Professional Documents
Culture Documents
Spss Könyv PDF
Spss Könyv PDF
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:
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-
Huzsvai - Vincze: SPSS-knyv
-5-
Huzsvai - Vincze: SPSS-knyv
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
FGGELK........................................................................................................................................................322
AJNLOTT IRODALOM.................................................................................................................................331
-6-
Huzsvai - Vincze: SPSS-knyv
ELSZ
A szerzk
Debrecen, 2012. mrcius
BEVEZETS
Az SPSS hasonlan tbb Windows programhoz tbbablakos technikval
dolgozik. Kln ablakban kezelhetjk az adatbzist, mely leginkbb egy
-7-
Huzsvai - Vincze: SPSS-knyv
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-
Huzsvai - Vincze: SPSS-knyv
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-
Huzsvai - Vincze: SPSS-knyv
Fonts
Meghatrozhatjuk a bet tpust (Arial, Courier, stb., stlust (norml, dlt,
flkvr, flkvr dlt), mrett (8-72). Kivlaszthatjuk az alkalmazott
rsrendszert (Kzp-eurpai, Nyugati, Grg, stb.).
Grid Lines
Az adatbzis ablakban a rcsozatot tudjuk ki, illetve bekapcsolni.
Templates
Ha tbb vltoznak egyszerre akarjuk belltani a tulajdonsgait, akkor ezt a
parancsot kell hasznlni. Elzetesen az aktv editor ablakban a mdostand
vltozkat lenyomott egrbillentyvel ki kell jellni
Insert Variable
j vltoz (oszlop) beszrst vgzi az aktv vltoz utn.
Insert Case
Egy j eset (sor) beszrst vgzi az aktv eset utn.
Goto Case
Megkeresi az adott esetet. Ha nem az adat ablak az aktv, akkor ennek a
parancsnak hatsra azz vlik. A keres dobozt a kvnt eset megkeresse
utn a Close gomb megnyomsval lehet lezrni.
- 10 -
Huzsvai - Vincze: SPSS-knyv
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.
- 11 -
Huzsvai - Vincze: SPSS-knyv
- 12 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
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
- 14 -
Huzsvai - Vincze: SPSS-knyv
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.
- 15 -
Huzsvai - Vincze: SPSS-knyv
- 16 -
Huzsvai - Vincze: SPSS-knyv
- 17 -
Huzsvai - Vincze: SPSS-knyv
Weight Cases,
Alul vagy tl reprezentlt mintk esetben lehet slyztnyezt alkalmazni. Ha
tbb ismrv alapjn is alul vagy tl reprezentlt a minta, akkor egyenknt kell a
slyztnyezket kiszmtani, s az egyenknti slyztnyezket ssze kell
szorozni. (Ez a szociolgiai s trsadalomkutatsban elfogadott eljrs.) Pl.:
60 megfigyelsbl 50 frfi s 10 n. A frfiak tl reprezentltak ebben a
mintban ezrt a kt slyz tnyez frfiak esetben 10/60, nk esetben
50/60.
Compute Variable:
Szmtott vltoz ltrehozsa. Meg kell adni a clvltoz nevt s a
numerikus kifejezst. Lehetsg van arra is, hogy valamilyen logikai kifejezst
is belltsunk, s ilyenkor csak azoknl az eseteknl kpzdik a szmtott
rtk, amelyeknl a logikai rtk igaz. A tbbi helyre system missing value
kerl.
Gyakran elfordul feladat, hogy idsort kell ellltani, vagy meglv idsort
kell klnbz szempontok szerint talaktani. A talaj-nvny-atmoszfra
modellekben az idt az aktulis v janur elsejtl eltelt napok szmval
jellik (Julianus dtum). Havonknti, negyedvenknti sszestst ill.
kimutatst gy elg nehz elvgezni. A program a klnbz dtum
fggvnyekkel lehetsget biztost az talaktsokra. Pl. DATE.YRDAY(v, az
v napja) segtsgvel rendes dtumot lehet ellltani. A szmtott j
vltoznak termszetesen dtum tpust kell megadni. A DATE.* fggvnyekkel
szmokbl lehet klnfle dtumot ellltani, az XDATE.* fggvnyek pedig
dtumbl szmokat, pl. napok szma, hnap szma, negyedvek szma, stb.
Az gy elksztett attribtumokkal klnfle szempontok szerint
csoportosthatjuk az adatokat, kszthetnk statisztikkat, elemzseket. (ld.
esztend2002.sav).
Vletlen szmokat is el tudunk lltani a beptett eloszlsfggvnyek
segtsgvel. Pl. RV.NORMAL(mean, stddev) norml eloszls ismert
kzprtk s szrs esetn.
- 18 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
ELOSZLSOK
640
630
620
610
600
590
580
Count
570
1.00 2.00 3.00 4.00 5.00 6.00
VL1
- 20 -
Huzsvai - Vincze: SPSS-knyv
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
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 -
Huzsvai - Vincze: SPSS-knyv
ANALZISEK
Riportok
Adatbzisunkrl klnbz szempontok alapjn kszthetnk kimutatsokat
tblzatos formban.
OLAP Cubes
Kimutatsokat, kimutats tblzatokat kszthetnk skla tpus adatokkal
(Olap Cubes), Pivot tbla formtumban. OLAP (Online Analytical Processing).
