Introduction to Linear Regression

Analysis (Wiley Series in Probability

and Statistics) 6th Edition Montgomery
Visit to download the full and correct content document:
https://ebookmass.com/product/introduction-to-linear-regression-analysis-wiley-series
-in-probability-and-statistics-6th-edition-montgomery/
 MONTGOMERY
A comprehensive and current introduction PECK
VINING
to the fundamentals of regression analysis
Introduction to Linear Regression Analysis, 6th Edition is the most comprehensive,
fulsome, and current examination of the foundations of linear regression analysis. Fully
SIXTH EDITION

LINEAR REGRESSION ANALYSIS

updated in this new sixth edition, the distinguished authors have included new material
on generalized regression techniques and new examples to help the reader understand
retain the concepts taught in the book.

The new edition focuses on four key areas of improvement over the fifth edition:
INTRODUCTION TO
LINEAR
• New exercises and data sets

INTRODUCTION TO
• New material on generalized regression techniques
• The inclusion of JMP software in key areas

REGRESSION
• Carefully condensing the text where possible

Introduction to Linear Regression Analysis skillfully blends theory and application

in both the conventional and less common uses of regression analysis in today’s

ANALYSIS
cutting-edge scientific research. The text equips readers to understand the basic
principles needed to apply regression model-building techniques in various fields of
study, including engineering, management, and the health sciences.

DOUGLAS C. MONTGOMERY, PHD, is Regents Professor of Industrial Engineering

and Statistics at Arizona State University. Dr. Montgomery is the co-author of several
Wiley books including Introduction to Linear Regression Analysis, 5th Edition.

ELIZABETH A. PECK, PHD, is Logistics Modeling Specialist at the Coca-Cola

Company in Atlanta, Georgia.

G. GEOFFREY VINING, PHD, is Professor in the Department of Statistics at Virginia

Polytechnic and State University. Dr. Peck is co-author of Introduction to Linear
Regression Analysis, 5th Edition.

A Companion website with additional resources is available at

www.wiley.com/go/montgomery/introlinearregression6e SIXTH
EDITION
DOUGLAS C. MONTGOMERY | ELIZABETH A. PECK
Cover Design: Wiley
Cover Images: Abstract marbled background, blue marbling wavy lines G. GEOFFREY VINING
© oxygen/Getty Images, Linear Regression analysis graph Courtesy of
Douglas C. Montgomery

www.wiley.com
 INTRODUCTION TO LINEAR
REGRESSION ANALYSIS

ffirs.indd 1 01/30/2021 3.47.08 PM

 WILEY SERIES IN PROBABILITY AND STATISTICS

Established by WALTER A. SHEWHART and SAMUEL S. WILKS

Editors: David J. Balding, Noel A. C. Cressie, Garrett M. Fitzmaurice,

Harvey Goldstein, Iain M. Johnstone, Geert Molenberghs, David W. Scott,
Adrian F. M. Smith, Ruey S. Tsay, Sanford Weisberg
Editors Emeriti: Vic Barnett, J. Stuart Hunter, Joseph B. Kadane, Jozef L. Teugels

A complete list of the titles in this series appears at the end of this volume.

ffirs.indd 2 01/30/2021 3.47.08 PM

 INTRODUCTION TO LINEAR
REGRESSION ANALYSIS
Sixth Edition

DOUGLAS C. MONTGOMERY
Arizona State University
School of Computing, Informatics, and Decision Systems Engineering
Tempe, AZ

ELIZABETH A. PECK
The Coca-Cola Company (retired)
Atlanta, GA

G. GEOFFREY VINING
Virginia Tech
Department of Statistics
Blacksburg, VA

ffirs.indd 3 01/30/2021 3.47.08 PM

 This sixth edition first published 2021
© 2021 John Wiley & Sons, Inc.

Edition History
John Wiley and Sons, Inc. (5e, 2012)

All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or trans-
mitted, in any form or by any means, electronic, mechanical, photocopying, recording or otherwise, except
as permitted by law. Advice on how to obtain permission to reuse material from this title is available at
http://www.wiley.com/go/permissions.

The right of Douglas C. Montgomery, Elizabeth A. Peck, and G. Geoffrey Vining to be identified as the
authors of this work has been asserted in accordance with law.

Registered Office(s)
John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030, USA

Editorial Office
111 River Street, Hoboken, NJ 07030, USA

For details of our global editorial offices, customer services, and more information about Wiley products
visit us at www.wiley.com.

Wiley also publishes its books in a variety of electronic formats and by print-on-demand. Some content
that appears in standard print versions of this book may not be available in other formats.

Limit of Liability/Disclaimer of Warranty: While the publisher and authors have used their best efforts
in preparing this work, they make no representations or warranties with respect to the accuracy or com-
pleteness of the contents of this work and specifically disclaim all warranties, including without limitation
any implied warranties of merchantability or fitness for a particular purpose. No warranty may be created
or extended by sales representatives, written sales materials or promotional statements for this work.
The fact that an organization, website, or product is referred to in this work as a citation and/or potential
source of further information does not mean that the publisher and authors endorse the information or
services the organization, website, or product may provide or recommendations it may make. This work
is sold with the understanding that the publisher is not engaged in rendering professional services. The
advice and strategies contained herein may not be suitable for your situation. You should consult with
a specialist where appropriate. Further, readers should be aware that websites listed in this work may
have changed or disappeared between when this work was written and when it is read. Neither the
publisher nor authors shall be liable for any loss of profit or any other commercial damages, including
but not limited to special, incidental, consequential, or other damages.

Library of Congress Cataloging-in-Publication Data

Names: Montgomery, Douglas C., author. | Peck, Elizabeth A., 1953– author.
| Vining, G. Geoffrey, 1954– author.
Title: Introduction to linear regression analysis / Douglas C. Montgomery,
Elizabeth A. Peck, G. Geoffrey Vining.
Description: Fifth edition. | Hoboken, New Jersey : Wiley, [2020] | Series:
Wiley series in probability and statistics | Includes bibliographical
references and index.
Identifiers: LCCN 2020034055 (print) | LCCN 2020034056 (ebook) | ISBN
9781119578727 (hardback) | ISBN 9781119578741 (adobe pdf) | ISBN
9781119578758 (epub)
Subjects: LCSH: Regression analysis.
Classification: LCC QA278.2 .M65 2020 (print) | LCC QA278.2 (ebook) | DDC
519.5/36–dc23
LC record available at https://lccn.loc.gov/2020034055
LC ebook record available at https://lccn.loc.gov/2020034056

Cover Design: Wiley

Cover Images: Abstract marbled background, blue marbling wavy lines © oxygen/Getty Images,
Linear Regression analysis graph Courtesy of Douglas C. Montgomery

Set in 10/12pt TimesTenRoman by SPi Global, Pondicherry, India

10 9 8 7 6 5 4 3 2 1

ffirs.indd 4 01/30/2021 3.47.08 PM

 CONTENTS

PREFACE xiii
ABOUT THE COMPANION WEBSITE xvi

1. INTRODUCTION 1
1.1 Regression and Model Building / 1
1.2 Data Collection / 5
1.3 Uses of Regression / 9
1.4 Role of the Computer / 10

2. SIMPLE LINEAR REGRESSION 12

2.1 Simple Linear Regression Model / 12
2.2 Least-Squares Estimation of the Parameters / 13
2.2.1 Estimation of β0 and β1 / 13
2.2.2 Properties of the Least-Squares Estimators
and the Fitted Regression Model / 18
2.2.3 Estimation of σ2 / 20
2.2.4 Alternate Form of the Model / 22
2.3 Hypothesis Testing on the Slope and Intercept / 22
2.3.1 Use of t Tests / 22
2.3.2 Testing Significance of Regression / 24
2.3.3 Analysis of Variance / 25
2.4 Interval Estimation in Simple Linear Regression / 29
2.4.1 Confidence Intervals on β0, β1, and σ 2 / 29
2.4.2 Interval Estimation of the Mean Response / 30
2.5 Prediction of New Observations / 33
v

ftoc.indd 5 01/30/2021 3.47.44 PM

 vi  CONTENTS

2.6 Coefficient of Determination / 35

2.7 A Service Industry Application of Regression / 37
2.8 Does Pitching Win Baseball Games? / 39
2.9 Using SAS® and R for Simple Linear Regression / 41
2.10 Some Considerations in the Use of Regression / 44
2.11 Regression Through the Origin / 46
2.12 Estimation by Maximum Likelihood / 52
2.13 Case Where the Regressor x is Random / 53
2.13.1 x and y Jointly Distributed / 54
2.13.2 x and y Jointly Normally Distributed: Correlation Model / 54
Problems / 59

3. MULTIPLE LINEAR REGRESSION 69

3.1 Multiple Regression Models / 69
3.2 Estimation of the Model Parameters / 72
3.2.1 Least-Squares Estimation of the Regression
Coefficients / 72
3.2.2 Geometrical Interpretation of Least Squares / 79
3.2.3 Properties of the Least-Squares Estimators / 81
3.2.4 Estimation of σ2 / 82
3.2.5 Inadequacy of Scatter Diagrams in Multiple Regression / 84
3.2.6 Maximum-Likelihood Estimation / 85
3.3 Hypothesis Testing in Multiple Linear Regression / 86
3.3.1 Test for Significance of Regression / 86
3.3.2 Tests on Individual Regression Coefficients
and Subsets of Coefficients / 90
3.3.3 Special Case of Orthogonal Columns in X / 95
3.3.4 Testing the General Linear Hypothesis / 97
3.4 Confidence Intervals in Multiple Regression / 99
3.4.1 Confidence Intervals on the Regression Coefficients / 100
3.4.2 CI Estimation of the Mean Response / 101
3.4.3 Simultaneous Confidence Intervals on Regression
Coefficients / 102
3.5 Prediction of New Observations / 106
3.6 A Multiple Regression Model for the Patient Satisfaction Data / 106
3.7 Does Pitching and Defense Win Baseball Games? / 108
3.8 Using SAS and R for Basic Multiple Linear Regression / 110
3.9 Hidden Extrapolation in Multiple Regression / 111
3.10 Standardized Regression Coefficients / 115
3.11 Multicollinearity / 121
3.12 Why Do Regression Coefficients Have the Wrong Sign? / 123
Problems / 125

ftoc.indd 6 01/30/2021 3.47.44 PM

 CONTENTS  vii

4. MODEL ADEQUACY CHECKING 134

4.1 Introduction / 134
4.2 Residual Analysis / 135
4.2.1 Definition of Residuals / 135
4.2.2 Methods for Scaling Residuals / 135
4.2.3 Residual Plots / 141
4.2.4 Partial Regression and Partial Residual Plots / 148
4.2.5 Using Minitab®, SAS, and R for Residual Analysis / 151
4.2.6 Other Residual Plotting and Analysis Methods / 154
4.3 PRESS Statistic / 156
4.4 Detection and Treatment of Outliers / 157
4.5 Lack of Fit of the Regression Model / 161
4.5.1 A Formal Test for Lack of Fit / 161
4.5.2 Estimation of Pure Error from Near Neighbors / 165
Problems / 170

