljrinak. gy jutott el a hre braunschweig-i herceghez, aki felkarolta
a kis Gauss-t. Gimnziumba kerlt, majd a gttingeni egyetemre.
Plyja tretlenl velt felfel. Ismerte s bartjnak nevezte Bolyai Farkast,
ennek ellenre fit Bolyai Jnost nem tmogatta, s ezzel igen nagy csaldst
okozott mindkettjknek. Sajnos Gauss msok elismersvel is fukarkodott.
gy pldul Abel tehetsges norvg matematikussal kapcsolatban is.
Lobacsevszkij orosz matematikust ugyan beajnlotta a Gttingeni
Tudomnyos Trsasgba, de a nem euklideszi geometria megalkotsnak
terletn vgzett munkssgnak kzvetlen elismerstl tartzkodott,
akrcsak Bolyai Jnos esetben.
Gauss csillagszknt is szmottevt alkotott. 1801-ben egy j s egyszerbb
mdszert dolgozott ki a bolyg plyjnak kiszmtsra. 1820 krl
geodzival (fldmrs) kezdett foglalkozni. Fizikai munkssga is emltsre
mlt. Gttingenben egy szobor brzolja t s Wilhelm Webert a tvr 1833-
ban trtn feltallsa kzben. alkotja meg az els abszolt fizikai
mrtkegysgrendszert. Mg szmolgp fejlesztssel is foglalkozott, Leibniz
gpt tkletestette. Ez a gp az idejben npszer volt egsz
Nmetorszgban.
Gauss bks, hossz s elismert letet lt. Igazi zsenialitst mg gy is nehz
teljes egszben felmrni, mert nagyon sok felfedezst, elgondolst, gy a
nem euklideszi geometria felfedezse irnyba tett gondolatait sem publiklta.
- 324 -
Utols kvnsga az volt, hogy egyik korai s szmra legkedvesebb

felfedezsnek, a 17 oldal szablyos sokszg szerkesztsnek emlkre
srkvre egy szablyos 17-szget vssenek. Ezt ugyan nem teljestettk, de
szlvrosban a tiszteletre emelt szobor talapzatn lthat a szablyos 17
oldal sokszg.
Matematikai munkssgrl:
Egyik legkedvesebb matematikai szakterlete a szmelmlet volt. Tle
szrmazik az a monds, hogy: "A matematika a tudomnyok kirlynje, s a
matematika kirlynje a szmelmlet." 1791-ben, 14 ves korban becslst
adott a prmszmok eloszlsra, miszerint ezres szmkrben a prmszmok
szma fordtottan arnyos a szmok termszetes alap logaritmusval. Ezt
ugyan ksbb tbben is pontostottk, de ez semmit nem von le a fiatal Gauss
rdemeibl.
volt az, aki felfedezte, hogy kapcsolat van a prmszmok s a szablyos
sokszgek szerkeszthetsge kztt. Egy "n" oldalszm szablyos sokszg
csak akkor szerkeszthet euklideszi szerkesztssel ha "n" prmtnyezs
felbontsban csak a 2 szerepel tetszleges nem negatv egsz kitevj
hatvnyon s az n. Fermat-fle prmek (3,5,17,65537) els kitevj
hatvnyon.
Azaz n = 2k * p1 * p2 *... * pk, ahol p1, p2, pk klnbz Fermat-fle prmek.
Teht szerkeszthet a 3, 4, 5, 6, 8, 10, 12, 14, 15, 17, ..., 257 s 65537 oldal
szablyos sokszg, de nem szerkeszthet pldul a 7, 9 , ill. 11 oldal. A 17
oldal szablyos sokszg szerkesztsnek a mdjt meg is oldotta.
Gauss foglalkozott a szakaszos tizedes trtekkel, s tisztzta, mikor kapunk
tiszta vagy vegyes szakaszos tizedes trtet, s mekkora lehet a szakasz
hosszsga. 1799-ben a doktori rtekezsben az "algebra alapttelt"
igazolta, amely szerint minden algebrai egyenletnek van gyke. Ezek a gykk
nem okvetlenl valsak, hanem lehetnek komplex szmok is, s nem biztos,
hogy ezek a gykk mind klnbznek egymstl. A gykk szma (belertve
az azonosakat is) az egyenlet fokszmval egyenl. 1827-ben jelent meg A
grbe felletekre vonatkoz ltalnos vizsglatok cm mve, amelynek
eredmnyei geodziai munkssgra vezethetk vissza. Gauss tlete, hogy a
komplex szmokat a sk pontjaiknt brzolhatjuk. 1837-ben megjelent
rtekezse a komplex szmok algebrjt s aritmetikjt tartalmazza. A nem
euklideszi geometria megalkotsnak terletn vgzett kutatsairl csak
levelezseibl tudunk, s felttelezhet, hogy ezen a terleten is messzire
jutott.
- 325 -