Rteg (layer), sor (row) s oszlop (column) vltozk szerint csoportosthatjuk
az adatainkat. Klnbz statisztikkat jelenthetnk meg, centrlis mutatkat,
szrdsi s terjedelmi jellemzket.
Analyze, Reports, OLAP Cubes
Az elemezni kvnt skla tpus adatot vagy adatokat a
- 22 -
Huzsvai - Vincze: SPSS-knyv
- 23 -
Huzsvai - Vincze: SPSS-knyv
OLAP Cubes
Esztend: Total
NAP: Total
Sum
RAIN 5101.1
- 24 -
Huzsvai - Vincze: SPSS-knyv
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
- 25 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
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
- 28 -
Huzsvai - Vincze: SPSS-knyv
t/ha
3000
2000
1000
Frequency
7. bra
Descriptives
Explore
Itt exploratv adatanalzist vgezhetnk. Ez klnsen fontos nagy
adatbzisok esetben az adatok alapos megismersre, feldertsre.
8. bra
- 29 -
Huzsvai - Vincze: SPSS-knyv
9. bra
10. bra
- 30 -
Huzsvai - Vincze: SPSS-knyv
14
12
10
8
terms t/ha
4
N= 48 48 48
Talajmvels
11. bra
2.00 7 . 99
- 31 -
Huzsvai - Vincze: SPSS-knyv
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)
Histogram
14
12
10
4
Frequency
terms t/ha
12. bra
Norml eloszls tesztelse Kolmogorov-Smirnov s Shapiro-Wilk prbval.
- 32 -
Huzsvai - Vincze: SPSS-knyv
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
1
Expected Normal
-1
-2
-3
6 8 10 12 14 16
Observed Value
- 33 -
Huzsvai - Vincze: SPSS-knyv
.2
0.0
Dev from Normal
-.2
-.4
-.6
-.8
7 8 9 10 11 12 13 14 15
Observed Value
- 34 -
Huzsvai - Vincze: SPSS-knyv
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.
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 -
Huzsvai - Vincze: SPSS-knyv
+
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 -
Huzsvai - Vincze: SPSS-knyv
Chi-Square Tests
Custom Tables
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 -
Huzsvai - Vincze: SPSS-knyv
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
Felttel:
Normlis eloszls populci, szigma ismeretlen s n>30.
X 0
z=
s/ n
DF = n-1
- 38 -
Huzsvai - Vincze: SPSS-knyv
One-Sample Statistics
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.
- 39 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
6. tblzat
Group Statistics
- 41 -
Huzsvai - Vincze: SPSS-knyv
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 *
- 42 -
Huzsvai - Vincze: SPSS-knyv
N Correlation Sig.
Pair Maximlis hmrsklet
1 (C) & Minimlis 365 .900 .000
hmrsklet (C)
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.
= a ksrlet ftlaga
- 43 -
Huzsvai - Vincze: SPSS-knyv
Bi = (Rtlagok-)
Ai = (Kezelstlagok-)
ij = hiba
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 -
Huzsvai - Vincze: SPSS-knyv
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
- 45 -
Huzsvai - Vincze: SPSS-knyv
Feladat:
Nyissuk meg a Terms1989.sav fjlt, s vizsgljuk meg, hogy a
talajmvelsnek milyen hatsa volt ebben az vben a kukorica termsre.
- 46 -
Huzsvai - Vincze: SPSS-knyv
22
Mean +- 2 SE terms t/ha
20
18
16
14
12
10
Talajmvels
8. tblzat
- 47 -
Huzsvai - Vincze: SPSS-knyv
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
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 -
Huzsvai - Vincze: SPSS-knyv
Extreme Values
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
- 49 -
Huzsvai - Vincze: SPSS-knyv
12. tblzat
13. tblzat
- 50 -
Huzsvai - Vincze: SPSS-knyv
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 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
*. The mean difference is significant at the .05 level.
14. tblzat
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 -
Huzsvai - Vincze: SPSS-knyv
, 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
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 -
Huzsvai - Vincze: SPSS-knyv
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
a. Predictors: (Constant), Predicted Value for X
b. Dependent Variable: X
n
Regression: 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
- 53 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
- 55 -
Huzsvai - Vincze: SPSS-knyv
- 56 -
Huzsvai - Vincze: SPSS-knyv
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
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 -
Huzsvai - Vincze: SPSS-knyv
- 58 -
Huzsvai - Vincze: SPSS-knyv
- 59 -
Huzsvai - Vincze: SPSS-knyv
terms t/ha
Sum of
Squares df Mean Square F Sig.
Between Groups 92.524 2 46.262 10.087 .000
Within Groups 646.657 141 4.586
Total 739.181 143
Normalits vizsglat
A variancia-analzis alkalmazhatsgnak felttele, hogy a fgg vltoz
normlis eloszls legyen, pontosabban a klnbz kezelsek mintinak
- 60 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
- 62 -
Huzsvai - Vincze: SPSS-knyv
terms t/ha
Levene
Statistic df1 df2 Sig.
1.096 2 141 .337
terms t/ha
Levene
Statistic df1 df2 Sig.
5,144 2 141 ,007
- 63 -
Huzsvai - Vincze: SPSS-knyv
terms t/ha
a
Statistic df1 df2 Sig.