5. TRANSFORMATIONS AND WEIGHTING

TO CORRECT MODEL INADEQUACIES 177
5.1 Introduction / 177
5.2 Variance-Stabilizing Transformations / 178
5.3 Transformations to Linearize the Model / 182
5.4 Analytical Methods for Selecting a Transformation / 188
5.4.1 Transformations on y: The Box–Cox Method / 188
5.4.2 Transformations on the Regressor Variables / 190
5.5 Generalized and Weighted Least Squares / 194
5.5.1 Generalized Least Squares / 194
5.5.2 Weighted Least Squares / 196
5.5.3 Some Practical Issues / 197
5.6 Regression Models with Random Effects / 200
5.6.1 Subsampling / 200
5.6.2 The General Situation for a Regression Model
with a Single Random Effect / 204
5.6.3 The Importance of the Mixed Model in Regression / 208
Problems / 208

6. DIAGNOSTICS FOR LEVERAGE AND INFLUENCE 217

6.1 Importance of Detecting Influential Observations / 217
6.2 Leverage / 218
6.3 Measures of Influence: Cook’s D / 221
6.4 Measures of Influence: DFFITS and DFBETAS / 223
6.5 A Measure of Model Performance / 225

ftoc.indd 7 01/30/2021 3.47.45 PM

 viii  CONTENTS

6.6 Detecting Groups of Influential Observations / 226

6.7 Treatment of Influential Observations / 226
Problems / 227

7. POLYNOMIAL REGRESSION MODELS 230

7.1 Introduction / 230
7.2 Polynomial Models in One Variable / 230
7.2.1 Basic Principles / 230
7.2.2 Piecewise Polynomial Fitting (Splines) / 236
7.2.3 Polynomial and Trigonometric Terms / 242
7.3 Nonparametric Regression / 243
7.3.1 Kernel Regression / 244
7.3.2 Locally Weighted Regression (Loess) / 244
7.3.3 Final Cautions / 249
7.4 Polynomial Models in Two or More Variables / 249
7.5 Orthogonal Polynomials / 255
Problems / 261
8. INDICATOR VARIABLES 268
8.1 General Concept of Indicator Variables / 268
8.2 Comments on the Use of Indicator Variables / 281
8.2.1 Indicator Variables versus Regression on Allocated
Codes / 281
8.2.2 Indicator Variables as a Substitute for a Quantitative
Regressor / 282
8.3 Regression Approach to Analysis of Variance / 283
Problems / 288
9. MULTICOLLINEARITY 293
9.1 Introduction / 293
9.2 Sources of Multicollinearity / 294
9.3 Effects of Multicollinearity / 296
9.4 Multicollinearity Diagnostics / 300
9.4.1 Examination of the Correlation Matrix / 300
9.4.2 Variance Inflation Factors / 304
9.4.3 Eigensystem Analysis of XʹX / 305
9.4.4 Other Diagnostics / 310
9.4.5 SAS and R Code for Generating Multicollinearity
Diagnostics / 311
9.5 Methods for Dealing with Multicollinearity / 311
9.5.1 Collecting Additional Data / 311
9.5.2 Model Respecification / 312
9.5.3 Ridge Regression / 312

ftoc.indd 8 01/30/2021 3.47.45 PM

 CONTENTS  ix

9.5.4 Principal-Component Regression / 329

9.5.5 Comparison and Evaluation of Biased Estimators / 334
9.6 Using SAS to Perform Ridge and Principal-Component
Regression / 336
Problems / 338

10. VARIABLE SELECTION AND MODEL BUILDING 342

10.1 Introduction / 342
10.1.1 Model-Building Problem / 342
10.1.2 Consequences of Model Misspecification / 344
10.1.3 Criteria for Evaluating Subset Regression Models / 347
10.2 Computational Techniques for Variable Selection / 353
10.2.1 All Possible Regressions / 353
10.2.2 Stepwise Regression Methods / 359
10.3 Strategy for Variable Selection and Model Building / 367
10.4 Case Study: Gorman and Toman Asphalt Data Using SAS / 370
Problems / 383

11. VALIDATION OF REGRESSION MODELS 388

11.1 Introduction / 388
11.2 Validation Techniques / 389
11.2.1 Analysis of Model Coefficients and Predicted Values / 389
11.2.2 Collecting Fresh Data—Confirmation Runs / 391
11.2.3 Data Splitting / 393
11.3 Data from Planned Experiments / 401
Problems / 402

12. INTRODUCTION TO NONLINEAR REGRESSION 405

12.1 Linear and Nonlinear Regression Models / 405
12.1.1 Linear Regression Models / 405
12.1.2 Nonlinear Regression Models / 406
12.2 Origins of Nonlinear Models / 407
12.3 Nonlinear Least Squares / 411
12.4 Transformation to a Linear Model / 413
12.5 Parameter Estimation in a Nonlinear System / 416
12.5.1 Linearization / 416
12.5.2 Other Parameter Estimation Methods / 423
12.5.3 Starting Values / 424
12.6 Statistical Inference in Nonlinear Regression / 425
12.7 Examples of Nonlinear Regression Models / 427
12.8 Using SAS and R / 428
Problems / 432

ftoc.indd 9 01/30/2021 3.47.45 PM

 x  CONTENTS

13. GENERALIZED LINEAR MODELS 440

13.1 Introduction / 440
13.2 Logistic Regression Models / 441
13.2.1 Models with a Binary Response Variable / 441
13.2.2 Estimating the Parameters in a Logistic
Regression Model / 442
13.2.3 Interpretation of the Parameters in
a Logistic Regression Model / 447
13.2.4 Statistical Inference on Model
Parameters / 449
13.2.5 Diagnostic Checking in Logistic
Regression / 459
13.2.6 Other Models for Binary
Response Data / 461
13.2.7 More Than Two Categorical Outcomes / 461
13.3 Poisson Regression / 463
13.4 The Generalized Linear Model / 469
13.4.1 Link Functions and Linear Predictors / 470
13.4.2 Parameter Estimation and Inference
in the GLM / 471
13.4.3 Prediction and Estimation with the GLM / 473
13.4.4 Residual Analysis in the GLM / 475
13.4.5 Using R to Perform GLM Analysis / 477
13.4.6 Overdispersion / 480
Problems / 481

14. REGRESSION ANALYSIS OF TIME SERIES DATA 495

14.1 Introduction to Regression Models for
Time Series Data / 495
14.2 Detecting Autocorrelation: The Durbin–Watson
Test / 496
14.3 Estimating the Parameters in Time Series Regression
Models / 501
Problems / 517

15. OTHER TOPICS IN THE USE OF REGRESSION ANALYSIS 521

15.1 Robust Regression / 521
15.1.1 Need for Robust Regression / 521
15.1.2 M-Estimators / 524
15.1.3 Properties of Robust Estimators / 531

ftoc.indd 10 01/30/2021 3.47.45 PM

 CONTENTS  xi

15.2 Effect of Measurement Errors in the Regressors / 532

15.2.1 Simple Linear Regression / 532
15.2.2 The Berkson Model / 534
15.3 Inverse Estimation—The Calibration Problem / 534
15.4 Bootstrapping in Regression / 538
15.4.1 Bootstrap Sampling in Regression / 539
15.4.2 Bootstrap Confidence Intervals / 540
15.5 Classification and Regression Trees (CART) / 545
15.6 Neural Networks / 547
15.7 Designed Experiments for Regression / 549
Problems / 557

APPENDIX A. STATISTICAL TABLES 561

APPENDIX B. DATA SETS FOR EXERCISES 573

APPENDIX C. SUPPLEMENTAL TECHNICAL MATERIAL 602

C.1 Background on Basic Test Statistics / 602
C.2 Background from the Theory of Linear Models / 605
C.3 Important Results on SSR and SSRes / 609
C.4 Gauss-Markov Theorem, Var(ε) = σ2I / 615
C.5 Computational Aspects of Multiple Regression / 617
C.6 Result on the Inverse of a Matrix / 618
C.7 Development of the PRESS Statistic / 619
2
C.8 Development of S(i) / 621
C.9 Outlier Test Based on R-Student / 622
C.10 Independence of Residuals and Fitted Values / 624
C.11 Gauss–Markov Theorem, Var(ε) = V / 625
C.12 Bias in MSRes When the Model Is Underspecified / 627
C.13 Computation of Influence Diagnostics / 628
C.14 Generalized Linear Models / 629

APPENDIX D. INTRODUCTION TO SAS 641

D.1 Basic Data Entry / 642
D.2 Creating Permanent SAS Data Sets / 646
D.3 Importing Data from an EXCEL File / 647
D.4 Output Command / 648
D.5 Log File / 648
D.6 Adding Variables to an Existing SAS Data Set / 650

ftoc.indd 11 01/30/2021 3.47.45 PM

 xii  CONTENTS

APPENDIX E. INTRODUCTION TO R TO PERFORM LINEAR

REGRESSION ANALYSIS 651
E.1 Basic Background on R / 651
E.2 Basic Data Entry / 652
E.3 Brief Comments on Other Functionality in R / 654
E.4 R Commander / 655

REFERENCES 656
INDEX 670

ftoc.indd 12 01/30/2021 3.47.45 PM

 PREFACE

Regression analysis is one of the most widely used techniques for analyzing multi-
factor data. Its broad appeal and usefulness result from the conceptually logical
process of using an equation to express the relationship between a variable of inter-
est (the response) and a set of related predictor variables. Regression analysis is also
interesting theoretically because of elegant underlying mathematics and a well-
developed statistical theory. Successful use of regression requires an appreciation of
both the theory and the practical problems that typically arise when the technique
is employed with real-world data.
This book is intended as a text for a basic course in regression analysis. It contains
the standard topics for such courses and many of the newer ones as well. It blends both
theory and application so that the reader will gain an understanding of the basic prin-
ciples necessary to apply regression model-building techniques in a wide variety of
application environments. The book began as an outgrowth of notes for a course in
regression analysis taken by seniors and first-year graduate students in various fields of
engineering, the chemical and physical sciences, statistics, mathematics, and manage-
ment. We have also used the material in many seminars and industrial short courses for
professional audiences. We assume that the reader has taken a first course in statistics
and has familiarity with hypothesis tests and confidence intervals and the normal, t, χ2,
and F distributions. Some knowledge of matrix algebra is also necessary.
The computer plays a significant role in the modern application of regression.
Today even spreadsheet software has the capability to fit regression equations by
least squares. Consequently, we have integrated many aspects of computer usage
into the text, including displays of both tabular and graphical output, and general
discussions of capabilities of some software packages. We use Minitab®, JMP®,
SAS®, and R for various problems and examples in the text. We selected these
packages because they are widely used both in practice and in teaching regression
and they have good regression. Many of the homework problems require software
for their solution. All data sets in the book are available in electronic form from the
xiii

fpref.indd 13 01/30/2021 3.47.33 PM

 xiv  PREFACE

publisher. The ftp site ftp://ftp.wiley.com/public/sci_tech_med/introduction_linear_

regression hosts the data, problem solutions, PowerPoint files, and other material
related to the book.

