Professional Documents
Culture Documents
2012-03-02 13:29:22
TÚLÉLİKÉSZLET AZ SPSS-HEZ
TÚLÉLİKÉSZLET AZ SPSS-HEZ
TYPOTEX KIADÓ
2002
Kedves Olvasó!
Önre gondoltunk, amikor a könyv elıkészítésén munkálkodtunk. Kapcsola-
tunkat szorosabbra főzhetjük, ha belép a Typoklubba, ahonnan értesülhet új
kiadványainkról, akcióinkról, programjainkról, és amelyet a www.typotex.hu
címen érhet el. Honlapunkon megtalálhatja az egyes könyvekhez tartozó hiba-
jegyzéket is, mert sajnos hibák olykor elıfordulnak.
Tartalomjegyzék
Bevezetés ................................................................................................... 11
A hasznos véletlen hiba .......................................................................... 13
I. Adatredukciós módszerek ................................................................. 17
1. Fıkomponens-elemzés.................................................................. 18
1.1. A fıkomponens jelentése .................................................... 25
1.2. Mikor használjunk fıkomponens-elemzést? .................... 25
1.3. A puding próbája .................................................................. 28
1.3.1. Az egyenlı teherviselés ............................................ 30
2. Faktorelemzés ................................................................................ 40
2.1. A modell javítgatása ............................................................. 49
2.2. Lássunk tisztán! A rotálás .................................................... 53
2.3. Mentsük, ami menthetı: a faktorszkórok létrehozása .... 60
2.4. Amiért fáradoztunk: létrejöttek a látens változók ............ 62
2.5. A hiányzó adatok kezelése .................................................. 64
2.6. A faktorelemzés buktatói .................................................... 65
2.6.1. A Kaiser–Meyer–Olkin mutató
és a Bartlett-teszt ....................................................... 66
2.6.2. Amikor a faktorok 100 százaléknál többet
magyaráznak .............................................................. 71
2.6.2.1. A legnagyobb kommunalitású változó
kihagyása ..................................................... 71
2.6.2.2. A rosszul interpretálható változók
kihagyása ..................................................... 78
2.6.2.3. Az egyeduralomra törı változók esete ... 82
2.6.2.4. Vissza az elágazási ponthoz ..................... 85
2.6.3. A változók tartalma és a faktorok jelentése .......... 89
2.6.4. A konfirmációs modell ............................................ 91
2.6.5. Amikor minden reménytelen .................................. 96
2.6.5.1. Kétségbeesett kísérlet ................................ 101
2.6.5.2. Feladás helyett: visszahátrálás
a fıkomponensbe ...................................... 103
2.7. Szezon és fazon .................................................................... 108
6 Túlélıkészlet az SPSS-hez
Tartalomjegyzék 7
8 Túlélıkészlet az SPSS-hez
Tartalomjegyzék 9
10 Túlélıkészlet az SPSS-hez
BEVEZETÉS
12 Túlélıkészlet az SPSS-hez
a szerzık
Nem kell még szociológia szakos hallgatónak sem lenni ahhoz, hogy
valaki belássa, egy kérdıívben nem lehet egyetlen direkt kérdéssel mér-
ni olyan összetett dolgokat, mint az elıítéletesség, az elégedettség vagy
a lakóhelyhez való ragaszkodás. A kérdıív kérdéseire kapott válaszokat
az empirikus szociológia mérésként kezeli, és elfogadhatónak azokat
a méréseket tekinti, amelyek érvényesek és megbízhatóak. Az érvényes-
ség a szóban forgó fogalom valódi jelentésének megragadását jelenti.
Megbízhatónak akkor tekintünk egy mérést, ha megismételve ugyanazt
az eredményt kapjuk. Könnyen beláthatjuk, hogy ha egy összetett dol-
got nem egyetlen, hanem – az operacionalizálás szabályinak megfelelı
módon – több kérdéssel mérünk, jó eséllyel fokozzuk a mérés érvé-
nyességét. Kevésbé kézenfekvı azonban, hogy a több kérdéssel történı
mérések megbízhatóbbak is. A szociológus számára a meglehetısen
szőkös kutatási források miatt ritkán adódik lehetıség arra, hogy a mé-
rések megbízhatóságát tesztelje, azaz azonos mintán, rövid idıinterval-
lumon belül megismételje kérdéseit. Az ELTE Szociológiai Intézetének
Kisebbségszociológia Tanszéke Kárpát-projekt nevő vizsgálatsorozatá-
ban a magyarországi szlovákok kérdıívébe hiba csúszott: egy nyolc
itembıl álló kérdésblokkot véletlenül megismételtünk a kérdıívben. A kér-
dések heterosztereotípiák mérésére szolgáltak, s azt firtatták, hogy a Szlo-
vákiában élı szlovákok hány százaléka jellemezhetı az erıszakos, intel-
ligens, lusta, önzı, segítıkész, tehetetlen, toleráns és versenyszellemő
tulajdonságokkal.1 A két azonos kérdésblokkra adott válaszok nem
estek egybe. Az erıszakosság megítélését mutató eloszlást az 1. táblázat
mutatja.
14 Túlélıkészlet az SPSS-hez
2 Most LISTWISE logikával dolgozunk, tehát csak azokra figyelünk, akik mind a nyolc
itemre válaszoltak. A megbízhatóság tárgyalásához szükségtelen olyan bonyolult
számítással dolgoznunk, amely a részleges válaszmegtagadókat is beemeli az eltéré-
sek jellemzésébe.
16 Túlélıkészlet az SPSS-hez
________________________
3 A négyzetes eltéréseket a COMPUTE paranccsal számítottuk ki. A Likert-skálák
távolságát mérı változót például a következı parancssorral hoztuk létre: COMPUTE
LIKDIF =(LIKERT1–LIKERT2)*(LIKERT1–LIKERT2). A táblázatban e változó átlaga
szerepel.
I. ADATREDUKCIÓS MÓDSZEREK
1. FİKOMPONENS-ELEMZÉS
1 Most ne bánkódjunk azon, hogy nem tudjuk, milyen SPSS paranccsal kaptuk meg
ezeket a súlyokat.
Fıkomponens-elemzés 19
20 Túlélıkészlet az SPSS-hez
Fıkomponens-elemzés 21
SAVE REG(ALL)
Ez a parancs ment meg bennünket a fıkomponens-szkórok kiszámol-
gatásától, hatására minden válaszadó, aki valamennyi itemünkre vála-
szolt (LISTWISE!) kap egy új, aggregált változóértéket.
/METHOD=CORRELATION .
Ez a sor arra utal, hogy a fıkomponens a változók közötti páronkénti
korreláció2 figyelembevételével határozódik meg.3
1.3. táblázat
Communalities
Initial Extraction
SZ1INT kérdés1:hány %
1,000 ,566
intelligens?
SZ1SEGIT kérdés1:hány
1,000 ,656
% segítõkész?
SZ1TOLER kérdés1:hány
1,000 ,701
% toleráns?
SZ1VERSE kérdés1:hány
1,000 ,457
% versenyszellemû?
Extraction Method: Principal Component Analysis.
2 A Pearson-féle korreláció két magas mérési szintő változó közötti lineáris kapcso-
lat erısségét méri. A korreláció képlete:
∑ ( xi − x )( yi − y ) Cov( x, y ) . Ezt a korrelációt gyakran emlegetik nullad-
r ( x, y ) = i
=
ns x s y sx s y
rendő, szorzatmomentum korreláció néven is.
3 Lehetséges lenne az is, hogy a fıkomponens-elemzést a változók közötti kovarian-
ciákból indítjuk. A kovariancia nem más, mint a Pearson-féle korrelációs együtt-
ható számlálója. Mi ezzel a módszerrel nem foglalkozunk.
22 Túlélıkészlet az SPSS-hez
Fıkomponens-elemzés 23
1.5. táblázat
Total Variance Explained
24 Túlélıkészlet az SPSS-hez
1.6. táblázat
Component Matrixa
Compone
nt
1
SZ1INT kérdés1:hány %
,752
intelligens?
SZ1SEGIT kérdés1:hány
,810
% segítõkész?
SZ1TOLER kérdés1:hány
,837
% toleráns?
SZ1VERSE kérdés1:hány
,676
% versenyszellemû?
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
Fıkomponens-elemzés 25
26 Túlélıkészlet az SPSS-hez
40
30
20
Frequency
10
Std. Dev = 1,00
Mean = 0,00
0 N = 345,00
-3
-3
-2
-2
-1
-1
-,7
-,2
,2
,7
1,
1,
2,
2,
5
25
75
25
75
,7
,2
,7
,2
,7
,2
5
5
Fıkomponens-elemzés 27
28 Túlélıkészlet az SPSS-hez
Fıkomponens-elemzés 29
Az elsı dolog, amit meg kell vizsgálnunk, az, hogy az új, aggregált vál-
tozónk, a fıkomponens mennyit ırzött meg az eredeti változók infor-
mációtartalmából. (1.7. táblázat)
1.7. táblázat
Total Variance Explained
30 Túlélıkészlet az SPSS-hez
Fıkomponens-elemzés 31
1.8. táblázat
Component Matrixa
Compone
nt
1
VALLAS mennyire fontos:
,368
vallásszabadság
VELEMENY mennyire
fontos: ,641
véleményszabadság
ORVOSVAL mennyire
fontos: orvosválasztás ,505
szabadsága
SAJTO mennyire fontos:
,740
sajtószabadság
PARTALAK mennyire
fontos: pártalakítás ,686
szabadsága
SZERVALA mennyire
fontos: szervezetalakítás ,728
szabadsága
TULAJDON mennyire
fontos: tulajdon ,741
szabadsága
UTAZAS mennyire fontos:
,770
utazás szabadsága
ELETFORM mennyire
fontos:
,767
életforma-választás
szabadsága
VALLALK mennyire
fontos: vállalkozás ,765
szabadsága
POLITIKA mennyire
fontos: politikai ,796
szabadságjogok
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
32 Túlélıkészlet az SPSS-hez
1.9. táblázat
Communalities
Initial Extraction
VALLAS mennyire fontos:
1,000 ,135
vallásszabadság
VELEMENY mennyire
fontos: 1,000 ,410
véleményszabadság
ORVOSVAL mennyire
fontos: orvosválasztás 1,000 ,255
szabadsága
SAJTO mennyire fontos:
1,000 ,548
sajtószabadság
PARTALAK mennyire
fontos: pártalakítás 1,000 ,471
szabadsága
SZERVALA mennyire
fontos: szervezetalakítás 1,000 ,530
szabadsága
TULAJDON mennyire
fontos: tulajdon 1,000 ,549
szabadsága
UTAZAS mennyire fontos:
1,000 ,592
utazás szabadsága
ELETFORM mennyire
fontos:
1,000 ,588
életforma-választás
szabadsága
VALLALK mennyire
fontos: vállalkozás 1,000 ,585
szabadsága
POLITIKA mennyire
fontos: politikai 1,000 ,633
szabadságjogok
Extraction Method: Principal Component Analysis.
Fıkomponens-elemzés 33
FACTOR
/VARIABLES velemeny orvosval sajto partalak szervala
tulajdon utazas eletform vallalk politika
/MISSING LISTWISE /ANALYSIS velemeny orvosval sajto
partalak szervala tulajdon utazas eletform vallalk
politika
/PRINT INITIAL EXTRACTION
/CRITERIA FACTORS(1) ITERATE(25)
/EXTRACTION PC
/ROTATION NOROTATE
/METHOD=CORRELATION .
1.10. táblázat
Total Variance Explained
34 Túlélıkészlet az SPSS-hez
1.11. táblázat
Communalities
Initial Extraction
VELEMENY mennyire
fontos: 1,000 ,389
véleményszabadság
ORVOSVAL mennyire
fontos: orvosválasztás 1,000 ,241
szabadsága
SAJTO mennyire fontos:
1,000 ,540
sajtószabadság
PARTALAK mennyire
fontos: pártalakítás 1,000 ,457
szabadsága
SZERVALA mennyire
fontos: szervezetalakítás 1,000 ,524
szabadsága
TULAJDON mennyire
fontos: tulajdon 1,000 ,568
szabadsága
UTAZAS mennyire fontos:
1,000 ,614
utazás szabadsága
ELETFORM mennyire
fontos:
1,000 ,609
életforma-választás
szabadsága
VALLALK mennyire
fontos: vállalkozás 1,000 ,608
szabadsága
POLITIKA mennyire
fontos: politikai 1,000 ,631
szabadságjogok
Extraction Method: Principal Component Analysis.
Fıkomponens-elemzés 35
8 Természetesen ez a szomorú eset elı is állhat, azaz kiderülhet, hogy a mért válto-
zóink nem kényszeríthetık bele egyetlen dimenzióba. Ez sem tanulság nélküli vég-
kifejlet, de a változók mögött felsejlı két vagy több dimenzió megragadásáról
a faktorelemzés fejezetben beszélünk.
9 Emelkedettebb magyarázatot is főzhetünk a két „rossz” item együtt járásához.
A tizenegy itembıl ez a kettı már a rendszerváltás elıtt is létezı szabadságjog volt.
Az összes többi viszont nem létezett (például: pártalakítás), vagy nagyon korláto-
zottan érvényesült (például: utazás szabadsága). Gondolhatjuk azt is, hogy a kilenc,
újonnan megvalósult szabadságjogról másképpen gondolkodnak az emberek, mint
arról a kettırıl, amely már régen megadatott nekik. Ehhez a magyarázathoz azon-
ban még olyan közvetett bizonyítékot sem találhatunk, mint amit az idıs-fiatal
korosztályokra bontás jelent.
36 Túlélıkészlet az SPSS-hez
1.12. táblázat
Total Variance Explained
1.13. táblázat
Communalities
Initial Extraction
VELEMENY mennyire
fontos: 1,000 ,365
véleményszabadság
SAJTO mennyire fontos:
1,000 ,519
sajtószabadság
PARTALAK mennyire
fontos: pártalakítás 1,000 ,461
szabadsága
SZERVALA mennyire
fontos: szervezetalakítás 1,000 ,534
szabadsága
TULAJDON mennyire
fontos: tulajdon 1,000 ,581
szabadsága
UTAZAS mennyire fontos:
1,000 ,628
utazás szabadsága
ELETFORM mennyire
fontos:
1,000 ,620
életforma-választás
szabadsága
VALLALK mennyire
fontos: vállalkozás 1,000 ,631
szabadsága
POLITIKA mennyire
fontos: politikai 1,000 ,640
szabadságjogok
Extraction Method: Principal Component Analysis.
Fıkomponens-elemzés 37
1.14. táblázat
Component Matrixa
Compone
nt
1
VELEMENY mennyire
fontos: ,604
véleményszabadság
SAJTO mennyire fontos:
,720
sajtószabadság
PARTALAK mennyire
fontos: pártalakítás ,679
szabadsága
SZERVALA mennyire
fontos: szervezetalakítás ,731
szabadsága
TULAJDON mennyire
fontos: tulajdon ,762
szabadsága
UTAZAS mennyire fontos:
,792
utazás szabadsága
ELETFORM mennyire
fontos:
,787
életforma-választás
szabadsága
VALLALK mennyire
fontos: vállalkozás ,794
szabadsága
POLITIKA mennyire
fontos: politikai ,800
szabadságjogok
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
38 Túlélıkészlet az SPSS-hez
a fıkomponens-szkór átlaga
férfiak 0,11
nık –0,37
Fıkomponens-elemzés 39
a fıkomponens-szkór átlaga
Legfiatalabb kvintilis 0,19
0,22
0,10
–0,11
legidısebb kvintilis –0,47
2. FAKTORELEMZÉS
Faktorelemzés 41
tulajdon
életforma
MAGÁN- vállalkozás
SZFÉRA
utazás
.
.
.
KÖZ- sajtó
SZFÉRA
vélemény
pártalakítás
tulajdon
42 Túlélıkészlet az SPSS-hez
Faktorelemzés 43
44 Túlélıkészlet az SPSS-hez
Faktorelemzés 45
/ROTATION NOROTATE .
Ez az utolsó sor a rotálásra vonatkozik, de errıl majd késıbb lesz szó.
Nézzük, hogy a parancs hatására milyen output keletkezik.
2.1. táblázat
Communalities
Initial Extraction
VALLAS vallásszabadság ,245 ,195
VELEMENY véleményszabadság ,425 ,309
ORVOSVAL orvosválasztás szabadsága ,290 ,175
SAJTO sajtószabadság ,494 ,465
PARTALAK pártalakítás szabadsága ,586 ,717
SZERVALA szervezetalakítás szabadsága ,599 ,675
TULAJDON a tulajdon szabadsága ,538 ,582
UTAZAS az utazás szabadsága ,623 ,706
ELETFORM az életforma szabadsága ,631 ,732
VALLALK a vállalkozás szabadsága ,598 ,642
POLITIKA politikai szabadságjogok ,552 ,586
Extraction Method: Maximum Likelihood.
46 Túlélıkészlet az SPSS-hez
2.2. táblázat
Total Variance Explained
4 Ha egy vagy több változót adott faktorszám mellett csak rosszul tudunk leképezni
(a változóknak alacsony a végsı kommunalitása), próbálkozhatunk a faktorszám
növelésével is. Ha szeretne némi gyakorlatot szerezni a faktorelemzésben, akkor a
fejezet végigolvasása után próbálja meg négy faktorral leképezni a változóteret.
5 Az SPSS programcsomagban a fıkomponens- és a faktorelemzés közös pontról
ágazik el. Ez az output-okban bizonyos zőrzavart eredményez. Az output más ré-
szeit kell elemezni, ha fıkomponens-elemzést hajtunk végre, és megint csak mást,
ha faktorokat keresünk. A jelentésnélkülinek bélyegzett három oszlop egy fıkom-
ponens-elemzés output-darabja.
Faktorelemzés 47
2.3. táblázat
Factor Matrixa
Factor
1 2
VALLAS vallásszabadság ,283 ,339
VELEMENY véleményszabadság ,545 ,114
ORVOSVAL orvosválasztás szabadsága ,410 8,767E-02
SAJTO sajtószabadság ,664 ,154
PARTALAK pártalakítás szabadsága ,668 ,520
SZERVALA szervezetalakítás szabadsága ,711 ,412
TULAJDON a tulajdon szabadsága ,732 -,216
UTAZAS az utazás szabadsága ,777 -,321
ELETFORM az életforma szabadsága ,779 -,354
VALLALK a vállalkozás szabadsága ,768 -,229
POLITIKA politikai szabadságjogok ,760 9,675E-02
Extraction Method: Maximum Likelihood.
a. 2 factors extracted. 7 iterations required.
48 Túlélıkészlet az SPSS-hez
Faktorelemzés 49
2.5. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
388,474 34 ,000
50 Túlélıkészlet az SPSS-hez
2.6. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
242,519 26 ,000
Faktorelemzés 51
2.7. táblázat
Communalities
Initial Extraction
VALLAS vallásszabadság ,241 ,179
VELEMENY véleményszabadság ,393 ,292
SAJTO sajtószabadság ,459 ,447
PARTALAK pártalakítás szabadsága ,585 ,738
SZERVALA szervezetalakítás szabadsága ,598 ,690
TULAJDON a tulajdon szabadsága ,535 ,581
UTAZAS az utazás szabadsága ,624 ,707
ELETFORM az életforma szabadsága ,629 ,731
VALLALK a vállalkozás szabadsága ,597 ,646
POLITIKA politikai szabadságjogok ,552 ,584
Extraction Method: Maximum Likelihood.
2.8. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
136,436 19 ,000
52 Túlélıkészlet az SPSS-hez
2.9. táblázat
Communalities
Initial Extraction
VELEMENY véleményszabadság ,329 ,279
SAJTO sajtószabadság ,456 ,437
PARTALAK pártalakítás szabadsága ,577 ,754
SZERVALA szervezetalakítás szabadsága ,598 ,704
TULAJDON a tulajdon szabadsága ,535 ,580
UTAZAS az utazás szabadsága ,620 ,706
ELETFORM az életforma szabadsága ,629 ,732
VALLALK a vállalkozás szabadsága ,594 ,643
POLITIKA politikai szabadságjogok ,548 ,577
Extraction Method: Maximum Likelihood.