Welch 3,238 2 83,571 ,044
Brown-Forsythe 3,725 2 49,027 ,031
a. Asymptotically F distributed.
terms t/ha
a
Statistic df1 df2 Sig.
Welch 9,905 2 93,797 ,000
Brown-Forsythe 10,087 2 139,613 ,000
a. Asymptotically F distributed.
- 64 -
Huzsvai - Vincze: SPSS-knyv
- 65 -
Huzsvai - Vincze: SPSS-knyv
2
A kiugr rtkek ellenrzsre az SPSS mg szmos lehetsget knl, ezek tovbbi bemutatsra
most nem kerl sor.
- 66 -
Huzsvai - Vincze: SPSS-knyv
140
120
9
10
100
terms t/ha
80
60
40
20
-20
N= 48 48 48
Talajmvels
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 -
Huzsvai - Vincze: SPSS-knyv
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.
- 68 -
Huzsvai - Vincze: SPSS-knyv
TERMS
Sum of
Squares df Mean Square F Sig.
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
- 69 -
Huzsvai - Vincze: SPSS-knyv
- 70 -
Huzsvai - Vincze: SPSS-knyv
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
- 71 -
Huzsvai - Vincze: SPSS-knyv
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
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
Hij=i-j=0,
- 72 -
Huzsvai - Vincze: SPSS-knyv
- 73 -
Huzsvai - Vincze: SPSS-knyv
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-
- 74 -
Huzsvai - Vincze: SPSS-knyv
- 75 -
Huzsvai - Vincze: SPSS-knyv
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
*. The mean difference is significant at the .05 level.
a. Dunnett t-tests treat one group as a control, and compare all other groups against it.
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.
- 76 -
Huzsvai - Vincze: SPSS-knyv
- 77 -
Huzsvai - Vincze: SPSS-knyv
Mean
Difference 90% Confidence Interval
(I) Talajmvels (J) Talajmvels (I-J) Std. Error Sig. Lower Bound Upper Bound
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
*. The mean difference is significant at the .10 level.
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 -
Huzsvai - Vincze: SPSS-knyv
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
- 79 -
Huzsvai - Vincze: SPSS-knyv
- 80 -
Huzsvai - Vincze: SPSS-knyv
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)
- 81 -
Huzsvai - Vincze: SPSS-knyv
( )
2
2 SPxy
SS R = Yi Y =
SS x
SS y = yi
2
( y ) i
2
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
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
a. Predictors: (Constant), Predicted Value for X
b. Dependent Variable: X
- 82 -
Huzsvai - Vincze: SPSS-knyv
- 83 -
Huzsvai - Vincze: SPSS-knyv
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.
- 84 -
Huzsvai - Vincze: SPSS-knyv
- 85 -
Huzsvai - Vincze: SPSS-knyv
Az elrendezsek ismertetsnl mr
nem trnk ki mg egyszer az SPSS
belltsaira, az itt lertak minden egyes
elrendezs esetn rvnyesek.
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 -
Huzsvai - Vincze: SPSS-knyv
- 87 -
Huzsvai - Vincze: SPSS-knyv
- 88 -
Huzsvai - Vincze: SPSS-knyv
- 89 -
Huzsvai - Vincze: SPSS-knyv
- 90 -
Huzsvai - Vincze: SPSS-knyv
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.
- 91 -
Huzsvai - Vincze: SPSS-knyv
- 92 -
Huzsvai - Vincze: SPSS-knyv
- 93 -
Huzsvai - Vincze: SPSS-knyv
elrendezs randomizlva
Latin tgla elrendezs
Csoportostott elrendezs
Egy-tnyezs ksrletek
- 94 -
Huzsvai - Vincze: SPSS-knyv
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.
- 95 -
Huzsvai - Vincze: SPSS-knyv
UNIANOVA
tojs BY kezels
/METHOD = SSTYPE(3)
/INTERCEPT = INCLUDE
/CRITERIA = ALPHA(.05)
/DESIGN = kezels .
5 6 2 3 1 7 4 (3)
3 1 4 5 7 6 2 (2)
4 3 1 7 2 5 6 (1)
- 96 -
Huzsvai - Vincze: SPSS-knyv
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:
- 97 -
Huzsvai - Vincze: SPSS-knyv
- 98 -
Huzsvai - Vincze: SPSS-knyv
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
4
Ez az elrendezs abban klnbzik a vletlen blokkelrendezstl, hogy az
sszes kezels egy-egy parcelljbl kt irnyban kpznk blokkokat.
- 99 -
Huzsvai - Vincze: SPSS-knyv
- 100 -
Huzsvai - Vincze: SPSS-knyv
- 101 -
Huzsvai - Vincze: SPSS-knyv
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
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 -
Huzsvai - Vincze: SPSS-knyv
- 103 -
Huzsvai - Vincze: SPSS-knyv
Csoportostott elrendezs
.
