Kehl Dniel Dr.

Sipos Bla

Excel parancsfjlok felhasznlsa a statisztikai elemzsekben

(Oktatsi segdlet)
Pcsi Tudomnyegyetem
Kzgazdasgtudomnyi Kar
Pcs, 2011.

rta:
Dr. Sipos Bla egyetemi tanr, PTE KTK
Az Excel parancs fjlokat programozta:
Kehl Dniel egyetemi tanrsegd, PTE KTK

Tartalom.
ELSZ

BEVEZETS, AZ EXCEL BELLTSAI, AZ EXCEL PARANCSFJLOK HASZNLATA SORN 7

1 EGYSZER ADAT-ELEMZSEK: VISZONYSZMOK SZMTSA S GRAFIKUS BRZOLS
14
1.1 A DINAMIKUS VISZONYSZMOK PARANCSFJL MKDSE
GYAKORL FELADATOK. (DINAMIKUS VISZONYSZMOK.XLS)
1.2 BRK KSZTSE EXCEL PARANCSFJL MKDSE
GYAKORL FELADATOK. (BRK KSZITSE.XLS) F
1.3 AZ ORSZGONKNTI KORFA PROGNZIS KSZTSE 2050-IG EXCEL PARANCSFJL MKDSE
GYAKORL FELADATOK. (ORSZGONKNTI KORFA PROGNZIS KSZTSE 2050-IG.XLS) F
1.4 NEMZETKZI SSZEHASONLTSOK EXCEL PARANCSFJLOK FELHASZNLSVAL
GYAKORL FELADATOK. (NEMZETKZI SSZEHASONLTSOK EXCEL PARANCSFJLOK)

17
18
19
19
21
22
22
24

2 ELEMI MVELETEK A VLTOZKKAL S EMPIRIKUS ELOSZLSOK ELEMZSE

24

2.1 SZMLLS, RANGSOROLS, SSZEGZS

2.2 KZPRTKEK S KVANTILISEK
2.3 SZRDSI MRSZMOK
2.4 AZ ELEMI MVELETEK PARANCSFJL MKDSE
2.5 EMPIRIKUS ELOSZLSOK ELEMZSE EXCEL PARANCSFJL MKDSE
GYAKORL FELADATOK. (ELEMIMVELETEK.XLS S EMPIRIKUSELOSZLSOKELEMZSE.XLS)

24
25
27
27
29
37

3 AZ IDSOROK ELEMZSI MDSZEREI

38

3.1 A DEKOMPOZCIS IDSORMODELLEK

3.1.1 AZ IDSOROK SSZETEVI S KAPCSOLDSI MDJAI
3.1.2 A TREND VAGY A HOSSZ TV ALAPIRNYZAT BECSLSI MDSZEREI
3.1.3 A SZABLYOS RVID TV (SZEZONLIS) INGADOZS
3.1.4 A CIKLIKUS (PERIODIKUS) MOZGS MODELLEZSE.*
3.2 AZ ELREJELZSEK HIBINAK A MRSE F (A HIBAKPLETEK EXCEL PARANCSFJL MKDSE)
3.3 TRENDSZEZON-HIBASZMTS PARANCSFJL MKDSE
GYAKORL FELADATOK. KONJUNKTRA CIKLUSOK MODELLEZSE, A TRENDSZEZON - HIBASZMTS
EXCEL PARANCSFJL MKDSE)
3.4 A TELTDSI, A LOGISZTIKUS (S-ALAK)- S LETGRBE TRENDFGGVNYEK BECSLSE EXCEL

39
39
41
51
52
59
61

PARANCSFJLLAL
3.4.1 INFLEXIS PONTTAL NEM RENDELKEZ TELTDSI GRBK
3.4.2 EGY INFLEXIS PONTTAL RENDELKEZ TRENDFGGVNYEK
3.4.3 KT INFLEXIS PONTTAL RENDELKEZ TRENDFGGVNYEK
3.4.4 A LOGISZTIKUS TRENDEK BECSLSE EXCEL PARANCSFJL MKDSE
GYAKORL FELADATOK. DEKOMPOZCIS IDSORMODELLEK
3.5 NAIV ELREJELZSI TECHNIKK. (A NAIVMDSZER-PARANCSFJL MKDSE.)
GYAKORL FELADATOK. (NAIVMODSZER.XLS)
3.6 AZ EXPONENCILIS KIEGYENLTS MDSZERE (SIMIT.XLS S EXPS FOR WINDOWS)*
3.6.1 A SIMIT.XLS PARANCSFJL MKDSE.
GYAKORL FELADATOK. (SIMIT.XLS)
3.6.2 AZ EXPS FOR WINDOWS SZOFTVER MKDSE

64
65
66
75
78
79
81
85
85
85
89
89

63

3.7 A SABL-MDSZER (SZOFTVER) FELHASZNLSA ADATELKSZTSRE, A TREND S A

PERIODIKUS HULLMZS SZTVLASZTSRA F*
98
GYAKORL FELADATOK A SABL-SZOFTVER ALKALMAZSRA*

106

3.8 AZ ARIMA MODELLEZS MENETE

106

3.8.1 AZ ARIMA MODELLEZS LPSEI.

3.8.2 AZ ARIMA MODELL AZONOSTSA
3.8.3 AZ ARIMA MODELLEK BECSLSE
3.8.4 EXCEL-PARANCSFJLOK AZ ARIMA MODELLEZS TMAKRBL
3.8.5 SPEKTRLANALIZIS.XLS PARANCSFJL MKDSE.
3.8.6 R+ INTERNETEN ELRHET: FREE STATISTICS SOFTWARE (CALCULATOR)

109
122
124
127
141
143

4. A KORRELCI- S REGRESSZISZMTS

147

4.1 A REGRESSZI.XLS PARANCSFJL MKDSE

F
149
4.1.1 AZ ADAT MUNKALAP
149
4.1.2 A MTRIX MUNKALAP
153
4.1.3 A MARADK MUNKALAP
156
4.1.4 A MULTIKOLLINEARITS MUNKALAP
156
4.1.5 AZ AUTOKORRELCI MUNKALAP
164
4.1.6 A HOMOSZKEDASZTICITS MUNKALAP
166
4.2 GYAKORLATI ALKALMAZSOK BEMUTATSA IDSOROS S KERESZTMETSZETI ADATOK ALAPJN 168
4.3 COCHRANE-ORCUTT ITERCIS ELJRS, A COTRANSZFORMCI.XLS PARANCSFJL MKDSE* 176
4.4 A SZROETER-HARRISON-KING-FLE PRBA. (SZROETERTESZ.XLS PARANCSFJ MKDSE) S A
GOLDFELD-QUANDT-PRBA (GOLDFELD-QUANDT-PRBA.XLS PARANCSFJ MKDSE)*
178
4.4.1 A SZROETER-HARRISON-KING-FLE PRBA
178
4.4.2 A GOLDFELD-QUANDT-PRBA
F
181
4.5 A REGRESSZIS EGYTTHATK SSZEFGGSEI (AZ TELEMZS)
184
4.6 KSLELTETETT REGRESSZIS MODELLEK. (KSLELTETETTMTRIX.XLS PARANCSFJL MKDSE)*185
4.6.1 A KSLELTETS MODELLJEINEK RVID TRTNETE
186
4.6.2 A FORDTOTT V-KSLELTETS MODELLEK.
188
4.6.3 KOYCK MDSZEREI F
189
4.6.4 ALMON-FLE POLINOM ELOSZLS OSZTOTT KSLELTETS MODELLEK F
193
4.7 A HATVNYKITEVS, COBB-DOUGLAS
FTERMELSI FGGVNY (A TERMELSI FGGVNY TLAG S
195
HATRMUTATI.XLS PARANCSFJL MKDSE)*
GYAKORL FELADATOK: C-D-TERMELSI FGGVNY TLAG S HATRMUTATI EXCEL PARANCSFJL.XLS
ALKALMAZSA. NEM LINERIS, DE LINEARIZLHAT REGRESSZIS FGGVNYEK BECSLSE REGRESSZIO.XLS
EXCEL PARANCSFJLLAL*
206
4.8 A CES-FGGVNY BECSLSE. (CES1.XLS, CES2.XLS CES3.XLS)*
207
GYAKORL FELADATOK CES1.XLS, CES2.XLS S CES3.XLS*
211
4.9 LOGISZTIKUS REGRESSZIS FGGVNYEK*
211
4.10 A SZTOCHASZTIKUS KAPCSOLAT ELEMZSE, AZ ASSZOCICIS EGYTTHATK EXCEL PARANCSFJL
F
213
MKDSE
4.11 KENDALL-FLE RANGKONKORDANCIA-MUTAT
F
221
FGGELK