2.10. táblázat
Factor Matrixa
Factor
1 2
VELEMENY véleményszabadság ,527 4,435E-02
SAJTO sajtószabadság ,653 ,107
PARTALAK pártalakítás szabadsága ,685 ,534
SZERVALA szervezetalakítás
,726 ,421
szabadsága
TULAJDON a tulajdon szabadsága ,730 -,219
UTAZAS az utazás szabadsága ,772 -,331
ELETFORM az életforma szabadsága ,773 -,366
VALLALK a vállalkozás szabadsága ,768 -,230
POLITIKA politikai szabadságjogok ,756 6,815E-02
Extraction Method: Maximum Likelihood.
a. 2 factors extracted. 6 iterations required.
Faktorelemzés 53
F2
F2’
F1’
F1
54 Túlélıkészlet az SPSS-hez
8 Rotálni többféle módszer szerint lehet, de mindegyik módszer arra törekszik, hogy
egy változó egy és csakis egy faktoron üljön nagy súllyal. A VARIMAX módszer a
következı célfüggvény maximalizálásával dolgozik: ∑ f ij2 → max , ahol fij az i-edik
j
változó j-edik faktorhoz tartozó súlyát jelenti, azaz a módszer az egy változóhoz
tartozó valamennyi faktorsúly négyzetösszegét akarja maximálni. Ha például egy
változó rotálás elıtt 0,25-ös, 0,25-ös súllyal „ül” két faktoron, a rotálás után az
egyiken 0,5-tel, a másikon 0-val, akkor míg az elsı esetben a faktorsúlyok
négyzetösszege 0,125, addig rotálás után 0,25 lesz. Tehát miközben a VARIMAX
módszer az adott négyzetösszeget maximalizálja, azt éri el, hogy minden változóra
igaz legyen, hogy egy és csakis egy faktoron „ül rajta”.
Faktorelemzés 55
2.11. táblázat
Rotated Factor Matrixa
Factor
1 2
VELEMENY véleményszabadság ,373 ,374
SAJTO sajtószabadság ,429 ,503
PARTALAK pártalakítás szabadsága ,177 ,850
SZERVALA szervezetalakítás
,282 ,790
szabadsága
TULAJDON a tulajdon szabadsága ,698 ,305
UTAZAS az utazás szabadsága ,803 ,246
ELETFORM az életforma szabadsága ,826 ,221
VALLALK a vállalkozás szabadsága ,735 ,321
POLITIKA politikai szabadságjogok ,533 ,541
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
56 Túlélıkészlet az SPSS-hez
2.12. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
49,399 13 ,000
2.13. táblázat
Communalities
Initial Extraction
SAJTO sajtószabadság ,411 ,426
PARTALAK pártalakítás szabadsága ,577 ,769
SZERVALA szervezetalakítás szabadsága ,596 ,701
TULAJDON a tulajdon szabadsága ,537 ,586
UTAZAS az utazás szabadsága ,614 ,702
ELETFORM az életforma szabadsága ,631 ,734
VALLALK a vállalkozás szabadsága ,591 ,653
POLITIKA politikai szabadságjogok ,546 ,575
Extraction Method: Maximum Likelihood.
Faktorelemzés 57
2.14. táblázat
Rotated Factor Matrixa
Factor
1 2
SAJTO sajtószabadság ,433 ,488
PARTALAK pártalakítás szabadsága ,184 ,857
SZERVALA szervezetalakítás szabadsága ,289 ,786
TULAJDON a tulajdon szabadsága ,704 ,301
UTAZAS az utazás szabadsága ,803 ,238
ELETFORM az életforma szabadsága ,830 ,214
VALLALK a vállalkozás szabadsága ,743 ,318
POLITIKA politikai szabadságjogok ,540 ,533
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
Chi-Square df Sig.
19,177 8 ,014
58 Túlélıkészlet az SPSS-hez
2.16. táblázat
Rotated Factor Matrixa
Factor
1 2
PARTALAK pártalakítás szabadsága ,191 ,888
SZERVALA szervezetalakítás szabadsága ,314 ,757
TULAJDON a tulajdon szabadsága ,711 ,286
UTAZAS az utazás szabadsága ,805 ,227
ELETFORM az életforma szabadsága ,831 ,202
VALLALK a vállalkozás szabadsága ,752 ,301
POLITIKA politikai szabadságjogok ,549 ,510
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
2.17. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
6,778 4 ,148
2.18. táblázat
Rotated Factor Matrixa
Factor
1 2
PARTALAK pártalakítás szabadsága ,233 ,773
SZERVALA szervezetalakítás szabadsága ,286 ,865
TULAJDON a tulajdon szabadsága ,701 ,297
UTAZAS az utazás szabadsága ,805 ,220
ELETFORM az életforma szabadsága ,836 ,197
VALLALK a vállalkozás szabadsága ,745 ,303
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
Faktorelemzés 59
2.19. táblázat
Total Variance Explained
60 Túlélıkészlet az SPSS-hez
F X2 F̂
X3
Az ábra a faktor létrehozásának mechanizmusát szemlélteti: a látens
változó (F), amely mozgatja a mért változókat, mérhetetlen. A mért vál-
tozókból nem egy „igazi” látens változót, hanem annak egy jó-rossz
közelítését vagyunk képesek létre hozni ( F̂ ). A regressziós módszer ar-
ra törekszik, hogy az F és F̂ közötti eltérést minimalizálja.
A BARTLETT módszer a mért változók és a faktorok által „visszabe-
csült” X̂ -ok közötti négyzetösszeget minimalizálja. Az ANDERSON–
RUBIN-módszer minimalizálja a mért és a faktorokból visszabecsült ér-
Faktorelemzés 61
62 Túlélıkészlet az SPSS-hez
200
100
Faktorelemzés 63
2.5. ábra
A közszféra szabadságának fontossága
160
140
120
100
80
60
40
Std. Dev = ,91
20 Mean = 0,00
0 N = 899,00
-1
-1
-1
-1
-,7
-,5
-,2
0,
,2
,5
,7
1,
1,
1,
1,
2,
00
5
0
5
00
25
50
75
00
,7
,5
,2
,0
5
0
5
5
0
5
0
13 A SKEWNESS negatív értéke azt jelzi, hogy mindkét eloszlás jobbra ferde, azaz töb-
ben vannak azok, akiknek fontosak, mint azok, akiknek nem fontosak az adott
szabadságjogok.
64 Túlélıkészlet az SPSS-hez
Faktorelemzés 65
66 Túlélıkészlet az SPSS-hez
2.6. ábra
2,5
2,0
1,5
Eigenvalue
1,0
,5
0,0
1 2 3 4 5 6 7 8 9
Factor Number
Analysis weighted by UJSULY
KMO = i≠ j
i j
,
∑∑ r +∑∑ a
i j
2
ij
i j
2
ij
Faktorelemzés 67
68 Túlélıkészlet az SPSS-hez
2.20. táblázat
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,748
Faktorelemzés 69
2.21. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
23,883 12 ,021
2.22. táblázat
Communalities
Initial Extraction
Q59_1 ,348 ,467
Q59_2 ,198 ,270
Q59_3 ,169 ,285
Q59_4 ,287 ,482
Q59_5 ,246 ,330
Q59_6 ,427 ,678
Q59_7 ,136 ,221
Q59_8 ,255 ,523
Q59_9 ,372 ,458
Extraction Method: Maximum Likelihood.
70 Túlélıkészlet az SPSS-hez
2.23. táblázat
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,743
2.24. táblázat
Communalitiesa
Initial Extraction
Q59_1 ,347 ,397
Q59_2 ,198 ,290
Q59_3 ,164 ,348
Q59_4 ,283 ,473
Q59_5 ,246 ,348
Q59_6 ,425 ,909
Q59_8 ,198 ,277
Q59_9 ,372 ,513
Extraction Method: Maximum Likelihood.
a. One or more communalitiy estimates greater than
1.0 were encountered during iterations. The
resulting solution should be interpreted with caution.
Faktorelemzés 71
72 Túlélıkészlet az SPSS-hez
2.25. táblázat
Total Variance Explained
Attól, hogy csak két faktort kérünk, a mért változók struktúrája nem
változik, tehát a KMO és a Bartlett-teszt éppen azt mutatja, mint az elı-
zı futásban.
A kétfaktoros modell is megfelelıen le tudja írni a hétdimenziós
teret. (2.26. táblázat)
Faktorelemzés 73
2.26. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
8,757 8 ,363
2.27. táblázat
Communalities
Initial Extraction
Q59_1 ,182 ,315
Q59_2 ,190 ,272
Q59_3 ,161 ,294
Q59_4 ,281 ,477
Q59_5 ,244 ,337
Q59_8 ,197 ,262
Q59_9 ,281 ,565
Extraction Method: Maximum Likelihood.
2.28. táblázat
Rotated Factor Matrixa
Factor
1 2
Q59_1 -1,52E-02 ,561
Q59_2 ,492 ,171
Q59_3 ,505 -,196
Q59_4 ,684 9,400E-02
Q59_5 ,512 ,273
Q59_8 ,394 ,326
Q59_9 ,209 ,722
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
74 Túlélıkészlet az SPSS-hez
Sajnos, mind a Q59_8, mind a Q59_5 változó mindkét faktoron rajta ül.
A Q59_8 változó elhagyását az alacsonyabb kommunalitás és a két fak-
toron való szinte szimmetrikus elhelyezkedés is indokolja, ezért tıle vá-
lunk meg elıször.
FACTOR
/VARIABLES q59_1 q59_2 q59_3 q59_4 q59_5 q59_9
/MISSING LISTWISE
/ANALYSIS q59_1 q59_2 q59_3 q59_4 q59_5 q59_9
/PRINT INITIAL KMO EXTRACTION ROTATION
/CRITERIA FACTORS(2) ITERATE(25)
/EXTRACTION ML
/CRITERIA ITERATE(25)
/ROTATION VARIMAX .
2.29. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
2,106 4 ,716
2.30. táblázat
Communalities
Initial Extraction
Q59_1 ,180 ,300
Q59_2 ,185 ,273
Q59_3 ,161 ,296
Q59_4 ,267 ,492
Q59_5 ,211 ,307
Q59_9 ,260 ,607
Extraction Method: Maximum Likelihood.
Faktorelemzés 75
2.31. táblázat
Rotated Factor Matrixa
Factor
1 2
Q59_1 -1,05E-02 ,547
Q59_2 ,493 ,172
Q59_3 ,512 -,186
Q59_4 ,695 9,485E-02
Q59_5 ,489 ,261
Q59_9 ,207 ,751
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
76 Túlélıkészlet az SPSS-hez
2.32. táblázat
Rotated Factor Matrixa
Factor
1 2
Q59_1 -1,05E-02 ,547
Q59_2 ,493 ,172
Q59_3 ,512 -,186
Q59_4 ,695 9,485E-02
Q59_5 ,489 ,261
Q59_9 ,207 ,751
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
2.33. táblázat
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,588
2.34. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
,758 1 ,384
Faktorelemzés 77
2.35. táblázat
Communalities
Initial Extraction
Q59_1 ,179 ,331
Q59_2 ,166 ,260
Q59_3 ,151 ,288
Q59_4 ,233 ,528
Q59_9 ,226 ,553
Extraction Method: Maximum Likelihood.
2.36. táblázat
Rotated Factor Matrixa
Factor
1 2
Q59_1 -3,46E-02 ,574
Q59_2 ,470 ,198
Q59_3 ,512 -,162
Q59_4 ,714 ,133
Q59_9 ,167 ,724
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
Tehát úgy tőnik, hogy az elsı út, amelyen elindultunk annak érdekében,
hogy a figyelmeztetéstıl megszabaduljunk, sikerre vezetett. Ezt a sikert
egyetlen dolog árnyékolja be: a két faktorban megtestesülı együttes in-
formációmennyiség nem éri el a két egységnyit. (2.37. táblázat)
78 Túlélıkészlet az SPSS-hez
2.37. táblázat
Total Variance Explained
18 Mindaddig amíg „vakon” keressük a látens struktúrát, azaz nem tudjuk, hogy mi
a mért változók jelentése, addig ebben a kérdésben nem tudunk állást foglalni.
Faktorelemzés 79
2.38. táblázat
Rotated Factor Matrixa
Factor
1 2 3
Q59_1 ,596 ,160 -,128
Q59_2 2,117E-02 ,496 ,208
Q59_3 -,129 ,198 ,541
Q59_4 5,232E-02 ,502 ,468
Q59_5 ,149 ,530 ,210
Q59_6 ,951 4,343E-02 5,756E-02
Q59_8 ,189 ,482 9,177E-02
Q59_9 ,528 ,472 -,107
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.
80 Túlélıkészlet az SPSS-hez
2.39. táblázat
Communalitiesa
Initial Extraction
Q59_1 ,347 ,397
Q59_2 ,198 ,290
Q59_3 ,164 ,348
Q59_4 ,283 ,473
Q59_5 ,246 ,348
Q59_6 ,425 ,909
Q59_8 ,198 ,277
Q59_9 ,372 ,513
Extraction Method: Maximum Likelihood.
a. One or more communalitiy estimates greater than
1.0 were encountered during iterations. The
resulting solution should be interpreted with caution.
2.40. táblázat
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,718
2.41. táblázat
Goodness-of-fit Test
Chi-Squa
re df Sig.
3,548 3 ,315
Faktorelemzés 81
2.42. táblázat
Communalitiesa
Initial Extraction
Q59_1 ,335 ,432
Q59_2 ,155 ,250
Q59_3 9,661E-02 ,999
Q59_5 ,223 ,381
Q59_6 ,410 ,717
Q59_8 ,187 ,301
Q59_9 ,364 ,484
Extraction Method: Maximum Likelihood.
a. One or more communalitiy estimates greater than
1.0 were encountered during iterations. The
resulting solution should be interpreted with caution.
2.43. táblázat
Rotated Factor Matrixa
Factor
1 2 3
Q59_1 ,646 9,963E-02 -7,01E-02
Q59_2 2,882E-02 ,486 ,112
Q59_3 -,108 ,210 ,971
Q59_5 ,131 ,595 9,906E-02
Q59_6 ,840 ,106 -1,27E-02
Q59_8 ,184 ,516 2,292E-02
Q59_9 ,557 ,414 -5,71E-02
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
82 Túlélıkészlet az SPSS-hez
2.45. táblázat
Goodness-of-fit Test
Chi-Squa
re df Sig.
3,206 4 ,524
Faktorelemzés 83
2.46. táblázat
Communalities
Initial Extraction
Q59_1 ,329 ,438
Q59_2 ,132 ,240
Q59_5 ,201 ,387
Q59_6 ,410 ,703
Q59_8 ,185 ,301
Q59_9 ,360 ,477
Extraction Method: Maximum Likelihood.
2.47. táblázat
Rotated Factor Matrixa
Factor
1 2
Q59_1 ,657 8,380E-02
Q59_2 2,870E-02 ,489
Q59_5 ,126 ,609
Q59_6 ,832 ,105
Q59_8 ,187 ,516
Q59_9 ,562 ,401
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
84 Túlélıkészlet az SPSS-hez
FACTOR
/VARIABLES q59_1 q59_2 q59_5 q59_6 q59_8
/MISSING LISTWISE
/ANALYSIS q59_1 q59_2 q59_5 q59_6 q59_8
/PRINT INITIAL KMO EXTRACTION ROTATION
/CRITERIA FACTORS(2) ITERATE(25)
/EXTRACTION ML
/CRITERIA ITERATE(25)
/ROTATION VARIMAX .
2.48. táblázat
Communalitiesa
Initial Extraction
Q59_1 ,311 ,327
Q59_2 ,114 ,222
Q59_5 ,181 ,408
Q59_6 ,329 ,951
Q59_8 ,168 ,301
Extraction Method: Maximum Likelihood.
a. One or more communalitiy estimates greater than
1.0 were encountered during iterations. The
resulting solution should be interpreted with caution.
Faktorelemzés 85
egy alkotja, vagy két-két mért változó alkot egy-egy faktort. Az elsı
esetben, a probléma „csináljunk három változóból egyetlen dimenziót”
feladatra redukálódik, azaz fıkomponenst kellene a három változóra
futtatnunk. A második esetben pedig két-két változó alkotna egy-egy
dimenziót, ez pedig ellentmond a faktorelemzés egész logikájának, hi-
szen valójában két-két változó páronként összekapcsolódásának lehe-
tünk tanúi. Aligha állhatunk elı azzal az elképzeléssel, hogy kilenc mért
változó mögött úgy fedeztünk fel látens struktúrát, hogy közülük két-
két változó képez egy-egy dimenziót, a többi változó pedig elvérzett.
86 Túlélıkészlet az SPSS-hez
2.49. táblázat
Communalitiesa
Initial Extraction
Q59_1 ,332 ,772
Q59_2 ,182 ,260
Q59_3 ,158 ,274
Q59_4 ,280 ,513
Q59_5 ,228 ,368
Q59_6 ,344 ,447
Q59_8 ,182 ,349
Extraction Method: Maximum Likelihood.
a. One or more communalitiy estimates greater than
1.0 were encountered during iterations. The
resulting solution should be interpreted with caution.
2.50. táblázat
Total Variance Explained
Faktorelemzés 87
Initial Extraction
Q59_1 ,332 ,533
Q59_2 ,182 ,268
Q59_3 ,158 ,238
Q59_4 ,280 ,478
Q59_5 ,228 ,327
Q59_6 ,344 ,598
Q59_8 ,182 ,242
Extraction Method: Maximum Likelihood.
88 Túlélıkészlet az SPSS-hez
2.53. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
6,492 4 ,165
2.54. táblázat
Communalities
Initial Extraction
Q59_1 ,331 ,557
Q59_2 ,173 ,259
Q59_3 ,158 ,253
Q59_4 ,264 ,520
Q59_5 ,188 ,282
Q59_6 ,337 ,577
Extraction Method: Maximum Likelihood.
Faktorelemzés 89
2.56. táblázat
Rotated Factor Matrixa
Factor
1 2
Q59_1 2,231E-02 ,746
Q59_2 ,505 6,305E-02
Q59_3 ,476 -,162
Q59_4 ,719 6,017E-02
Q59_5 ,502 ,173
Q59_6 6,765E-02 ,756
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
19 Ebben az esetben a második faktort mindössze két változó alkotja, de most jól ér-
zékelhetıen más esettel állunk szemben, mint amikor négy változó mögött próbál-
tunk látens struktúrát keresni. A mostani esetben arról van szó, hogy a hat változó
közül négy alkot egy dimenziót és kettı egy másikat.
90 Túlélıkészlet az SPSS-hez
Q59_1 akaraterı 1 2 3 4 5
Q59_2 jó kapcsolatok 1 2 3 4 5
Q59_3 a roma származás eltitkolása 1 2 3 4 5
Q59_4 szerencse, véletlen 1 2 3 4 5
Q59_5 jó családi háttér 1 2 3 4 5
Q59_6 szorgalom 1 2 3 4 5
Q59_7 a roma származás felvállalása 1 2 3 4 5
Q59_8 segítıkész társadalmi környezet 1 2 3 4 5
Q59_9 tehetség 1 2 3 4 5
Faktorelemzés 91
92 Túlélıkészlet az SPSS-hez
2.58. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
23,883 12 ,021
2.59. táblázat
Communalities
Initial Extraction
AKARATER ,348 ,467
JOKAPCS ,198 ,270
TITKOL ,169 ,285
SZERENCS ,287 ,482
CSALAD ,246 ,330
SZORGALO ,427 ,678
VALLALAS ,136 ,221
TARSADAL ,255 ,523
TEHETSEG ,372 ,458
Extraction Method: Maximum Likelihood.
Faktorelemzés 93
2.60. táblázat
Rotated Factor Matrixa
Factor
1 2 3
AKARATER ,673 -3,05E-02 ,117
JOKAPCS 7,728E-02 ,487 ,166
TITKOL -,126 ,517 -4,69E-02
SZERENCS 8,544E-02 ,669 ,164
CSALAD ,178 ,467 ,282
SZORGALO ,813 3,472E-03 ,129
VALLALAS ,148 4,556E-02 ,444
TARSADAL ,145 ,269 ,655
TEHETSEG ,590 ,197 ,266
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
FACTOR
/VARIABLES akarater jokapcs titkol szerencs szorgalo
vallalas tarsadal tehetseg
/MISSING LISTWISE
/ANALYSIS akarater jokapcs titkol szerencs szorgalo
vallalas tarsadal tehetseg
/PRINT INITIAL EXTRACTION ROTATION
/FORMAT BLANK(.25)
/CRITERIA FACTORS(3) ITERATE(25)
/EXTRACTION ML
/CRITERIA ITERATE(25)
/ROTATION VARIMAX .