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
- 104 -
Huzsvai - Vincze: SPSS-knyv
- 105 -
Huzsvai - Vincze: SPSS-knyv
- 106 -
Huzsvai - Vincze: SPSS-knyv
- 107 -
Huzsvai - Vincze: SPSS-knyv
Kt-tnyezs ksrletek
Vletlen blokkelrendezs
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 -
Huzsvai - Vincze: SPSS-knyv
- 109 -
Huzsvai - Vincze: SPSS-knyv
UNIANOVA
terms BY ismtls atnyez btnyez
/METHOD = SSTYPE(3)
/INTERCEPT = INCLUDE
/CRITERIA = ALPHA(.05)
/DESIGN = ismtls atnyez btnyez atnyez*btnyez
- 110 -
Huzsvai - Vincze: SPSS-knyv
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
- 111 -
Huzsvai - Vincze: SPSS-knyv
- 112 -
Huzsvai - Vincze: SPSS-knyv
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)
Svos elrendezs
- 113 -
Huzsvai - Vincze: SPSS-knyv
- 114 -
Huzsvai - Vincze: SPSS-knyv
- 115 -
Huzsvai - Vincze: SPSS-knyv
- 116 -
Huzsvai - Vincze: SPSS-knyv
Vletlen blokkelrendezs
- 117 -
Huzsvai - Vincze: SPSS-knyv
- 118 -
Huzsvai - Vincze: SPSS-knyv
- 119 -
Huzsvai - Vincze: SPSS-knyv
- 120 -
Huzsvai - Vincze: SPSS-knyv
- 121 -
Huzsvai - Vincze: SPSS-knyv
- 122 -
Huzsvai - Vincze: SPSS-knyv
Alkalmazsi felttel:
A kovarins lineris kapcsolatban legyen a fggvltozval
A kovarins rtke nem fgghet az alkalmazott kezelsektl, tnyezktl
- 123 -
Huzsvai - Vincze: SPSS-knyv
- 124 -
Huzsvai - Vincze: SPSS-knyv
200
0
N= 50 50
- 125 -
Huzsvai - Vincze: SPSS-knyv
- 126 -
Huzsvai - Vincze: SPSS-knyv
- 127 -
Huzsvai - Vincze: SPSS-knyv
KORRELCI- S REGRESSZISZMTS
- 128 -
Huzsvai - Vincze: SPSS-knyv
Asszocici
- 129 -
Huzsvai - Vincze: SPSS-knyv
A 2 - prba
- 130 -
Huzsvai - Vincze: SPSS-knyv
A2 f21 f22 f 2.
sszesen f.1 f .2 N
- 131 -
Huzsvai - Vincze: SPSS-knyv
- 132 -
Huzsvai - Vincze: SPSS-knyv
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
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
2
C= .
2 + N
- 133 -
Huzsvai - Vincze: SPSS-knyv
2
=
r c f ij f ij
2
( ) ,
i =1 j =1 f ij
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 -
Huzsvai - Vincze: SPSS-knyv
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
- 135 -
Huzsvai - Vincze: SPSS-knyv
- 136 -
Huzsvai - Vincze: SPSS-knyv
A vllalat f ij f ij f ij f ij (f f ij ) 2 (f ij f ij )
2
ij
f ij
- 137 -
Huzsvai - Vincze: SPSS-knyv
- 138 -
Huzsvai - Vincze: SPSS-knyv
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
- 139 -
Huzsvai - Vincze: SPSS-knyv
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
Rangkorrelci
- 140 -
Huzsvai - Vincze: SPSS-knyv
( )
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.
( )
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 -
Huzsvai - Vincze: SPSS-knyv
- 142 -
Huzsvai - Vincze: SPSS-knyv
- 143 -
Huzsvai - Vincze: SPSS-knyv
- 144 -
Huzsvai - Vincze: SPSS-knyv
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
Az alma z Az alma
szerinti szn szerinti
sorszma sorszma
Spearman's rhoAz alma z szerinti
Correlation Coefficient 1,000 ,729*
sorszma Sig. (2-tailed) . ,040
N 8 8
Az alma szn Correlation Coefficient ,729* 1,000
szerinti sorszmaSig. (2-tailed) ,040 .
N 8 8
*. Correlation is significant at the 0.05 level (2-tailed).
- 145 -
Huzsvai - Vincze: SPSS-knyv
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.
m ( n + 1) 3 ( 8 + 1)
R= = = 13,5 , mivel m = 3 s n = 8 .
2 2
- 146 -
Huzsvai - Vincze: SPSS-knyv
- 147 -
Huzsvai - Vincze: SPSS-knyv
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).
- 148 -
Huzsvai - Vincze: SPSS-knyv
N 3
a
Kendall's W ,931
Chi-Square 19,556
df 7
Asymp. Sig. ,007
a.Kendall's Coefficient of Concordance
Vegyes kapcsolat
- 149 -
Huzsvai - Vincze: SPSS-knyv
Pontdiagram
- 150 -
Huzsvai - Vincze: SPSS-knyv
54. bra. A lineris korrelci: (a) pozitv, (b) negatv korrelci, (c)
s (d) x s y korrellatlanok
Forrs: ZAR, J. H. (1996)
- 151 -
Huzsvai - Vincze: SPSS-knyv
- 152 -
Huzsvai - Vincze: SPSS-knyv
- 153 -
Huzsvai - Vincze: SPSS-knyv
n
( xi x ) ( y i y )
r= i =1
.