CHANGES IN THE SIXTH EDITION

We have made a number of changes in this edition of the book. This includes the
reorganization of text material, new examples, new exercises, and new material on
a variety of topics. Our objective was to make the book more useful as both a text
and a reference and to update our treatment of certain topics.
Chapter 1 is a general introduction to regression modeling and describes some typical
applications of regression. Chapters 2 and 3 provide the standard results for least-
squares model fitting in simple and multiple regression, along with basic inference
procedures (tests of hypotheses, confidence and prediction intervals). Chapter 4 dis-
cusses some introductory aspects of model adequacy checking, including residual analy-
sis and a strong emphasis on residual plots, detection and treatment of outliers, the
PRESS statistic, and testing for lack of fit. Chapter 5 discusses how transformations and
weighted least squares can be used to resolve problems of model inadequacy or to deal
with violations of the basic regression assumptions. Both the Box–Cox and Box–Tidwell
techniques for analytically specifying the form of a transformation are introduced. Influ-
ence diagnostics are presented in Chapter 6, along with an introductory discussion of
how to deal with influential observations. Polynomial regression models and their varia-
tions are discussed in Chapter 7. Topics include the basic procedures for fitting and
inference for polynomials and discussion of centering in polynomials, hierarchy, piece-
wise polynomials, models with both polynomial and trigonometric terms, orthogonal
polynomials, an overview of response surfaces, and an introduction to nonparametric
and smoothing regression techniques. Chapter 8 introduces indicator variables and also
makes the connection between regression and analysis-of-variance models. Chapter 9
focuses on the multicollinearity problem. Included are discussions of the sources of
multicollinearity, its harmful effects, diagnostics, and various remedial measures. We
introduce biased estimation, including ridge regression and some of its variations and
principal-component regression.Variable selection and model-building techniques are
developed in Chapter 10, including stepwise procedures and all-possible-regressions. We
also discuss and illustrate several criteria for the evaluation of subset regression models.
Chapter 11 presents a collection of techniques useful for regression model validation.
The first 11 chapters are the nucleus of the book. Many of the concepts and
examples flow across these chapters. The remaining four chapters cover a variety of
topics that are important to the practitioner of regression, and they can be read
independently. Chapter 12 in introduces nonlinear regression, and Chapter 13 is a
basic treatment of generalized linear models. While these are perhaps not standard
topics for a linear regression textbook, they are so important to students and profes-
sionals in engineering and the sciences that we would have been seriously remiss
without giving an introduction to them. Chapter 14 covers regression models for
time series data. Chapter 15 includes a survey of several important topics, including
robust regression, the effect of measurement errors in the regressors, the inverse
estimation or calibration problem, bootstrapping regression estimates, classification
and regression trees, neural networks, and designed experiments for regression.
In addition to the text material, Appendix C contains brief presentations of some
additional topics of a more technical or theoretical nature. Some of these topics will

fpref.indd 14 01/30/2021 3.47.33 PM

 PREFACE  xv

be of interest to specialists in regression or to instructors teaching a more advanced

course from the book. Computing plays an important role in many regression
courses. Mintab, JMP, SAS, and R are widely used in regression courses. Outputs
from all of these packages are provided in the text. Appendix D is an introduction
to using SAS for regression problems. Appendix E is an introduction to R.

USING THE BOOK AS A TEXT

Because of the broad scope of topics, this book has great flexibility as a text. For a
first course in regression, we would recommend covering Chapters 1 through 10 in
detail and then selecting topics that are of specific interest to the audience. For
example, one of the authors (D.C.M.) regularly teaches a course in regression to an
engineering audience. Topics for that audience include nonlinear regression (because
mechanistic models that are almost always nonlinear occur often in engineering), a
discussion of neural networks, and regression model validation. Other topics that
we would recommend for consideration are multicollinearity (because the problem
occurs so often) and an introduction to generalized linear models focusing mostly
on logistic regression. G.G.V. has taught a regression course for graduate students
in statistics that makes extensive use of the Appendix C material.
We believe the computer should be directly integrated into the course. In recent
years, we have taken a notebook computer and computer projector to most classes
and illustrated the techniques as they are introduced in the lecture. We have found
that this greatly facilitates student understanding and appreciation of the tech-
niques. We also require that the students use regression software for solving the
homework problems. In most cases, the problems use real data or are based on
real-world settings that represent typical applications of regression.
There is an instructor’s manual that contains solutions to all exercises, electronic
versions of all data sets, and questions/problems that might be suitable for use on
examinations.

ACKNOWLEDGMENTS

We would like to thank all the individuals who provided helpful feedback and
assistance in the preparation of this book. Dr. Scott M. Kowalski, Dr. Ronald G.
Askin, Dr. Mary Sue Younger, Dr. Russell G. Heikes, Dr. John A. Cornell, Dr. André
I. Khuri, Dr. George C. Runger, Dr. Marie Gaudard, Dr. James W. Wisnowski, Dr.
Ray Hill, and Dr. James R. Simpson made many suggestions that greatly improved
both earlier editions and this fifth edition of the book. We particularly appreciate
the many graduate students and professional practitioners who provided feedback,
often in the form of penetrating questions, that led to rewriting or expansion of
material in the book. We are also indebted to John Wiley & Sons, the American
Statistical Association, and the Biometrika Trustees for permission to use copy-
righted material.

Douglas C. Montgomery
Elizabeth A. Peck
G. Geoffrey Vining

fpref.indd 15 01/30/2021 3.47.33 PM

 ABOUT THE COMPANION WEBSITE

This book is accompanied by an instructor companion website and a student

companion website:

www.wiley.com/go/montgomery/introlinearregression6e

The instructor site includes PowerPoint slides to facilitate instructional use of the
book.
The student site includes data sets.

xvi

flast.indd 16 01/30/2021 3.47.21 PM

 CHAPTER 1

INTRODUCTION

1.1 REGRESSION AND MODEL BUILDING

Regression analysis is a statistical technique for investigating and modeling the

relationship between variables. Applications of regression are numerous and occur
in almost every field, including engineering, the physical and chemical sciences,
economics, management, life and biological sciences, and the social sciences. Regres-
sion analysis is used extensively in data mining and is a basic tool of data science
and analytics. Because of its wide applicability to a range of problems, regression
analysis may be the most widely used statistical technique.
As an example of a problem in which regression analysis may be helpful, suppose
that an industrial engineer employed by a soft drink beverage bottler is analyzing
the product delivery and service operations for vending machines. He suspects that
the time required by a route deliveryman to load and service a machine is related
to the number of cases of product delivered. The engineer visits 25 randomly chosen
retail outlets having vending machines, and the in-outlet delivery time (in minutes)
and the volume of product delivered (in cases) are observed for each. The 25 obser-
vations are plotted in Figure 1.1a. This graph is called a scatter diagram. This display
clearly suggests a relationship between delivery time and delivery volume; in fact,
the impression is that the data points generally, but not exactly, fall along a straight
line. Figure 1.1b illustrates this straight-line relationship.
If we let y represent delivery time and x represent delivery volume, then the
equation of a straight line relating these two variables is

y 0 1x (1.1)

Introduction to Linear Regression Analysis, Sixth Edition. Douglas C. Montgomery, Elizabeth A. Peck,
and G. Geoffrey Vining.
© 2021 John Wiley & Sons, Inc. Published 2021 by John Wiley & Sons, Inc.
Companion website: www.wiley.com/go/montgomery/introlinearregression6e

c01.indd 1 30-01-2021 14:20:27

 2  INTRODUCTION

80 80

70 70

60 60

Delivery time, y
Delivery time, y

50 50

40 40

30 30

20 20

10 10

0 0
0 10 20 30 0 10 20 30
Delivery volume, x Delivery volume, x
(a) (b)
Figure 1.1 (a) Scatter diagram for delivery volume. (b) Straight-line relationship between
delivery time and delivery volume.

where β0 is the intercept and β1 is the slope. Now the data points do not fall
exactly on a straight line, so Eq. (1.1) should be modified to account for this. Let the
difference between the observed value of y and the straight line (β0 + β1x) be an
error ε. It is convenient to think of ε as a statistical error; that is, it is a random vari-
able that accounts for the failure of the model to fit the data exactly. The error may
be made up of the effects of other variables on delivery time, measurement errors,
and so forth. Thus, a more plausible model for the delivery time data is

y 0 1x (1.2)

Equation (1.2) is called a linear regression model. Customarily x is called the inde-
pendent variable and y is called the dependent variable. However, this often causes
confusion with the concept of statistical independence, so we refer to x as the pre-
dictor or regressor variable and y as the response variable. Because Eq. (1.2) involves
only one regressor variable, it is called a simple linear regression model.
To gain some additional insight into the linear regression model, suppose that we
can fix the value of the regressor variable x and observe the corresponding value of
the response y. Now if x is fixed, the random component ε on the right-hand side of
Eq. (1.2) determines the properties of y. Suppose that the mean and variance of ε are
0 and σ2, respectively. Then the mean response at any value of the regressor variable is

E y|x y| x E 0 1x 0 1x

Notice that this is the same relationship that we initially wrote down following inspec-
tion of the scatter diagram in Figure 1.1a. The variance of y given any value of x is

2 2
Var y | x y| x Var 0 1x

Thus, the true regression model μy|x = β0 + β1x is a line of mean values, that is, the
height of the regression line at any value of x is just the expected value of y for that

c01.indd 2 30-01-2021 14:20:32

 Regression and Model Building  3

Observed values of y
for a given x
are sampled from Observed value
these distributions of y

N (0, σ2 = 2) μy|x Straight–line

approximation
y
True relationship

N (0, σ2 = 2)

Observed value of y

10 20 30 x x
Figure 1.2 How observations are generated Figure 1.3 Linear regression
in linear regression. approximation of a complex relationship.

x. The slope, β1 can be interpreted as the change in the mean of y for a unit change in
x. Furthermore, the variability of y at a particular value of x is determined by the vari-
ance of the error component of the model, σ2. This implies that there is a distribution
of y values at each x and that the variance of this distribution is the same at each x.
For example, suppose that the true regression model relating delivery time to
delivery volume is μy|x = 3.5 + 2x, and suppose that the variance is σ 2 = 2. Figure 1.2
illustrates this situation. Notice that we have used a normal distribution to describe
the random variation in ε. Since y is the sum of a constant β0 + β1x (the mean) and
a normally distributed random variable, y is a normally distributed random variable.
For example, if x = 10 cases, then delivery time y has a normal distribution with
mean 3.5 + 2(10) = 23.5 minutes and variance 2. The variance σ 2 determines the
amount of variability or noise in the observations y on delivery time. When σ 2 is
small, the observed values of delivery time will fall close to the line, and when σ 2 is
large, the observed values of delivery time may deviate considerably from the line.
In almost all applications of regression, the regression equation is only an approx-
imation to the true functional relationship between the variables of interest. These
functional relationships are often based on physical, chemical, or other engineering
or scientific theory, that is, knowledge of the underlying mechanism. Consequently,
these types of models are often called mechanistic models. For example, the familiar
physics equation momentum = mass × velocity is a mechanistic model.
Regression models, on the other hand, are thought of as empirical models. Figure
1.3 illustrates a situation where the true relationship between y and x is relatively
complex, yet it may be approximated quite well by a linear regression equation.
Sometimes the underlying mechanism is more complex, resulting in the need for a
more complex approximating function, as in Figure 1.4, where a “piecewise linear”
regression function is used to approximate the true relationship between y and x.
Generally regression equations are valid only over the region of the regressor
variables contained in the observed data. For example, consider Figure 1.5. Suppose
that data on y and x were collected in the interval x1 ≤ x ≤ x2. Over this interval the

c01.indd 3 30-01-2021 14:20:33

 4  INTRODUCTION

True relationship
y
Piecewise linear
regression
y approximation

x1 x2 x3
x x
Figure 1.4 Piecewise linear Figure 1.5 The danger of extrapolation
approximation of a complex relationship. in regression.