94 Túlélıkészlet az SPSS-hez
2.61. táblázat
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,706
2.62. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
18,434 7 ,010
2.63. táblázat
Communalities
Initial Extraction
AKARATER ,348 ,464
JOKAPCS ,186 ,261
TITKOL ,159 ,282
SZERENCS ,263 ,519
SZORGALO ,426 ,689
VALLALAS ,135 ,257
TARSADAL ,227 ,457
TEHETSEG ,357 ,446
Extraction Method: Maximum Likelihood.
Faktorelemzés 95
Factor
1 2 3
AKARATER ,669
JOKAPCS ,466
TITKOL ,518
SZERENCS ,687
SZORGALO ,820
VALLALAS ,486
TARSADAL ,606
TEHETSEG ,589 ,272
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
96 Túlélıkészlet az SPSS-hez
2.65. táblázat
Total Variance Explained
Faktorelemzés 97
2.66. táblázat
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. ,605
98 Túlélıkészlet az SPSS-hez
2.67. táblázat
Goodness-of-fit Test
Chi-Square df Sig.
20,076 8 ,010
2.68. táblázat
Total Variance Explained
Az igazi baj azonban az, hogy a két faktor mindössze két mért változót
„ír le” megfelelıen, a többi öt változó végsı kommunalitása igen kicsi.
(2.69. táblázat)
Vessünk egy pillantást a rotált faktormátrixra is. (2.70. táblázat)
Látjuk, hogy körvonalazódik a belsı és a külsı okok dimenziója, és azt
is észrevehetjük, hogy a szerencse mindkét faktoron rajta ül. Ebbıl
az következik, hogy két út áll elıttünk, amelyet végigjárva – reményeink
szerint – elfogadható modellhez juthatunk. Az egyik út a legrosszabb
kommunalitású változó kidobásával indul, a másik út pedig a rosszul
interpretálható szerencse elhagyásával kezdıdik. Ha megkeressük a leg-
alacsonyabb végsı kommunalitású változót, látjuk, hogy az bizony ma-
ga a balszerencse változója. Ebbıl következik, hogy a modell javítására
nem két, hanem egyetlen út áll csak rendelkezésünkre.
Faktorelemzés 99
2.69. táblázat
Communalities
Initial Extraction
KEPESSEG 48.1
szegénység okai:
7,611E-02 ,140
képesség, tehetség
hiánya
SZERENCS 48.2 a
szegénység okai: 7,940E-02 ,119
szerencse hiánya
LAZAERK 48.3 a
szegénység okai: laza ,109 ,310
erkölcsök
EROFESZ 48.4 a
szegénység okai: nem ,101 ,219
eröltetik meg magukat
ELOITEL 48.5 a
szegénység okai:
,147 ,227
bizonyos csoportok
megkülönböztetése
LEHETOSE 48.6 a
szegénység okai: az ,203 ,571
esélyegyenlöség hiánya
GAZDREND 48.7 a
szegénység okai: a ,115 ,181
gazdasági renszer
Extraction Method: Maximum Likelihood.
2.70. táblázat
Rotated Factor Matrixa
Factor
1 2
KEPESSEG 48.1
szegénység okai:
1,077E-02 ,374
képesség, tehetség
hiánya
SZERENCS 48.2 a
szegénység okai: ,265 ,220
szerencse hiánya
LAZAERK 48.3 a
szegénység okai: laza -2,28E-02 ,556
erkölcsök
EROFESZ 48.4 a
szegénység okai: nem 2,333E-02 ,467
eröltetik meg magukat
ELOITEL 48.5 a
szegénység okai:
,459 ,127
bizonyos csoportok
megkülönböztetése
LEHETOSE 48.6 a
szegénység okai: az ,754 -4,40E-02
esélyegyenlöség hiánya
GAZDREND 48.7 a
szegénység okai: a ,409 -,114
gazdasági renszer
Extraction Method: Maximum Likelihood.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
Faktorelemzés 101
2.71. táblázat
Communalities
Initial Extraction
KEPESSEG 48.1
szegénység okai:
5,661E-02 ,114
képesség, tehetség
hiánya
LAZAERK 48.3 a
szegénység okai: laza ,103 ,293
erkölcsök
EROFESZ 48.4 a
szegénység okai: nem 9,886E-02 ,254
eröltetik meg magukat
ELOITEL 48.5 a
szegénység okai:
,147 ,230
bizonyos csoportok
megkülönböztetése
LEHETOSE 48.6 a
szegénység okai: az ,198 ,612
esélyegyenlöség hiánya
GAZDREND 48.7 a
szegénység okai: a ,112 ,176
gazdasági renszer
Extraction Method: Maximum Likelihood.
2.72. táblázat
Communalitiesa
Initial Extraction
LAZAERK 48.3 a
szegénység okai: laza 7,395E-02 ,153
erkölcsök
EROFESZ 48.4 a
szegénység okai: nem 8,957E-02 ,467
eröltetik meg magukat
ELOITEL 48.5 a
szegénység okai:
,154 ,249
bizonyos csoportok
megkülönböztetése
LEHETOSE 48.6 a
szegénység okai: az ,202 ,622
esélyegyenlöség hiánya
GAZDREND 48.7 a
szegénység okai: a ,112 ,173
gazdasági renszer
Extraction Method: Maximum Likelihood.
a. One or more communalitiy estimates greater than
1.0 were encountered during iterations. The
resulting solution should be interpreted with caution.
Faktorelemzés 103
másikat, amely azt fejezi ki, hogy a szegénység mögött milyen mérték-
ben lát valaki külsı ok-együttest. Tehát vegyük a belsı okokat és aggre-
gáljuk ıket egy fıkomponens-elemzéssel.
FACTOR
/VARIABLES kepesseg lazaerk erofesz
/MISSING LISTWISE
/ANALYSIS kepesseg lazaerk erofesz
/PRINT INITIAL EXTRACTION
/CRITERIA FACTORS(1) ITERATE(25)
/EXTRACTION PC
/ROTATION NOROTATE
/METHOD=CORRELATION .
2.73. táblázat
Total Variance Explained
Faktorelemzés 105
2.74. táblázat
Communalities
Extraction
KEPESSEG 48.1
szegénység okai:
,388
képesség, tehetség
hiánya
LAZAERK 48.3 a
szegénység okai: laza ,529
erkölcsök
EROFESZ 48.4 a
szegénység okai: nem ,483
eröltetik meg magukat
Extraction Method: Principal Component Analysis.
2.75. táblázat
Component Matrixa
Compone
nt
1
KEPESSEG 48.1
szegénység okai:
,623
képesség, tehetség
hiánya
LAZAERK 48.3 a
szegénység okai: laza ,728
erkölcsök
EROFESZ 48.4 a
szegénység okai: nem ,695
eröltetik meg magukat
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
2.76. táblázat
Total Variance Explained
Faktorelemzés 107
2.77. táblázat
Communalities
Initial Extraction
ELOITEL 48.5 a
szegénység okai:
1,000 ,500
bizonyos csoportok
megkülönböztetése
LEHETOSE 48.6 a
szegénység okai: az 1,000 ,649
esélyegyenlöség hiánya
GAZDREND 48.7 a
szegénység okai: a 1,000 ,421
gazdasági renszer
Extraction Method: Principal Component Analysis.
2.78. táblázat
Component Matrixa
Compone
nt
1
ELOITEL 48.5 a
szegénység okai:
,707
bizonyos csoportok
megkülönböztetése
LEHETOSE 48.6 a
szegénység okai: az ,805
esélyegyenlöség hiánya
GAZDREND 48.7 a
szegénység okai: a ,649
gazdasági renszer
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
3. KLASZTERELEMZÉS
Klaszterelemzés 111
250
225
200
175
4
2
150
125
100
75
50 3
25
1
0
0 2 4 6 8 10 12 14 16 18
3.2. táblázat
Cluster Membership
Case 4 Clusters
1 1
2 1
3 2
4 1
5 2
6 3
7 2
8 1
9 2
10 1
11 2
12 3
13 2
14 3
15 4
Klaszterelemzés 113
250
225 4
200
175
150 3
125
100
75 2
50
25 1
0
0 2 4 6 8 10 12 14 16 18
250
225
200 4
175
2
150
125
100
75
3
50
25 1
0
0 2 4 6 8 10 12 14 16 18
xi − x
3 A ti = transzformációra gondolunk, amelyet a DESCRIPTIVES parancsablak-
sx
Klaszterelemzés 115
3.3. táblázat
Vertical Icicle
Number Case
of
15
13
11
14
12
10
9
1
clusters
1 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
2 X X X X X X X X X X X X X X X X X X X X X X X X X X X X
3 X X X X X X X X X X X X X X X X X X X X X X X X X X X
4 X X X X X X X X X X X X X X X X X X X X X X X X X X
5 X X X X X X X X X X X X X X X X X X X X X X X X X
6 X X X X X X X X X X X X X X X X X X X X X X X X
7 X X X X X X X X X X X X X X X X X X X X X X X
8 X X X X X X X X X X X X X X X X X X X X X X
9 X X X X X X X X X X X X X X X X X X X X X
10 X X X X X X X X X X X X X X X X X X X X
11 X X X X X X X X X X X X X X X X X X X
12 X X X X X X X X X X X X X X X X X X
13 X X X X X X X X X X X X X X X X X
14 X X X X X X X X X X X X X X X X
6 Ezek azok az elemek, amelyek között az „elválasztó” oszlopban már „X” szerepel.
Klaszterelemzés 117
3.4. táblázat
Agglomeration Schedule
Klaszterelemzés 119
3.5. táblázat
Agglomeration Schedule
Klaszterelemzés 121
3.6. táblázat
Agglomeration Schedule
Klaszterelemzés 123
3.7. táblázat
Agglomeration Schedule
3.8. táblázat
Agglomeration Schedule
Klaszterelemzés 125
3.9. táblázat
Agglomeration Schedule
Klaszterelemzés 127
3.10. táblázat
Agglomeration Schedule
Klaszterelemzés 129
100
80
(100 – 10) = 90
60
d
40
20
(12 – 2) = 10
0
0 2 4 6 8 10 12 14
Klaszterelemzés 131
hány olyan cikk jelent meg, amely a romákat okolja a történtekért, hány
olyan, amely az önkormányzatot teszi felelıssé, és hány újságcikkben
esett szó az események romapárti nemzetközi visszhangjáról. A tarta-
lomelemzés „végeredménye” a 3.11. táblázatban olvasható.
Klaszterelemzés 133
C4 C3
C2
C1
E5
Klaszterelemzés 135
C4
E6 C3
C2
C1
QUICK CLUSTER
iskoszt joved
/MISSING=LISTWISE
/CRITERIA= CLUSTER(4) MXITER(10) CONVERGE(0)
/METHOD=KMEANS(NOUPDATE)
/PRINT INITIAL.
3.13. táblázat
Initial Cluster Centers
Cluster
1 2 3 4
ISKOSZT elvégzett
1,00 15,00 17,00 17,00
osztályok száma
JOVED jövedelem
10,00 200,00 80,00 250,00
(ezer Ft)
Klaszterelemzés 137
3.14. táblázat
Iteration Historya
3.15. táblázat
Final Cluster Centers
Cluster
1 2 3 4
ISKOSZT elvégzett
5,00 8,83 11,00 17,00
osztályok száma
JOVED jövedelem
23,33 178,33 68,00 250,00
(ezer Ft)
26 Itt – ahogy a K-MEANS klaszter eljárásban mindig – euklideszi távolsággal (d) dol-
gozunk.
Klaszterelemzés 139
3.16. táblázat
Number of Cases in each Cluster
Cluster 1 3,000
2 6,000
3 5,000
4 1,000
Valid 15,000
Missing ,000
3.17. táblázat
Initial Cluster Centers
Cluster
1 2 3 4
ZISKOSZT Zscore:
-1,43927 ,46057 -1,43927 1,32413
elvégzett osztályok száma
ZJOVED Zscore:
-1,38332 -,98934 ,58660 1,76855
jövedelem (ezer Ft)
3.18. táblázat
Iteration Historya
Klaszterelemzés 141
3.19. táblázat
Final Cluster Centers
Cluster
1 2 3 4
ZISKOSZT Zscore:
-1,20899 ,56419 -,86356 ,84917
elvégzett osztályok száma
ZJOVED Zscore:
-1,16444 -,64788 ,71793 1,14474
jövedelem (ezer Ft)
3.21. táblázat
NEMSTCL nem standardizált adatokból quick clusterek * STCL standardizált adatokból quick
clusterek Crosstabulation
Count
Klaszterelemzés 143
Klaszterelemzés 145
QUICK CLUSTER
szegokb szegokk zszegar
/MISSING=LISTWISE
/CRITERIA= CLUSTER(4) MXITER(100) CONVERGE(0)
/METHOD=KMEANS(NOUPDATE)
/SAVE CLUSTER
/PRINT INITIAL
/FILE='C:\k1.sav'
/OUTFILE='C:\k2.sav'.
3.22. táblázat
Iteration Historya
Klaszterelemzés 147
3.23. táblázat
Final Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
,84669 -,39369 ,23147 -1,04820
belsõ okok (PC)
SZEGOKK szegénység:
,62359 ,33123 -1,21507 ,11465
külsõ okok (PC)
ZSZEGAR Zscore:
,58070 -,80639 -,48184 ,98551
szegények aránya
Cluster
1 2 3 4
SZEGOKB szegénység:
,84669 -,39369 ,23147 -1,04820
belsõ okok (PC)
SZEGOKK szegénység:
,62359 ,33123 -1,21507 ,11465
külsõ okok (PC)
ZSZEGAR Zscore:
,58070 -,80639 -,48184 ,98551
szegények aránya
Input from FILE Subcommand
3.25. táblázat
Iteration Historya
Klaszterelemzés 149
3.26. táblázat
Final Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
,86209 -,34491 ,20222 -1,03999
belsõ okok (PC)
SZEGOKK szegénység:
,62299 ,30947 -1,25982 ,14115
külsõ okok (PC)
ZSZEGAR Zscore:
,57578 -,81234 -,45330 ,97985
szegények aránya
3.27. táblázat
Number of Cases in each Cluster
Cluster 1 719,000
2 749,000
3 615,000
4 523,000
Valid 2606,000
Missing 608,000
Klaszterelemzés 151
3.28. táblázat
Number of Cases in each Cluster
Cluster 1 869,000
2 925,000
3 759,000
4 661,000
Valid 3214,000
Missing ,000
41 Itt az iterálások számát azonnal 100-ra állítottuk, hogy egy lépésben létrejöjjön
a stabil klaszterstruktúra.
Klaszterelemzés 153
3.29. táblázat
Final Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
,84313 -,42117 ,32854 -,99543
belsõ okok (PC)
SZEGOKK szegénység:
,70226 ,30865 -1,19366 ,06984
külsõ okok (PC)
ZSZEGAR Zscore:
,62363 -,92186 -,47310 1,01342
szegények aránya
3.30. táblázat
TARSKEP társadalomkép (listwise) (szegokb,szegokk,zszegar) * TARSKEPP
társadalomkép (pairwise) (szegokb,szegokk,zszegar) Crosstabulation
Count
TARSKEPP társadalomkép (pairwise)
(szegokb,szegokk,zszegar)
4
2 3 poszt-
1 szociál- konzer- szocia-
populista liberális vatív lista Total
TARSKEP 1 populista 693 18 8 719
társadalomkép 2 szociál-liberális 13 703 31 2 749
(listwise)
(szegokb,szegokk, 3 konzervatív 10 595 10 615
zszegar) 4 poszt-szocialista 6 3 514 523
Total 712 716 644 534 2606
Klaszterelemzés 155
QUICK CLUSTER
szegokb szegokk zszegar
/MISSING=LISTWISE
/CRITERIA= CLUSTER(4) MXITER(100) CONVERGE(0)
/METHOD=KMEANS(NOUPDATE)
/PRINT INITIAL ANOVA.
3.31. táblázat
ANOVA
Cluster Error
Mean Mean
Square df Square df F Sig.
SZEGOKB szegénység:
404,331 3 ,534 2602 757,485 ,000
belsõ okok (PC)
SZEGOKK szegénység:
445,710 3 ,479 2602 930,454 ,000
külsõ okok (PC)
ZSZEGAR Zscore:
453,515 3 ,411 2602 1102,221 ,000
szegények aránya
The F tests should be used only for descriptive purposes because the clusters have been chosen to
maximize the differences among cases in different clusters. The observed significance levels are not
corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are
equal.
változó mentén.48 A tábla alatti megjegyzés arra utal, hogy itt nem egy
hagyományos értelemben vett szignifikancia-tesztrıl van szó, hiszen az
alacsony szignifikanciák azt jelzik, hogy az SPSS beváltotta ígéretét, való-
ban az egymástól lehetı legnagyobb távolságra lévı klaszterközéppon-
tokat találta meg.
A táblázat azonban nem pusztán egy tautológiát szemléltet, hanem al-
kalmat ad arra is, hogy a klaszterképzı változók „erısségérıl” kapjunk in-
formációt. A külsı és belsı varianciákat úgy számolta ki a program, hogy
a külsı négyzetösszegeket mindig a (klaszterek száma mínusz 1)-gyel,
a belsı négyzetösszegeket pedig a (mintaelemszám mínusz klaszterszám)-
mal osztotta. Ez azt jelenti, hogy a belsı heterogenitás szabadságfoka min-
den változónál ugyanaz volt, és nem volt ez másképpen a külsı hetero-
genitás esetében sem. Ezért a táblabeli F értékek azt jelzik, hogy melyik
változó mentén sikerült homogénebb klasztereket kialakítani, és ezzel pár-
huzamosan melyik változó mentén vannak egymástól legtávolabb a klasz-
terközéppontok. Minél nagyobb az F értéke, annál inkább nevezhetjük tö-
kéletesnek az adott változó mentén a klaszterképzıdést, annál fontosabbnak,
erısebbnek nevezhetjük az adott változó hatását az egész klaszterezési
eljárásra. Esetünkben – annak ellenére, hogy mindhárom klaszterképzı
változónk standardizált – a szegények aránya a legerısebb klaszterképzı
változó, míg a leggyengébb a belsı oktulajdonítás. A létrejött társadalom-
kép-típusok elsısorban a szegénységpercepció mentén különböznek, és
csak másodsorban számít az, hogy a szegénység mögött milyen magyará-
zatokat preferálnak az emberek.
Klaszterelemzés 157
3.32. táblázat
Initial Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
1,69982 -1,89031 2,07542 -2,73632
belsõ okok (PC)
SZEGOKK szegénység:
1,60115 1,97688 -3,09812 -1,63102
külsõ okok (PC)
ZSZEGAR Zscore:
2,06814 -1,08683 ,11126 2,42756
szegények aránya
3.33. táblázat
Initial Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
2,07542 2,07542 -2,73632 -,26437
belsõ okok (PC)
SZEGOKK szegénység:
1,22541 -3,09812 -1,63102 1,97688
külsõ okok (PC)
ZSZEGAR Zscore:
-1,28651 ,11126 2,42756 2,42756
szegények aránya
3.34. táblázat
Final Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
,86209 -,34491 ,20222 -1,03999
belsõ okok (PC)
SZEGOKK szegénység:
,62299 ,30947 -1,25982 ,14115
külsõ okok (PC)
ZSZEGAR Zscore:
,57578 -,81234 -,45330 ,97985
szegények aránya
Klaszterelemzés 159
3.35. táblázat
Final Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
,45409 -,01212 -1,44107 ,41521
belsõ okok (PC)
SZEGOKK szegénység:
,47460 -1,22016 ,31253 ,33156
külsõ okok (PC)
ZSZEGAR Zscore:
-,64201 -,57792 ,18346 1,08880
szegények aránya
3.36. táblázat
Correlations
CSALJOV
KOR a család
kérdezett összjöve-
életkora delme
ZSZEGAR Zscore: Pearson Correlation -,079 ,086
szegények aránya Sig. (2-tailed) ,000 ,000
N
3211 3086
Klaszterelemzés 161
3.37. táblázat
Initial Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
2,07542 -2,73632 -2,73632 2,07542
belsõ okok (PC)
SZEGOKK szegénység:
1,97688 1,97688 -3,09812 -3,09812
külsõ okok (PC)
ZSZEGAR Zscore:
-,68747 1,90839 -,68747 ,11126
szegények aránya
3.38. táblázat
Final Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
,86242 -,97293 -,48950 ,23605
belsõ okok (PC)
SZEGOKK szegénység:
,63160 ,13946 ,30112 -1,21867
külsõ okok (PC)
ZSZEGAR Zscore:
,49726 1,04066 -,80801 -,46866
szegények aránya
3.39. táblázat
Final Cluster Centers
Cluster
1 2 3 4
SZEGOKB szegénység:
,86209 -,34491 ,20222 -1,03999
belsõ okok (PC)
SZEGOKK szegénység:
,62299 ,30947 -1,25982 ,14115
külsõ okok (PC)
ZSZEGAR Zscore:
,57578 -,81234 -,45330 ,97985
szegények aránya
Klaszterelemzés 163
3.5. Tanulságok
Variancia-analízis 165
4. VARIANCIA-ANALÍZIS
Arra az álnaiv kérdésre, hogy miért nem egyforma minden ember jöve-
delme, nem tudunk közvetlenül válaszolni a variancia-analízis segítségé-
vel, de arra a kérdésre, hogy mitıl függ, hogy az emberek sokat vagy
keveset keresnek, nos arra már igen.