n 2 n 2
( ) (
xi x y i y )
i =1 i =1
- 154 -
Huzsvai - Vincze: SPSS-knyv
Korrelcis index
- 155 -
Huzsvai - Vincze: SPSS-knyv
Kalszonknti
A kalsz
szemszm
hossza (cm)
(db)
A kalsz hossza (cm)
Pearson Correlation 1 ,938**
Sig. (2-tailed) ,000
N 15 15
Kalszonknti Pearson Correlation ,938** 1
szemszm (db) Sig. (2-tailed) ,000
N 15 15
**.Correlation is significant at the 0.01 level (2-tailed).
- 156 -
Huzsvai - Vincze: SPSS-knyv
A regresszis egyenes
- 157 -
Huzsvai - Vincze: SPSS-knyv
x +
yi = 1 i
+e
0 i (i =1,2,..., n )
illetve
x +
y i = ,
1 i 0
- 158 -
Huzsvai - Vincze: SPSS-knyv
( ) ( )
n 2 n 2
Q 0 , 1 = ( y i yi ) = 0 + 1 xi yi min .
i =1 i =1
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
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
- 159 -
Huzsvai - Vincze: SPSS-knyv
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
126,8115 0=470
1086,181126,80 =4052,2
=15,54 +5,53 x .
y
- 160 -
Huzsvai - Vincze: SPSS-knyv
n
( xi x ) ( y i y )
r= i =1
n 2 n 2
( ) (
xi x y i y )
i =1 i =1
kplettel definiltunk.
- 161 -
Huzsvai - Vincze: SPSS-knyv
-
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
A kapott rszeredmnyekbl:
79,13
r= 0,938.
14,3 497,33
- 162 -
Huzsvai - Vincze: SPSS-knyv
A regresszi szignifikanciavizsglata
- 163 -
Huzsvai - Vincze: SPSS-knyv
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.
- 164 -
Huzsvai - Vincze: SPSS-knyv
- 165 -
Huzsvai - Vincze: SPSS-knyv
5,53 4,57
t= =1,699 .
0,565
- 166 -
Huzsvai - Vincze: SPSS-knyv
- 167 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
- 169 -
Huzsvai - Vincze: SPSS-knyv
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)
- 170 -
Huzsvai - Vincze: SPSS-knyv
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)
- 171 -
Huzsvai - Vincze: SPSS-knyv
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)
y = 15,454 + 5,535 x .
- 172 -
Huzsvai - Vincze: SPSS-knyv
- 173 -
Huzsvai - Vincze: SPSS-knyv
- 174 -
Huzsvai - Vincze: SPSS-knyv
COOKS (tvolsg):
n
(( i)
y j y j
j =1
) 2
- 175 -
Huzsvai - Vincze: SPSS-knyv
- 176 -
Huzsvai - Vincze: SPSS-knyv
- 177 -
Huzsvai - Vincze: SPSS-knyv
- 178 -
Huzsvai - Vincze: SPSS-knyv
Multikollinearits
A multikollinearits mrse
- 179 -
Huzsvai - Vincze: SPSS-knyv
m
( )
M = ry2.x1, x2 ,..., xm ry2. x1, x2 ,..., xm ry2.x1, x2 ,..., x j 1, x j +1,..., xm .
i =1
Autokorrelci
i = i 1 + i ,
- 180 -
Huzsvai - Vincze: SPSS-knyv
n
( ei ei 1 )
2
i= 2
d= n 2
,
ei
i =1
- 181 -
Huzsvai - Vincze: SPSS-knyv
Heteroszkedaszticits
- 182 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
Az F prba:
SSR
m MSR
F= = .
SSE MSE
n m 1
- 184 -
Huzsvai - Vincze: SPSS-knyv
A paramterek tesztelse
- 185 -
Huzsvai - Vincze: SPSS-knyv
A reziduumok vizsglata
y = 0 + 1 x1 + 2 x 2 ,
- 186 -
Huzsvai - Vincze: SPSS-knyv
- 187 -
Huzsvai - Vincze: SPSS-knyv
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
**.Correlation is significant at the 0.01 level (2-tailed).
1 0,091 0,764
R = 0,091 1 0,122 .
0,764 0,122 1
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
- 188 -
Huzsvai - Vincze: SPSS-knyv
1 1
r y2. x =1 =1 = 0,586 .
1 , x2 ,...., xm
R1
yy
2,418
- 189 -
Huzsvai - Vincze: SPSS-knyv
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
4,50
4,00
3,50
humusz_x2
3,00
2,50
2,00
1,50
foszfor_x1
- 190 -
Huzsvai - Vincze: SPSS-knyv
+e
y =X .
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
Kpezzk az XT y szorzatot:
- 191 -
Huzsvai - Vincze: SPSS-knyv
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
- 192 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
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.
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
**.Correlation is significant at the 0.01 level (2-tailed).
0,677 16
t= 3,679 .
1 0,4583
- 194 -
Huzsvai - Vincze: SPSS-knyv
10,00
5,00
reziduum
0,00
-5,00
10,00
5,00
reziduum
0,00
-5,00
- 195 -
Huzsvai - Vincze: SPSS-knyv
- 196 -
Huzsvai - Vincze: SPSS-knyv
A szmts alapjn:
s = 0,227 s s = 1,772 .
1 2
j
A parcilis F -teszt prbafggvnynek az rtkei t= alapjn:
s
j
- 197 -
Huzsvai - Vincze: SPSS-knyv
- 198 -
Huzsvai - Vincze: SPSS-knyv
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).
- 199 -
Huzsvai - Vincze: SPSS-knyv
Sum of
Model df Mean Square F Sig.
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 -
Huzsvai - Vincze: SPSS-knyv
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.