linear regression equation shown in Figure 1.5 is a good approximation of the true
relationship. However, suppose this equation were used to predict values of y for
values of the regressor variable in the region x2 ≤ x ≤ x3. Clearly the linear regres-
sion model is not going to perform well over this range of x because of model error
or equation error.
In general, the response variable y may be related to k regressors, x1, x2, . . . , xk,
so that

y 0 1 x1 2 x2  k xk (1.3)

This is called a multiple linear regression model because more than one regressor
is involved. The adjective linear is employed to indicate that the model is linear in
the parameters β0, β1, . . . , βk, not because y is a linear function of the x’s. We shall
see subsequently that many models in which y is related to the x’s in a nonlinear
fashion can still be treated as linear regression models as long as the equation is
linear in the β’s.
An important objective of regression analysis is to estimate the unknown param-
eters in the regression model. This process is also called fitting the model to the data.
We study several parameter estimation techniques in this book. One of these tech-
mques is the method of least squares (introduced in Chapter 2). For example, the
least-squares fit to the delivery time data is

yˆ 3.321 2.1762 x

where ŷ is the fitted or estimated value of delivery time corresponding to a delivery

volume of x cases. This fitted equation is plotted in Figure 1.1b.
The next phase of a regression analysis is called model adequacy checking, in
which the appropriateness of the model is studied and the quality of the fit ascer-
tained. Through such analyses the usefulness of the regression model may be deter-
mined. The outcome of adequacy checking may indicate either that the model is
reasonable or that the original fit must be modified. Thus, regression analysis is an
iterative procedure, in which data lead to a model and a fit of the model to the data
is produced. The quality of the fit is then investigated, leading either to modification

c01.indd 4 30-01-2021 14:20:38

 Data Collection  5

of the model or the fit or to adoption of the model. This process is illustrated several
times in subsequent chapters.
A regression model does not imply a cause-and-effect relationship between the
variables. Even though a strong empirical relationship may exist between two or
more variables, this cannot be considered evidence that the regressor variables and
the response are related in a cause-and-effect manner. To establish causality, the
relationship between the regressors and the response must have a basis outside the
sample data—for example, the relationship may be suggested by theoretical consid-
erations. Regression analysis can aid in confirming a cause-and-effect relationship,
but it cannot be the sole basis of such a claim.
Finally it is important to remember that regression analysis is part of a broader
data-analytic approach to problem solving. That is, the regression equation itself
may not be the primary objective of the study. It is usually more important to gain
insight and understanding concerning the system generating the data.

1.2 DATA COLLECTION

An essential aspect of regression analysis is data collection. Any regression analysis

is only as good as the data on which it is based. Three basic methods for collecting
data are as follows:

• A retrospective study based on historical data

• An observational study
• A designed experiment

A good data collection scheme can ensure a simplified and a generally more appli-
cable model. A poor data collection scheme can result in serious problems for the
analysis and its interpretation. The following example illustrates these three methods.

Example 1.1

Consider the acetone–butyl alcohol distillation column shown in Figure 1.6. The
operating personnel are interested in the concentration of acetone in the distillate
(product) stream. Factors that may influence this are the reboil temperature, the
condensate temperature, and the reflux rate. For this column, operating personnel
maintain and archive the following records:

• The concentration of acetone in a test sample taken every hour from the
product stream
• The reboil temperature controller log, which is a plot of the reboil
temperature
• The condenser temperature controller log
• The nominal reflux rate each hour

The nominal reflux rate is supposed to be constant for this process. Only infre-
quently does production change this rate. We now discuss how the three different
data collection strategies listed above could be applied to this process.  ■

c01.indd 5 30-01-2021 14:20:38

 6  INTRODUCTION

Condenser
Coolant

50

45 Distillate
Trays Reflux
40

35

30

25
Sidedraw
20

Feed 15

10
Trays
5

Reboiler
Steam

Bottoms

Figure 1.6 Acetone–butyl alcohol distillation column.

Retrospective Study We could pursue a retrospective study that would use either
all or a sample of the historical process data over some period of time to determine
the relationships among the two temperatures and the reflux rate on the acetone
concentration in the product stream. In so doing, we take advantage of previously
collected data and minimize the cost of the study. However, there are several
problems:

1. We really cannot see the effect of reflux on the concentration since we must
assume that it did not vary much over the historical period.
2. The data relating the two temperatures to the acetone concentration do not
correspond directly. Constructing an approximate correspondence usually
requires a great deal of effort.
3. Production controls temperatures as tightly as possible to specific target values
through the use of automatic controllers. Since the two temperatures vary so
little over time, we will have a great deal of difficulty seeing their real impact
on the concentration.
4. Within the narrow ranges that they do vary, the condensate temperature tends
to increase with the reboil temperature. As a result, we will have a great deal

c01.indd 6 30-01-2021 14:20:38

 Data Collection  7

of difficulty separating out the individual effects of the two temperatures. This
leads to the problem of collinearity or multicollinearity, which we discuss in
Chapter 9.

Retrospective studies often offer limited amounts of useful information. In

general, their primary disadvantages are as follows:

• Some of the relevant data often are missing.

• The reliability and quality of the data are often highly questionable.
• The nature of the data often may not allow us to address the problem at hand.
• The analyst often tries to use the data in ways they were never intended to be
used.
• Logs, notebooks, and memories may not explain interesting phenomena identi-
fied by the data analysis.

Using historical data always involves the risk that, for whatever reason, some of
the data were not recorded or were lost. Typically, historical data consist of informa-
tion considered critical and of information that is convenient to collect. The conve-
nient information is often collected with great care and accuracy. The essential
information often is not. Consequently, historical data often suffer from transcrip-
tion errors and other problems with data quality. These errors make historical data
prone to outliers, or observations that are very different from the bulk of the data.
A regression analysis is only as reliable as the data on which it is based.
Just because data are convenient to collect does not mean that these data are
particularly useful. Often, data not considered essential for routine process monitor-
ing and not convenient to collect do have a significant impact on the process. His-
torical data cannot provide this information since they were never collected. For
example, the ambient temperature may impact the heat losses from our distillation
column. On cold days, the column loses more heat to the environment than during
very warm days. The production logs for this acetone–butyl alcohol column do not
record the ambient temperature. As a result, historical data do not allow the analyst
to include this factor in the analysis even though it may have some importance.
In some cases, we try to use data that were collected as surrogates for what we
really needed to collect. The resulting analysis is informative only to the extent that
these surrogates really reflect what they represent. For example, the nature of the
inlet mixture of acetone and butyl alcohol can significantly affect the column’s per-
formance. The column was designed for the feed to be a saturated liquid (at the
mixture’s boiling point). The production logs record the feed temperature but do
not record the specific concentrations of acetone and butyl alcohol in the feed
stream. Those concentrations are too hard to obtain on a regular basis. In this case,
inlet temperature is a surrogate for the nature of the inlet mixture. It is perfectly
possible for the feed to be at the correct specific temperature and the inlet feed to
be either a subcooled liquid or a mixture of liquid and vapor.
In some cases, the data collected most casually, and thus with the lowest quality,
the least accuracy, and the least reliability, turn out to be very influential for explain-
ing our response. This influence may be real, or it may be an artifact related to the
inaccuracies in the data. Too many analyses reach invalid conclusions because they

c01.indd 7 30-01-2021 14:20:38

 8  INTRODUCTION

lend too much credence to data that were never meant to be used for the strict
purposes of analysis.
Finally, the primary purpose of many analyses is to isolate the root causes under-
lying interesting phenomena. With historical data, these interesting phenomena may
have occurred months or years before. Logs and notebooks often provide no sig-
nificant insights into these root causes, and memories clearly begin to fade over time.
Too often, analyses based on historical data identify interesting phenomena that go
unexplained.

Observational Study We could use an observational study to collect data for this
problem. As the name implies, an observational study simply observes the process
or population. We interact or disturb the process only as much as is required to
obtain relevant data. With proper planning, these studies can ensure accurate, com-
plete, and reliable data. On the other hand, these studies often provide very limited
information about specific relationships among the data.
In this example, we would set up a data collection form that would allow the
production personnel to record the two temperatures and the actual reflux rate at
specified times corresponding to the observed concentration of acetone in the
product stream. The data collection form should provide the ability to add com-
ments in order to record any interesting phenomena that may occur. Such a proce-
dure would ensure accurate and reliable data collection and would take care of
problems 1 and 2 above. This approach also minimizes the chances of observing an
outlier related to some error in the data. Unfortunately, an observational study
cannot address problems 3 and 4. As a result, observational studies can lend them-
selves to problems with collinearity.

Designed Experiment The best data collection strategy for this problem uses a
designed experiment where we would manipulate the two temperatures and the
reflux ratio, which we would call the factors, according to a well-defined strategy,
called the experimental design. This strategy must ensure that we can separate out
the effects on the acetone concentration related to each factor. In the process, we
eliminate any collinearity problems. The specified values of the factors used in the
experiment are called the levels. Typically, we use a small number of levels for each
factor, such as two or three. For the distillation column example, suppose we use a
“high” or +1 and a “low” or −1 level for each of the factors. We thus would use
two levels for each of the three factors. A treatment combination is a specific com-
bination of the levels of each factor. Each time we carry out a treatment combina-
tion is an experimental run or setting. The experimental design or plan consists of
a series of runs.
For the distillation example, a very reasonable experimental strategy uses
every possible treatment combination to form a basic experiment with eight differ-
ent settings for the process. Table 1.1 presents these combinations of high and low
levels. This experimental arrangement is called a factorial design.
Figure 1.7 illustrates that this factorial design forms a cube in terms of these high
and low levels. With each setting of the process conditions, we allow the column to
reach equilibrium, take a sample of the product stream, and determine the acetone
concentration. We then can draw specific inferences about the effect of these factors.
Such an approach allows us to proactively study a population or process.

c01.indd 8 30-01-2021 14:20:38

 Uses of Regression  9

TABLE 1.1 Designed Experiment

for the Distillation Column
Reboil Condensate Reflux
+1 te
Temperature Temperature Rate sa

Reflux
en p. +1

Rate
d
n em
−1 −1 −1 Co–1 T
–1
+1 −1 −1
−1 +1 −1 –1 Reboil +1
+1 +1 −1 Temp.