Az, hogy megtalálunk-e minden olyan fontos változót, amely befo-
lyásolja az emberek keresetét, természetesen tılünk függ (feltéve, hogy
az adatbázist mi hoztuk létre). Ha azt gondoljuk, hogy az emberek jö-
vedelme iskolázottságuktól, életkoruktól és a nemüktıl függ, akkor a va-
riancia-analízis segítségével tesztelhetjük ezt az elızetes elképzelésün-
ket. Megvizsgálhatjuk tehát, hogy a férfiak többet keresnek-e, mint
a nık, hogy a magasabb iskolázottsághoz magasabb kereset társul-e, il-
letve hogy igaz-e, hogy minél idısebbek az emberek, annál többet ke-
resnek.
Amikor azt akarjuk megtudni, hogy a férfiak többet keresnek-e,
mint a nık, akkor a férfiak átlagjövedelmét hasonlítjuk össze a nık át-
lagjövedelmével. Nem egyszerően azt nézzük meg, hogy a férfiak átlag-
jövedelme több-e, mint a nıké, hanem – mint ez már a hipotézis-vizs-
gálatok logikájából jól ismert – arra a kérdésre keressük a választ, hogy
a két átlagjövedelem közötti különbség elég nagy-e ahhoz, hogy a kü-
lönbséget a „valóságban”, a teljes populációban is létezınek tekinthes-
sük. Az „elég nagy-e a különbség?” kérdésre teszt-statisztika segítségé-
vel válaszolunk.
A variancia-analízis mőködési logikájának megértéséhez tekintsünk
egy háromváltozós adatbázist. Az adatbázison egy olyan modellt állí-
tunk fel, amelyben a „mennyire függ a megkérdezettek jövedelme a ne-
müktıl és az iskolázottságuktól?” kérdésre keressük a választ.6 (4.1. táb-
lázat)
Variancia-analízis 167
4.1. táblázat
JOVED * ISK * NEME Crosstabulation
Count
ISK
NEME alacsony magas Total
férfi JOVED 50,00 10 ,00 10
100,00 20 20 40
150,00 10 40 50
Total 40 60 100
nõ JOVED 50,00 50 ,00 50
100,00 20 20 40
150,00 ,00 10 10
Total 70 30 100
4.2. táblázat
Descriptive Statistics
N Mean
JOVED 200 100,0000
Valid N (listwise) 200
Frequency
Valid 50,00 60
100,00 80
150,00 60
Total 200
Variancia-analízis 169
SS BELSİ = ∑ ∑ ( x i − x ij ) 2 ,
i j
Count
NEME
férfi nõ
JOVED 50,00 10 50
100,00 40 40
150,00 50 10
Total 100 100
Variancia-analízis 171
4.5. táblázat
Case Processing Summarya
Cases
Included Excluded Total
N Percent N Percent N Percent
200 100,0% 0 ,0% 200 100,0%
a. JOVED by NEME a kérdezett neme
4.6. táblázat
Cell Meansb
JOVED
NEME Mean N
1,00 120,0000 100
2,00 80,0000 100
Total 100,0000a 200
a. Grand Mean
b. JOVED by NEME
Variancia-analízis 173
dom). Rájuk azért van szükség, mert – mint a fejezet elején ígértük – egy
teszt-statisztika segítségével döntjük el, hogy a megmagyarázott hányad
elég nagy-e ahhoz, hogy szignifikáns összefüggésrıl, magyarázatról be-
széljünk. A teszt-statisztika, az F-próba pedig szórásnégyzetek összeha-
sonlításával mondja meg, hogy a megmagyarázott hányad elég nagy-e.
A szórásnégyzet nem más, mint a négyzetösszeg és a szabadságfok há-
nyadosa, és ezek a szórásnégyzetek találhatóak a MEAN SQUARE oszlop-
ban. Ez az oszlop csak a teljesség kedvéért szerepel a táblázatban,
az ANOVA megértéséhez nincs rá szükségünk. Az F oszlopban látható
maga az F-statisztika, amelynek nagyságától függıen alakul a következı
SIG. (szignifikancia) feliratú oszlopban lévı érték. Ha ez a szignifikancia
kicsi (általában ha 0,05-nél kisebb), akkor elvetjük azt a nullhipotézist,
amely úgy szól, hogy a magyarázó és a magyarázandó változó függet-
lenek egymástól.10
4.7. táblázat
ANOVAa
Hierarchical Method
Sum of Mean
Squares df Square F Sig.
JOVED Main Effects NEME a
80000,0 1 80000,000 72,000 ,000
kérdezett neme
Model 80000,0 1 80000,000 72,000 ,000
Residual 220000,0 198 1111,111
Total 300000,0 199 1507,538
a. JOVED by NEME a kérdezett neme
4.8. táblázat
Model Goodness of Fit
R R Squared
JOVED by NEME ,516 ,267
4.9. táblázat
MCAa
Variancia-analízis 175
MS BELSİ
eta = 1 − , ahol MS a megfelelı négyzetösszeg és szabadságfok
MS TOTAL
hányadosa.11 Ha egy kicsit utánagondolunk, beláthatjuk, hogy az ETA2
a megmagyarázott hányadot fejezi ki, hiszen (1 – megmagyarázatlan
hányad)-ként definiáltuk, ami éppen a megmagyarázott rész.
4.10. táblázat
Factor Summarya
Beta
Adjusted
Eta for Factors
JOVED NEME a kérdezett neme ,516 ,516
a. JOVED by NEME a kérdezett neme
4.11. táblázat
Cell Meansb
4.3. Az interakció
Variancia-analízis 177
4.1. ábra
Átlagjövedelem iskolázottság és nem szerint
140
120
Estimated Marginal Means
100
80 a kérdezett neme
férfi
60 nõ
alacsony magas
4.12. táblázat
jövedelem (1000Ft) * a kérdezett kora * a kérdezett foglalkozása
Count
FOGL a kérdezett KOR a kérdezett kora
foglalkozása 1,00 fiatal 2,00 idõs Total
1,00 prostituált JOVED jövedelem 100,00 ,00 50 50
(1000Ft) 500,00 50 ,00 50
Total 50 50 100
2,00 akadémikus JOVED jövedelem 100,00 50 ,00 50
(1000Ft) 500,00 ,00 50 50
Total 50 50 100
4.13. táblázat
JOVED jövedelem (1000Ft)
Frequency
Valid 100,00 100
500,00 100
Total 200
Variancia-analízis 179
500
Estimated Marginal Means
400
300
200
a kérdezett foglalko
100 prostituált
0 akadémikus
fiatal idõs
a kérdezett kora
4.14. táblázat
ANOVAa
Hierarchical Method
Sum of Mean
Squares df Square F Sig.
JOVED Main (Combined) 160222,2 2 80111,111 115,697 ,000
Effects a kérdezett neme 80000,000 1 80000,000 115,537 ,000
a kérdezett iskolai
80222,222 1 80222,222 115,858 ,000
végzettsége
2-Way a kérdezett neme *
Interactions a kérdezett iskolai 4063,492 1 4063,492 5,869 ,016
végzettsége
Model 164285,7 3 54761,905 79,088 ,000
Residual 135714,3 196 692,420
Total 300000,0 199 1507,538
a. JOVED by a kérdezett neme, a kérdezett iskolai végzettsége
Variancia-analízis 181
Hierarchical Method
Sum of Mean
Squares df Square F Sig.
JOVED Main Effects UJVALT2 nem és iskola
164285,7 3 54761,905 79,088 ,000
4 kategóriás változó
Model 164285,7 3 54761,905 79,088 ,000
Residual 135714,3 196 692,420
Total 300000,0 199 1507,538
a. JOVED by UJVALT2 nem és iskola 4 kategóriás változó
R R Squared
JOVED by UJVALT2
nem és iskola 4 ,740 ,548
kategóriás változó
SS KÜLSİ 164285,7
E2 = = = 0,548
SS TELJES 300000
A kétutas ANOVA-ban, ha szignifikáns az interakció, az R2 nem a mo-
dell teljes magyarázóerejét mutatja, csak a fıhatás által megmagyarázott
hányadot jelenti.
4.17. táblázat
Model Goodness of Fit
R R Squared
JOVED by NEME a
kérdezett neme,
,731 ,534
ISK a kérdezett
iskolai végzettsége
4.3.3. Az interferencia
Variancia-analízis 183
4.18. táblázat
Factor Summarya
Beta
Adjusted
Eta for Factors
JOVED NEME a kérdezett neme ,516 ,353
ISK a kérdezett iskolai
,649 ,542
végzettsége
a. JOVED by NEME a kérdezett neme, ISK a kérdezett
iskolai végzettsége
4.19. táblázat
MCAa
Variancia-analízis 185
4.20. táblázat
ANOVAa
Hierarchical Method
Mean
Sum of Squar
Squares df e F Sig.
EGYFOJOV Main (Combined) 111,655 4 27,914 37,741 ,000
Effects ETHNIC család
77,558 1 77,558 104,9 ,000
etnikuma
ISK a háztartásfõ
legmagasabb iskolai 34,097 3 11,366 15,367 ,000
végzettsége
2-Way ETHNIC család
Interactions etnikuma * ISK a
háztartásfõ 4,818 3 1,606 2,171 ,090
legmagasabb iskolai
végzettsége
Model 116,472 7 16,639 22,497 ,000
Residual 832,097 1125 ,740
Total 948,569 1132 ,838
a. EGYFOJOV by ETHNIC család etnikuma, ISK a háztartásfõ legmagasabb iskolai
végzettsége
4.3. ábra
Estimated Marginal Means of EGYFOJOV
3,5
3,0
2,5
Estimated Marginal Means
2,0
1,5
család etnikuma
1,0
magyar
,5 szlovák
alapfok szakmunkásképzõ középfok felsõfok
Beta
Adjusted
Eta for Factors
EGYFOJOV ETHNIC család etnikuma ,286 ,322
ISK htfõ legmagasabb
,144 ,193
iskolai végzettsége
a. EGYFOJOV by ETHNIC család etnikuma, ISK htfõ
legmagasabb iskolai végzettsége
Variancia-analízis 187
4.22. táblázat
Cell Means
EGYFOJOV
ETHNIC család etnikuma Mean N
1,00 magyar 1,1763 352
2,00 szlovák 1,7415 781
Total 1,5657 1133
4.23. táblázat
ISK a háztartásfõ legmagasabb iskolai végzettsége * ETHNIC család etnikuma Crosstabulation
ETHNIC család
etnikuma
1,00 2,00
magyar szlovák Total
ISK a 1,00 alapfok Count 67 332 399
háztartásfõ % within ETHNIC
legmagasabb 16,8% 35,4% 29,8%
család etnikuma
iskolai 2,00 szakmunkásképzõ Count 98 232 330
végzettsége
% within ETHNIC
24,5% 24,8% 24,7%
család etnikuma
3,00 középfok Count 174 310 484
% within ETHNIC
43,5% 33,1% 36,2%
család etnikuma
4,00 felsõfok Count 61 63 124
% within ETHNIC
15,3% 6,7% 9,3%
család etnikuma
Total Count 400 937 1337
% within ETHNIC
100,0% 100,0% 100,0%
család etnikuma
Variancia-analízis 189
Hierarchical Method
Sum of Mean
Squares df Square F Sig.
JOVED Main (Combined) 160479,4 3 53493,132 99,127 ,000
Effects KOR a kérdezett kora 5208,333 1 5208,333 9,651 ,002
ISK a kérdezett iskolai
121875,0 1 121875,0 225,845 ,000
végzettsége
NEME a kérdezett neme 33396,062 1 33396,062 61,886 ,000
2-Way (Combined) 6356,048 3 2118,683 3,926 ,009
Interactions KOR a kérdezett kora *
ISK a kérdezett iskolai 561,960 1 561,960 1,041 ,309
végzettsége
KOR a kérdezett kora *
246,749 1 246,749 ,457 ,500
NEME a kérdezett neme
ISK a kérdezett iskolai
végzettsége * NEME a 5854,869 1 5854,869 10,850 ,001
kérdezett neme
3-Way KOR a kérdezett kora *
Interactions ISK a kérdezett iskolai
29553,446 1 29553,446 54,765 ,000
végzettsége * NEME a
kérdezett neme
Model 196388,9 7 28055,556 51,989 ,000
Residual 103611,1 192 539,641
Total 300000,0 199 1507,538
a. JOVED by KOR a kérdezett kora, ISK a kérdezett iskolai végzettsége, NEME a kérdezett neme
Variancia-analízis 191
4.25. táblázat
Cell Meansb
4.4. ábra
A megkérdezett fõállásból származó
havi nettó jövedeleme
160
140
120
100
80
60
40
Frequency
20
Variancia-analízis 193
ANOVA
VARIABLES=fojov
BY isk5 (1 5) neme (1 2)
/STATISTICS MCA MEAN
/METHOD HIERARCHICAL
/FORMAT LABELS .
4.26. táblázat
ANOVA
Hierarchical Method
Sum of Mean
Squares df Square F Sig.
FOJOV fõállásból Main (Combined) 3951,853 5 790,371 13,377 ,000
havi nettó Effects ISK5 5 kategóriás
jövedelem 1000Ft 3257,264 4 814,316 13,783 ,000
iskolai végzettség
NEME 1. a kérdezett
694,589 1 694,589 11,756 ,001
neme
2-Way ISK5 5 kategóriás
Interactions iskolai végzettség *
76,728 4 19,182 ,325 ,861
NEME 1. a kérdezett
neme
Model 4028,581 9 447,620 7,576 ,000
Residual 17102,084 289 59,083
Total 21130,665 298 70,799
4.27. táblázat
Factor Summary
Beta
Adjusted
Eta for Factors
FOJOV fõállásból havi ISK5 5 kategóriás
,393 ,385
nettó jövedelem 1000Ft iskolai végzettség
NEME 1. a
,198 ,185
kérdezett neme
4.5.1. Normalitás-vizsgálat
Variancia-analízis 195
4.5. ábra
Standard normális eloszlás
16% 16%
4.28. táblázat
Descriptive Statistics
Std.
N Mean Deviation
FOJOV fõállásból havi
300 11,50 8,41
nettó jövedelem (1000 Ft)
Valid N (listwise) 300
Variancia-analízis 197
4.30. táblázat
FOJOV5 5 kategóriás fõállásból származó jövedelem
Frequency Percent
1,00 átlag–1 szórásnál kisebb 2 ,7
2,00 átlag-1 és átlag-0,5 szórás között 79 26,2
3,00 átlag plusz-mínusz 0,5 szórás 172 57,3
4,00 átlag+0,5 szórás és 1 szórás között 19 6,4
5,00 átlag+1 szórásnál nagyobb 28 9,3
Total 300 100,0
Variancia-analízis 199
COMPUTE lnfojov=ln(fojov).
VARIABLE LABELS lnfojov 'COMPUTE lnfojov = LN(fojov)' .
DESCRIPTIVES
VARIABLES=lnfojov
/STATISTICS=MEAN STDDEV .
4.32. táblázat
Descriptive Statistics
Std.
N Mean Deviation
LNFOJOV COMPUTE
300 2,3059 ,4869
lnfojov = LN(fojov)
Valid N (listwise) 300
Ebben az esetben a khí-négyzet értéke 8,62, ami azt jelenti, hogy a jö-
vedelmek logaritmusai normális eloszlást követnek.22
Nézzük meg most már, hogy a logaritmizált jövedelmek alakulását
mennyire képes megmagyarázni a nem és az iskolai végzettség változó.
ANOVA
VARIABLES=lnfojov
BY isk5 (1 5) neme (1 2)
/STATISTICS MCA MEAN
/METHOD HIERARCHICAL
/FORMAT LABELS .
Variancia-analízis 201
Hierarchical Method
Sum of
Square Mean
s df Square F Sig.
LNFOJOV Main (Combined) 21,344 5 4,269 25,047 ,000
COMPUTE lnfojov Effects ISK5 5 kategóriás
= LN(fojov) 16,522 4 4,130 24,235 ,000
iskolai végzettség
NEME 1. a kérdezett
4,822 1 4,822 28,294 ,000
neme
2-Way ISK5 5 kategóriás
Interactions iskolai végzettség *
,140 4 3,5E-02 ,205 ,936
NEME 1. a kérdezett
neme
Model 21,484 9 2,387 14,006 ,000
Residual 49,334 289 ,170
Total 70,818 298 ,237
Variancia-analízis 203
5. LINEÁRIS REGRESSZIÓANALÍZIS
16
14
12
10
4
20,00 30,00 40,00 50,00 60,00 70,00 80,00
Életkor
y Y = BX + C
B
C
2 Hasonló jelenséggel állunk szemben, amikor egy adatsor saját átlagától való eltéré-
seit összegezzük: itt is mindig nullát kapunk. Ha az adatok átlagtól való eltéréseire
akarunk mutatószámot alkotni, akkor meg kell kerülnünk ezt a „törvényszerősé-
get”. Vagy az átlagtól való eltérések abszolút értékével (átlagos eltérés), vagy az át-
lagos eltérések négyzetével (variancia) jellemezhetjük a heterogenitást.
3 A függvény, amelynek deriváltját keressük, egy olyan másodfokú egyenlettel írható
le, amelynek képe egy, a középiskolából is jól ismert helyzető, ’U’ alakú parabola,
tehát a megtalálandó szélsıérték biztosan minimumot (és nem maximumot) jelent.
∂f n
= −2 ∑ X i (Yi − C − BX i )
∂B i =1
A két derivált minimumának megkeresése nem jelent mást, mint meg-
oldani a két egyenletet, úgy, hogy nullával tesszük egyenlıvé ıket. Az
elsı egyenletbıl következik, mivel összeget és különbséget tagonként is
szummázhatunk4, hogy:
n n
∑ Yi = nC + B ∑ X i
i =1 i =1
A B-szerinti deriváltat nullával egyenlıvé téve a következı egyenlethez
jutunk:
n n n
∑ X i Yi = C ∑ X i + B ∑ X i2
i =1 i =1 i =1
Annak ellenére, hogy a két egyenlet igen barátságtalan formájú, azt ér-
demes észrevennünk, hogy a bennük szereplı Xi és Yi értékek ismertek,
ık jelentik a függı és független változónk értékeit, és ismerjük az n-et is,
hiszen az a minta elemszáma. A két egyenletben két ismeretlen szere-
pel, a C és a B. Pusztán azért, hogy könnyebben kezeljük ezt a két
egyenletet, végezzünk el egy apró transzformációt. Toljuk el a koordi-
náta-rendszer kezdıpontját az ( X ; Y ) pontba.