Unstandardized Standardized
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
- 201 -
Huzsvai - Vincze: SPSS-knyv
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.
- 202 -
Huzsvai - Vincze: SPSS-knyv
- 203 -
Huzsvai - Vincze: SPSS-knyv
- 204 -
Huzsvai - Vincze: SPSS-knyv
- 205 -
Huzsvai - Vincze: SPSS-knyv
- 206 -
Huzsvai - Vincze: SPSS-knyv
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
- 207 -
Huzsvai - Vincze: SPSS-knyv
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)
- 208 -
Huzsvai - Vincze: SPSS-knyv
Sum of
Model df Mean Square F Sig.
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)
- 209 -
Huzsvai - Vincze: SPSS-knyv
- 210 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
Logaritmikus regresszi
- 212 -
Huzsvai - Vincze: SPSS-knyv
- 213 -
Huzsvai - Vincze: SPSS-knyv
- 214 -
Huzsvai - Vincze: SPSS-knyv
- 215 -
Huzsvai - Vincze: SPSS-knyv
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).
- 216 -
Huzsvai - Vincze: SPSS-knyv
Unstandardized Standardized
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
- 217 -
Huzsvai - Vincze: SPSS-knyv
n
2
ei
I = 1 i =1
( )2
n
yi y
i =1
- 218 -
Huzsvai - Vincze: SPSS-knyv
n 2
ei
i =1 6,802
I = 1 = 1 0,9761.
n
(
yi y i
i =1
)2 144,198
Exponencilis regresszi
- 219 -
Huzsvai - Vincze: SPSS-knyv
- 220 -
Huzsvai - Vincze: SPSS-knyv
30000
25000
A bza gykrtmege (mg/ m2)
20000
15000
10000
5000
0 2 4 6 8 10
- 221 -
Huzsvai - Vincze: SPSS-knyv
10,00
8,00
ln_gyokertomeg
6,00
4,00
0 2 4 6 8 10
- 222 -
Huzsvai - Vincze: SPSS-knyv
- 223 -
Huzsvai - Vincze: SPSS-knyv
Hatvnykitevs regresszi
- 224 -
Huzsvai - Vincze: SPSS-knyv
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
- 225 -
Huzsvai - Vincze: SPSS-knyv
5000
4000
Gykrfellet (dm2)
3000
2000
1000
- 226 -
Huzsvai - Vincze: SPSS-knyv
- 227 -
Huzsvai - Vincze: SPSS-knyv
9,00
8,00
7,00
6,00
lny
5,00
4,00
3,00
R Sq Linear =0,985
2,00
lnx
- 228 -
Huzsvai - Vincze: SPSS-knyv
- 229 -
Huzsvai - Vincze: SPSS-knyv
y = 0,476 x 0,927 .
Parabolikus regresszi
- 230 -
Huzsvai - Vincze: SPSS-knyv
3,00
Csvesterms tlag (kg/ parcella)
2,50
2,00
20 40 60 80 100
- 231 -
Huzsvai - Vincze: SPSS-knyv
- 232 -
Huzsvai - Vincze: SPSS-knyv
- 233 -
Huzsvai - Vincze: SPSS-knyv
Logisztikus fggvny
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 -
Huzsvai - Vincze: SPSS-knyv
200,00
A kukorica nvnyegyed tmege (gramm)
150,00
100,00
50,00
0,00
- 235 -
Huzsvai - Vincze: SPSS-knyv
(
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 ) .
- 236 -
Huzsvai - Vincze: SPSS-knyv
189,91
186,91 1,28
0 = ln 4,977 ;
1,28
186,91
y = ,
4,977 0,543 x
1+ e
- 237 -
Huzsvai - Vincze: SPSS-knyv
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
- 238 -
Huzsvai - Vincze: SPSS-knyv
- 239 -
Huzsvai - Vincze: SPSS-knyv
- 240 -
Huzsvai - Vincze: SPSS-knyv
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.
- 241 -
Huzsvai - Vincze: SPSS-knyv
MQmod ell
F= .
MQhiba
- 242 -
Huzsvai - Vincze: SPSS-knyv
192,844
y = ,
1 + e 4,14 0,355 x
ahol x a sorszm.
- 243 -
Huzsvai - Vincze: SPSS-knyv
- 244 -
Huzsvai - Vincze: SPSS-knyv
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
- 245 -
Huzsvai - Vincze: SPSS-knyv
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.
- 246 -
Huzsvai - Vincze: SPSS-knyv
- 247 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
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
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
- 249 -
Huzsvai - Vincze: SPSS-knyv
Fkomponens vltozk
Fkomponens-vltozk kiszmtsa: Z mtrix * Slyozott fkomponens-
koefficiensek.
- 250 -
Huzsvai - Vincze: SPSS-knyv
3
Fertdi 293.
1
2
REGR factor score 2 for analysis
-1Martonvs ri 24.
Burgas
-2
-1,5 -1,0 -,5 0,0 ,5 1,0 1,5 2,0
- 251 -
Huzsvai - Vincze: SPSS-knyv
- 252 -
Huzsvai - Vincze: SPSS-knyv
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
Extraction Method: Principal Component Analysis.
a. 4 components extracted.
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
Extraction Method: Principal Component Analysis.