223

F.1 INTERNETES INGYENES SZOFTVEREK S ADATBZISOK

F.2 A MATRIX.XLS PARANCSFJL MKDSE
F3 TUDOMNYTRTNETI SSZEFOGLAL
F
F.4. TBLZATOK
F.4. A GRG BETK

223
226
228
233
243

FELHASZNLT IRODALOM

244

Elsz
A vals mret statisztikai modellek megoldsa kzi szmtsokkal ltalban nem, vagy csak nehezen vgezhet el, a szmtgpes feldolgozs lehetsge azonban j utakat nyitott meg a statisztika tudomnyban is. Napjainkban a szmolsi igny a szemlyi szmtgpek megjelense s elterjedse miatt mr
nem jelent klnsebb akadlyt, a szmtsok megknnytsre tbb matematikai-statisztikai s
konometriai szoftvert is megalkottak. Ezeknek a programoknak az oktats s a gyakorlati felhasznls
szempontjbl azonban tbb hinyossga is van. Az eladsra sznt programcsomagok 1 ltalban fekete
dobozknt mkdnek, azaz a felhasznl nem ltja, azt, hogy mi trtnik a httrben, a bevitt input s az
rtelmezend output jelenik meg csupn. A hivatkozott, legtbbszr az Amerikai Egyeslt llamokban
kiadott szakknyvek a hallgatk szmra nehezen beszerezhetek s drgk. Az ilyen szoftverekkel kapcsolatos tovbbi gond az is, hogy folyamatosan jabb verziik jelennek meg, ami szleskr alkalmazsuk lehetsgt megnehezti. Drgtja a felhasznlsukat tovbb, hogy az ves licencdj kifizetsn tl a
gpszm fggvnyben gyakorta kln djat kell fizetni. A felsoktatsban sok esetben a szoftverek csak
az egyetemi/fiskolai szmtgpeken rhetek el, a hallgatk otthoni szmtgpkre leglisan nem telepthetik azokat. A klnbz szoftverek emellett klnbz felhasznli fellettel rendelkeznek. A preferlt csomag kivlasztsa gy meglehetsen nknyes. A klnbz formtumok miatt a programcsomagok kztti vlts nmely esetben gondokat okoz. Az interneten tallhat, ingyenesen letlthet
konometriai programcsomagok, mint pldul az egyik legismertebb s legelterjedtebb gretl (Gnu
Regression, Econometrics and Time-series Library, http://gretl.sourceforge.net/), igen sokoldal szolgltatst nyjtanak, de az elmleti httr feldolgozshoz a megadott angol nyelv szakirodalmat 2 is be kell
szerezni s el kell sajttani. A jelenleg legnpszerbb irodai programcsomag a Microsoft Office Windows vltozata 1990-ben jelent meg. A Microsoft Office 3 s ezen bell az MS Excel 4 vilgviszonylatban
s Magyarorszgon is szleskren alkalmazott szoftver. Egyrszt ez a tny indokolja az MS Excel (tovbbiakban Excel) alkalmazst, tovbb az is, hogy az elzekben ismertetett problmkat rszben ki
lehet kszblni. Az Excel sok statisztikai mveletet kpes elvgezni, de az alapfunkcik segtsgvel
felpthetk a bonyolultabb statisztikai s konometriai mdszerek is a fggvnyek segtsgvel. Az Excellel ilyen mdon a szles rtelemben vett modellezst is tanthatjuk a hallgatknak. Tovbbi elny,
hogy a mdszerek, a felhasznlt kpletek megjelennek, azok alakthatk, az adott feladat megoldshoz
testre szabhatk, lthatv, s megrthetv vlnak a rszeredmnyek s a mellkszmtsok. Az Excel
a specilis statisztikai szoftverekhez hasonlan, de messze nem olyan rszletessggel a statisztika mdszertannak nagy rszt felleli beptett modulja (Analysis ToolPak) segtsgvel, de j nhny aprbb
hiba (pl. rossz, vagy flrerthet magyarra fordts) s hinyossg is a sajtja. Az emltett flrefordtsoknl nagyobb hibk is megfigyelhetk, melyek az Excel korbbi verziiban csakgy megtallhatk voltak,
mint a legjabbakban. Az Excel a fknt a kvetkeztetses statisztikban oly fontos eloszlsok esetn
nmely specilis esetben hibs, nagyban flrevezet rtkeket szolgltat. A tmakr bsges irodalommal
rendelkezik, itt csak utalunk Knsel 5 illetve McCullough s Wilson 6 vagy az Excel legjabb kiadsval
kapcsolatban Yalta 7 munkira, melyekbl az rdekld olvas kimert hibalistt merthet. Az emltett
hibk azrt is bosszantak, mert tbb ve ismertek. Hasonl problmk ms szoftverek esetn is elfordultak, de valamennyit a lehet leggyorsabban javtottk, mg az Excel esetben ez a jelents tudomnyos
visszhang ellenre sem trtnt meg. Ennek megfelelen az Excelt tudomnyos felhasznlsra nem, oktatsra azonban ajnljk a szerzk. Az Excel ktsgtelen s messze legfontosabb elnye ugyanakkor, hogy
az Office csomag elterjedse miatt szinte mindenhol megtallhat. ltalnos elrhetsge egyben azt is
jelenti, hogy akr mikro- s kisvllalatok amelyek a drga, s folyamatosan friss verzikkal jelentkez
F

Pl.: BMDP, SPSS, SAS, STATISTICA, MINISTAT, MINITAB, EViews, stb.

Hill R. C., Griffiths W. E., Lim G. C. [2008].
3
Ld.: Baczoni Pl [2007], Brtfai Barnabs [2002].
4
Az Excel Windows vltozata 1987-ben jelent meg.
5
Ld.: Knsel, [1998], [2002], [2005].
6
Ld.: McCullough-Willson, [1999], [2002].
7
Ld.: Yalta, [2008]. A felsorolt hibkat az Excel 2007 sem kszblte ki. Pl. mi a valsznsge, hogy 1000-szer
feldobunk egy rmt, s abbl maximum 1 fej lesz. Nyilvn a val letben nem sok rtelme van ennek a valsznsgnek, tudomnyos munkk esetn azonban lehet jelentsge.
2