−1 −1 +1
+1 −1 +1 Figure 1.7 The designed experiment for the
−1 +1 +1 distillation column.
+1 +1 +1

1.3 USES OF REGRESSION

Regression models are used for several purposes, including the following:

1. Data description
2. Parameter estimation
3. Prediction and estimation
4. Control

Engineers and scientists frequently use equations to summarize or describe a set of

data. Regression analysis is helpful in developing such equations. For example, we
may collect a considerable amount of delivery time and delivery volume data, and
a regression model would probably be a much more convenient and useful summary
of those data than a table or even a graph.
Sometimes parameter estimation problems can be solved by regression methods.
For example, chemical engineers use the Michaelis–Menten equation y = β1x/
(x + β2) + ε to describe the relationship between the velocity of reaction y and
concentration x. Now in this model, β1 is the asymptotic velocity of the reaction, that
is, the maximum velocity as the concentration gets large. If a sample of observed
values of velocity at different concentrations is available, then the engineer can use
regression analysis to fit this model to the data, producing an estimate of the
maximum velocity. We show how to fit regression models of this type in Chapter 12.
Many applications of regression involve prediction of the response variable. For
example, we may wish to predict delivery time for a specified number of cases of
soft drinks to be delivered. These predictions may be helpful in planning delivery
activities such as routing and scheduling or in evaluating the productivity of delivery
operations. The dangers of extrapolation when using a regression model for predic-
tion because of model or equation error have been discussed previously (see Figure
1.5). However, even when the model form is correct, poor estimates of the model
parameters may still cause poor prediction performance.
Regression models may be used for control purposes. For example, a chemical
engineer could use regression analysis to develop a model relating the tensile
strength of paper to the hardwood concentration in the pulp. This equation could

c01.indd 9 30-01-2021 14:20:39

 10  INTRODUCTION

then be used to control the strength to suitable values by varying the level of hard-
wood concentration. When a regression equation is used for control purposes, it is
important that the variables be related in a causal manner. Note that a cause-and-
effect relationship may not be necessary if the equation is to be used only for pre-
diction. In this case it is only necessary that the relationships that existed in the
original data used to build the regression equation are still valid. For example, the
daily electricity consumption during August in Atlanta, Georgia, may be a good
predictor for the maximum daily temperature in August. However, any attempt to
reduce the maximum temperature by curtailing electricity consumption is clearly
doomed to failure.

1.4 ROLE OF THE COMPUTER

Building a regression model is an iterative process. The model-building process is

illustrated in Figure 1.8. It begins by using any theoretical knowledge of the process
that is being studied and available data to specify an initial regression model.
Graphical data displays are often very useful in specifying the initial model. Then
the parameters of the model are estimated, typically by either least squares or
maximum likelihood. These procedures are discussed extensively in the text. Then
model adequacy must be evaluated. This consists of looking for potential misspecifi-
cation of the model form, failure to include important variables, including unneces-
sary variables, or unusual/inappropriate data. If the model is inadequate, then
adjustments must be made and the parameters estimated again. This process may
be repeated several times until an adequate model is obtained. Finally, model valida-
tion should be carried out to ensure that the model will produce results that are
acceptable in the final application.
A good regression computer program is a necessary tool in the model-building
process. However, the routine application of standard regression computer pro-
grams often does not lead to successful results. The computer is not a substitute
for creative thinking about the problem. Regression analysis requires the intelligent
and artful use of the computer. We must learn how to interpret what the computer
is telling us and how to incorporate that information in subsequent models. Gener-
ally, regression computer programs are part of more general statistics software
packages, such as Minitab, SAS, JMP, and R. We discuss and illustrate the use of

No No
Data

Yes Model Yes Model Yes Model

Model Parameter adequacy
specification estimation validation use
checking

Theory

Figure 1.8 Regression model-building process.

c01.indd 10 30-01-2021 14:20:39

 Role of the Computer  11

these packages throughout the book. Appendix D contains details of the SAS pro-
cedures typically used in regression modeling along with basic instructions for their
use. Appendix E provides a brief introduction to the R statistical software package.
We present R code for doing analyses throughout the text. Without these skills, it
is virtually impossible to successfully build a regression model.

c01.indd 11 30-01-2021 14:20:39

 CHAPTER 2

SIMPLE LINEAR REGRESSION

2.1 SIMPLE LINEAR REGRESSION MODEL

This chapter considers the simple linear regression model, that is, a model with a
single regressor x that has a relationship with a response y that is a straight line. This
simple linear regression model is

y 0 1x (2.1)

where the intercept β0 and the slope β1 are unknown constants and ε is a random
error component. The errors are assumed to have mean zero and unknown variance
σ 2. Additionally we usually assume that the errors are uncorrelated. This means that
the value of one error does not depend on the value of any other error.
It is convenient to view the regressor x as controlled by the data analyst and
measured with negligible error, while the response y is a random variable. That is,
there is a probability distribution for y at each possible value for x. The mean of
this distribution is

E yx 0 1x (2.2a)

and the variance is

2
Var y x Var 0 1x (2.2b)

Introduction to Linear Regression Analysis, Sixth Edition. Douglas C. Montgomery, Elizabeth A. Peck,
and G. Geoffrey Vining.
© 2021 John Wiley & Sons, Inc. Published 2021 by John Wiley & Sons, Inc.
Companion website: www.wiley.com/go/montgomery/introlinearregression6e

12

c02.indd 12 30-01-2021 14:25:29

Another random document with
no related content on Scribd:
jostakin syystä vilahtivat ovessa ja katosivat. »Tuli katsomaan
naamiaispukuun puettua», ajatteli Mitja. Hän istuutui entiselle
tuolilleen. Hänen mielessään häämötti jotakin painajaisen tapaista ja
mahdotonta, hänestä tuntui, ettei hän ollut täydessä järjessään.

— No, mitä nyt, alatteko piestä minua raipoilla, muutahan ei enää

ole jäljellä, — puhui hän hampaitaan kiristellen kääntyen
prokuraattorin puoleen. Nikolai Parfenovitšiin päinkään hän ei enää
tahtonut kääntyä eikä pitänyt häntä puhuttelun arvoisena. »Liian
tarkasti hän katseli sukkiani, käskipä vielä, lurjus, kääntämään ne
nurinkin, sen hän teki tahallaan, jotta kaikki näkisivät, miten likaiset
alusvaatteeni ovat!»

— Nyt on ryhdyttävä kuulustelemaan todistajia, — lausui Nikolai

Parfenovitš ikäänkuin vastaukseksi Dmitri Fjodorovitšin
kysymykseen.

— Niin, — sanoi prokuraattori mietteissään, myös ikäänkuin

harkiten jotakin.

— Me, Dmitri Fjodorovitš, olemme tehneet teidän hyväksenne mitä

olemme voineet, — jatkoi Nikolai Parfenovitš, — mutta teidän
kieltäydyttyänne niin jyrkästi selittämästä meille hallussanne olevan
rahasumman alkuperää me tällä hetkellä…

— Mistä teidän sormuksenne kivi on tehty? — keskeytti äkkiä Mitja

ikäänkuin havahtuen mietteistään ja osoittaen sormellaan yhtä niistä
kolmesta isosta sormuskivestä, jotka koristivat Nikolai Parfenovitšin
oikeata kättä.

— Kivi? — kysyi vuorostaan ihmetellen Nikolai Parfenovitš.

 — Niin, tuo tuossa… keskisormessa, se jossa on pieniä suonia,
mikä kivi se on? — kysyi Mitja edelleen itsepintaisesti ja ärsyttävästi
aivan kuin itsepäinen lapsi.

— Se on savutopaasi, — hymyili Nikolai Parfenovitš, — jos

tahdotte katsoa, niin otan sen sormestani…

— Ei, ei älkää ottako! — huudahti Mitja rajusti, heräten äkkiä

hajamielisyydestään ja suuttuen itseensä. — Älkää ottako, ei
tarvitse… Perhana… Hyvät herrat, te olette ryvettäneet minun
sieluni! Luuletteko te, että minä rupeaisin teiltä sitä salaamaan, jos
todellakin olisin tappanut isäni, rupeaisin kieroilemaan,
valehtelemaan ja vetäytymään piiloon? Ei, Dmitri Karamazov ei ole
sellainen, hän ei sitä sietäisi, ja jos minä olisin syyllinen, niin vannon
sen, minä en olisi odottanut teidän tännetuloanne enkä auringon
nousua, niinkuin alkuperäinen aikomukseni oli, vaan olisin tehnyt
itsestäni lopun jo aikaisemmin, päivänkoittoa odottamatta! Minä
tunnen sen nyt itsessäni. En olisi kahdenkymmenen vuoden aikana
elämässäni voinut oppia niin paljon, kuin olen oppinut tietämään tänä
kirottuna yönä!… Ja tämmöinenkö, tämmöinenkö minä olisin tänä
yönä ja tällä kirotulla hetkellä, kun istun teidän parissanne, — näinkö
minä puhuisin, näinkö liikkuisin, näinkö katselisin teitä ja maailmaa,
jos todellakin olisin isänmurhaaja, kun jo tuo Grigorin murhaaminen
vahingossa ei antanut minulle rauhaa koko yönä, — ei pelosta, oi, ei
suinkaan teidän rangaistuksenne pelosta! Häpeä! Ja te tahdotte, että
minä sellaisille narreille kuin te, jotka ette mitään näe ettekä mitään
usko, sokeille myyrille ja narreille, alkaisin paljastaa ja kertoa vielä
uutta halpamaisuuttani, vielä uutta häpeääni, vaikka se pelastaisikin
minut teidän syytteeltänne? Mieluummin pakkotyöhön! Se, joka on
avannut isäni oven ja mennyt sisälle siitä ovesta, se on hänet
tappanutkin, se on ryöstänytkin. Kuka hän on — minä olen
suunniltani ja kärsin, mutta hän ei ole Dmitri Karamazov, tietäkää se
— ja siinä on kaikki, mitä minä voin teille sanoa, ja se riittää, se
riittää, älkää käykö kimppuuni… Lähettäkää maanpakoon,
mestatkaa, mutta älkää kiusatko minua enempää. Minä olen
vaiennut. Kutsukaa todistajanne!

Mitja lausui äkillisen monologinsa aivan kuin olisi jo varmasti

päättänyt olla enää mitään puhumatta. Prokuraattori piti häntä
silmällä koko ajan ja heti hänen vaiettuaan hän lausui aivan kylmän
ja aivan levollisen näköisenä, ikäänkuin kysymyksessä olisi ollut mitä
tavallisin asia:

— Juuri tämän avatun oven johdosta, josta te nyt mainitsitte, me

voimme, asiasta puheen ollen, ilmoittaa teille juuri nyt sangen
mielenkiintoisen ja sekä teille että meille erinomaisen tärkeän
todistuksen, jonka on antanut teidän haavoittamanne vanhus Grigori
Vasiljevitš. Tajuihinsa tultuaan hän kertoi meille selvästi ja asian
todeksi vakuuttaen, kun häneltä tiedustelimme, että jo silloin, kun
hän portaille tultuaan ja kuultuaan puutarhasta jotakin ääntä oli
päättänyt mennä puutarhaan avoinna olevasta portista, hän
puutarhaan mennessään, jo ennen kuin oli huomannut teidän
pimeässä juoksevan pois avoimen ikkunan luota, jossa olitte nähnyt
isänne, kuten olette meille kertonut, hän, Grigori, vilkaistuaan
vasemmalle ja huomattuaan tosiaankin tuon avoimen ikkunan oli
samalla kertaa huomannut paljon lähempänä itseään myös selko
selällään olevan oven, sen oven, jonka ilmoititte koko ajan teidän
puutarhassa ollessanne olleen suljettuna. En salaa teiltä, että Grigori
itse on vakuutettu siitä ja todistaa, että teidän on täytynyt juosta ulos
ovesta, vaikka hän tietenkään ei ole omin silmin nähnyt teidän siitä
juoksevan, koska hän ensimmäisen kerran huomasi teidät jo jonkin
matkan päässä itsestään, keskellä puutarhaa, pakenemassa aitaa
kohti…

Jo puolivälissä puhetta Mitja oli hypännyt tuoliltaan.

— Roskaa! — karjaisi hän äkkiä raivoissaan. — Katalaa petosta!

Hän ei ole voinut nähdä avointa ovea, sillä ovi oli silloin suljettu…
Hän valehtelee!…

— Pidän velvollisuutenani toistaa, että hänen todistuksensa on

varma. Hän ei epäröi. Hän pitää siitä kiinni. Me olemme muutamia
kertoja kysyneet häneltä asiaa.