- 253 -
Huzsvai - Vincze: SPSS-knyv
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
Extraction Method: Principal Component Analysis.
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
- 254 -
Huzsvai - Vincze: SPSS-knyv
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
-,5
1,0 1,0
,5 ,5
0,0 0,0
-,5 -,5
Component 1 Component 3
- 255 -
Huzsvai - Vincze: SPSS-knyv
- 256 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
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
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
- 258 -
Huzsvai - Vincze: SPSS-knyv
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
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
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
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Component Scores.
- 259 -
Huzsvai - Vincze: SPSS-knyv
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
Extraction Method: Principal Component Analysis.
- 260 -
Huzsvai - Vincze: SPSS-knyv
2 Fertdi 293.
Martonvs ri 16.
2
Burgas
1
Kis zombori
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
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
- 261 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
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
- 263 -
Huzsvai - Vincze: SPSS-knyv
- 264 -
Huzsvai - Vincze: SPSS-knyv
FAJ
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.
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 -
Huzsvai - Vincze: SPSS-knyv
Binomial Test
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 -
Huzsvai - Vincze: SPSS-knyv
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
Descriptive Statistics
- 267 -
Huzsvai - Vincze: SPSS-knyv
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
Asymp. Sig. (2-tailed) .022
a. Median
- 268 -
Huzsvai - Vincze: SPSS-knyv
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
Asymp. Sig. (2-tailed) .752
a. Mode
b. There are multiple modes. The mode
with the largest data value is used.
A mdusz alatt tbb, mint ktszer annyi elem fordul el, mint felette. Ennek az
az oka, hogy 12 felett az adatoknak csak a 25%-a helyezkedik el. Mivel a teszt
a trspont alatti ill. feletti elemeket klnti el, a vrhat sorozatok szma a
trsponttl fgg. Ebben az esetben a sorozatok vrhat szma 15 krli. A
szmtott rtk nagyon kzel van hozz, ezrt vletlennek tekinthet a minta,
amit a szignifikancia rtke is megerst.
- 269 -
Huzsvai - Vincze: SPSS-knyv
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.
- 270 -
Huzsvai - Vincze: SPSS-knyv
Terms t/ha
N 72
a,b
Normal Parameters Mean 9.69609
Std. Deviation 1.843756
Most Extreme Absolute .075
Differences Positive .047
Negative -.075
Kolmogorov-Smirnov Z .635
Asymp. Sig. (2-tailed) .814
a. Test distribution is Normal.
b. Calculated from data.
10
Terms t/ha
Mann-Whitney U-prba
A Mann-Whitney U s a Wilcoxon W statisztika.
- 271 -
Huzsvai - Vincze: SPSS-knyv
=
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 -
Huzsvai - Vincze: SPSS-knyv
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).
- 273 -
Huzsvai - Vincze: SPSS-knyv
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.
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.
Blokk
- 274 -
Huzsvai - Vincze: SPSS-knyv
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?
Test Statistics
N 3
Kendall's Wa .931
Chi-Square 19.556
df 7
Asymp. Sig. .007
a. Kendall's Coefficient of Concordance
- 275 -
Huzsvai - Vincze: SPSS-knyv
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
time
- 276 -
Huzsvai - Vincze: SPSS-knyv
Trend
Regresszis technikval valamilyen alkalmas fggvny illesztse az adatokra.
Lehet lineris ill. nem lineris, pl. polinomok illesztse. A magasabb fok
polinomok illesztse azonban sokszor htrnyos, mivel sok szmtst ignyel,
s jabb tagok csatolsa esetben az illesztst ellrl kell kezdeni.
Mozgtlagols. A leggyakoribb a 3, 5, 7, 9, 15 s 21 pontos mozgtlagols.
Ezzel a mdszerrel a szezonlis hatsok kikszblhetk.
- 277 -
Huzsvai - Vincze: SPSS-knyv
cov ( ut , u t+ k )
k=
D (u t ) D( ut+ k )
cov ( ut ,u t+ k )
k=
D 2 ( ut )
n
u t ut+ k
t=1
rk= n
nk
u2t
t=1
- 278 -
Huzsvai - Vincze: SPSS-knyv
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 + +
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 -
Huzsvai - Vincze: SPSS-knyv
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
30,000
mennyisg
20,000
10,000
0,000
janur
janur
janur
janur
janur
jlius
jlius
jlius
jlius
jlius
- 280 -
Huzsvai - Vincze: SPSS-knyv
- 281 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
- 283 -
Huzsvai - Vincze: SPSS-knyv
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
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 -
Huzsvai - Vincze: SPSS-knyv
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.
- 285 -
Huzsvai - Vincze: SPSS-knyv
GRAFIKONOK
Grafikon ksztsekor nemcsak az alapadatokat brzolhatjuk, hanem a
csoportkpz vltoz szerint sszestett, szmtott rtkeket is. Pl. napi
hmrskleti tlagok, minimumok, maximumok brzolsa.