Ez a transzformáció nem változtatja meg a berajzolandó egyenes
meredekségét. (5.3. ábra) A transzformáció nem jelent mást, mint hogy
az Y értékek helyett olyan dY értékekkel dolgozunk, amelyeket úgy
nyerünk, hogy minden Y értékbıl kivonjuk az Y -ot. Ugyanilyen
módon hozzuk létre a dX értékeket. Mivel az új dX , dY változónk átlaga
nulla, nyilvánvaló, hogy a
n n
∑ d X i = ∑ d Yi = 0
i =1 i =1
n n n n
4 A ∑ Yi = ∑ C + B ∑ X i kifejezésben a ∑ C nem jelent mást, mint hogy n-szer kell
i =1 i =1 i =1 i =1
szummáznunk a C értékét.
y dY
Y
dX
X x
Ennek a megállapításnak késıbb nagy használt vesszük, hiszen a C-re
és B-re vonatkozó egyenletrendszerünkben most már a dX, dY változók-
kal számolunk, akkor a következı egyenletekhez jutunk:
n n
∑ d Yi = nC + B ∑ d X i
i =1 i =1
n n n
∑ d X i d Yi = C ∑ d X i + B ∑ d X2 i
i =1 i =1 i =1
A második egyenletbıl:
n
∑ d X i d Yi
i =1
B= n
∑ d X2 i
i =1
Eljutottunk tehát egy egyenlethez, amelynek segítségével meghatároz-
hatjuk a legjobban illeszkedı egyenes meredekségét. A transzformáció-
val egy olyan koordináta-rendszerhez jutottunk, amelynek kezdıpontján
halad át a regressziós egyenes.5 Ahhoz, hogy visszajussunk az eredeti
koordináta-rendszerben a regressziós egyenes és az y-tengely metszés-
5 Hogyha az elsı egyenletet megoldjuk, a C=0 eredmény adódik, tehát ez az egyenes
valóban az origón halad keresztül.
60
50
jövedelem (e Ft)
40
30
20
10
0
0 5 10 15 20 25 30 35 40 45
életkor
60
y = x + 10
50
jövedelem (e Ft)
40
30
20
10
0
0 5 10 15 20 25 30 35 40 45
életkor
cia, vagyis: σ 2 ( Y ) =
∑ d Y2 = 800 . Mekkora az a heterogenitás, ame-
n 3
2
életkor (X) Yˆ = x + 10 d̂ Y d̂ Y
20 30 –10 100
30 40 0 0
40 50 10 100
összesen 120 200
átlag 40
Y2
60
Ŷ3
50
jövedelem (e Ft)
40
Ŷ1 Yˆ 2 Y3
30
y = x + 10
20
Y1
10
0
0 5 10 15 20 25 30 35 40 45
életkor
A reziduálisok varianciája:
n
∑ ( Ŷi − Yi )2 600
σ 2( e ) = i =1
=
n 3
Most már csak azt kell felfedeznünk, hogy a teljes variancia – éppen
úgy, mint az ANOVA esetében a teljes négyzetösszeg – a megmagyará-
zott és a megmagyarázatlan rész összegébıl tevıdik össze, azaz:
σ 2 (Y ) = σ 2 (Yˆ ) + σ 2 (e)
A megmagyarázott hányad jelzi a regressziós modell „jóságát”:
σ 2 (Yˆ )
R2 = 2
σ (Y )
A mutatószám, amely a megmagyarázott hányaddal egyenlı, a többszörös
korrelációs együttható négyzete. A mi példánkban az R2 a 200/3-ad és a
800/3-ad hányadosával egyenlı, azaz értéke 25 százalék. Az életkor te-
hát a jövedelmek heterogenitásának 25 százalékát magyarázza, 75 szá-
zalékát megmagyarázatlanul hagyja, mintegy kínálva a lehetıséget, hogy
újabb változó bevonásával próbáljunk a jövedelmek alakulására erı-
sebb magyarázatot találni.
5.4. táblázat
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 KOR a
kérdezett
a
, Enter
kora
a. All requested variables entered.
b. Dependent Variable: FOJOV fõállásból
havi nettó jöv. (1000 Ft)
5.5. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,135a ,018 ,017 9,63
a. Predictors: (Constant), KOR a kérdezett kora
5.4.1. A „deviánsokról”
5.6. táblázat
Casewise Diagnosticsa
FOJOV
fõállásból
havi nettó
Std. jöv. (1000 Predicted
Case Number Residual Ft) Value Residual
212 4,949 60 12,35 47,65
236 3,803 50 13,38 36,62
471 3,061 43 13,53 29,47
501 4,261 55 13,97 41,03
541 5,728 70 14,85 55,15
653 3,727 50 14,12 35,88
772 10,744 118 14,56 103,44
808 4,827 60 13,53 46,47
840 14,419 150 11,17 138,83
914 12,357 130 11,02 118,98
926 3,972 50 11,76 38,24
1033 3,464 46 12,64 33,36
1122 3,299 45 13,23 31,77
1158 4,964 60 12,20 47,80
1282 6,827 80 14,26 65,74
1331 4,307 55 13,53 41,47
1360 10,447 115 14,41 100,59
1362 8,001 91 13,97 77,03
a.
Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
11 Természetesen elıbb az elızı parancs végérıl törölni kell a parancs végét jelzı
pontot.
120
100
jövedelem (e Ft)
80
60
40
20
0
15 20 25 30 35 40 45 50 55
életkor
5.7. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,182a ,033 ,032 6,32
a. Predictors: (Constant), KOR a kérdezett kora
5.8. táblázat
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 2566,926 1 2566,926 27,690 ,000a
Residual 139236,9 1502 92,701
Total 141803,8 1503
a. Predictors: (Constant), KOR a kérdezett kora
b. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.9. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 7,638 1,018 7,501 ,000
KOR a kérdezett kora ,147 ,028 ,135 5,262 ,000
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
B
13 A t-érték képlete: t = , azaz a B regressziós együttható és a hozzá tartozó
SE B
standard hiba hányadosa. Gyakran teszteljük azt a nullhipotézist, hogy két változó
között nincs lineáris kapcsolat, vagyis, hogy a populációban a regressziós egyenes
meredeksége 0. Ebben az esetben, a Student-féle t eloszlású, fenti képlető t-statisz-
tikát használjuk a nullhipotézis tesztelésére. Az 5.9. táblázat utolsó két oszlopában
tehát a t-statisztika értéke és a hozzá tartozó szignifikancia-érték található. Ha ez
a szignifikancia kisebb, mint 0,05, akkor a „nincs lineáris összefüggés”
nullhipotézist elvetjük.
5.5.2. Modellépítés
5.10. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,214a ,046 ,045 9,49
a. Predictors: (Constant), KOR a kérdezett kora,
NEME2 a kérdezett neme
5.11. táblázat
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 6513,973 2 3256,987 36,135 ,000a
Residual 135289,8 1501 90,133
Total 141803,8 1503
a. Predictors: (Constant), KOR a kérdezett kora, NEME2 a kérdezett neme
b. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.12. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 9,285 1,034 8,976 ,000
NEME2 a kérdezett neme -3,243 ,490 -,167 -6,618 ,000
KOR a kérdezett kora ,149 ,028 ,136 5,384 ,000
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.13. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 12,528 1,247 10,049 ,000
NEME a kérdezett neme -3,243 ,490 -,167 -6,618 ,000
KOR a kérdezett kora ,149 ,028 ,136 5,384 ,000
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
17 Ha a NEM változó 1-es értéke a férfi, 2-es értéke a nı, akkor a 0 értéknek csak tan-
könyvbe nem illı, nem túl szellemes, ámde értelmetlen interpretációt adhatunk.
200
180
160
140
jövedelem (ezer Ft)
120
100
80
60
40
20
0
0 2 4 6 8 10 12 14 16 18
elvégzett osztályok száma
figyelmen kívül hagyó alapvetı „trendet” mutat be, mely szerint az is-
kolai végzettség növekedésével nı a jövedelem. Ha rátekintünk az áb-
rára, megérthetjük, hogy miért képes az ANOVA-modell erısebb magya-
rázatra, mint a regresszióelemzés. Példánkban az ETA2 értéke 0,727,
míg a regresszióban az R2 értéke csak 0,422.
A fejezet elején már megfogalmaztuk kétségeinket azt illetıen, hogy
az elvégzett osztályok száma valóban egy intervallum mérési szintő vál-
tozó-e, s hogy háborgó lelkiismeretünket megnyugtathatjuk-e azzal, ha
az ordinális mérési szintő iskolai végzettséget „intervallum mérési szin-
tővé” konvertáljuk. Egy olyan hétfokú iskolai végzettség skála, amely-
nek egyes értékei jól-rosszul, de elkülönítik azokat a végzettség típuso-
kat, amelyek részben meghatározzák a munkaerıpiaci pozíciókat, éppen
úgy alkalmas lehet egy regresszióelemzés független változójaként mő-
ködni, mint az iskolai osztályok száma, amely csak nevében intervallum
mérési szintő. E kijelentésünket nem bizonyítjuk, hiszen lehetetlen is
bizonyítani, mindössze bemutatjuk, hogy ha az iskolai végzettséget
a maga ordinális mivoltában építjük be egy regressziós modellbe a jöve-
delem magyarázatára, sem a megmagyarázott hányad, sem a hatás erıs-
sége nem változik jelentısen. Az ordinális mérési szintő iskolai végzett-
ség által megmagyarázott hányad 0,438, míg ha az iskolai végzettséget
az elvégzett osztályok számával mérjük, akkor 0,422. A béta értéke az el-
sı esetben 0,682, míg a másodikban 0,672.
Mindebbıl az következik, hogy ha olyan ordinális mérési szintő vál-
tozókkal van dolgunk, ahol az egyes kategóriák mögé elkülönült szo-
ciológiai hátteret vetíthetünk, akkor vehetjük a bátorságot, hogy az
adott változót a maga ordinalitásában építsük be a regressziós modell-
be. Egy településtípus változó, amelynek egyes értékei a különféle stá-
tusú településeket különítik el, sok esetben nem írja le rosszabbul a „va-
lóságot”, mint egy olyan arányskála mérési szintő változó, ahol a tele-
pülés típusát az ott élık számával mérjük. Szofisztikáltabb változata
a település változó magasabb mérési szintre való transzformálásának
az, amikor a településstatisztikai adattárból az egyes települések fejlett-
ségét mutató fıkomponens-szkórokat használjuk. Nagyobb merészség
szükséges az olyan ordinális mérési szintő változók független változó-
ként való használatához, amelyek egyes kategóriái mögött nehezen de-
5.14. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,400a ,160 ,159 8,91
a. Predictors: (Constant), ISKOSZT elvégzett osztályok
száma, KOR a kérdezett kora, NEME a kérdezett neme
Sum of Mean
Model Squares df Square F Sig.
1 Regression 22741,163 3 7580,388 95,501 ,000a
Residual 119062,6 1500 79,375
Total 141803,8 1503
a. Predictors: (Constant), ISKOSZT elvégzett osztályok száma, KOR a kérdezett
kora, NEME a kérdezett neme
b. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.16. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -1,892 1,545 -1,225 ,221
NEME a kérdezett neme -3,505 ,460 -,180 -7,616 ,000
KOR a kérdezett kora ,138 ,026 ,126 5,342 ,000
ISKOSZT elvégzett
1,346 ,094 ,339 14,298 ,000
osztályok száma
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.17. táblázat
ANOVAa
Hierarchical Method
Sum of Mean
Squares df Square F Sig.
FOJOV Main (Combined) 25501,393 9 2833,488 36,901 ,000
fõállásból Effects KOR3 három kategóriás
havi nettó 3049,877 2 1524,938 19,859 ,000
életkor
jöv. (1000 Ft) ISK7 hét kategóriás
17793,792 6 2965,632 38,621 ,000
iskolai végzettség
NEME a kérdezett neme 4657,724 1 4657,724 60,658 ,000
2-Way (Combined) 3521,833 20 176,092 2,293 ,001
Interactions KOR3 három kategóriás
életkor * ISK7 hét
2244,469 12 187,039 2,436 ,004
kategóriás iskolai
végzettség
KOR3 három kategóriás
életkor * NEME a 358,221 2 179,110 2,333 ,097
kérdezett neme
ISK7 hét kategóriás
iskolai végzettség * 650,262 6 108,377 1,411 ,207
NEME a kérdezett neme
3-Way KOR3 három kategóriás
Interactions életkor * ISK7 hét
kategóriás iskolai 517,645 12 43,137 ,562 ,874
végzettség * NEME a
kérdezett neme
Model 29540,871 41 720,509 9,383 ,000
Residual 112262,9 1462 76,787
Total 141803,8 1503 94,347
a. FOJOV fõállásból havi nettó jöv. (1000 Ft) by KOR3 három kategóriás életkor, ISK7 hét kategóriás
iskolai végzettség, NEME a kérdezett neme
5.18. táblázat
Factor Summarya
Beta
Adjusted
Eta for Factors
FOJOV fõállásból havi KOR3 három
,147 ,117
nettó jöv. (1000 Ft) kategóriás életkor
ISK7 hét kategóriás
,364 ,364
iskolai végzettség
NEME a kérdezett neme ,166 ,187
a. FOJOV fõállásból havi nettó jöv. (1000 Ft) by KOR3 három kategóriás
életkor, ISK7 hét kategóriás iskolai végzettség, NEME a kérdezett
neme
5.19. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 8,026 ,299 26,842 ,000
GYVILLAN gyerekkori
3,195 ,353 ,167 9,063 ,000
lakásban volt-e villany
2 (Constant) 9,888 ,573 17,267 ,000
GYVILLAN gyerekkori
2,809 ,366 ,147 7,676 ,000
lakásban volt-e villany
GYHANYFO gyerekkori
-,300 ,079 -,073 -3,809 ,000
háztartásban élõk száma
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.20. táblázat
Excluded Variablesc
Collinearity
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
1 GYHANYFO gyerekkori a
-,073 -3,809 ,000 -,071 ,923
háztartásban élõk száma
GYFUTLEN gyerekkorban a
valaki aludt-e fûtetlen -,027 -1,460 ,144 -,027 ,967
szobában
GYEHES2 éhezett-e a
-,031 -1,605 ,109 -,030 ,921
gyerekkorában
2 GYFUTLEN gyerekkorban b
valaki aludt-e fûtetlen -,017 -,906 ,365 -,017 ,946
szobában
GYEHES2 éhezett-e b
-,017 -,862 ,389 -,016 ,883
gyerekkorában
a. Predictors in the Model: (Constant), GYVILLAN gyerekkori lakásban volt-e villany
b. Predictors in the Model: (Constant), GYVILLAN gyerekkori lakásban volt-e villany, GYHANYFO
gyerekkori háztartásban élõk száma
c. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.20. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 10,017 ,588 17,044 ,000
GYVILLAN gyerekkori
2,703 ,378 ,141 7,150 ,000
lakásban volt-e villany
GYHANYFO gyerekkori
-,278 ,081 -,067 -3,427 ,001
háztartásban élõk száma
GYFUTLEN gyerekkorban
valaki aludt-e fûtetlen -,403 ,494 -,016 -,817 ,414
szobában
GYEHES2 éhezett-e
-,261 ,340 -,015 -,767 ,443
gyerekkorában
2 (Constant) 9,920 ,574 17,289 ,000
GYVILLAN gyerekkori
2,764 ,369 ,144 7,481 ,000
lakásban volt-e villany
GYHANYFO gyerekkori
-,289 ,080 -,070 -3,631 ,000
háztartásban élõk száma
GYFUTLEN gyerekkorban
valaki aludt-e fûtetlen -,445 ,491 -,017 -,906 ,365
szobában
3 (Constant) 9,888 ,573 17,267 ,000
GYVILLAN gyerekkori
2,809 ,366 ,147 7,676 ,000
lakásban volt-e villany
GYHANYFO gyerekkori
-,300 ,079 -,073 -3,809 ,000
háztartásban élõk száma
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.21. táblázat
Excluded Variablesc
Collinearit
y
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
2 GYEHES2 éhezett-e a
-,015 -,767 ,443 -,014 ,873
gyerekkorában
3 GYEHES2 éhezett-e b
-,017 -,862 ,389 -,016 ,883
gyerekkorában
GYFUTLEN gyerekkorban b
valaki aludt-e fûtetlen -,017 -,906 ,365 -,017 ,946
szobában
a. Predictors in the Model: (Constant), GYFUTLEN gyerekkorban valaki aludt-e fûtetlen szobában,
GYHANYFO gyerekkori háztartásban élõk száma, GYVILLAN gyerekkori lakásban volt-e villany
b. Predictors in the Model: (Constant), GYHANYFO gyerekkori háztartásban élõk száma,
GYVILLAN gyerekkori lakásban volt-e villany
c. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.22. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -,306 ,100 -3,065 ,002
X3 ,347 ,009 ,876 37,148 ,000
2 (Constant) ,697 ,103 6,765 ,000
X3 ,208 ,012 ,525 17,765 ,000
X1 ,190 ,012 ,456 15,408 ,000
3 (Constant) 3,482 ,767 4,541 ,000
X3 4,280E-02 ,047 ,108 ,918 ,359
X1 ,376 ,052 ,903 7,191 ,000
X2 -,239 ,065 -,302 -3,664 ,000
4 (Constant) 4,181 ,095 44,236 ,000
X1 ,424 ,009 ,982 49,759 ,000
X2 -,297 ,016 -,376 -18,377 ,000
a. Dependent Variable: Y
5.23. táblázat
Excluded Variablesd
Collinearit
y
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
1 X1 ,456a 15,408 ,000 ,602 ,407
X2 ,275a 13,559 ,000 ,553 ,942
2 X2 -,302b -3,664 ,000 -,177 5,072E-02
4 X3 ,108c ,918 ,359 ,045 2,497E-02
a. Predictors in the Model: (Constant), X3
b. Predictors in the Model: (Constant), X3, X1
c. Predictors in the Model: (Constant), X1, X2
d. Dependent Variable: Y
5.24. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -,306 ,100 -3,065 ,002
X3 ,347 ,009 ,876 37,148 ,000
2 (Constant) ,697 ,103 6,765 ,000
X3 ,208 ,012 ,525 17,765 ,000
X1 ,190 ,012 ,456 15,408 ,000
3 (Constant) 3,482 ,767 4,541 ,000
X3 4,280E-02 ,047 ,108 ,918 ,359
X1 ,376 ,052 ,903 7,191 ,000
X2 -,239 ,065 -,302 -3,664 ,000
a. Dependent Variable: Y
5.25. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 3,482 ,767 4,541 ,000
X1 ,376 ,052 ,903 7,191 ,000
X2 -,239 ,065 -,302 -3,664 ,000
X3 4,280E-02 ,047 ,108 ,918 ,359
2 (Constant) 4,181 ,095 44,236 ,000
X1 ,424 ,009 ,982 49,759 ,000
X2 -,297 ,016 -,376 -18,377 ,000
a. Dependent Variable: Y
5.26. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,182a ,033 ,032 8,46
a. Predictors: (Constant), GYEHES2 éhezett-e
gyerekkorában, GYFUTLEN 11. gykorban vki fütetlen
szobában aludt, GYHANYFO 8. gyerekkori háztartásban
élök száma, GYVILLAN 13.1. gykori lakban villany
5.27. táblázat
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 7043,382 4 1760,846 24,606 ,000a
Residual 204664,7 2860 71,561
Total 211708,1 2864
a. Predictors: (Constant), GYEHES2 éhezett-e gyerekkorában, GYFUTLEN 11.
gykorban vki fütetlen szobában aludt, GYHANYFO 8. gyerekkori háztartásban
élök száma, GYVILLAN 13.1. gykori lakban villany
b. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.28. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 10,017 ,588 17,044 ,000
GYVILLAN 13.1. gykori
2,703 ,378 ,141 7,150 ,000
lakban villany
GYHANYFO 8. gyerekkori
-,278 ,081 -,067 -3,427 ,001
háztartásban élök száma
GYFUTLEN 11. gykorban
vki fütetlen szobában -,403 ,494 -,016 -,817 ,414
aludt
GYEHES2 éhezett-e
-,261 ,340 -,015 -,767 ,443
gyerekkorában
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.29. táblázat
FOGL5 öt kategóriás foglalkozás
Valid Cumulativ
Frequency Percent Percent e Percent
Valid 1,00 szakképzetlen fizikai 1001 38,4 38,7 38,7
2,00 szakképzett fizikai 694 26,6 26,8 65,5
3,00 egyszerû szellemi 443 17,0 17,1 82,6
4,00 értelmiségi,vezetõ 337 12,9 13,0 95,6
5,00 vállalkozó 113 4,3 4,4 100,0
Total 2588 99,3 100,0
Missing System 19 ,7
Total 2607 100,0
5.30. táblázat
SZTLEN szakképzetlen fizikai-e
Valid Cumulativ
Frequency Percent Percent e Percent
Valid ,00 nem 1587 60,9 61,3 61,3
1,00 igen 1001 38,4 38,7 100,0
Total 2588 99,3 100,0
Missing System 19 ,7
Total 2607 100,0
5.31. táblázat
SZKEPZ szakképzett fizikai-e
Valid Cumulativ
Frequency Percent Percent e Percent
Valid ,00 nem 1894 72,7 73,2 73,2
1,00 igen 694 26,6 26,8 100,0
Total 2588 99,3 100,0
Missing System 19 ,7
Total 2607 100,0
5.33. táblázat
ANOVAa
Hierarchical Method
Sum of Mean
Squares df Square F Sig.