— Niin juuri, minä kysyin eri kertoja, — vakuutti innokkaasti myös

Nikolai Parfenovitš.

— Valhetta, valhetta! Tämä on joko väärä todistus minua vastaan

tai mielenvikaisen harhanäky, — jatkoi Mitja huutamistaan, — hänen
mielessään on yksinkertaisesti häämöttänyt se houreissa,
verenvuodosta, haavasta, kun hän tuli tajuihinsa… Hän hourailee.

— Niin, mutta avointa ovea hän ei huomannut haavasta

tointuessaan, vaan jo ennen sitä, kun hän meni puutarhaan
sivurakennuksesta.

— Mutta se on valhetta, valhetta, se on mahdotonta! — Hän

puhuu minua vastaan vihasta… Hän ei ole voinut nähdä… Minä en
ole juossut ulos ovesta, — läähätti Mitja.

Prokuraattori kääntyi Nikolai Parfenovitšiin ja lausui hänelle

painokkaasti:

— Näyttäkää.
 — Tunnetteko tämän esineen? — sanoi Nikolai Parfenovitš ja pani
äkkiä hänen eteensä ison, paksusta paperista tehdyn, virastoissa
käytettävää kokoa olevan kirjekuoren, jossa näkyi vielä kolme
sinettiä. Itse kirjekuori oli tyhjä ja yhdestä syrjästä rikki reväisty. Mitja
tuijotti siihen.

— Tämä… tämä on siis isän kirjekuori, — mutisi hän, — sama,

jossa olivat nuo kolmetuhatta… ja, jos päällekirjoitus, sallikaahan:
»kananpojalle»… niin: kolmetuhatta, — huudahti hän, —
kolmetuhatta, näettekö?

— Näemmepä tietenkin, mutta me emme löytäneet siitä enää

rahoja, se oli tyhjä ja makasi maassa, vuoteen luona verhojen
takana.

Muutaman sekunnin Mitja seisoi kuin jähmettyneenä.

— Hyvät herrat, se on Smerdjakov! — huudahti hän äkkiä kaikin

voimin. — Hän on murhannut, hän on ryöstänyt! Vain hän yksin tiesi,
minne ukko oli piilottanut kirjekuoren… Hän se on, nyt se on selvä!

— Mutta tiesittehän tekin kirjekuoresta ja siitä, että se oli tyynyn

alla.

— En ole koskaan tietänyt; en ole koskaan sitä nähnytkään,

ensimmäistä kertaa näen nyt, sitä ennen olin vain kuullut
Smerdjakovilta… Hän yksin tiesi, mihin ukko sen oli piilottanut, minä
en tietänyt… — puhui Mitja melkein läkähtyen.

— Ja kuitenkin te äsken sanoitte meille, että kirjekuori oli

isävainajallanne tyynyn alla. Te sanoitte nimenomaan, että tyynyn
alla, tiesittehän siis, missä se oli.
 — Niin me olemme kirjoittaneet muistiin! — vahvisti todeksi Nikolai
Parfenovitš.

— Roskaa, järjettömyyttä! En minä ensinkään tietänyt, että tyynyn

alla. Ja ehkäpä ei ensinkään ollutkaan tyynyn alla… Minä sanoin
umpimähkään, että tyynyn alla… Mitä Smerdjakov sanoo?
Kysyittekö te häneltä, missä se oli? Mitä Smerdjakov sanoo? Se on
pääasia… Minä valehtelin tahallani itseäni vastaan… Minä valehtelin
teille ollenkaan ajattelematta, että se oli tyynyn alla, ja nyt te… No,
tiedättehän, sattuu pääsemään suusta ja niin tulee valehdelleeksi.
Vain Smerdjakov tiesi, Smerdjakov yksin vain eikä kukaan muu!…
Hän ei ilmaissut minullekaan, missä se on! Hän se on, hän se on;
hän ehdottomasti on murhannut, se on minulle nyt päivänselvää, —
huudahti Mitja yhä enemmän raivostuen, toistaen sekavasti samaa,
tulistuen ja katkeroituen. — Ottakaa hänet kiinni ja vangitkaa pian…
Hän on tappanut juuri silloin, kun minä juoksin pakoon ja kun Grigori
makasi tunnottomana, se on nyt selvä… hän antoi merkit ja isä avasi
hänelle… Sillä vain hän tunsi merkit eikä isä olisi ilman merkkejä
avannut kenellekään…

— Taaskin te unohdatte sen seikan, — huomautti prokuraattori

edelleen yhtä hillitysti, mutta jo ikäänkuin voitonriemuisena, — että
merkkien antaminen oli tarpeetonta, jos ovi jo oli auki, jo teidän siellä
ollessanne, jo silloin kun te olitte puutarhassa…

— Ovi, ovi, — mutisi Mitja ja jäi ääneti katsomaan prokuraattoria;

hän vaipui taas voimattomana tuolille. Kaikki olivat vaiti.

— Niin, ovi!… Se on haavekuva! Jumala on minua vastaan! —

huudahti hän ja katsoi mitään ajattelematta eteensä.
 — Katsokaa nyt, — lausui prokuraattori arvokkaasti, — ja
arvostelkaa nyt itse, Dmitri Fjodorovitš: toiselta puolen tuo todistus
avoimesta ovesta, josta te juoksitte ulos, masentaa teitä ja meitä.
Toiselta puolen — teidän käsittämätön, itsepintainen ja melkein
paatunut vaikenemisenne niiden rahojen alkuperään nähden, jotka
äkkiä ilmestyivät käsiinne, vaikka vielä kolme tuntia ennen tuon
rahamäärän ilmestymistä te oman tunnustuksenne mukaan
panttasitte pistolinne saadaksenne vain kymmenen ruplaa! Ottaen
huomioon tämän kaiken päättäkää itse: mitä meidän on uskottava ja
mihin pysähdyttävä? Älkää soimatko meitä, että me muka olemme
»kylmiä kyynikoita ja pilkantekijöitä», jotka eivät kykene uskomaan
sielunne jaloja purkauksia… Koettakaa päinvastoin ymmärtää
meidänkin asemaamme…

Mitja oli tavattomasti kuohuksissaan, hän kalpeni.

— Hyvä on! — huudahti hän äkkiä. — Minä paljastan teille

salaisuuteni, ilmaisen, mistä otin rahat!… Ilmaisen häpeän, ettei
minun sitten tarvitsisi syyttää teitä eikä itseäni…

— Ja uskokaa, Dmitri Fjodorovitš, — puuttui puheeseen omituisen

lempeällä ja iloisella äänellä Nikolai Parfenovitš, — että jokainen
vilpitön ja täydellinen tunnustuksenne, jonka teette juuri tällä
hetkellä, saattaa vastaisuudessa määrättömästi helpottaa
kohtaloanne ja sitäpaitsi…

Mutta prokuraattori nykäisi häntä kevyesti pöydän alitse ja toinen

ennätti ajoissa keskeyttää puheensa. Tosin Mitja ei häntä
kuunnellutkaan.
 7.

Mitjan suuri salaisuus. Vihellettiin.

— Hyvät herrat, — alkoi hän edelleen yhtä kiihtyneenä, — nämä

rahat… minä tahdon tehdä täydellisen tunnustuksen… nämä rahat
olivat omiani.

Prokuraattorin ja tutkintatuomarin naamat venyivät pitkiksi, kaikkea

muuta he olivat odottaneet.

— Kuinka teidän omianne, — lepersi Nikolai Parfenovitš, — kun

vielä kello viisi päivällä teidän oman tunnustuksenne mukaan…

— Äh, hiiteen kello viisi sinä päivänä ja minun oma tunnustukseni,

ei siitä nyt ole kysymys! Nämä rahat olivat minun omiani, minun,
toisin sanoen minun varastettuja rahojani… ei nimittäin minun, vaan
varastettuja, minun varastamiani, ja niitä oli puolitoista tuhatta ja he
olivat mukanani, koko ajan mukanani…

— Mistä sitten te otitte ne?

— Kaulasta, herrat, otin, kaulasta, tästä samasta kaulastani…

Tässä ne olivat, kaulassani, ommeltuina riepuun ne riippuivat
kaulassani, olivat riippuneet jo kauan, jo kuukauden olin kantanut
niitä häpeällä kaulassani!

— Mutta keneltä sitten te olette ne… omaksunut?

— Te tahdoitte sanoa »varastanut»? Sanokaa nyt sanat suoraan.

Niin, minä pidän niitä aivan kuin varastettuina, mutta jos tahdotte,
niin minä ne todellakin »omaksuin». Mutta oman käsitykseni mukaan
minä ne varastin. Eilen illalla varastin ne lopullisesti.

— Eilen illalla? Tehän sanoitte, että siitä on jo kuukausi, kun olitte

ne… saanut!

— Niin, mutta en isältäni, en isältäni, olkaa huoletta, en varastanut

isältäni, vaan naiselta. Antakaa minun kertoa, älkää keskeyttäkö.
Sehän on raskasta. Nähkääs: kuukausi takaperin kutsuu minut
luokseen Katerina Ivanovna Verhovtsev, entinen morsiameni…
Tunnetteko te hänet?

— Kuinkas muuten, tietysti.

— Tiedän, että tunnette. Jalo sielu, jaloimmista jaloin, mutta vihaa

minua, oi, on jo kauan, kauan vihannut… ja syystä, syystä on
vihannut!

— Katerina Ivanovna? — kysyi ihmeissään tutkintatuomari.

Prokuraattori niinikään höristi korviaan.

— Oi, älkää lausuko hänen nimeään turhaan! Minä olen hylkiö,

kun sekoitan hänet tähän. Niin, minä näin, että hän vihasi minua… jo
kauan… aivan ensimmäisestä kerrasta asti, siitä minun asunnossani
jo siellä… Mutta riittää, riittää, te ette edes ansaitse tietää tätä, tämä
ei ole ensinkään tarpeellista… Tarpeen on tietää vain se, että hän
kutsui minut luokseen kuukausi takaperin, antoi minulle kolmetuhatta
lähetettäväksi sisarelleen ja vielä eräälle sukulaiselle Moskovaan
(niinkuin hän ei itse olisi voinut lähettää!), mutta minä… tämä sattui
juuri tuolla elämäni kohtalokkaalla hetkellä, jolloin minä… no, sanalla
sanoen, jolloin olin juuri alkanut rakastaa toista, häntä, nykyistä, hän
istuu nyt teillä tuolla alhaalla, Grušenjkaa… Minä otin hänet silloin
mukaani tänne Mokrojeen ja tuhlasin juominkeihin täällä kahdessa
päivässä puolet noista kolmesta tuhannesta, se on puolitoista
tuhatta, ja toiset puolet säilytin itselläni. No, nuo säilyttämäni
puolitoista tuhatta minulla juuri oli kaulassani talismanin asemesta, ja
eilen minä ne otin esille ja panin menemään juominkeihin. Jäännös,
kahdeksansataa ruplaa, on teillä nyt käsissänne, Nikolai Parfenovitš,
siinä on eilisten puolentoista tuhannen tähteet.

— Anteeksi, kuinka niin, tehän joitte täällä silloin, kuukausi

takaperin, kolmetuhatta eikä puolitoista, kaikki tietävät sen.