szoftvereket nem kpesek megvsrolni elemzsi eszkztrt is erstheti. Megemltjk tovbb azt a
fontos tnyt, hogy a statisztika oktatsban ma mr Magyarorszgon, a nagyobb egyetemeken s fiskolkon az Excel, mint tblzatkezel szoftver elterjedt, fknt knny elrhetsge okn. Az els knyv e
tmakrben Magyarorszgon Rappai Gbor: zleti statisztika Excellel 8 c. mve volt. Ismereteink szerint
csak az Excel alapszolgltatsainak hasznlata terjedt el az oktatsban s az zleti letben Magyarorszgon 9, pedig mint arrl mr sz esett az Excel ennl tbbre kpes, lehet batch file-okat, ktegelt parancsllomnyokat (a tovbbiakban parancsfjlokat, illetve programokat) kszteni. Internetes keress 10,
s a rendelkezsnkre ll szakknyvek feldolgozsa alapjn 11 megllaptottuk, hogy az USA-ban igen
elterjedtek a parancsfjlok, br legtbbszr csak korltozott szolgltatsokat nyjtanak. A tovbbi szolgltatsokat kln meg kell fizetni, azokat a knyvekhez mellkelt CD-k nem tartalmazzk. Rtrve az
alkalmazsi lehetsgekre, vlemnynk szerint az adatelemzs t szintje oldhat meg az Excellel: Az els szint az, amikor a Fggvny beszrsa varzslt (ikont) hasznljuk, teht beptett statisztikai, matematikai s trigonometriai, mtrix, adatbzis, stb. fggvnyeket alkalmazunk. A msodik szint, amikor az
Eszkzk - Adatelemzs 12 menpont szolgltatsait (pl. korrelcianalzis, regresszi) hasznljuk. A
harmadik szint, amikor magunk runk konkrt adatsorhoz vagy adatsorokhoz kpleteket, mivel nem minden feladathoz ll rendelkezsre megrt fggvny. A negyedik szint az, amikor parancsfjlokat ksztnk
vagyis a harmadik szintet ltalnostjuk aminek felhasznlsval az ltalunk megadott adatbzis terjedelmig (ez az adatbzisok sajtossgainak 13 fggvnyben 25 - 10000 megfigyels) j adatbzisok felhasznlsval korltlan szmban szmtsokat vgezhetnk a programozott kpletek, illetve fggvnyek
alkalmazsval. Gyakran igen sok szmtst kell elvgezni. Eben az esetben az idvel val takarkos gazdlkods a cl, mert gyakran a harmadik szintnl egy feladatsor szmtsainak elvgzse tbb ra, vagy
tbb nap, amit a parancsfjlok felhasznlsval egy perc alatt el lehet vgezni. Az tdik szint az, amikor
a feladat a hagyomnyos mdon nem oldhat meg. Erre plda a CES termelsi fggvny, ahol a vltozk
szma tbb mint a rendelkezsre ll egyenletek szma. A feladat a legjobban illeszked fggvny paramtereinek a megkeresse 14. A logisztikus s egyb specilis trendfggvnyek esetben a fggvnyeket
nem lehet linerisra transzformlni, a cl megkeresni azokat a paramtereket, amelyek mellett az illeszts
a legpontosabb 15. A logisztikus regresszis fggvnyek sem linearizlhatk, de itercis eljrssal, a paramterek vltoztatsval a paramterek becslhetk, meghatrozhat egy olyan fggvny, ahol a tbbszrs determincis egytthat a legnagyobb. Az Excel a Visual Basic for Applications (VBA) felhasznlsval programozhat, gy ezek a feladatok egy itercis eljrssal megoldhatk. A negyedik s tdik
szint tovbbi elnye az, hogy szakrti rtkelsre is felhasznlhatk, vagyis javaslatot lehet tenni a klnbz modellek elfogadsra vagy elutastsra, tovbb kikszblhetek az Excel fordtsi s tartalmi hinyossgai. ppen ezrt, s az eddig felsoroltak miatt gondoltuk gy, hogy rdemes lenne olyan Excel alkalmazsokat ltrehozni, melyek megknnytik a tanultak elsajttst, dinamikusak, a felhasznlt
kpletek knnyen leolvashatk, megknnytik a feladatmegoldst, s didaktikusak. A hallgatknak lehetsgk nylik a nagy mennyisg szmtsi folyamat mg nzni. Tovbbi nagy elnye a kvetkezkben ismertetett mdszernek az, hogy az rdekld hallgatk amennyiben valamilyen specilis mdszer alkalmazsra van szksgk, a bemutatott programok alapjn, vagy azok mdostsval elkszthetik sajt, testhezll Excel fjljaikat is. A munkalapokat egysges szerkezetben ptettk fel. A vltoztathat, illetve megadhat vagy megadand adatokat srga mezk jellik, az eredmnyeket pedig egysges struktrban, illetve szhasznlattal kvntuk megjelenteni. A megrtshez szksges vgeredmnyek, s az egyes cellk szmtshoz hasznlt kpletek valamennyi cella esetn lthatak. Termszetesen
a kpletek, fggvnyek olvasshoz alapvet tblzatkezelsi ismeretek elengedhetetlenek, ezzel a szmts menete kvethetv vlik. Szintn nagyon fontos, hogy egyetlen cella, vagy vezrlelem (Checkbox,
legrdl men stb.) megvltoztatsa az eredmnyek azonnali vltozst vonja maga utn, s mindezt
F

Rappai Gbor [2001].

Pl. Balzsn Mcsai Andrea-Csetnyi Arthur [2003], Jnosa Andrs [2005].
10
Ld.: pl. statistiXL, ami 30 napos ingyenes vltozat, utna meg kell venni, regresszi-, faktor- s klaszter-analzist
is szmol, elrhetsge az interneten: http://www.statistixl.com/ (1.8 verzi: 2009 december 31)
11
Evans James R. [2007], Aczel, Amir D. [2002], Berenson, Mark L. Levine David M. Krehbiel Timothy C.
[2006].
12
Az Eszkzk Bvtmnykezel Data Analysis Toolpak bejellse utn.
13
Pl. hisztogram 25, korfa 101, elemi mveletek 5 ezer stb.
14
Ld.: ces1.xls
15
Ld.: Kehl Dniel Dr. Sipos Bla [2009]. s logisztikusregresszio.xls
9

hla a gyors szmtsi sebessgnek azonnal elrhetjk. Rappai Gbor az informatikai tmogatottsggal
s az Excel felhasznlsval kapcsolatban a kvetkezket rta: meggyzdsem szerint a legszlesebb
krben rendelkezsre ll tmogateszkz hasznlata a legindokoltabb 16. A modernizci jelentsgre
hvja fel a figyelmet Kovcs Pter tanulmnya is 17, aki a Szegedi Tudomnyegyetemen bevezetett tanterven keresztl mutatja be a szegedi modellt, ami szintn ersen tmaszkodik az Excelre. gy gondoljuk,
hogy az ltalunk felvzolt, Excel alap oktats az egyik, termszetesen nem kizrlagos irny lehet a jvben. Rappai Gbor dkn javaslatra 2006-ban kezdtk meg a fejleszt munkt. Az ltalunk rt oktatsi segdlet felhasznlbart stlusban rdott, csak annyi matematikai kpletet tartalmaz, ami az Excel
parancsfjlok megrtshez s a feldolgozshoz, az eredmnyek rtelmezshez felttlenl szksges s
szleskr hazai s nemzetkzi adatbzist dolgoz fel, ami a szakmai megrtst elsegti. Az oktatsi segdlet fggelkben felhvjuk a figyelmet arra s bemutatjuk, hogy hogyan lehet a feldolgozott adatsorokat az interneten megkeresni s letlteni. Oktatsi segdletnkben azokat az Excel parancsfjlokat mutatjuk be, melyek elksztst feladatul tztk ki, s amelyek fellelik a statisztika illetve konometria hrom fontos terlett; 1. egyszer elemzsek: viszonyszmok szmtsa, grafikonok ksztse, empirikus
eloszlsok elemzse s elemi statisztikai mveletek; 2. dekompozicis s sztochasztikus idsorelemzs
fontosabb statisztikai mdszerei; 3; korrelci- s regressziszmts, sztochasztikus kapcsolatok elemzse s egyes specilis alkalmazsok: pl. ksleltetett regresszis modellek, CES-fggvnyek, logisztikus
regresszis fggvnyek. Az oktatsi segdlet megrtshez szksges elmleti httr nagy rsze megtallhat a Pintr Jzsef Rappai Gbor (szerkeszt) [2007]: Statisztika. 18 c. BSC tanknyvben, amire az
Excel parancsfjlok kidolgozsa sorn tmaszkodtunk, ezrt csak az Excel parancsfjlok megrtshez
felttlenl szksges elmleti ismereteket s kpleteket ismertetjk. Az oktatsi segdletet a BSC s ezen
fell az MSC, MBA s PHD kpzsben is hasznljuk, gptermes gyakorlati oktats keretben. Azokat az
Excel parancsfjlokat, amelyek nem kpezik a BSC alapkpzs tananyagt, a knyvben *-gal jelljk.
Munknk sorn rtkes segtsget kaptunk Hunyadi Lszl emeritus egyetemi tanrtl (Corvinus Egyetem) s Rdey Katalin nyugdjas egyetemi adjunktustl (Pcsi Tudomnyegyetem, Kzgazdasgtudomnyi Kar). Segtsgket ezton is ksznjk. Az Excel alkalmazsnak tmjval bvebben foglalkoz kziknyv (Kehl Dniel Dr. Sipos Bla: Excel parancsfjlok felhasznlsa a statisztikai elemzsekben) s
az Excel parancsfjlok (BSC.zip, MSC.zip s SABL.zip) a PTE honlapjn a KTK-GMI Publikcik - Sipos Bla internet cmen letlthetk. 19 20
F