FOJOV fõállásból Main FOGL5 öt
havi nettó jöv. Effects kategóriás 22210,047 4 5552,512 89,057 ,000
1000Ft foglalkozás
Model 22210,047 4 5552,512 89,057 ,000
Residual 161044,0 2583 62,348
Total 183254,0 2587 70,836
a. FOJOV 129. föállásból havi nettó jöv. 1000Ft by FOGL5 öt kategóriás foglalkozás
5.34. táblázat
Factor Summarya
Beta
Adjusted
Eta for Factors
FOJOV 129. föállásból FOGL5 öt kategóriás
,348 ,348
havi nettó jöv. 1000Ft foglalkozás
a. FOJOV 129. föállásból havi nettó jöv. 1000Ft by FOGL5 öt
kategóriás foglalkozás
5.35. táblázat
Model Goodness of Fit
R R Squared
FOJOV 129. föállásból
havi nettó jöv. 1000Ft
,348 ,121
by FOGL5 öt
kategóriás foglalkozás
5.36. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 8,600 ,250 34,461 ,000
SZKEPZ szakképzett
3,142 ,390 ,165 8,055 ,000
fizikai-e
EGYSZELL egyszerû
3,996 ,451 ,179 8,867 ,000
szellemi-e
ERTVEZ
8,993 ,497 ,360 18,084 ,000
értelmiségi,vezetõ-e
VALLAL vállalkozó-e 5,408 ,784 ,131 6,902 ,000
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.37. táblázat
Excluded Variablesb
Collinearit
y
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
1 SZTLEN a
, , , , ,000
szakképzetlen fizikai-e
a. Predictors in the Model: (Constant), VALLAL vállalkozó-e, ERTVEZ értelmiségi,vezetõ-e,
EGYSZELL egyszerû szellemi-e, SZKEPZ szakképzett fizikai-e
b. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
33 Szeretnénk felhívni a figyelmet arra, hogy a RECODE utasításban a (2 thru 5=0) he-
lyett (else=0) is kézenfekvınek látszik, vagyis minden 1-tıl különbözı értéket 0-vá
kódoltathatunk át a programmal. Ez azonban azt jelenti, hogy az eredeti FOGL5
változónk minden 1-tıl különbözı értéke – így a missing is – 0-vá változik. Ebben
az esetben hiába látjuk, hogy négy dummy változó mentén 0 érték tartozik egy kér-
dezetthez, nem lehetünk bizonyosak abban, hogy az ötödik változón 1-es értéket
kap, hiszen lehet, hogy egyszerően nem válaszolt a foglalkozását firtató kérdésre.
Ebben az esetben az ENTER módszeres regresszió anélkül fut le, hogy az egyik
dummy változót kidobná a modellbıl. Próbálja ki!
5.38. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 3,570E-03 ,018 ,193 ,847
ZSZKEPZ Zscore:
,165 ,021 ,165 8,055 ,000
szakképzett fizikai-e
ZEGYSZEL Zscore:
,179 ,020 ,179 8,867 ,000
egyszerû szellemi-e
ZERTVEZ Zscore:
,360 ,020 ,360 18,084 ,000
értelmiségi,vezetõ-e
ZVALLAL Zscore:
,131 ,019 ,131 6,902 ,000
vállalkozó-e
a. Dependent Variable: ZFOJOV Zscore: 129. föállásból havi nettó jöv.
5.39. táblázat
Descriptive Statistics
5.40. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 11,742 ,300 39,176 ,000
SZTLEN
-3,142 ,390 -,182 -8,055 ,000
szakképzetlen fizikai-e
EGYSZELL egyszerû
,854 ,480 ,038 1,778 ,075
szellemi-e
ERTVEZ
5,851 ,524 ,234 11,161 ,000
értelmiségi,vezetõ-e
VALLAL vállalkozó-e 2,267 ,801 ,055 2,830 ,005
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
40 Ha így járunk el, akkor a regressziós hipersíknak egy olyan dimenzióját hagyjuk ki
a modellbıl, amely majdnem párhuzamos a neki megfelelı koordináta-tengellyel.
5.41. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,348a ,121 ,120 7,90
a. Predictors: (Constant), VALLAL vállalkozó-e,
ERTVEZ értelmiségi,vezetõ-e, EGYSZELL
egyszerû szellemi-e, SZKEPZ szakképzett fizikai-e
5.42. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,348a ,121 ,120 7,90
a. Predictors: (Constant), VALLAL vállalkozó-e,
ERTVEZ értelmiségi,vezetõ-e, EGYSZELL egyszerû
szellemi-e, SZTLEN szakképzetlen fizikai-e
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT fojov
/METHOD=STEPWISE szkepz egyszell ertvez vallal kor neme.
5.43. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 10,631 ,171 62,339 ,000
ERTVEZ
6,963 ,472 ,278 14,740 ,000
értelmiségi,vezetõ-e
2 (Constant) 15,741 ,506 31,089 ,000
ERTVEZ
6,979 ,462 ,279 15,095 ,000
értelmiségi,vezetõ-e
NEME 1. a kérdezett
-3,336 ,312 -,198 -10,692 ,000
neme
3 (Constant) 15,871 ,500 31,740 ,000
ERTVEZ
7,674 ,464 ,307 16,540 ,000
értelmiségi,vezetõ-e
NEME 1. a kérdezett
-3,872 ,315 -,230 -12,306 ,000
neme
EGYSZELL egyszerû
3,517 ,423 ,157 8,309 ,000
szellemi-e
4 (Constant) 18,737 ,650 28,843 ,000
ERTVEZ
7,658 ,460 ,306 16,648 ,000
értelmiségi,vezetõ-e
NEME 1. a kérdezett
-3,793 ,312 -,225 -12,152 ,000
neme
EGYSZELL egyszerû
3,320 ,421 ,149 7,895 ,000
szellemi-e
KOR -6,25E-02 ,009 -,124 -6,825 ,000
5 (Constant) 18,390 ,650 28,279 ,000
ERTVEZ
7,890 ,460 ,316 17,145 ,000
értelmiségi,vezetõ-e
NEME 1. a kérdezett
-3,752 ,311 -,222 -12,071 ,000
neme
EGYSZELL egyszerû
3,546 ,421 ,159 8,423 ,000
szellemi-e
KOR -6,14E-02 ,009 -,122 -6,737 ,000
VALLAL vállalkozó-e 3,746 ,750 ,091 4,998 ,000
6 (Constant) 16,922 ,756 22,399 ,000
ERTVEZ
8,499 ,486 ,340 17,474 ,000
értelmiségi,vezetõ-e
NEME 1. a kérdezett
-3,417 ,322 -,203 -10,598 ,000
neme
EGYSZELL egyszerû
4,102 ,445 ,184 9,221 ,000
szellemi-e
KOR -5,42E-02 ,009 -,107 -5,835 ,000
VALLAL vállalkozó-e 4,409 ,768 ,107 5,742 ,000
SZKEPZ szakképzett
1,531 ,404 ,081 3,788 ,000
fizikai-e
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
férfi nı
nem egyszerő szellemi 11,72 8,41
nem értelmiségi/vezetı egyszerő szellemi 16,61 11,29
Total 12,23 9,22
nem egyszerő szellemi 20,50 15,09
értelmiségi/vezetı egyszerő szellemi – –
Total 20,50 15,09
Total 13,30 9,99
5.47. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,240a ,058 ,057 8,16
a. Predictors: (Constant), KOR, NEME 1. a kérdezett
neme
5.48. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 19,742 ,678 29,111 ,000
NEME 1. a
-3,286 ,321 -,195 -10,251 ,000
kérdezett neme
KOR -6,73E-02 ,010 -,134 -7,049 ,000
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.49. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,409a ,168 ,166 7,69
a. Predictors: (Constant), VALLAL vállalkozó-e, KOR,
NEME 1. a kérdezett neme, ERTVEZ
értelmiségi,vezetõ-e, EGYSZELL egyszerû
szellemi-e, SZKEPZ szakképzett fizikai-e
5.50. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 16,922 ,756 22,399 ,000
NEME 1. a kérdezett
-3,417 ,322 -,203 -10,598 ,000
neme
KOR -5,42E-02 ,009 -,107 -5,835 ,000
SZKEPZ szakképzett
1,531 ,404 ,081 3,788 ,000
fizikai-e
EGYSZELL egyszerû
4,102 ,445 ,184 9,221 ,000
szellemi-e
ERTVEZ
8,499 ,486 ,340 17,474 ,000
értelmiségi,vezetõ-e
VALLAL vállalkozó-e 4,409 ,768 ,107 5,742 ,000
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.51. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,287a ,082 ,082 8,07
2 ,365b ,133 ,133 7,84
3 ,385c ,148 ,147 7,77
4 ,395d ,156 ,155 7,74
a. Predictors: (Constant), FIZSZELL fizikai vagy szellemi
b. Predictors: (Constant), FIZSZELL fizikai vagy szellemi,
NEME 1. a kérdezett neme
c. Predictors: (Constant), FIZSZELL fizikai vagy szellemi,
NEME 1. a kérdezett neme, KOR
d. Predictors: (Constant), FIZSZELL fizikai vagy szellemi,
NEME 1. a kérdezett neme, KOR, VALLAL vállalkozó-e
5.52. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 9,763 ,197 49,578 ,000
FIZSZELL fizikai
5,054 ,332 ,287 15,207 ,000
vagy szellemi
2 (Constant) 15,507 ,503 30,855 ,000
FIZSZELL fizikai
5,452 ,325 ,309 16,797 ,000
vagy szellemi
NEME 1. a kérdezett
-3,838 ,311 -,228 -12,359 ,000
neme
3 (Constant) 18,349 ,655 28,034 ,000
FIZSZELL fizikai
5,382 ,322 ,305 16,712 ,000
vagy szellemi
NEME 1. a kérdezett
-3,783 ,308 -,224 -12,280 ,000
neme
KOR -6,14E-02 ,009 -,122 -6,698 ,000
4 (Constant) 17,983 ,656 27,426 ,000
FIZSZELL fizikai
5,584 ,323 ,317 17,279 ,000
vagy szellemi
NEME 1. a kérdezett
-3,726 ,307 -,221 -12,143 ,000
neme
KOR -6,05E-02 ,009 -,120 -6,623 ,000
VALLAL vállalkozó-e 3,729 ,751 ,091 4,962 ,000
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
5.53. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,432a ,187 ,186 7,60
a. Predictors: (Constant), VALLAL vállalkozó-e, KOR,
NEME 1. a kérdezett neme, BEFISK 102.
legmagasabb isk. végzettsége
5.54. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 10,479 ,780 13,437 ,000
NEME 1. a kérdezett
-3,085 ,300 -,183 -10,282 ,000
neme
KOR -9,62E-03 ,009 -,019 -1,024 ,306
BEFISK 102.
legmagasabb isk. 1,916 ,095 ,375 20,176 ,000
végzettsége
VALLAL vállalkozó-e 1,794 ,732 ,044 2,450 ,014
a. Dependent Variable: FOJOV 129. föállásból havi nettó jöv. 1000Ft
jövedelmet takarhat. Nem nehéz belátnunk, hogy az egy fıre jutó jöve-
delem az összjövedelem és a családlétszám függvénye, hiszen ennek
a kettınek a hányadosaként definiáljuk. Ha egyszer az egy fıre jutó jö-
vedelem egyenlı az összjövedelem és a családnagyság hányadosával,
akkor e három változó beépítése a regressziós modellbe függvényszerő
multikollinearitást jelent. Biztosan így van ez? Ha igen, akkor a reg-
ressziós modell ki fogja vetni magából az egyik magyarázó változót.
Futtassuk le a regressziót:53
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT szabvagy
/METHOD=ENTER htfo osszjov egyfojov .
5.55. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -,713 ,125 -5,722 ,000
HTFO háztartáslétszám ,163 ,036 ,224 4,547 ,000
OSSZJOV a háztartás
1,231E-04 ,000 ,034 ,512 ,609
összejövedelme (USD)
EGYFOJOV egy fõre
1,661E-03 ,001 ,137 2,201 ,028
jutó jövedelem (USD)
a. Dependent Variable: SZABVAGY általános szabadságvágy
B Bi-k a mintákban
az alapsokaságban
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,324a ,105 ,105 9,19
2 ,339 b ,115 ,114 9,14
a. Predictors: (Constant), BEFISK legmagasabb
iskolai végzettsége
b. Predictors: (Constant), BEFISK legmagasabb
iskolai végzettsége, TELTIP település tipusa
5.57. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 4,951 ,639 7,753 ,000
BEFISK legmagasabb
2,148 ,162 ,324 13,295 ,000
iskolai végzettsége
2 (Constant) 2,855 ,819 3,487 ,001
BEFISK legmagasabb
1,941 ,169 ,293 11,501 ,000
iskolai végzettsége
TELTIP település tipusa ,899 ,222 ,103 4,060 ,000
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.58. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,324a ,105 ,105 9,19
a. Predictors: (Constant), BEFISK legmagasabb
iskolai végzettsége
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,192a ,037 ,036 9,53
a. Predictors: (Constant), TELTIP település tipusa
5.60. táblázat
Excluded Variablesb
Collinearity
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
1 TELTIP település tipusa ,103a 4,060 ,000 ,104 ,908
a. Predictors in the Model: (Constant), BEFISK legmagasabb iskolai végzettsége
b. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
63 Ehhez az R2 értékhez egy olyan regressziós modellbıl jutottunk el, amelyben a függı
változó a településtípus, a független pedig az – eredeti regressziós modellben már
bent lévı – iskolázottság.
64 A minimális eltérés a kerekítésekbıl adódik.
65 Ha az olvasónak kedve támad egy újabb modellt konstruálni, amelyben igen nagy
a multikollinearitás, magyarázza a jövedelmet (JOVED) a BEFISK és az ISKOSZT vál-
tozókkal. A modellbe elıször az ISKOSZT lép be, és a kívül maradó BEFISK mellett
0,103-des tolerancia-érték áll. A két közel azonos tartalmú változó beépítése tehát
– túl azon, hogy maga a modell értelmetlen – valóban igen alacsony toleranciát és
így magas multikollinearitást eredményez.
5.61. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,689a ,475 ,470 ,7282967
a. Predictors: (Constant), ZLEX Zscore: lexikonok
száma a házi könyvtár, ZISKOSZT Zscore:
háztartásfõ által elvégzett isk
5.62. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -3,46E-17 ,051 ,000 1,000
ZISKOSZT Zscore:
háztartásfõ által elvégzett ,222 ,089 ,222 2,482 ,014
isk
ZLEX Zscore: lexikonok
,496 ,089 ,496 5,561 ,000
száma a házi könyvtár
a. Dependent Variable: ZJOVED Zscore: háztartásfõ jövedeleme (ezer Ft
67 Gondolkodjunk el azon, vajon miért egyenlı a két független változó béta együttha-
tójának standard hibája. Emlékezzünk vissza, hogy a standard hiba képletében két
olyan tényezı van, amely egy adott modellben a különbözı független változók reg-
ressziós együtthatójának standard hibáját befolyásolja. Az egyik a független változó
szórása, a másik a többi független változóval való összefüggés erıssége. A mi mo-
dellünkben – lévén a két független változónk standardizált – mindkét független
változó szórása 1. Mivel csak két független változónk van, a lexikonok száma épp
olyan erısséggel befolyásolja az iskolázottságot, mint az iskolázottság a lexikonok
számát. E két dolognak együttesen köszönhetjük, hogy a független változókhoz
tartozó béta értékek standard hibája egyenlı.
5.63. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,689a ,475 ,470 ,7282967
a. Predictors: (Constant), ZRESID1 standardizált
reziduális (zlex by ziskoszt), ZISKOSZT Zscore:
háztartásfõ által elvégzett isk
5.64. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 1,257E-16 ,051 ,000 1,000
ZISKOSZT Zscore:
háztartásfõ által ,626 ,052 ,626 12,135 ,000
elvégzett isk
ZRESID1 standardizált
reziduális (zlex by ,288 ,052 ,287 5,561 ,000
ziskoszt)
a. Dependent Variable: ZJOVED Zscore: háztartásfõ jövedeleme (ezer Ft
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT ziskoszt
/METHOD=ENTER zlex
/SAVE ZRESID .
5.65. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,689a ,475 ,470 ,7282967
a. Predictors: (Constant), ZRESID2 standardizált
reziduális (ziskoszt by zlex), ZLEX Zscore:
lexikonok száma a házi könyvtár
5.66. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -1,05E-16 ,051 ,000 1,000
ZLEX Zscore: lexikonok
,677 ,052 ,677 13,116 ,000
száma a házi könyvtár
ZRESID2 standardizált
reziduális (ziskoszt by ,128 ,052 ,128 2,482 ,014
zlex)
a. Dependent Variable: ZJOVED Zscore: háztartásfõ jövedeleme (ezer Ft
5.10. ábra
Scatterplot
12
Regression Standardized Residual
10
-2
-4
-6 -4 -2 0 2 4
5.68. táblázat
Residuals Statisticsa
Std.
Minimum Maximum Mean Deviation N
Predicted Value 3,19 21,53 11,78 3,72 133
Residual -12,98 21,31 1,47E-16 5,52 133
Std. Predicted Value -2,308 2,617 ,000 1,000 133
Std. Residual -2,333 3,832 ,000 ,992 133
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.69. táblázat
Residuals Statisticsa
Std.
Minimum Maximum Mean Deviation N
Predicted Value 6,37 18,45 12,51 2,62 126
Residual -9,96 17,55 4,93E-16 5,30 126
Std. Predicted Value -2,337 2,266 ,000 1,000 126
Std. Residual -1,864 3,282 ,000 ,992 126
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.70. táblázat
Model Summaryb
Std. Error
Adjusted of the Durbin-
Model R R Square R Square Estimate Watson
1 ,380a ,144 ,143 8,99 1,906
a. Predictors: (Constant), ISKOSZT elvégzett osztályok száma,
NEME a kérdezett neme
b. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
USE ALL.
COMPUTE filter_$=(sample = 0 & kidob = 1).
VARIABLE LABEL filter_$ 'sample = 0 & kidob = 1
(FILTER)'.
VALUE LABELS filter_$ 0 'Not Selected' 1 'Selected'.
FORMAT filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE .
5.71. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 4,914 1,188 4,137 ,000
NEME a kérdezett neme -3,199 ,440 -,244 -7,277 ,000
ISKOSZT elvégzett
1,075 ,091 ,397 11,808 ,000
osztályok száma
a. Dependent Variable: FOJOV fõállásból havi nettó jöv. (1000 Ft)
5.72. táblázat
Descriptive Statistics
N Mean
BECSRES 1. alminta együtthatóival becsült jövedelem
768 30,1139
és a tényleges jövedelem négyzetes eltérései
Valid N (listwise) 768
83
∑ (Yˆi − Yi ) 2
σ (res) =
2 i =1
n
84 Ne feledjük, hogy az utoljára futtatott SELELCT CASES parancs hatására most már a
második almintában vagyunk.
5.73. táblázat
Descriptive Statistics
N Variance
RES_1 Unstandardized
768 30,136
Residual
Valid N (listwise) 768
6. ÚTMODELLEK
NAPOSZT
SZULOSZT GYEROSZT
NANYOSZT
Útmodellek 303
β2
Útmodellek 305
6.1. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,452a ,204 ,202 2,6507
a. Predictors: (Constant), SZULOSZT a kérdezett által
elvégzett osztályok száma, NANYOSZT a kérdezett
anyja által elvégzett osztályok száma, NAPOSZT a
kérdezett apja által elvégzett osztályok száma
Standardi
zed
Coefficien
ts
Model Beta t Sig.