— Kuka sen tietää? Kuka on laskenut? Kenen minä olen antanut

laskea?

— Hyväinen aika, tehän itse puhuitte kaikille rymynneenne silloin

pois tasan kolmetuhatta.

— Totta on, että puhuin, koko kaupungille puhuin, ja koko

kaupunki puhui, ja niin kaikki laskivat täälläkin Mokrojessa, täälläkin
kaikki sanoivat menneen kolmetuhatta. Kuitenkaan minä en
menettänyt kolmea, vaan puolitoista tuhatta, ja toiset puolitoista
ompelin rintapussiin; niin oli asia, herrat, sieltä ovat nämä eiliset
rahat…

— Se on melkein kuin ihme… — lepersi Nikolai Parfenovitš.

— Sallikaa kysyä, — lausui viimein prokuraattori, — ettekö ole

ilmoittanut edes jollekulle tätä asianhaaraa aikaisemmin… nimittäin,
että te silloin, kuukausi takaperin, jätitte nämä puolitoista tuhatta
itsellenne?
 — En ole puhunut kenellekään.

— Se on omituista. Ettekö tosiaankaan kerrassaan kenellekään?

— En kerrassaan kenellekään. En kenellekään, en kenellekään!

— Mutta miksi tuommoinen salaperäisyys? Mikä antoi teille aiheen

pitää tätä niin salassa? Minä selitän täsmällisemmin: Te olette lopulta
ilmaissut meille salaisuutenne, joka teidän sanojenne mukaan on
niin »häpeällinen», vaikka oikeastaan — se on, tietysti, ainoastaan
suhteellisesti ottaen — tämä teko, nimittäin juuri vieraitten
kolmentuhannen ruplan anastaminen itselleen, mikä epäilemättä
tapahtui vain joksikin aikaa, — tämä teko ainakin minun mielestäni
on ainoastaan perin kevytmielinen teko, mutta ei niin häpeällinen,
kun sen lisäksi vielä ottaa huomioon myös teidän luonteenne… No,
olkoonpa, että se on mitä suurimmassa määrässä moitittava teko,
minä voin myöntää sen, mutta moitittava ei kuitenkaan ole samaa
kuin häpeällinen… Se on, minä pyrin oikeastaan siihen, että tämän
kuukauden aikana monet ilman teidän tunnustustannekin arvailivat
teidän tuhlanneen kolmetuhatta neiti Verhovtsevin rahoja, minä olen
itse kuullut tämän legendan… Mihail Makarovitš esimerkiksi on
niinikään kuullut. Niin että loppujen lopuksi tämä tuskin on mikään
legendakaan, vaan se on koko kaupungin juoru. Sitäpaitsi on päästy
jäljille, että te itsekin, jollen erehdy, olette jollekulle tunnustanut
tämän, nimittäin että nuo rahat oli saatu neiti Verhovtsevilta… Ja
sentähden minua kovin ihmetyttää, että te olette tähän saakka, tähän
hetkeen saakka, pitänyt niin tavattoman tarkoin salassa sen, että
olette, kuten sanotte, pannut säilyyn puolitoista tuhatta ja että te
olette kytkenyt tähän salaisuuteenne jotakin kauheata… Ei ole
uskottavaa, että moisen salaisuuden tunnustaminen olisi voinut
tuottaa teille niin suuria kärsimyksiä… sillä äskenhän te huusitte, että
menette mieluummin pakkotyöhön kuin tunnustatte…

Prokuraattori vaikeni. Hän oli kiivastunut. Hän ei salannut

harmiaan, joka lähenteli vihaa, eikä edes pitänyt huolta muodon
kauneudesta esittäessään sitä, mitä hänen mieleensä oli kertynyt,
t.s. hän puhui hämärästi ja melkeinpä sekavasti.

— Ei häpeä ollut siinä, että minulla oli nuo puolitoista tuhatta, vaan
siinä, että minä olin erottanut nämä puolitoista tuhatta noista
kolmesta tuhannesta, — lausui Mitja lujasti.

— Mutta mitä, — hymähti prokuraattori ärtyisästi, — mitä

häpeällistä siinä nimenomaan on, että niistä kolmestatuhannesta,
jotka te olitte ottanut moitittavalla tai, jos itse niin tahdotte,
häpeällisellä tavalla, te erotitte harkintanne mukaan puolet?
Tärkeämpää on se, että te anastitte kolmetuhatta, eikä se, miten te
niitä käytitte. Miksi muuten te menettelitte juuri tuolla tavoin, että
erotitte puolet erilleen? Mitä varten, missä tarkoituksessa teitte näin,
voitteko selittää sen meille?

— Oi, herrat, tarkoituksessapa koko painopiste onkin! — huudahti

Mitja. — Erotin halpamaisuudessani, toisin sanoen minulla oli
laskelmani, sillä laskelma onkin tässä tapauksessa alhaisuutta… Ja
kokonaisen kuukauden ajan tuo halpamaisuus jatkui!

— Emme käsitä.

— Ihmettelen teitä. Selitän muuten vielä, ehkäpä se on todellakin

käsittämätöntä. Näettekö, seuratkaa ajatuksenjuoksuani: minä
anastan kolmetuhatta, jotka on annettu minulle luottaen
rehellisyyteeni, juopottelen niillä, juon kaikki, aamulla tulen hänen
luokseen ja sanon: »Katja, olen syypää, join sinun kolmetuhattasi»,
— no mitä, onko se hyvä? Ei, ei ole hyvä, — se on kunniatonta ja
halpamaista, elukkamainen on mies, joka aivan kuin eläin ei osaa
hillitä itseään, eikö niin, eikö niin? Mutta hän ei kuitenkaan ole
varas? Eihän hän ole suoranaisesti varas, ei suoranaisesti,
myöntäkää se! Joi rahat, mutta ei varastanut! Nyt toinen, vielä
edullisempi tapaus, seuratkaa minua, muuten kenties taas
sotkeudun — päätä tuntuu pyörryttävän, — siis toinen tapaus: minä
juon täällä ainoastaan puolitoista tuhatta kolmesta, toisin sanoen
puolet. Seuraavana päivänä saavun hänen luokseen ja tuon puolet
takaisin: »Katja, ota minulta, konnalta ja kevytmieliseltä lurjukselta
tämä puoli, sillä puolet olen juonut, juon siis tämänkin, niin ota, jotta
välttyisin synnistä!» No, miten tässä tapauksessa? Kaikkea, mitä
vain tahdotte, elukka ja lurjus, mutta ei varas, ei varas lopullisesti,
sillä jos olisin varas, niin varmastikaan en olisi tuonut takaisin toista
puolta, vaan anastanut senkin. Nythän hän näkee, että kun kerran
toin takaisin puolet, niin tuon loputkin, nimittäin nuo juodut, koetan
koko elämäni ajan hankkia, teen työtä, mutta hankin ne ja annan
takaisin. Näin ollen olen lurjus, mutta en varas, en varas, miten
tahdottekin niin en varas!

— Otaksukaamme, että siinä on jonkin verran erotusta, — hymähti

prokuraattori kylmästi. — Mutta omituista on kuitenkin, että te näette
tässä niin kohtalokkaan erotuksen.

— Niin, minä näen siinä kohtalokkaan erotuksen! Lurjus voi olla

jokainen, ja ehkäpä jokainen sitä onkin, mutta varas ei voi olla
jokainen, vaan ainoastaan lurjusten lurjus. No, en minä ymmärrä
noista hienoista erotuksista… Mutta varas on alhaisempi kuin lurjus,
se on minun vakaumukseni. Kuulkaa: minä pidän rahoja kokonaisen
kuukauden mukanani, huomenna voin päättää antaa ne takaisin
enkä silloin enää ole lurjus, mutta minä en saa tuota päätöstä
toimeen, siinä se on, vaikka joka päivä koetan päättää, vaikka joka
päivä työnnän itseäni eteenpäin: »Tee päätös, tee päätös, lurjus», ja
noin minä en koko kuukauteen saa päätöstä aikaan, siinä se! Mitä,
onko se teidän käsityksenne mukaan hyvä, onko se hyvä?

— Sanokaamme, että se ei ole kovin hyvä, sen minä voin

erinomaisesti ymmärtää enkä väitä vastaan, — vastasi prokuraattori
hillitysti. — Ja lykätkäämme yleensä tuonnemmaksi kaikki väittely
noista hienoista vivahduksista ja erotuksista, ja jospa taaskin
suvaitsisitte siirtyä asiaan. Kysymys on nimenomaan siitä, että te
ette ole nähnyt hyväksi vielä selittää meille, vaikka olemme
kysyneet: mitä varten te alunperin jaoitte tuolla tavoin nuo
kolmetuhatta, toisin sanoen joitte puolet ja panitte piiloon toisen
puolen? Miksi nimenomaan piilotitte, mihin erikoisesti tahdoitte
käyttää nuo erilleen otetut puolitoistatuhatta? Minä pidän kiinni tästä
kysymyksestä, Dmitri Fjodorovitš.

— Ah, tosiaankin! — huudahti Mitja lyöden otsaansa. — Suokaa

anteeksi, minä kiusaan teitä enkä selitä pääasiaa, muuten te olisitte
ymmärtänyt silmänräpäyksessä, sillä tarkoituksessahan, tuossa
tarkoituksessahan häpeä onkin! Näettekö, tuo vanhus, vainaja, hän
kiusasi myötäänsä Agrafena Aleksadrovnaa, ja minä olin
mustasukkainen, ajattelin silloin, että tämä horjuu minun ja hänen
välillä; ajattelen joka päivä: mitä jos hän yhtäkkiä tekee päätöksensä,
mitä jos hän kyllästyy kiusaamaan minua ja yhtäkkiä sanoo minulle:
»Sinua minä rakastan enkä häntä, vie minut maailman ääreen!»
Mutta minulla ei ole kuin pari kaksikymmenkopeekkaista; millä
veisin, mitä silloin tekisin, — asiani olisi hukassa. Minähän en silloin
tuntenut enkä ymmärtänyt häntä, minä luulin, että hän tahtoi rahaa
eikä antaisi minulle anteeksi köyhyyttäni. Ja niinpä minä viekkaasti
erotan puolet kolmestatuhannesta ja ompelen ne pussiin
kylmäverisesti, ompelen aivan harkiten, teen sen jo ennen
juominkeja, ja sitten, kun jo olin ommellut, lähden jäljelläolevalla
puoliskolla juopottelemaan! Ei, se on alhaista! Oletteko nyt
ymmärtänyt?

Prokuraattori alkoi ääneensä nauraa ja tutkintatuomari niinikään.

— Minun mielestäni oli suorastaan järkevää ja siveellistä, että

hillitsitte itseänne ettekä juonut kaikkia rahoja, — hihitti Nikolai
Parfenovitš, — sillä mitäs tässä on?