A Szerzk

16

Rappai Gbor [2008]: 840.

Kovcs Pter [2008b]
18
Pintr Jzsef Rappai Gbor (szerkeszt) [2007].
19
http://www.gmi.ktk.pte.hu/index.php?mid=33#SiposB
20
Kiss Tibor-Sipos Bla: EXPS for Windows. 1998 szoftver 12 mdszerrel vgzi el a becslst. Ld.: Kiss Tibor
Sipos Bla [2000].

17

Bevezets, az Excel belltsai, az Excel parancsfjlok hasznlata sorn

Office 2003:
Mdostsok: Eszkzk Belltsok Biztonsg Makr vdelem - kzepesre lltani. A megnyitskor
a Makr hasznlatt engedlyezni kell. Javasoljuk, a felhasznlknak, hogy az eredeti fjlt rizzk meg
s ms nven lementett fjllal dolgozzanak.
Eszkzk Bvtmnykezel - Analysis Tool Pak, bejellni. rdemes a tbbi Bvtmnykezelt is bejellni.(x)
Csak ez az Excel fjl legyen megnyitva, a mdostsok utn le kell menteni s be kell zrni a fjlt s jra
meg kell nyitni.
j adatbzis bevitele: a srga mezben lv adatok cserlhetk, ltalban a munkalapon tallhat adatok
trlse gomb segtsgvel. Az res srga mezbe az j adatok msolst a kvetkezkppen kell elvgezni: elszr trlni kell az adatokat, az j adatbzist kijellni - msolni- s irnytott beillesztsen bell
- rtket vlasztani. Az j adatbzist a felhasznlnak rtelemszeren el kell ksztenie vagy be kell rni
az res srga mezbe.
A logisztikus trendek s regresszis fggvnyek, ARIMA valamint a simit (exponencilis simts) esetben mg a kvetkez belltsokra van szksg:
Eszkzk Bvtmnykezel - Solver beikszelni, vagy ha be van jellve kiszedni a bejellst, kilpni,
belpni s jra bejellni a Solvert. (A tbbi bvtmnyt is clszer bejellni)
Tovbb:
Eszkzk Makr - Visual Basic Editor - Tools (fell) - References - Solver legyen bejellve. Megoldhat gy is, hogy Alt+F11 Tools, Preferences, s ki kell jellni (pipa jel) a SOLVER feliratot, ha nem
volt bejellve. Ha nem mkdik a program jra: Eszkzk Makr - Visual Basic Editor - Tools (fell)
- References Solvert bejellni.
Office 2007:
Makrk belltsa: Kattintson a Microsoft Office gombra, majd a Programnv belltsai gombra (Excel
Options), ahol a Programnv az ppen hasznlt alkalmazs neve, pldul Az Excel belltsai (alul tallhat). Kattintson az Adatvdelmi kzpont (Trust Center) elemre, majd Az Adatvdelmi kzpont belltsai (Trust Center Settings) gombra vgl a Makrbelltsok (Macro Settings) elemre. Kattintson a kvnt
belltsra, a vlaszts: Az sszes makr engedlyezse. (Enable all macros) Minden vlaszts utn Ok.
Kattintson a Microsoft Office gombra, majd a Programnv belltsai gombra, (Excel Options) ahol a
Programnv az ppen hasznlt alkalmazs neve, pldul Az Excel belltsai (alul tallhat). Kattintson a
Bvtmnyek (Add-Ins) gombra, majd vlassza a Kezels Excel bvtmnyeket alul, az ugrst vlasztva
a Bvtmnyeket bejellheti (Manage: Excel Add-Ins, Go, megjelenik: Analysis Tool Pak, rdemes a
tbbit is bejellni.). A Bvtmnyeket az Excel installlja. A Bvmnyek megjelennek: Adatok - Adatelemzs ikonnl. (Data Data Analysis)
A logisztikus trendek s logisztikus regresszis fggvnyek valamint a simt (exponencilis simts)
ARIMA, esetben mg a kvetkez belltsokra van szksg:
Eszkzk Bvtmnykezel - Solver beikszelni, vagy ha be van jellve kiszedni a bejellst, kilpni,
lementeni, belpni s jra bejellni a Solvert. (A tbbi bvtmnyt is clszer bejellni) Tovbb:
Eszkzk Makr - Visual Basic Editor - Tools (fell) - References - Solver legyen bejellve. Megoldhat gy is, hogy Alt+F11 Tools, Preferences, s ki kell jellni (pipa jel) a SOLVER feliratot, ha nem
volt bejellve.
A msik elrsi lehetsg: Kattintson a Microsoft Office gombra, majd a Programnv belltsai gombra,
(Excel Options) ahol a Programnv az ppen hasznlt alkalmazs neve, pldul Az Excel belltsai (alul
tallhat). Jellje be: Fejleszteszkzk lap megjelentse a szalagon. Megjelenik a Fejleszt eszkzk
szalag, azon bell Visual Basic -Tools-References-Solvert be kell jellni. Kilps utn mindig menteni
kell.
Krkrs hivatkozs esetn, ha itercit vgez az Excel, az Excel ltal javasolt mdosts: Az Excel belltsai Kpletek - Kzelts engedlyezse.
Office 2010:
Belltsok: Fjl - Belltsok. Az Excel belltsai, innen azonos a belltsok mdostsa az Office
2007-ben lertakkal. Kattintson az Adatvdelmi kzpont (Trust Center) elemre, majd Az Adatvdelmi
kzpont belltsai (Trust Center Settings) gombra vgl a Makrbelltsok (Macro Settings) elemre.
7