1 (Constant) 37,394 ,000
NAPOSZT a kérdezett
apja által elvégzett ,079 2,347 ,019
osztályok száma
NANYOSZT a kérdezett
anyja által elvégzett ,012 ,354 ,724
osztályok száma
SZULOSZT a kérdezett
által elvégzett osztályok ,410 13,576 ,000
száma
a. Dependent Variable: GYEROSZT 1. gyerek által elvégzett iskolai
osztályok száma
6.3. táblázat
Coefficientsa
Standardi
zed
Coefficien
ts
Model Beta t Sig.
1 (Constant) 22,240 ,000
NAPOSZT a kérdezett
apja által elvégzett ,264 7,975 ,000
osztályok száma
NANYOSZT a kérdezett
anyja által elvégzett ,219 6,632 ,000
osztályok száma
a. Dependent Variable: SZULOSZT a kérdezett által elvégzett
osztályok száma
Útmodellek 307
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT nanyoszt
/METHOD=ENTER naposzt .
6.4. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,544a ,296 ,295 1,9290
a. Predictors: (Constant), NAPOSZT a kérdezett apja
által elvégzett osztályok száma
6.5. táblázat
Coefficientsa
Standardi
zed
Coefficien
ts
Model Beta t Sig.
1 (Constant) 20,823 ,000
NAPOSZT a kérdezett
apja által elvégzett ,544 21,149 ,000
osztályok száma
a. Dependent Variable: NANYOSZT a kérdezett anyja által
elvégzett osztályok száma
Útmodellek 309
Útmodellek 311
ANTISZEM
CIGELL
6.6. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,576a ,332 ,329 ,8188998
a. Predictors: (Constant), ANTIDEM antidemokratikus
gondolkodás PC (+:antidemokratikus), CIGELL
cigányellenesség PC (+:nagy), ANTISZEM
antiszemitizmus PC (+: antiszemita), JOGBIZ
jogbizonytalanság-érzet PC (+:nagy)
6.7. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 9,000E-16 ,024 ,000 1,000
ANTISZEM
antiszemitizmus PC (+: ,245 ,025 ,245 9,748 ,000
antiszemita)
JOGBIZ
jogbizonytalanság-érzet 9,216E-02 ,027 ,092 3,476 ,001
PC (+:nagy)
CIGELL
cigányellenesség PC ,408 ,025 ,408 16,364 ,000
(+:nagy)
ANTIDEM
antidemokratikus
8,114E-02 ,027 ,081 3,049 ,002
gondolkodás PC
(+:antidemokratikus)
a. Dependent Variable: XENOF idegengyûlölet PC (+:nagy)
Útmodellek 313
6.8. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 4,598E-16 ,028 ,000 1,000
JOGBIZ
jogbizonytalanság-érzet 6,186E-02 ,031 ,062 2,004 ,045
PC (+:nagy)
CIGELL
cigányellenesség PC ,227 ,028 ,227 8,017 ,000
(+:nagy)
ANTIDEM
antidemokratikus
,129 ,031 ,129 4,172 ,000
gondolkodás PC
(+:antidemokratikus)
a. Dependent Variable: ANTISZEM antiszemitizmus PC (+: antiszemita)
Útmodellek 315
közé esik10, azaz elıjelet vált. Ha sarkosan akarunk fogalmazni, még azt
sem tudhatjuk biztosan, hogy a jogbizonytalanság növeli vagy csökkenti
az antiszemitizmust, jóllehet a csökkentés mértéke oly kicsi, hogy illen-
dıbb lenne függetlenségrıl beszélni. Így tehát a jogbizonytalanság hatá-
sát nem létezınek fogjuk tekinteni.11
A harmadik regressziós modellben a cigányellenesség heterogenitá-
sát magyarázzuk:
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT cigell
/METHOD=ENTER jogbiz antidem .
6.9. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 3,361E-16 ,029 ,000 1,000
JOGBIZ
jogbizonytalanság-érzet ,107 ,032 ,107 3,361 ,001
PC (+:nagy)
ANTIDEM
antidemokratikus
8,362E-02 ,032 ,084 2,632 ,009
gondolkodás PC
(+:antidemokratikus)
a. Dependent Variable: CIGELL cigányellenesség PC (+:nagy)
6.10. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -9,90E-16 ,027 ,000 1,000
ANTIDEM
antidemokratikus
,413 ,027 ,413 15,499 ,000
gondolkodás PC
(+:antidemokratikus)
a. Dependent Variable: JOGBIZ jogbizonytalanság-érzet PC (+:nagy)
Útmodellek 317
.13
ANTISZEM
.25
.23
.41 .09
ANTIDEM JOGBIZ XENOF
.11
.41
.08
CIGELL
.08
Útmodellek 319
7. DISZKRIMINANCIA-ANALÍZIS
Diszkriminancia-analízis 321
Diszkriminancia-analízis 323
7.1. táblázat
Group Statistics
7.2. táblázat
Tests of Equality of Group Means
Wilks'
Lambda F df1 df2 Sig.
TOLER tolerancia mutató
,957 15,403 2 677 ,000
(PC)
DISZKR diszkriminációs
,973 9,445 2 677 ,000
hajlandóság (PC)
NEGSZTER negatív
,966 11,920 2 677 ,000
sztereotípiák (PC)
∑ ∑ ( xij − xi ) 2
i j
8 A lambda képlete tehát a következı: Wilks' Lambda = , ahol xij a
∑ ∑ ( x ij − x ) 2
i j
i-edik csoport j-edik eleme, x i a i-edik csoport átlaga, x pedig a teljes mintaátlag.
Diszkriminancia-analízis 325
7.3. táblázat
Pooled Within-Groups Matrices
DISZKR
TOLER diszkrimi NEGSZTE
tolerancia nációs R negatív
mutató hajlandós sztereotípi
(PC) ág (PC) ák (PC)
Correlation TOLER tolerancia mutató
1,000 -,502 -,290
(PC)
DISZKR diszkriminációs
-,502 1,000 ,535
hajlandóság (PC)
NEGSZTER negatív
-,290 ,535 1,000
sztereotípiák (PC)
3,5
3. típus
3
2,5
2 típus
2
1,5
1
1. típus
0,5
0
0 1 2 3 4 5 6 7 8 9
1. magyarázó változó
Diszkriminancia-analízis 327
7.4. táblázat
Canonical Discriminant Function Coefficients
Function
1 2
TOLER tolerancia mutató
,712 ,845
(PC)
DISZKR diszkriminációs
-,137 ,188
hajlandóság (PC)
NEGSZTER negatív
-,447 ,855
sztereotípiák (PC)
(Constant) -,017 -,012
Unstandardized coefficients
Diszkriminancia-analízis 329
7.5. táblázat
Standardized Canonical Discriminant Function Coefficients
Function
1 2
TOLER tolerancia mutató
,684 ,812
(PC)
DISZKR diszkriminációs
-,135 ,186
hajlandóság (PC)
NEGSZTER negatív
-,432 ,826
sztereotípiák (PC)
13 Itt valójában nem a szokásos, már jól ismert standardizálásról van szó, hiszen az
éber olvasónak feltőnhetett, hogy az eredeti változóink – fıkomponensek lévén –
eleve egységnyi szórásúak voltak. Miután a diszkriminancia-analízist nem mátrix-
algebrai megközelítésbıl tárgyaljuk, nincs módunk kifejteni, hogy itt valójában
vektorok normálásáról van szó.
x
1.csoport
2. csoport
x1
3. csoport
x3
14 Az ábrán nem a romák felemelkedésének lehetséges útjait tárgyaló, hanem egy hi-
potetikus modell változói szerepelnek.
Diszkriminancia-analízis 331
7.6. táblázat
Structure Matrix
Function
1 2
TOLER tolerancia mutató
,877* ,479
(PC)
DISZKR diszkriminációs
-,709* ,220
hajlandóság (PC)
NEGSZTER negatív
-,703* ,690
sztereotípiák (PC)
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
*. Largest absolute correlation between each variable and
any discriminant function
Diszkriminancia-analízis 333
7.7. táblázat
Wilks' Lambda
Wilks' Chi-squar
Test of Function(s) Lambda e df Sig.
1 through 2 ,932 47,572 6 ,000
2 ,982 12,231 2 ,002
7.8. táblázat
Eigenvalues
% of Cumulativ Canonical
Function Eigenvalue Variance e% Correlation
1 ,054a 74,6 74,6 ,226
2 ,018a 25,4 100,0 ,134
a. First 2 canonical discriminant functions were used in the
analysis.
Diszkriminancia-analízis 335
Diszkriminancia-analízis 337
7.10. táblázat
Classification Resultsa
7.12. táblázat
Functions at Group Centroids
Diszkriminancia-analízis 339
Diszkriminancia-analízis 341
7.13. táblázat
TIPUS
Valid Cumulativ
Frequency Percent Percent e Percent
Valid 1,00 antiszemita 136 37,7 37,7 37,7
2,00 cigányellenes 128 35,5 35,5 73,1
3,00 elutasító 97 26,9 26,9 100,0
Total 360 100,0 100,0
7.14. táblázat
Wilks' Lambda
Wilks' Chi-squar
Test of Function(s) Lambda e df Sig.
1 through 2 ,904 33,266 6 ,000
2 ,996 1,251 2 ,535
7.15. táblázat
Structure Matrix
Function
1
TELTIP Településtípus ,818
ISKOLA Mi az Ön
legmagasabb iskolai ,562
végzettsége?
VAGYON vagyoni
,525
státusz (PC)
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
Diszkriminancia-analízis 343
7.16. táblázat
Functions at Group Centroids
Function
TIPUS 1
1,00 antiszemita ,373
2,00 cigányellenes -,162
3,00 elutasító -,354
Unstandardized canonical discriminant
functions evaluated at group means
7.17. táblázat
Classification Resultsa
31 Gondoljunk úgy erre a függvényre, mint egy fıkomponensre, tudván, hogy itt nem
a maximális információtartalom megırzése, hanem a típusok közötti maximális
diszkrimináció volt a cél.
7.18. táblázat
Wilks' Lambda
Wilks' Chi-squar
Test of Function(s) Lambda e df Sig.
1 through 2 ,514 223,635 6 ,000
2 ,954 15,665 2 ,000
Diszkriminancia-analízis 345
7.19. táblázat
Structure Matrix
Function
1 2
BELSO a szegények
-,731* ,236
maguk hibáztathatók (PC)
TOLER tolerancia (PC) ,660* -,454
KULSO a szegények
sorsáért a társadalom ,360 ,880*
hibáztatható (PC)
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
*. Largest absolute correlation between each variable and
any discriminant function
7.20. táblázat
Functions at Group Centroids
Function
TIPUS 1 2
1,00 antiszemita 1,192 9,064E-03
2,00 cigányellenes -,746 ,237
3,00 elutasító -,671 -,317
Unstandardized canonical discriminant
functions evaluated at group means
7.21. táblázat
Classification Resultsa
Diszkriminancia-analízis 347
7.22. táblázat
Wilks' Lambda
Wilks' Chi-squar
Test of Function(s) Lambda e df Sig.
1 through 2 ,511 208,328 4 ,000
2 ,994 1,993 1 ,158
7.23. táblázat
Structure Matrix
Function
1
TOLERDF toleráns
,979
szolidáris tengely
STATUSDF státus
,307
diszkriminancia függvény
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
7.24. táblázat
Functions at Group Centroids
Function
TIPUS 1
1,00 antiszemita 1,171
2,00 cigányellenes -,835
3,00 elutasító -,761
Unstandardized canonical discriminant
functions evaluated at group means
Diszkriminancia-analízis 349
7.25. táblázat
Wilks' Lambda
Wilks' Chi-squar
Test of Function(s) Lambda e df Sig.
1 through 2 ,868 43,863 4 ,000
2 ,960 12,742 1 ,000
7.26. táblázat
Structure Matrix
Function
1 2
STATUSDF státus
,912* -,409
diszkriminancia függvény
INTOLDF intoleráns
,386 ,922*
populizmus tengely
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
*. Largest absolute correlation between each variable and
any discriminant function
7.27. táblázat
Functions at Group Centroids
Function
TIPUS 1 2
1,00 antiszemita ,344 -,118
2,00 cigányellenes -3,55E-02 ,311
3,00 elutasító -,435 -,153
Unstandardized canonical discriminant
functions evaluated at group means
Diszkriminancia-analízis 351
7.28. táblázat
Group Statistics
Valid N (listwise)
Std. Unweight
TIPUS Mean Deviation ed Weighted
1,00 antiszemita STATUSDF státus
,3642016 1,0537738 132 127,145
diszkriminancia függvény
INTOLDF intoleráns
9,06E-03 1,0182045 132 127,145
populizmus tengely
2,00 cigányellenes STATUSDF státus
-,1589326 1,0499437 90 93,696
diszkriminancia függvény
INTOLDF intoleráns
,2526356 1,0763661 90 93,696
populizmus tengely
3,00 elutasító STATUSDF státus
-,3337349 ,8705387 97 92,960
diszkriminancia függvény
INTOLDF intoleráns
-,3172265 ,8006260 97 92,960
populizmus tengely
Total STATUSDF státus
1,25E-03 1,0449262 319 313,800
diszkriminancia függvény
INTOLDF intoleráns
-1,5E-02 ,9993528 319 313,800
populizmus tengely
8. TÖBBDIMENZIÓS SKÁLÁZÁS
8.1. táblázat
Descriptive Statistics
Std.
N Mean Deviation
KABITOSZ kábítószeres 995 7,982 1,578
ROMA roma 994 7,297 1,893
HOMOSZ homoszexuális 995 7,254 1,976
SZERB szerb 995 6,471 1,812
ROMAN román 992 6,455 1,895
ARAB arab 995 6,348 1,877
HAJLEKT hajléktalan 991 6,209 1,965
KINAI kínai 993 6,072 1,972
NEGER néger 993 5,949 2,013
ZSIDO zsidó 991 4,922 2,135
SVAB sváb 990 4,709 2,175
Valid N (listwise) 976
8.1. ábra
homoszexuális
roma
1
szerb
román
arab
0
hajléktalan
kínai
néger
Dimension 1
-1
zsidó
sváb
-2
-,6 -,4 -,2 -,0 ,2 ,4 ,6
8.2. ábra
1,0 hajléktalan
,8
homoszexuális
,6
,4
sváb kábítószeres
,2
zsidó
-,0
Dimension 2
-,2 négerarab
román
szerb
-,4 kínai roma
-,6
-3 -2 -1 0 1 2 3
Dimension 1
Talán ennyi elég is ahhoz, hogy legyen kedvünk kicsit jobban megis-
merni a többdimenziós skálázást. Nézzük, hogyan hozhatjuk mőködés-
be az MDS-t:
PROXIMITIES arab szerb roma neger roman kinai svab
zsido hajlekt homosz kabitosz
/PRINT NONE /MATRIX OUT('C:\WINDOWS\TEMP\spssalsc.tmp')
/MEASURE=EUCLID /STANDARDIZE=NONE /VIEW=VARIABLE .
SPLIT FILE OFF.
ALSCAL
/MATRIX= IN('C:\WINDOWS\TEMP\spssalsc.tmp')
/LEVEL=ORDINAL
/CONDITION=MATRIX
/MODEL=EUCLID
/CRITERIA=CONVERGE(.001) STRESSMIN(.005) ITER(30)
CUTOFF(0) DIMENS(2,2)
/PLOT=DEFAULT ALL
/PRINT=DATA HEADER .
8.2. táblázat
Alscal Procedure Options
Data Options-
8.3. táblázat
Model Options-
Model . . . . . . . . . . . Euclid
Maximum Dimensionality . . . . . 2
Minimum Dimensionality . . . . . 2
Negative Weights . . . . . . . Not Permitted
8.4. táblázat
Output Options-
8.5. táblázat
Algorithmic Options-
Maximum Iterations . . . . . . 30
Convergence Criterion . . . . . ,00100
Minimum S-stress . . . . . . . ,00500
Missing Data Estimated by . . . . Ulbounds
Tiestore . . . . . . . . . . 55
8.6. táblázat
Raw (unscaled) Data for Subject 1
1 ,000
2 50,080 ,000
3 69,469 66,317 ,000
4 57,637 62,626 77,485 ,000
5 58,267 52,849 64,288 58,404 ,000
6 59,025 61,693 76,394 50,398 55,182
7 88,854 90,371 115,139 80,864 90,122
8 82,595 85,580 106,967 75,631 83,982
9 69,051 71,162 76,994 69,109 68,811
10 72,767 71,924 68,840 78,886 75,047
11 85,112 80,175 66,015 96,561 81,835
6 ,000
7 79,492 ,000
8 76,590 53,749 ,000
9 72,938 88,854 81,523 ,000
10 79,366 111,580 105,806 76,138 ,000
11 93,606 128,783 123,077 85,358 64,351
kábítószeres
,000
8.7. táblázat
Iteration history for the 2 dimensional solution (in
squared distances)
1 ,03040
2 ,02364 ,00677
3 ,02160 ,00204
4 ,02041 ,00119
5 ,01954 ,00087
For matrix
Stress = ,03379 RSQ = ,99551
8.3. ábra
Scatterplot of Linear Fit
Euclidean distance model
5
2
Distances
0
0 1 2 3 4 5
Disparities
8.8. táblázat
Configuration derived in 2 dimensions
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
8.4. ábra
Derived Stimulus Configuration
Euclidean distance model
1,0 hajléktalan
,8
homoszexuális
,6
,4
svábzsidó kábítószeres
,2
-,0
Dimension 2
Dimension 1
8.9. táblázat
Optimally scaled data (disparities) for subject 1
1 2 3 4 5
1 ,000
2 ,191 ,000
3 1,333 1,157 ,000
4 ,496 ,797 1,971 ,000
5 ,496 ,191 1,157 ,612 ,000
6 ,612 ,723 1,803 ,191 ,496
7 2,537 2,774 3,904 2,073 2,656
8 2,195 2,422 3,541 1,497 2,293
9 1,224 1,333 1,971 1,316 1,183
10 1,487 1,402 1,183 2,026 1,487
11 2,301 2,073 1,157 2,868 2,195
6 7 8 9 10
6 ,000
7 2,073 ,000
8 1,803 ,366 ,000
9 1,487 2,537 2,183 ,000
10 2,049 3,757 3,397 1,497 ,000
11 2,826 4,744 4,379 2,422 1,157
11
11 ,000
8.10. táblázat
Stress and squared correlation (RSQ) in distances
8.5. ábra
2,5
2,0
1,5
Distances
1,0
,5
-,5 0,0 ,5 1,0 1,5 2,0 2,5
Disparities
8.11. táblázat
Case Processing Summarya
Cases
Valid Missing Total
ETHNIC nemzetiség N Percent N Percent N Percent
1 erdélyi magyar 585 100,0% 0 ,0% 585 100,0%
3 szlovákiai magyar 558 100,0% 0 ,0% 558 100,0%
a. Euclidean Distance used
8.12. táblázat
Iteration history for the 2 dimensional solution (in
squared distances)
0 ,03652
1 ,03617
2 ,03218 ,00399
3 ,03194 ,00024
8.6. ábra
2,5
2,0
1,5
Distances
1,0
,5
,5 1,0 1,5 2,0 2,5 3,0
Disparities
8.13. táblázat
Stimulus Coordinates
Dimension
Stimulus Stimulus 1 2
Number Name
8.7. ábra
1,0
,5
etnocentrizmus
0,0
konfliktuspotenciál
Dimension 2
-,5
-1,5
-1,5 -1,0 -,5 0,0 ,5 1,0 1,5
Dimension 1
8.8. ábra
Derived Subject Weights
Individual differences (weighted) Euclidean distance model
,8
1
,7
,6
,5
,4
Dimension 2
,3
2
,2
,6 ,7 ,8 ,9 1,0
Dimension 1
9. LOGISZTIKUS REGRESSZIÓ
9.1. táblázat
NEME2 a kérdezett neme * HIVO01 hívõ-e Crosstabulation
HIVO01 hívõ-e
,00 nem 1,00 igen Total
NEME2 a kérdezett ,00 férfi Count 366 370 736
neme % within NEME2
49,7% 50,3% 100,0%
a kérdezett neme
1,00 nõ Count 333 648 981
% within NEME2
33,9% 66,1% 100,0%
a kérdezett neme
Total Count 699 1018 1717
% within NEME2
40,7% 59,3% 100,0%
a kérdezett neme
9.2. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) ,503 ,018 28,101 ,000
NEME2 a kérdezett neme ,158 ,024 ,159 6,669 ,000
a. Dependent Variable: HIVO01 hívõ-e
9.3. táblázat
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) -,127 ,058 -2,191 ,029
KOR 1,223E-02 ,001 ,293 12,687 ,000
a. Dependent Variable: HIVO01 hívõ-e
9.4. táblázat
Residuals Statisticsa
Std.