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
- 286 -
Huzsvai - Vincze: SPSS-knyv
12
10
8
t/ha
6
0
Mean Minimum Maximum
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
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 -
Huzsvai - Vincze: SPSS-knyv
11
10
6
ntzs
5
Nem ntztt
4 ntztt
nem trgyzott nitrogn 120 nitrogn 240
Trgya kezels
13
12
11
10
9
terms t/ha
8
Mean
7 Variance
Kukorica Bza
Elvetemny
- 288 -
Huzsvai - Vincze: SPSS-knyv
0
Value
-10
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 -
Huzsvai - Vincze: SPSS-knyv
- 290 -
Huzsvai - Vincze: SPSS-knyv
Tevkenysgi kr
nkormnyzat
termel gazdasgi
szervezet
szolgltat
gazdasgi
szervezet
civil szervezet
hatsg
egyb
Tevkenysgi kr
nkormnyzat
termel gazdasgi
szervezet
szolgltat
gazdasgi
szervezet
civil szervezet
hatsg
egyb
30,3%
- 291 -
Huzsvai - Vincze: SPSS-knyv
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%
- 292 -
Huzsvai - Vincze: SPSS-knyv
KRDVEK TERVEZSE
- 293 -
Huzsvai - Vincze: SPSS-knyv
- 294 -
Huzsvai - Vincze: SPSS-knyv
KRDVEK KIRTKELSE
- 295 -
Huzsvai - Vincze: SPSS-knyv
- 296 -
Huzsvai - Vincze: SPSS-knyv
- 297 -
Huzsvai - Vincze: SPSS-knyv
- 298 -
Huzsvai - Vincze: SPSS-knyv
- 299 -
Huzsvai - Vincze: SPSS-knyv
- 300 -
Huzsvai - Vincze: SPSS-knyv
- 301 -
Huzsvai - Vincze: SPSS-knyv
- 302 -
Huzsvai - Vincze: SPSS-knyv
- 303 -
Huzsvai - Vincze: SPSS-knyv
- 304 -
Huzsvai - Vincze: SPSS-knyv
- 305 -
Huzsvai - Vincze: SPSS-knyv
- 306 -
Huzsvai - Vincze: SPSS-knyv
- 307 -
Huzsvai - Vincze: SPSS-knyv
- 308 -
Huzsvai - Vincze: SPSS-knyv
- 309 -
Huzsvai - Vincze: SPSS-knyv
- 310 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
- 312 -
Huzsvai - Vincze: SPSS-knyv
FGGELK
JDATE Az v napja 1
Measurement Level: Scale
Column Width: Unknown Alignment: Right
Print Format: F3
Write Format: F3
- 313 -
Huzsvai - Vincze: SPSS-knyv
Name Position
V Esztend 1
Measurement Level: Scale
Column Width: Unknown Alignment: Right
Print Format: F4
Write Format: F4
Name Position
V 1
Measurement Level: Scale
Column Width: 4 Alignment: Right
Print Format: F4
Write Format: F4
NPK mtrgyzs 2
Measurement Level: Nominal
Column Width: 7 Alignment: Right
- 314 -
Huzsvai - Vincze: SPSS-knyv
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
Name Position
EV vek 1
Measurement Level: Scale
Column Width: 5 Alignment: Right
Print Format: F4
Write Format: F4
TALAJMUV Talajmvels 2
Measurement Level: Nominal
- 315 -
Huzsvai - Vincze: SPSS-knyv
Value Label
1 szi sznts
2 tavaszi sznts
3 trcss
TOSZAM Tszm 3
Measurement Level: Scale
Column Width: 4 Alignment: Right
Print Format: F2
Write Format: F2
HIBRID 4
Measurement Level: Nominal
Column Width: 6 Alignment: Right
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 -
Huzsvai - Vincze: SPSS-knyv
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
Value Label
1 nem trgyzott
2 nitrogn 120
- 317 -
Huzsvai - Vincze: SPSS-knyv
3 nitrogn 240
ISMTLS 6
Measurement Level: Nominal
Column Width: 5 Alignment: Right
Print Format: F1
Write Format: F1
Name Position
EV vek 1
Measurement Level: Scale
Column Width: 5 Alignment: Right
Print Format: F4
Write Format: F4
ONTOZES ntzs 2
Measurement Level: Ordinal
Column Width: 9 Alignment: Right
Print Format: F1
Write Format: F1
Value Label
- 318 -
Huzsvai - Vincze: SPSS-knyv
1 Nem ntztt
2 ntztt
ELOVET Elvetemny 3
Measurement Level: Nominal
Column Width: 7 Alignment: Right
Print Format: F1
Write Format: F1
Value Label
1 Kukorica
2 Bza
TALAJMUV Talajmvels 4
Measurement Level: Nominal
Column Width: 5 Alignment: Right
Print Format: F1
Write Format: F1
Value Label
1 szi sznts
2 tavaszi sznts
3 trcss
TOSZAM Tszm 5
Measurement Level: Scale
Column Width: 4 Alignment: Right
Print Format: F2
Write Format: F2
HIBRID 6
- 319 -
Huzsvai - Vincze: SPSS-knyv
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 -
Huzsvai - Vincze: SPSS-knyv
27 Volga SC
28 Szegedi 463
29 Dk 440
30 Ella
31 Hunor
Value Label
1 nem trgyzott
2 nitrogn 120
3 nitrogn 240
ISMTLS 8
Measurement Level: Nominal
Column Width: 5 Alignment: Right
Print Format: F1
Write Format: F1
- 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 -
Huzsvai Lszl: SPSS alkalmazsok
- 323 -
Huzsvai Lszl: SPSS alkalmazsok
- 324 -
Huzsvai Lszl: SPSS alkalmazsok
- 325 -