Kattintson a kvnt belltsra, a vlaszts: Az sszes makr engedlyezse. (Enable all macros) Minden
vlaszts utn Ok.
Kattintson a Bvtmnyek (Add-Ins) gombra, majd vlassza a Kezels Excel bvtmnyeket alul, az ugrst vlasztva a Bvtmnyeket bejellheti (Manage: Excel Add-Ins, Go, megjelenik: Analysis Tool Pak,
rdemes a tbbit is bejellni.). A Bvtmnyeket az Excel installlja. A Bvmnyek megjelennek: Adatok - Adatelemzs ikonnl. (Data Data Analysis)
Krkrs hivatkozs esetn, ha itercit vgez az Excel, az Excel ltal javasolt mdsts: Az Excel belltsai Kpletek - Kzelts engedlyezse.
A logisztikus trendek s logisztikus regresszis fggvnyek valamint a simit (exponencilis simts)
ARIMA, esetben mg a kvetkez belltsokra van szksg:
Eszkzk Bvtmnykezel - Solver beikszelni, vagy ha be van jellve kiszedni a bejellst, kilpni,
lementeni, belpni s jra bejellni a Solvert. (A tbbi bvtmnyt is clszer bejellni) Tovbb:
Eszkzk Makr - Visual Basic Editor - Tools (fell) - References - Solver legyen bejellve. Megoldhat gy is, hogy Alt+F11 Tools, Preferences, s ki kell jellni (pipa jel) a SOLVER feliratot, ha nem
volt bejellve.
Az Excel belltsai. Menszalag testreszabsa-F lapok-Jellje be: Fejleszteszkzk. Ok. Megjelenik
a Fejleszt eszkzk szalag, azon bell Visual Basic-Tools-References-Solvert be kell jellni. Kilps
utn mindig menteni kell.
Technikai tudnivalk az Office 2010, 2007 (Office 2003) hasznlata sorn.
Logisztikustrendek.xls elszr a 12 munkalapon (Bertalanffytl Hubbertig) kell trlni az adatokat, majd
a 12 munkalapba beilleszteni az j adatokat. Ezt gy is meg lehet egyszerbben s gyorsabban csinlni,
hogy az els munkalapon (Bertalanffy) az sszes munkalapot kijelljk az egr mveletekkel (bal gomb
majd jobb gomb s a mensorbl, a minden munkalapot kijellt vlasszuk) Az utols Ciklus munkalapot nem szabad kijellni, mert az adatok behvsa programozva van, ezrt itt alkalmazzuk a
Shift+kattintst, az utols munkalapon, ahol mg vltoztatni akarunk, vagyis a Ciklus munkalap eltt a
Hubbertnl, gy kivlasztottuk az sszes munkalapot az utols, Ciklus kivtelvel, majd lehet trlni,
illetve beilleszteni. A Ciklus munkalap szne ekkor pirosra vlt, a kijellt 12 munkalap srga szne pedig
fehrre vlt.
A trlst a Delete billentyvel vgezzk a srga mezben tallhat adatok kijellse utn, teht ne hasznljuk az adatok trlse vezrlelemet, ami mindegyik munkalapon megtallhat. A trls utn megint
mindegyik munkalapot kijelljk, kivve az utols ciklus munkalapot, az elbb lertak szerint, majd vlasztjuk az j adatllomnyt (id s adatsor), az utastsok: kijell, msol majd irnytott beilleszts rtk s az adatokat az els munkalapba (Bertalanffy) beillesztjk. A msols s beilleszts (msik Excel
fjlbl, nem a logisztikustrendek.xls parancsfjlbl trtnjen a msols.) eltt a kijellst az elbb lertak
szerint (Shift+kattints a Hubert munkalapon) meg kell csinlni. Msolni egy msik Excel fjlbl kell az
adatokat, mert csak akkor illeszti be mindegyik munkalapra a kivlasztott adatsort.
Fontosabb alapismeretek: tblzat: sorok-oszlopok. Cella, aktv cella. A cellk tglalap alak halmaza tartomny. Munkalapok s munkafzetek. A munkafzetnek fjl nevet adunk. A munkalap mrete Excel
2007-ben 16384 oszlop s 1048576 sor. Kplet (pl. = A2/B2) msolsa fogantyval. A relatv cellahivatkozs esetben a kplet msolsakor a msols irnynak megfelelen mdosul a kplet. Abszolt cellahivatkozsnl a cella cme a msolskor nem vltozik, ekkor a tblzatkezel a cella tnyleges helyt trolja. A sor s oszlopkoordinta el $ jelet kell tennnk, vagy az abszolt cellahivatkozs rdekben az F4
funkcibillentyt hasznlhatjuk. (pl.: =A1*$E$1 az E1 az abszolt hivatkozs.)
A cella tartalma lehet: szveg, szm, kplet.
Cella tartalmnak javtsa F2 funkcibillentyvel is trtnhet.
Minden fggvnynl: Sg a fggvnyrl, lerst, kpleteket s mintapldt ad.
Cella, bra klnbz rszei stb. kijell (klikkels) bal egrgomb, majd jobb egrgomb, felajnlja a vltoztatsi lehetsgeket, amit az adott helyen vlasztani lehet.
Egyb technikai tudnivalk:
Interneten amerikai adatok esetben, ha szvegfjlrl van sz, beilleszts eltt a Regionlis belltsoknl
a nyelvet s az orszgot magyarrl amerikaira (USA) kell tlltani, majd az adatok beillesztse (beilleszts vagy irnytott beilleszts-szveg opcit vlasztva) utn vissza lehet lltani a regionlis belltsokat.
Plda: http://www.measuringworth.com/datasets/interestrates/result.php
8

Excel 2007 segtsg a felhasznlnak:

http://office.microsoft.com/hu-hu/excel-help/ujdonsagok-a-microsoft-office-excel-2007-programbanHA010073873.aspx
Diagram kszts:
http://office.microsoft.com/hu-hu/excel-help/diagram-keszitese-HP001233728.aspx?CTT=3
Adatok beillesztse pdf fjlbl:
Lementeni kell, majd megnyitni a pdf fjlt, utna lehet msolni.
Adatok kijellse-msols (Ctrl+C) beilleszts a jegyzettmbbe (notepad) lementeni *.txt formtumba.
Excel 2007- Adatok- Szvegbl megnyitni a *.txt fjlt, kivlasztani a 28592 Kzp eurpai ISO, - tovbb
szkzt vlasztani megjelenik az adatokat elvlaszt vonal- beilleszts.
Szveg fjlok beillesztse Excelbe:
Pl.
http://www.measuringworth.com/datasets/DJA/result.php
DATA SETS
Daily DJA
Kijells kezd v: 1896 Okt. 7. Vgdtum megadja: 2011 Febr. 28.
Az adatok kijellse: Utols jobb oldali adatot megkeresni s Shift+jobb egr gombra klikkelni. Beilleszts, Crtl+F csere, pontot vesszre. (kezdlap-keress s kijells-csere.)
Fontosabb matematikai s trigonometrikus fggvnyek
Fggvny
Lers
ABS
Egy szm abszolt rtkt adja eredmnyl.
KOMBINCIK
Adott szm objektum sszes lehetsges kombinciinak szmt szmtja ki.
KITEV
Az e adott kitevj hatvnyt adja eredmnyl.
FAKT
Egy szm faktorilist szmtja ki.
LN
Egy szm termszetes logaritmust szmtja ki.
LOG
Egy szm adott alap logaritmust szmtja ki.
LOG10
Egy szm 10-es alap logaritmust szmtja ki.
MDETERM
Egy tmb mtrix-determinnst szmtja ki.
INVERZ.MTRIX Egy tmb mtrix inverzt adja eredmnyl.
MSZORZAT
Kt tmb mtrix-szorzatt adja meg.
MARADK
Egy szm osztsi maradkt adja eredmnyl.
HATVNY
Egy szm adott kitevj hatvnyt szmtja ki.
SZORZAT
Argumentumai szorzatt szmtja ki.
QUOTIENT
Egy hnyados egsz rszt adja eredmnyl.
RADIN
Fokot radinn alakt t.
VL
Egy 0 s 1 kztti vletlen szmot ad eredmnyl.
RANDBETWEEN Megadott szmok kz es vletlen szmot llt el.
KEREKTS
Egy szmot adott szm szmjegyre kerekt.
KEREKTS.LE
Egy szmot lefel, a nulla fel kerekt.
KEREKTS.FEL
Egy szmot felfel, a nulltl tvolabbra kerekt.
SERIESSUM
Hatvnysor sszegt adja eredmnyl.
ELJEL
Egy szm eljelt adja meg.
SIN
Egy szg szinuszt szmtja ki.
GYK
Egy szm pozitv ngyzetgykt szmtja ki.
9

RSZSSZEG
SZUM
SZUMHA
SZUMHATBB
SZORZATSSZEG
NGYZETSSZEG
SZUMX2BLY2
SZUMX2MEGY2

Lista vagy adatbzis rszsszegt adja eredmnyl.

sszeadja az argumentumlistjban lv szmokat.
A megadott feltteleknek eleget tev cellkban tallhat rtkeket adja ssze.
Tbb megadott felttelnek eleget tv tartomnycellk sszegt adja eredmnyl.
A megfelel tmbelemek szorzatnak sszegt szmtja ki.
Argumentumai ngyzetnek sszegt szmtja ki.
Kt tmb megfelel elemei ngyzetnek klnbsgt sszegzi.
Kt tmb megfelel elemei ngyzetnek sszegt sszegzi.