Minimum Maximum Mean Deviation N
Predicted Value ,3748 1,0353 ,5929 ,1440 1717
a. Dependent Variable: HIVO01 hívõ-e
0,8
becsült valószínőség
0,6
0,4
0,2
0
40 45 50 55 60 65 70 75 80 85 90 95 100
életkor
9.2.2. Az esélyhányados
1,950
= 1,93
1,012
A férfiak esélyhányadosa a nıkhöz képest pedig:
1,012
= 0,52
1,950
Tehát ha az esélyhányadosok segítségével szeretnénk a nem és a vallá-
sosság kapcsolatát szemléltetni, akkor a most megismert új fogalmakat
felhasználva sommásan a következıket mondhatnánk: ha a férfiak nık-
ké változnának, a templombajárók aránya közel kétszeresére nıne. Ha
viszont a nıkbıl hirtelen férfiak lennének, a templomok elnéptelened-
nének.7
7 Vegyük észre, hogy a két esélyhányados egymás reciproka, tehát az 1,93 és a 0,52-
es esélyhányados ugyanolyan erısségő, de „ellentétes irányú” kapcsolatot jelez
a nem és a vallásosság között.
8 Természetesen a „jó” megoldást szolgáló Bi értékek különböznek az elızı egyen-
letben szereplıktıl, csak az egyszerőség kedvéért nem vezetünk be újabb és újabb
jelöléseket.
Visszatérve a P( Y = 1 ) alakra:
P( Y = 1 )
1 − P( Y = 1 )
P( Y = 1 ) = .
P( Y = 1 )
1+
1 − P( Y = 1 )
A
P( Y = 1 )
1 − P( Y = 1 )
pedig nem más, mint az az esély, amelyet már sikerült a regressziós
együtthatókkal kifejeznünk. Tehát:
e B0 + B1 X1 +…+ Bk X k
P( Y = 1 ) =
1 + e B0 + B1 X1 +…+ Bk X k
Minden eddigi fáradozásunk azért történt, hogy úgy transzformáljuk a füg-
gı változót, hogy ezzel biztosítsuk, hogy „tetszılegesen” alacsony vagy
magas értéket is felvehessen. Ezért lett a modell függı változója az
esély logaritmusa, a logit, de azt is megmutattuk, hogy van út visszafelé
is, azaz a modell regressziós bétái segítségével az eredeti esélyt, illetve
a hagyományos értelemben vett valószínőséget is meg tudjuk becsülni.
Anélkül, hogy képesek lennénk a logisztikus regresszió futtatására,
nézzük meg, hogy az eljárás által kiszámított paraméterek hogyan köt-
hetık az eddig elmondottakhoz. Újra a vallásosság és a nem már ismert
kapcsolatát fogjuk modellezni. Mielıtt a logisztikus regresszió output-
részletét szemügyre vennénk, emlékezzünk vissza, hogy a nık esélyhá-
nyadosa a férfiakhoz képest 1,93 volt. Nézzük meg, hol lelhetı fel ez
az érték az outputban.10 (9.5. táblázat)
10 A 9-es SPSS-ben sem alakították át a logisztikus regresszió régi outputját, ezért ta-
lálkozunk ilyen kezdetleges formátumú táblázatokkal.
9.5. táblázat
-------------- Variables in the Equation --------------
9.6. táblázat
Dependent Variable Encoding:
Original Internal
Value Value
1,00 0
2,00 1
9.7. táblázat
Beginning Block Number 0. Initial Log Likelihood
Function
14 Azt érdemes elırebocsátanunk, hogy egy független változó akkor lép be a modell-
be, ha hatékonyan javítja az illeszkedést, és akkor kerül kidobásra, ha távozása nem
jár érdemi illeszkedésromlással. Azt azonban, hogy miféle statisztikával teszteljük,
hogy a modell illeszkedésének javulása, illetve romlása szignifikáns-e egy adott
változó be-, illetve kilépése esetén, nem tárgyaljuk.
9.8. táblázat
Beginning Block Number 0. Initial Log Likelihood
Function
9.11. táblázat
-2 Log Likelihood 2277,285
Goodness of Fit 1716,973
Cox & Snell - R^2 ,025
Nagelkerke - R^2 ,034
9.12. táblázat
Chi-Square df Significance
20 Ha egy bináris változó két kategóriája között 50–50 százalékos megoszlást tapasz-
talunk, akkor maximális heterogenitású a változó. Az ennél egyenlıtlenebb, azaz
ferde eloszlású változó szórása kisebb.
21 Egy asszociációs mérıszámot akkor nevezhetünk jól diszkutálhatónak, ha igaz rá,
hogy kétszer nagyobb értéke kétszer olyan erıs kapcsolatot jelez.
9.13. táblázat
1 new variables have been created.
Name Contents
22 A szemfüles olvasó talán arra is rájött már, hogy ebben az esetben nyugodtan
használhatunk ANOVA-t is, hiszen itt eta2 = R2.
9.14. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,159a ,025 ,025 7,72E-02
a. Predictors: (Constant), HIVO2 hivõ-e
9.15. táblázat
PRE_1 Predicted Value
Valid Cumulativ
Frequency Percent Percent e Percent
Valid ,50272 736 42,9 42,9 42,9
,66053 981 57,1 57,1 100,0
Total 1717 100,0 100,0
9.16. táblázat
Classification Table for HIVO2
The Cut Value is ,50
Predicted
nem igen Percent Correct
n │ i
Observed ┼──────┼───────┼
nem n │ 0 │ 699 │ ,00%
┼──────┼───────┼
igen i │ 0 │ 1018 │ 100,00%
┼──────┼───────┼
Overall 59,29%
23 A mintánkban a férfiakon belül 50,3, a nıkön belül pedig 66,1 a vallásosak aránya.
e B0 + B1 X 1
Ezeket a valószínőségeket a már ismert P( Y = 1 ) = képlet alapján szá-
1 + e B0 + B1 X1
molja ki a program.
24 Emlékezzünk rá, hogy a logisztikus regresszió azzal kezdte ténykedését, hogy a
HIVO2 változó 1-es értékét 0-ra, a 2-est pedig 1-re kódolta át.
9.17. táblázat
-------------- Variables in the Equation --------------
9.18. táblázat
Chi-Square df Significance
27 Mivel a file csak olyan megkérdezetteket tartalmaz, akik minden a modellben sze-
replı változón valid értékkel bírnak, a D0 értéke az egyváltozós modellhez képest
nem változott.
9.19. táblázat
Classification Table for HIVO2
The Cut Value is ,50
Predicted
nem igen Percent Correct
n │ i
Observed ┼──────┼──────┼
nem n │ 322 │ 377 │ 46,07%
┼──────┼──────┼
igen i │ 222 │ 796 │ 78,19%
┼──────┼──────┼
Overall 65,11%
9.20. táblázat
HIVO2 hivõ-e * PGR_1 Predicted Group Crosstabulation
Count
PGR_1 Predicted
Group
1,00 nem 2,00 igen Total
HIVO2 1,00 nem 322 377 699
hivõ-e 2,00 igen 222 796 1018
Total 544 1173 1717
9.21. táblázat
Directional Measures
Asymp. Approx.
a b
Value Std. Error Approx. T Sig.
Nominal by Lambda Symmetric ,080 ,018 4,311 ,000
Nominal HIVO2 hivõ-e Dependent ,143 ,031 4,311 ,000
PGR_1 Predicted Group c c
,000 ,000 , ,
Dependent
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Cannot be computed because the asymptotic standard error equals zero.
9.22. táblázat
-------------- Variables in the Equation --------------
9.23. táblázat
Model Summary
Std. Error
Adjusted of the
Model R R Square R Square Estimate
1 ,325a ,106 ,105 ,1519299
a. Predictors: (Constant), HIVO2 hivõ-e
9.24. táblázat
Descriptive Statistics
Std.
N Minimum Maximum Mean Deviation
NEME a kérdezett neme 1717 1,000 2,000 1,571 ,495
KOR a kérdezett kora 1717 41,000 95,000 58,830 11,768
LOGIT 1717 -,918 2,592 ,430 ,740
Valid N (listwise) 1717
9.27. táblázat
Chi-Square df Significance
9.28. táblázat
HIVO2 hivõ-e * PGR_3 Predicted Group Crosstabulation
Count
PGR_3 Predicted
Group
1,00 nem 2,00 igen Total
HIVO2 1,00 nem 277 422 699
hivõ-e 2,00 igen 199 819 1018
Total 476 1241 1717
9.29. táblázat
Directional Measures
Asymp. Approx.
a b
Value Std. Error Approx. T Sig.
Nominal by Lambda Symmetric ,066 ,018 3,589 ,000
Nominal HIVO2 hivõ-e Dependent ,112 ,029 3,589 ,000
PGR_3 Predicted Group c c
,000 ,000 , ,
Dependent
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Cannot be computed because the asymptotic standard error equals zero.
9.31. táblázat
-------------- Variables in the Equation --------------
9.32. táblázat
-------------- Variables in the Equation --------------
9.33. táblázat
Dependent Variable Encoding:
Original Internal
Value Value
,00 0
1,00 1
9.34. táblázat
Parameter
Value Freq Coding
(1) (2) (3) (4)
GYFELEK
római kat. 1 1898 ,000 ,000 ,000 ,000
görög kat. 2 117 1,000 ,000 ,000 ,000
református 3 622 ,000 1,000 ,000 ,000
evangélikus 4 86 ,000 ,000 1,000 ,000
semmilyen 5 114 ,000 ,000 ,000 1,000
TELTIP
község 1 1072 ,000 ,000 ,000
város 2 822 1,000 ,000 ,000
megyeszékhely 3 396 ,000 1,000 ,000
Budapest 4 547 ,000 ,000 1,000
9.35. táblázat
Dependent Variable.. HIVO2 hivı-e
9.36. táblázat
* Constant is included in the model.
9.37. táblázat
Estimation terminated at iteration number 4 because
Log Likelihood decreased by less than ,01 percent.
9.38. táblázat
Chi-Square df Significance
9.39. táblázat
Classification Table for HIVO2
The Cut Value is ,50
Predicted
nem igen Percent Correct
n │ i
Observed ┼──────┼──────┼
nem n │ 938 │ 512 │ 64,69%
┼──────┼──────┼
igen i │ 293 │ 1094 │ 78,88%
┼──────┼──────┼
Overall 71,62%
9.40. táblázat
HIVO2 hivõ-e * PGR_1 Predicted Group Crosstabulation
PGR_1 Predicted
Group
,00 nem 1,00 igen Total
HIVO2 ,00 nem Count 938 512 1450
hivõ-e 51,1%
1,00 igen Count 293 1094 1387
48,9%
Total Count 1231 1606 2837
9.41. táblázat
Directional Measures
Asymp. Approx.
a b
Value Std. Error Approx. T Sig.
Nominal by Lambda Symmetric ,385 ,021 16,523 ,000
Nominal HIVO2 hivõ-e Dependent ,420 ,022 15,095 ,000
PGR_1 Predicted Group
,346 ,025 11,443 ,000
Dependent
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
9.42. táblázat
-------------- Variables in the Equation --------------
9.43. táblázat
Chi-Square df Significance
44 Egy változó elhagyásával a D0 értéke csak akkor változhat meg, ha az elhagyott vál-
tozón missingek is szerepelnek.
9.44. táblázat
Classification Table for HIVO2
The Cut Value is ,50
Predicted
nem igen Percent Correct
n │ i
Observed ┼──────┼──────┼
nem n │ 936 │ 514 │ 64,55%
┼──────┼──────┼
igen i │ 287 │ 1100 │ 79,31%
┼──────┼──────┼
Overall 71,77%
9.45. táblázat
-------------- Variables in the Equation --------------
45 Az értelmezés azért történt így, mert a nem változón a férfiakat 1-es, a nıket 2-es
kódérték jelöli.
9.46. táblázat
Classification Table for HIVO2
The Cut Value is ,50
Predicted
nem igen Percent Correct
n │ i
Observed ┼──────┼──────┼
nem n │ 930 │ 520 │ 64,14%
┼──────┼──────┼
igen i │ 280 │ 1107 │ 79,81%
┼──────┼──────┼
Overall 71,80%
9.47. táblázat
-------------- Variables in the Equation --------------
9.48. táblázat
Wilks' Lambda
Wilks' Chi-squar
Test of Function(s) Lambda e df Sig.
1 ,748 822,114 4 ,000
9.49. táblázat
Structure Matrix
Function
1
GYVALSZ szülei
,888
vallásosan nevelték-e
KOR a kérdezett kora ,582
ISKOSZT elvégzett
-,423
iskolai osztályok száma
NEME a kérdezett neme ,255
Pooled within-groups correlations between discriminating
variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
A függvény egy olyan skálát feszít ki, amelynek pozitív pólusán a vallá-
sosan nevelt, idıs, iskolázatlan nık helyezkednek el, a negatív végén
pedig az ateista környezetben nevelkedett, fiatal, iskolázott férfiak.
Emlékezzünk rá, hogy ilyen interpretáció esetén mennyire nem tudjuk
megmondani, hogy mit jelent a skála középsı része, kik foglalnak ott
helyet. Egyelıre tegyük túl magunkat ezen – az egyébként zárójelbe
nem tehetı – problémán, és nézzük meg, a függvény milyen csoport-
átlagokat produkál. (9.50. táblázat)
9.50. táblázat
Functions at Group Centroids
Function
HIVO2 hivõ-e 1
,00 nem -,567
1,00 igen ,593
Unstandardized canonical discriminant
functions evaluated at group means
9.51. táblázat
Classification Resultsa
Predicted Group
Membership
HIVO2 hivõ-e ,00 nem 1,00 igen Total
Original Count ,00 nem 891 559 1450
1,00 igen 255 1132 1387
Ungrouped cases 53 32 85
% ,00 nem 61,4 38,6 100,0
1,00 igen 18,4 81,6 100,0
Ungrouped cases 62,4 37,6 100,0
a. 71,3% of original grouped cases correctly classified.
9.52. táblázat
PGR_2 Predicted Group * DIS_1 Predicted Group for Analysis 1
Crosstabulation
Count
DIS_1 Predicted
Group for Analysis 1
,00 nem 1,00 igen Total
PGR_2 Predicted ,00 nem 1198 66 1264
Group 1,00 igen 1 1657 1658
Total 1199 1723 2922
Azt látjuk, hogy 67 eset kivételével, amely mindössze 2,3 százalékos té-
vedést jelent, a két módszer azonos besorolásokat eredményezett.
Ezek után azt mondhatjuk, hogy a logisztikus regresszió abban az
értelemben múlja felül a diszkriminancia-analízist mint módszert, hogy
nem kell megküzdenünk egy aggregált mutató, a diszkrimináló függ-
vény interpretálásával. A logisztikus regresszió a lineáris regresszióban
már megismert logika szerint a parciális hatásokat tükrözve megadja
a magyarázó változók erısorrendjét és teljesen érzéketlen arra, hogy a füg-
getlen változók képesek-e értelmes struktúrába szervezıdni vagy sem.
Azok számára, akik a matematikai elıfeltevéseket szeretnék komolyan
venni, mindenképpen azt ajánljuk, hogy a logisztikus regresszió mellett
döntsenek, vállalva ezzel azt, hogy csak sok áttételen keresztül lesznek
képesek a tényleges függı változó viselkedésére vonatkozó következte-
tések levonására. Jónéhányan közülünk nehezen barátkoznak meg a lo-
gisztikus regresszió logikájával és fogalomkészletével, mégis azt taná-
csoljuk, hogy csak akkor meneküljenek a diszkriminancia-analízisbe, ha
az ott létrejövı diszkrimináló függvények interpretálása megnyugtató
módon lehetséges.
MELLÉKLET
hiányzó adatok
a módszer és kezelése
a faktorszám
KMO és
meg-
Bartlett-
választása a fıkomponens,
teszt a kijelölt
illetve faktorszkórok
változók
mentése
rotálás
KMO és
Bartlett-teszt visszalépés a
fımenübe
Melléklet 427
visszalépés
a fımenübe
a módszerek
megválasztása
az iterációk maximális
a fıkomponens-, számának megadása (csak
illetve a faktorszám faktorelemzésnél)
meghatározása
visszalépés
a fımenübe
rotált
faktormátrix
megjelenítése
a rotálás módszerének
megválasztása (VARIMAX)
visszalépés
a fımenübe
a mentés
a szkórok módszere
elmentése (REGRESSION)
visszalépés a
fımenübe
a hiányzó adatok
kezelése
(LISTWISE VAGY
PAIRWISE)
Melléklet 429
a parancs futtatása
Hierarchikus klaszterezés
Melléklet 431
a klaszterképzı módszerek
változók mentés
beépítése
ábrák
statisztikák
a klaszterképzés
története visszalépés
a fımenübe
az elemek
klaszterekbe
tömörülését
szemléltetı ábra visszalépés
a fımenübe
minden „lépés”
szerepel
az ábra
elhelyezése
csak bizonyos klaszterszámra kérünk ábrát:
nem például Start: 3 Stop:7, by:2 beírása esetén a 3,
kérünk az 5 és a 7 klaszteres megoldás jelenik meg
ábrát
a
klaszterképzı a távolság
változók „mértékegysége”
standardizálá
Melléklet 433
nem
mentünk
visszalépés a
fımenübe
K-Means klaszterezés
Melléklet 435
statisztikák
a középpontok a klaszterek és a
mentése és elıhívása száma mentés
hiányzó
adatok
az iteráció kezelése
a klaszterképzı szabályozása
változók
beépítése
visszalépés a
fımenübe
visszalépés a
fımenübe
Melléklet 437
visszalépés
látni akarjuk az a fımenübe
iniciális
középpontokat
egy nem
hagyományos
ANOVA-táblázat
a hiányzó adatok
Nagy file-oknál ne kezelése
kérjünk minden elemre
információt!
Melléklet 439
módszerek: ENTER,
függı FORWARD,
változó BACKWARD,
STEPWISE
független változók
a regressziós
együtthatók
megjelenítése
konfidencia visszalépés
intervallum a fımenübe
a „B”-k köré
visszalépés
a fımenübe
a reziduálisok
grafikus vizsgálata
a
regressziós vissza-
becslések lépés a
elmentése fımenübe
reziduálisok
elmentése
Melléklet 441
visszalépés a
fımenübe
hiányzó adatok
kezelése (LISTWISE)
Melléklet 443
visszalépés
a fımenübe
a független
változók átlagai
és szórásai
a csoportokon belüli
korrelációk átlagát mutató
mátrix
visszalépés a
a független változók hatása a fımenübe
függı változóra (egyszempontú
ANOVA)
Vissza-
lépés a
fımenübe
a modell a within-
group korrelációkból
indul
találatmátrix ábrák
Melléklet 445
a becsült
csoporthovatar-
tozás mentése
visszalépés
a fımenübe
a diszkrimináló a posteriori
függvények értékeinek valószínőségek
mentése mentése
Melléklet 447
távolságtömbbel
dolgozunk
a változók mérési
szintje, a modell
típusa
a távolságmátrix a távolság ábrák, az iterációs
meghatározása az megadásának módja paraméterek
adatokból meghatározása
a távolság
„mértékegységének”
megadása
visszalépés a
fımenübe
a távolság
változók „mértékegysége”
mérési szintje
visszalépés a
fımenübe
a tengelyek számának
változók
a modell típusa meghatározása
mérési szintje
visszalépés a
fımenübe
ábrák
az iterációs
paraméterek
meghatározása
Melléklet 449
visszalépés a
fımenübe
kategoriális változó
beépítése a referencia csoport kiválasztása (csak az elsı és
utolsó kategória választása lehetséges)
Melléklet 451
visszalépés a
fımenübe
reziduális mentése
becsült valószínőségek csoportazonosítók
mentése elmentése
deviánsok
listázása
Vissza-
lépés a
fımenübe
csak a változó
szelektálásnál használatos
kritériumok szabályozása
FELHASZNÁLT IRODALOM