Spss Könyv PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Spss Könyv PDF

Uploaded by

Copyright:

Available Formats

HUZSVAI LSZL VINCZE SZILVIA

Dr. Huzsvai Lszl

Kiad: SENECA BOOKS

KT-VLTOZS SZTOCHASZTIKUS KAPCSOLATOK.........................................................................134

KRDVEK KIRTKELSE..................................................................................................................... 304

GAUSS, CARL FRIEDRICH............................................................................................................................ 333

A knyv megrsakor az egyik fontos clunk az volt, hogy a statisztikai s

tblzatkezel adatbzishoz hasonlt, kln ablakban jelenik meg az

vltozk rgi neveinek jakat adhatunk. Mentsk el a fjl formtumt ksbbi

Apply Data Dictionary:

Display Data Info:

SZERKESZTS (EDIT) MEN

NZET (VIEW) MEN

ikonokat s vigyk a kvnt helyre. Az ikonok trlst is hasonl mdon

ADATOK (DATA) MEN

ntz Talajmvel Rte Nedvess

Data, Restructure parancs utn az albbi prbeszdpanelt kapjuk. Itt

A Tovbb billenty utn meg kell adni az j adatbzis szerkezett. Szerintem,

ntzs Talajmvels Nedvessg_1 Nedvessg_2 Nedvessg_3

van, 1990-tl 2003-ig. Ki szeretnnk bvteni a terms.sav fjlunkat a

Tbb-tnyezs ksrletek szmra linerisan fggetlen kezelskombinci

definilni kell a kezelsszintek szmt (Define Values), s el is lehet

Nagy mennyisg adat lekrdezse

TALAKTSOK (TRANSFORM) MEN

Random Number Seed:

Amennyiben sokszor generlunk vletlen szmokat, idnknt clszer

Run Pending Transforms:

UNIFORM(max) = egyenletes eloszls pszeud vletlen szmok ellltsa a

Hat j egyenletes eloszls vltoz ltrehozsa, sszeg kiszmtsa.

Az adatok standardizlsa, Analyze, Descriptive Statistics, Descriptives,

1. bra: Kimutats varzsl prbeszdablaka

Summary Variable(s): ablakba tegyk. A csoportkpz vltozkat a Grouping

2. bra: A kimutatsban megjelenthet statisztikk

Differences gomb a vltozk, ill. csoportok kztti klnbsgeket jelenti

3. bra: A kimutatsban megjelenthet klnbsgek

Az OK gomb lenyomsa utn az Output ablakban megjelenik az eredmny

A kimutatst tetszs szerinti formba nthetjk, a rtegeket sorokba illetve

4. bra: A kimutats szerkezetnek megvltoztatsa

A baloldalon a rteg (layer), alul a sor (row) s jobboldalon az oszlop (column)

A tblzat minden egyes elemt formzhatjuk, s elmenthetjk a kimutats

5. bra: A knyvjelzk megadsa

Adjunk nevet az aktulis kimutats vltozatnak, s az Add gombbal adjuk

6. bra: Segdeszkzk a kimutatsok formzshoz

Itt megtallhatk a knyvjelzk is, amivel a kimutatsok klnbz vltozatai

Report summaries in Rows

Report summaries in Columns

Ler statisztikk (Descriptive Statistics)

Meghatrozhatjuk az eloszls jellemz paramtereit is. Az eloszls

Std. Dev = 3.05

A Statistics gombra kattintva klnbz statisztikkat szmthatunk ki. Ler

Robosztus centrlis mutat meghatrozsa maximum-likelihood mdszerrel

Az t legnagyobb s legkisebb rtk kijelzse (Outliers), ezeket az

szi sznts tavaszi sznts trcss

A megfigyelsek szzalkos eloszlst hatrozhatjuk meg, 5, 10, 25, 50, 75,

Az adatok eloszlsnak lersa (Descriptive):

terms t/ha Stem-and-Leaf Plot for

Frequency Stem & Leaf

Stem width: 1.000

Hisztogram ksztse (Histogram):

Std. Dev = 2.07

Shapiro s Wilks W-prba

Normal Q-Q Plot of terms t/ha

Detrended Normal Q-Q Plot of terms t/ha