SZUMXBLY2

Kt tmb megfelel elemei klnbsgnek ngyzetsszegt szmtja ki.

TAN
CSONK

Egy szm tangenst szmtja ki.

Egy szmot egssz csonkt.

Fontosabb statisztikai fggvnyek

Fggvny
Lers
TL.ELTRS
Az adatpontoknak tlaguktl val tlagos abszolt eltrst szmtja ki.
TLAG
Argumentumai tlagt szmtja ki.
TLAGA
Argumentumai tlagt szmtja ki (belertve a szmokat, szveget s logikai
rtkeket).
TLAGHA
A megadott felttelnek eleget tv tartomny cellinak tlagt (szmtani
kzept) adja eredmnyl.
TLAGHATBB
A megadott feltteleknek eleget tv cellk tlagt (szmtani kzept) adja
eredmnyl.
BTA.ELOSZLS
A bta-eloszls fggvnyt szmtja ki.
INVERZ.BTA
Adott bta-eloszlshoz kiszmtja a bta eloszlsfggvny inverzt.
BINOM.ELOSZLS
A diszkrt binomilis eloszls valsznsgrtkt szmtja ki.
KHI.ELOSZLS
A khi-ngyzet-eloszls egyszl valsznsgrtkt szmtja ki.
INVERZ.KHI
A khi-ngyzet-eloszls egyszl valsznsgrtknek inverzt szmtja ki.
KHI.PRBA
Fggetlensgvizsglatot hajt vgre.
MEGBZHATSG
Egy statisztikai sokasg vrhat rtknek megbzhatsgi intervallumt adja eredmnyl.
KORREL
Kt adathalmaz korrelcis egytthatjt szmtja ki.
DARAB
Megszmolja, hogy argumentumlistjban hny szm tallhat.
DARAB2
Megszmolja, hogy argumentumlistjban hny rtk tallhat.
DARABRES
Egy tartomnyban sszeszmolja az res cellkat.
DARABTELI
Egy tartomnyban sszeszmolja azokat a cellkat, amelyek eleget tesznek
a megadott felttelnek.
DARABHATBB
Egy tartomnyban sszeszmolja azokat a cellkat, amelyek eleget tesznek
tbb felttelnek.
KOVAR
A kovariancit, azaz a pronknti eltrsek szorzatnak tlagt szmtja ki.
KRITBINOM
Azt a legkisebb szmot adja eredmnyl, amelyre a binomilis eloszlsfggvny rtke nem kisebb egy adott hatrrtknl.
SQ
Az tlagtl val eltrsek ngyzetnek sszegt szmtja ki.
EXP.ELOSZLS
Az exponencilis eloszls rtkt szmtja ki.
F.ELOSZLS
Az F-eloszls rtkt szmtja ki.
10

INVERZ.F
ELREJELZS

Az F-eloszls inverznek rtkt szmtja ki.

Az ismert rtkek alapjn lineris regresszival becslt rtket ad eredmnyl.
GYAKORISG
A gyakorisgi vagy empirikus eloszls rtkt fggleges tmbknt adja
eredmnyl.
F.PRBA
Az F-prba rtkt adja eredmnyl.
GAMMA.ELOSZLS
A gamma-eloszls rtkt szmtja ki.
INVERZ.GAMMA
A gamma-eloszls eloszlsfggvnye inverznek rtkt szmtja ki.
GAMMALN
A gamma-fggvny termszetes logaritmust szmtja ki.
MRTANI.KZP
Argumentumai mrtani kzprtkt szmtja ki.
NV
Exponencilis regresszi alapjn ad becslst.
HARM.KZP
Argumentumai harmonikus tlagt szmtja ki.
HIPERGEOM.ELOSZLS A hipergeometriai eloszls rtkt szmtja ki.
METSZ
A regresszis egyenes y tengellyel val metszspontjt hatrozza meg.
CSCSOSSG
Egy adathalmaz cscsossgt szmtja ki.
NAGY
Egy adathalmaz k-adik legnagyobb elemt adja eredmnyl.
LIN.ILL
A legkisebb ngyzetek mdszervel az adatokra illesztett egyenes paramtereit hatrozza meg.
LOG.ILL
Az adatokra illesztett exponencilis grbe paramtereit hatrozza meg.
INVERZ.LOG.ELOSZLS A lognormlis eloszls inverzt szmtja ki.
LOG.ELOSZLS
A lognormlis eloszlsfggvny rtkt szmtja ki.
MAX
Az argumentumai kztt szerepl legnagyobb szmot adja meg.
MAX2
Az argumentumai kztt szerepl legnagyobb szmot adja meg (belertve a
szmokat, szveget s logikai rtkeket).
MEDIN
Adott szmhalmaz medinjt szmtja ki.
MIN
Az argumentumai kztt szerepl legkisebb szmot adja meg
MIN2
Az argumentumai kztt szerepl legkisebb szmot adja meg, belertve a
szmokat, szveget s logikai rtkeket.
MDUSZ
Egy adathalmazbl kivlasztja a leggyakrabban elfordul szmot.
NORM.ELOSZL
A normlis eloszls rtkt szmtja ki.
INVERZ.NORM
A normlis eloszls eloszlsfggvnye inverznek rtkt szmtja ki.
STNORMELOSZL
A standard normlis eloszls eloszlsfggvnynek rtkt szmtja ki.
INVERZ.STNORM
A standard normlis eloszls eloszlsfggvnye inverznek rtkt szmtja
ki.
PEARSON
A Pearson-fle korrelcis egytthatt szmtja ki.
PERCENTILIS
Egy tartomnyban tallhat rtkek k-adik percentilist, azaz szzalkosztlyt adja eredmnyl.
SZZALKRANG
Egy rtknek egy adathalmazon bell vett szzalkos rangjt (elhelyezkedst) szmtja ki.
VARICIK
Adott szm objektum k-ad osztly ismtls nlkli variciinak szmt
szmtja ki.
POISSON
A Poisson-eloszls rtkt szmtja ki.
VALSZNSG
Annak valsznsgt szmtja ki, hogy adott rtkek kt hatrrtk kz
esnek.
KVARTILIS
Egy adathalmaz kvartilist (negyedszintjt) szmtja ki.
11

SORSZM
RNGYZET
FERDESG
MEREDEKSG
KICSI
NORMALIZLS
SZRS
SZRSA
SZRSP
SZRSPA
STHIBAYX
T.ELOSZLS
INVERZ.T
TREND
RSZTLAG
T.PRBA
VAR
VARA
VARP
VARPA
WEIBULL
Z.PRBA

Kiszmtja, hogy egy szm hnyadik egy szmsorozatban.