— Se, että minä varastin, se siinä on! Oi hyvä Jumala, te saatte

minut kauhistumaan ymmärtämyksen puutteella! Kaiken aikaa, kun
minä kannoin rintani päällä noita sinne kätkettyjä rahoja, minä joka
päivä ja joka tunti sanoin itselleni: »Sinä olet varas, sinä olet varas!»
Siksi minä olin niin hurja tämän kuukauden ajan, siksi minä
tappelinkin ravintolassa, siksi myös pieksin isääni, kun tunsin olevani
varas! En katsonut voivani enkä uskaltanut ilmaista edes veljelleni
Aljošalle mitään noista puolestatoista tuhannesta: siinä määrin tunsin
olevani konna ja roisto! Mutta tietäkää, että kaiken aikaa niitä
kantaessani, minä samalla joka päivä ja joka hetki sanoin itselleni:
»Ei, Dmitri Fjodorovitš, kenties sinä et vielä ole varas.» Miksi? Siksi
juuri, että sinä voit huomenna mennä ja antaa nämä puolitoista
tuhatta Katjalle. Ja vasta eilen minä päätin repäistä kaulastani
pussini, kun menin Fenjan luota Perhotinille, mutta siihen hetkeen
saakka en ollut päättänyt, ja heti kun olin sen reväissyt, sillä samalla
hetkellä minusta tuli lopullisesti ja kiistämättömästi varas, varas ja
kunniaton mies koko elämäni ajaksi. Minkä tähden? Sen tähden, että
repäistessäni kaulastani pussin repäisin myös haaveeni mennä
Katjan luo ja sanoa: »Minä olen lurjus, mutta en varas.»
Ymmärrättekö nyt, ymmärrättekö?

— Miksi te juuri eilen illalla päätitte sen tehdä? — keskeytti Nikolai

Parfenovitš.

— Miksi? Hullunkurinen kysymys: siksi, että olin tuominnut itseni

kuolemaan, kello viisi aamulla, täällä päivän koittaessa: »Samahan
se on», ajattelin, »kuoleeko lurjuksena vaiko kunnon miehenä!»
Mutta eihän, osoittautui, että se ei olekaan samantekevää!
Uskotteko, herrat, ei se, ei se minua enimmän kiusannut tänä yönä,
että minä olin tappanut vanhan palvelijan ja että minua uhkasi
Siperia, ja milloin sitten? Juuri silloin, kun rakkauteni sai voiton ja
taivas aukeni minulle uudestaan! Oi, se kiusasi, mutta ei niin paljon,
ei missään tapauksessa niin paljon kuin tuo kirottu tietoisuus, että
olin lopultakin repäissyt rinnaltani nuo kirotut rahat ja tuhlannut ne ja
että siis nyt olin jo lopullisesti varas! Oi, herrat, sanon teille vieläkin
sydänverelläni: paljon olen tullut tietämään tänä yönä! Olen oppinut
sen, että ei vain lurjuksena eläminen ole mahdotonta, vaan myös
lurjuksena kuoleminen on mahdotonta… Ei, herrat, on kuoltava
kunniallisesti!…

Mitja oli kalpea. Hänen kasvonsa osoittivat murtuneisuutta ja

kiusaantumista, siitä huolimatta, että hän oli äärettömän kiihtynyt.

— Minä alan teitä ymmärtää, Dmitri Fjodorovitš, — lausui

pitkäveteisesti ja pehmeästi ja ikäänkuin osaaottavasti prokuraattori,
— mutta kaikki tämä, sanokaa mitä tahdotte, johtuu minun
käsitykseni mukaan vain hermoista… teidän sairaista hermoistanne,
siinä se on. Ja miksi te esimerkiksi säästääksenne itsenne niin
monilta, melkein koko kuukauden kestäneiltä kärsimyksiltä ette olisi
voinut mennä ja antaa nuo puolitoista tuhatta sille henkilölle, joka oli
ne teille uskonut, ja selvitettyänne asian hänen kanssaan miksi ette
olisi voinut, silloiseen asemaanne nähden, joka teidän kuvauksenne
mukaan oli niin kauhea, koettaa yhdistelmää, jommoinen aivan
luonnollisesti nousee mieleen, nimittäin, miksi ette olisi voinut,
tunnustettuanne kunnon miehen tavoin hänelle erehdyksenne,
häneltä itseltään pyytää menoihinne tarvittavaa rahamäärää, jota
hän jalosydämisyydessään ja nähden teidän hermostuksenne ei
tietenkään olisi kieltäytynyt teille antamasta, varsinkaan asiapaperia
vastaan taikkapa samanlaista vakuutta vastaan, jommoista te
tarjositte kauppias Samsonoville ja rouva Hohlakoville? Pidättehän
vielä edelleen tätä vakuutta täysiarvoisena?

Mitja punastui yhtäkkiä:

— Pidättekö te minua todellakin niin suurena konnana? On

mahdotonta, että tarkoittaisitte totta!… — lausui hän paheksuvasti
katsellen prokuraattoria silmiin ja ikäänkuin uskomatta, mitä oli tältä
kuullut.

— Vakuutan teille, että tarkoitan totta… Miksi te luulette, että minä

en puhuisi tosissani? — ihmetteli prokuraattori vuorostaan.

— Oi, miten alhaista semmoinen olisikaan! Herrat, tiedättekö te,

että te kidutatte minua! Sama se, minä kerron teille kaikki, olkoon
menneeksi, minä tunnustan teille nyt koko pirullisuuteni, mutta teen
sen saattaakseni teidät häpeämään, ja te hämmästytte itsekin sitä,
miten alhaisiin yhdistelmiin inhimilliset tunteet voivat alentua.
Tietäkää siis, että minulla oli jo itselläni mielessä tuo yhdistelmä, se
sama, josta te juuri puhuitte, prokuraattori! Niin, herrat, minunkin
mieleeni nousi tuo ajatus tänä kirottuna kuukautena, niin että olin jo
melkein päättänyt mennä Katjan luo, niin alhainen olin! Mutta mennä
hänen luokseen, ilmoittaa hänelle uskottomuuteni ja tätä samaa
uskottomuutta varten, tämän saman uskottomuuden täydelleen
toteuttamiseksi, tämän uskottomuuden tuottamiin menoihin pyytää
rahoja juuri häneltä, juuri Katjalta (pyytää, kuuletteko, pyytää!), ja
sitten karata heti hänen luotaan toisen kanssa, hänen kilpailijansa,
hänen vihamiehensä ja loukkaajansa kanssa, — hyväinen aika,
tehän olette menettänyt järkenne, prokuraattori!

— Jospa en olekaan menettänyt järkeäni, mutta tietysti minä

kiivastuksissani en tullut ajatelleeksi… mitä tulee juuri tuohon
naiselliseen mustasukkaisuuteen… jos tässä todellakin saattoi olla
mustasukkaisuutta, kuten vakuutatte… niin, ehkäpä tässä on jotakin
sen tapaista, — naurahti prokuraattori.

— Mutta se olisi ollut jo niin suurta roistomaisuutta, — sanoi Mitja

lyöden rajusti nyrkkiään pöytään, — se olisi ollut jo niin haisevaa,
etten tiedä sen vertaista! Tiedättekö te, että hän olisi voinut antaa
minulle nuo rahat, ja olisi antanutkin, varmasti olisi antanut,
kostaakseen minulle, olisi antanut kostosta nauttiakseen,
halveksumisesta minua kohtaan olisi antanut, sillä hänkin on
infernaalinen sielu ja nainen, jonka viha on voimakas! Minä olisin
ottanut rahat, oi, olisin ottanut, olisin ottanut, ja silloin koko
elämäni… oi, Jumala! Antakaa anteeksi, herrat, minä huudan siksi
näin kovasti, että tuo ajatus oli mielessäni niin äskettäin, vielä toissa
päivänä, juuri silloin kun minä yöllä puuhasin Ljagavyin kanssa, niin,
ja eilenkin, koko eilisen päivän, minä muistan sen, aivan tuohon
tapaukseen asti…

— Mihin tapaukseen? — kysäisi Nikolai Parfenovitš uteliaana,

mutta
Mitja ei sitä kuullut.
 — Olen tehnyt teille kauhean tunnustuksen, — lopetti hän
synkästi. — Päättäkää, minkä arvoinen se on, herrat. Mutta ei se
riitä, ei siinä ole kyllin, että arvioitte sen, älkää arvioiko, vaan pitäkää
sitä arvossa, mutta jos ette sitä tee, jos tämäkin menee ohi
sielujenne, silloin te suorastaan ette kunnioita minua, herrat, sanon
teille sen, ja minä kuolen häpeästä, että olen tehnyt tunnustukseni
teidänkaltaisillenne! Oi, minä ammun itseni! Mutta minä näen jo,
minä näen, että te ette usko minua! Kuinka, aioitte siis kirjoittaa
tämänkin muistiin? — huudahti hän pelästyneenä.

— Sen, mitä te juuri sanoitte, — lausui Nikolai Parfenovitš

katsellen häntä ihmeissään, — nimittäin että te aivan viimeiseen
hetkeen asti yhä vielä aiotte mennä neiti Verhovtsevin luo
pyytämään häneltä tuota rahasummaa… Vakuutan teille, että se on
meille hyvin tärkeä todistus, Dmitri Fjodorovitš, nimittäin koko tuohon
tapaukseen nähden… ja varsinkin teille tärkeä.

— Armahtakaa, herrat, — Mitja löi käsiään yhteen, — jättäkää

edes tämä kirjoittamatta, hävetkää! Minähän olen niin sanoakseni
repäissyt sieluni kahtia teidän edessänne, mutta te käytätte
tilaisuutta hyväksenne ja kopeloitte sormillanne repeämän
kummassakin puolikkaassa… Oi, Jumala!

Hän peitti epätoivoissaan kasvonsa käsiinsä.

— Älkää olko niin levoton, Dmitri Fjodorovitš, — lopetti

prokuraattori, — kaiken sen, mitä nyt on kirjoitettu muistiin, te saatte
myöhemmin itse kuulla ja sen, mitä ette hyväksy, me muutamme
teidän sanojenne mukaan, mutta nyt minä esitän teille erään pikku
kysymyksen vielä kolmannen kerran: eikö todellakaan kukaan, ei
kerrassaan kukaan saanut teiltä kuulla noista rintapussiin
ompelemistanne rahoista? Sitä on, sanon teille, melkein mahdotonta
ajatella.

— Ei kukaan, ei kukaan, minä sanoin sen, olette aivan oikein

ymmärtänyt! Jättäkää minut rauhaan.

— Olkaa hyvä, tämä asia on selvitettävä, ja siihen on vielä paljon

aikaa, mutta ajatelkaahan nyt itse: meillä on kenties kymmeniä
todistuksia siitä, että te nimenomaan itse levititte tietoa ja huusittekin
joka paikassa kolmestatuhannesta, jotka olitte tuhlannut, kolmesta
eikä puolestatoista, ja nytkin, kun teille eilen ilmestyi rahoja, te myös
ennätitte antaa monen tietää, että taas olitte tuonut mukananne
rahaa kolmetuhatta.

— Teillä ei ole käsissänne kymmeniä, vaan satoja todistuksia,

kaksisataa todistusta, kaksisataa ihmistä on kuullut, tuhat on kuullut!
— huudahti Mitja.

— No, siinä sen näette, kaikki, kaikki todistavat. Täytyyhän sanan

kaikki merkitä jotakin.

— Se ei merkitse mitään, minä valehtelin, ja minun mukanani

alkoivat kaikki valehdella.

— Miksi teidän sitten oli niin tarpeellista »valehdella», miten te sen

selitätte?

— Piru sen tietää. Kenties kerskailun halusta… niin… että olin

juonut niin paljon rahaa… Kenties sitä varten, että unohtaisin nuo
pussiin ommellut rahat… niin, siitä syystä juuri… perhana…
monettako kertaa te kysytte tätä? No niin, valehtelin ja sillä hyvä, kun