Kiszmtja a Pearson-fle szorzatmomentum korrelcis egytthatjnak
ngyzett.
Egy eloszls ferdesgt hatrozza meg.
Egy lineris regresszis egyenes meredeksgt szmtja ki.
Egy adathalmaz k-adik legkisebb elemt adja meg.
Normalizlt rtket ad eredmnyl.
Egy statisztikai sokasg mintjbl kiszmtja annak szrst.
Egy statisztikai sokasg mintjbl kiszmtja annak szrst (belertve a
szmokat, szveget s logikai rtkeket).
Egy statisztikai sokasg egszbl kiszmtja annak szrst.
Egy statisztikai sokasg egszbl kiszmtja annak szrst (belertve
szmokat, szveget s logikai rtkeket).
Egy regresszi esetn az egyes x-rtkek alapjn meghatrozott y-rtkek
standard hibjt szmtja ki.
A Student-fle t-eloszls rtkt szmtja ki.
A Student-fle t-eloszls inverzt szmtja ki.
Lineris trend rtkeit szmtja ki,
Egy adathalmaz kzps rsznek tlagt szmtja ki.
A Student-fle t-prbhoz tartoz valsznsget szmtja ki.
Minta alapjn becslst ad a variancira.
Minta alapjn becslst ad a variancira (belertve szmokat, szveget s logikai rtkeket).
Egy statisztikai sokasg variancijt szmtja ki.
Egy statisztikai sokasg variancijt szmtja ki (belertve szmokat, szveget s logikai rtkeket).
A Weibull-fle eloszls rtkt szmtja ki.
Az egyszl z-prbval kapott valsznsgrtket szmtja ki.

Fontosabb adatbzis-kezel fggvnyek

Fggvny
Lers
AB.TLAG
A kijellt adatbziselemek tlagt szmtja ki.
AB.DARAB
Megszmolja, hogy az adatbzisban hny cella tartalmaz szmokat.
AB.DARAB2 Megszmolja az adatbzisban lv nem res cellkat.
AB.MEZ
Egy adatbzisbl egyetlen olyan rekordot ad vissza, amely megfelel a megadott feltteleknek.
AB.MAX
A kivlasztott adatbziselemek kzl a legnagyobb rtket adja eredmnyl.
AB.MIN
A kijellt adatbziselemek kzl a legkisebb rtket adja eredmnyl.
AB.SZORZAT Az adatbzis megadott feltteleknek eleget tev rekordjaira sszeszorozza a megadott
mezben tallhat szmrtkeket, s eredmnyl ezt a szorzatot adja.
AB.SZRS A kijellt adatbziselemek egy mintja alapjn megbecsli a szrst.
AB.SZRS2 A kijellt adatbziselemek teljes sokasga alapjn kiszmtja a szrst.
AB.SZUM
sszeadja a felttelnek megfelel adatbzisrekordok mezoszlopban a szmokat.
AB.VAR
A kijellt adatbziselemek mintja alapjn becslst ad a szrsngyzetre.
AB.VAR2
A kijellt adatbziselemek teljes sokasga alapjn kiszmtja a szrsngyzetet
12

Az Analysis ToolPak betltse.

Az Analysis ToolPak betltst kveten elrhetv vlik az Adatelemzs parancs az Adatok lap Elemzs
csoportjban.
Elrhetv vlik tbbek kztt: Adatok - Adatelemzs
Variancia - analzis. Egy- s kttnyezs.
Korrelci - analzis.
Kovariancia - analzis.
Ler statisztika.
Exponencilis simts.
Mozgtlag.
Regresszi (felhasznlhat trendszmtsra x=t).
Mozgtlagols.
Diagramok ksztse Excel 2007. 21
F

Diagramok hasznlatval grafikus formtumban jelenthetk meg a numerikus adatsorok, gy knnyebben

rtelmezhetk a nagy mennyisg adatok, valamint a klnbz adatsorok kztti kapcsolatok.
1. Az Excel alkalmazsban trtn diagramkszts els lpse a numerikus adatok munkalapon val feltntetse. Ha ms munkalapon megvannak az adatok, akkor Msols CTRL+C beilleszts CTRL+V. Kivgs CTRL+X. Kezdlap Vglap menszalagon is megtallhatk a felsorolt mveletek.
2. Adatok kijellse:
Kijellhetk egrmveletekkel vagy:
Adott sor vagy oszlop cellit gy is kijellheti, hogy az els cella kijellst kveten a
CTRL+SHIFT+NYL (sorok esetn a JOBB vagy BAL, oszlopok esetn a FEL vagy LE nylbillenty)
billentykombincit hasznlja.
Megjegyzs: Adatokat tartalmaz sor vagy oszlop esetn a CTRL+SHIFT+NYL billentykombinci
a legutols hasznlatban lv cellig bvti a kijellst, a billentykombinci msodszori lenyomsa pedig a teljes sort illetve oszlopot jelli ki
3. Diagram ksztse.
Ezutn az adatok diagramba emelshez vlasszon diagramtpust: Nyissa meg a Beszrs menszalagot
s a Diagramok elemcsoportban vlassza ki a diagramtpust.
Hajtsa vgre a megfelel mveletet a Beszrs lap Diagram csoportjban: Jellje ki az brzoland adatokat, majd:
Jelljn ki egy diagramtpust, majd kattintson a diagram hasznlni kvnt altpusra.
Ha ltni szeretn az sszes elrhet diagramtpust, a Diagram beszrsa prbeszdpanel megjelentshez
kattintson valamelyik diagramtpusra, majd a Minden diagramtpus parancsra; a nyilakra kattintva grgesse vgig a hasznlhat diagramtpusokat s - altpusokat, majd kattintson arra, amelyiket alkalmazni
szeretn.

Tipp Ha egy diagramtpus vagy -altpus fl viszi az egrmutatt, megjelenik a diagramtpus nevt mutat elemlers. A felhasznlhat diagramtpusokrl a Diagramtpusok gyjtemnye cm tmakrben olvashat.
A diagramot kijellve vltoztatni lehet a diagramtpusokon s altpusokon.

21

http://office.microsoft.com/hu-hu/excel-help/diagram-keszitese-HP001233728.aspx?CTT=3

13

4. Diagrameszkzk - Mdostsi lehetsgek -Elrendezs.

Be lehet rni ptllag a diagramcmet, a tengelycmeket stb.
Trendek szmtsa diagramra illesztett trendvonallal.
Ha meglv adatokhoz szeretne elre jelezni trendet, ltrehozhat egy trendvonalat a diagramban. Ha pldul van egy diagram az Excelben, amely az v els nhny hnapjnak rtkestsi adatait brzolja,
hozzadhat egy olyan trendvonalat a diagramhoz, amely mutatja az rtkests ltalnos trendjt (nvekv, cskken vagy stagnl), vagy elrejelzi az elkvetkez hnapok trendjt.
Ez az eljrs azt felttelezi, hogy a diagram mr korbban elkszlt meglv adatok alapjn. Ellenkez
esetben a Diagram ksztse cm tmakrben olvashat errl bvebben.
Kattintson a diagramra.
Jellje ki azt az adatsort, amelyhez trendvonalat vagy mozg tlagot szeretne illeszteni.
Kattintson az Elrendezs lap Elemzs csoportjban a Trendvonal gombra, majd vlassza ki a regresszis
trendvonal vagy mozg tlag kvnt tpust.
A belltsok szerkesztshez s a regresszis trendvonal vagy mozg tlag formzshoz kattintson a
jobb gombbal a trendvonalra, s vlassza a helyi men Trendvonal formzsa parancst.
Adja meg a kvnt belltsokat, vonalakat s effektusokat.
Ha a Polinomilis tpust vlasztotta, rja be a Fokszm mezbe a fggetlen vltoz legmagasabb hatvnykitevjt.
Ha a Mozgtlag tpust vlasztotta, rja be a Peridus mezbe a mozg tlag kiszmtshoz hasznlt idszakok szmt.
Megjegyzsek
Az Alapul szolgl csoportban lthatja az sszes olyan adatsort, amelyeknl hasznlhatja a trendvonalakat. Ha trendvonalat szeretne hasznlni egy sorban, kattintson a nevre, s vlassza ki a megfelel belltsokat.
Ha mozg tlagot illeszt egy pontdiagramhoz, a mozg tlag rtke a diagrambeli x rtkek sorrendjtl
fgg. Elfordulhat, hogy a kvnt eredmny elrshez meg kell adnia az x rtkek sorrendjt, mieltt a
mozg tlag szmtsba fogna.
1 Egyszer adat-elemzsek: viszonyszmok szmtsa s grafikus brzols
Az egyszer adatelemzsek trgyalsa eltt, rviden ismertetjk azokat az alapvet statisztikai fogalmakat, amelyeket a tovbbiak sorn hasznlni fogunk. Statisztikai sokasgnak nevezzk a statisztikai megfigyels trgyt kpez egyedek sszessgt. A sokasg egyedei lehetnek llnyek, szervezetek, trgyak,
esemnyek, kpzett egysgek, stb. Amennyiben a sokasg egy adott idpontra (ezt az idpontot szoks
n. eszmei idpontnak is nevezni) vonatkoz llapott vizsgljuk, ll sokasgrl beszlnk. A mozg
sokasg folyamatot fejez ki, ebbl kvetkezen idtartamra rtelmezhet. Statisztikai ismrvnek nevezzk a sokasg egyedeire vonatkoz tulajdonsgokat, jellemzket. A sokasg egysgei (egyedei) az ismrvek hordozi. Az ismrv lehetsges kimenetelei (vltozatai) az ismrvvltozatok. Az ismrveknek ngy
tpust klnbztethetjk meg:
1.
2.
3.
4.

Az idbeli ismrv a sokasg egysgeire nzve valamilyen idbeli elhatrolst ad.

A terleti ismrv a sokasg egysgeire nzve valamilyen fldrajzi elhatrolst ad.
A minsgi ismrv a sokasg egysgeire jellemz verblisan lerhat tulajdonsg.
A mennyisgi ismrv azon tulajdonsgokat jelenti, melyek szmadatokkal lerhatak, s valamilyen mrs vagy szmlls eredmnyei.

A csoportosts, avagy osztlyozs a statisztikai sokasgnak valamely ismrv szerinti tagolsa, rendszerezse. A csoportosts lnyegben azt is jelenti, hogy a statisztikai sokasgot minsgileg klnbz rszekre, csoportokra bontjuk, s gy tanulmnyozzuk szerkezett, felptst. A csoportosts a gyakorlatban gy trtnik, hogy a csoportkpz ismrv alapjn az ismrv vltozatainak megfelelen a sokasg
egyes tagjait a konkrt ismrvvltozatokhoz rendeljk. A csoportkpz ismrvek a sokasg lnyeges tulajdonsgait tkrzik, ezek alapjn lehetsg nylik a sokasgon bell az alapvet klnbsgek, eltrsek
feltrsra, elemzsre. A csoportostshoz felhasznlt csoportkpz ismrv vltozatai sok esetben adot14

tak: pl. nem, kor, beoszts s szakkpzettsg. A statisztikai nmenklatrk fontos csoportkpz ismrvek: pl. a tevkenysgek azonostsa a TEOR-on (Tevkenysgek Egysges gazati Osztlyozsi
Rendszere), a termkek az ITJ-n (Ipari Termkek Jegyzke), a METJ-n (Mezgazdasgi, Erdszeti Termkek Jegyzke), az J-n (ptmnyjegyzk), a SZATJ-n (Szmtstechnikai Alkalmazsi Termkek
Jegyzke) a szolgltatsok pedig a Szolgltatsok Jegyzkn (SZJ) alapul. Ismert nomenklatra tovbb
a Foglalkozsok Egysges Osztlyozsi Rendszere (FEOR).
Fontos szempont a csoportosts sorn, hogy az adatok egyrtelmen besorolhatk legyenek. Ez annyit
jelent, hogy valamennyi egyed egy s csak egy csoportba kerlhet. Egy statisztikai sokasg egyidejleg
tbb ismrv szerinti csoportostst kombinatv csoportostsnak hvjuk. A statisztikai adatok feldolgozsnak a csoportosts mellett gyakorta alkalmazott msik elemi mdszere az sszehasonlts.
Az sszehasonlts statisztikai adatok egyms mell rendelst jelenti elemzsi clbl. Az sszehasonltssal a mindennapi letnkben gyakran tallkozunk, s szinte semmilyen megllaptst nem tesznk nlkle. sszehasonlthatnak tekintjk azokat az adatokat, amelyek csak olyan tnyezk miatt trnek el
egymstl, amelyeknek a szerept ppen kutatjuk. A statisztikai adatok valamilyen ismrv szerinti felsorolst statisztikai sornak nevezzk. A sorok csoportosts eredmnyeknt, vagy sszehasonlts cljbl llthatk el. Az azonos fajta adatokbl ll statisztikai sorok amelyek ltalban csoportost vagy
sszehasonlt sorok az ismrvek tpusai szerint is osztlyozhatk. gy beszlhetnk idbeli, minsgi,
mennyisgi s terleti statisztikai sorokrl. A klnbz fajta, de egymssal sszefgg adatokat tartalmaz sort ler sornak nevezzk. Az ll sokasg (stock) adatait tartalmaz idsor az n. llapot idsor,
melynek jellemzje, hogy minden megfigyelt adata egy eszmei idponthoz tartozik, valamint ez a sor
csak sszehasonlt jelleg statisztikai sor lehet. A mozg sokasgot tartam idsorral tudjuk szemlltetni.
A tartam idsor sajtossga, hogy a statisztikai adatok a sokasg flow-jellegbl addan mindig idtartamhoz ktdnek, adatai gy akr sszesthetk is. A statisztikai sorok vltozatait az albbiakban foglaljuk
ssze:
S tati s zt i kai s orok cs op orto s t s a

Azonos fajta adatokat tartalmaz sorok

sszehasonlt sor

Idsor
llapot

Terleti sor

Klnbz fajta adatokat tartalmaz sorok

Csoportost sor

Minsgi sor

Tartam

Ler sor

Mennyisgi sor
Gyakorisgi

rtksszeg

A statisztikai alapfogalmak ttekintse utn rviden trgyaljuk a viszonyszmok szmtst s a grafikus

brzolst.
Viszonyszmnak nevezzk kt egymssal kapcsolatban ll statisztikai adat hnyadost.
A viszonyszm kplete:

V=

A
B

ahol:

A a viszonyts trgya,
B a viszonytsi alapja, ms nven bzisa.
A viszonyszmok legfontosabb fajti:
intenzitsi,
megoszlsi,
koordincis,
15

dinamikus viszonyszm.

Az intenzitsi viszonyszm ltalban klnbz, de egymssal kapcsolatban ll statisztikai adatok hnyadosa, ebbl kvetkezen a mrtkegysge a szmll s a nevez mrtkegysgbl kpzdik.
Megoszlsi, illetve koordincis viszonyszmokat a sokasg csoportostst kveten szmthatunk. Az
elbbiek egy rszsokasgot hasonltanak az egszhez, az utbbiak kt rszsoksgot viszonytanak egymshoz. A viszonyts eredmnyt vagy n. egytthats formban, vagy szzalkos formban szoks
megadni.
A dinamikus viszonyszmok kt idszak vagy idpont adatainak hnyadosai, melyeket ltalban szzalkos formban adunk meg. A viszonyts alapjt kpez idpontot, idszakot bzisidszaknak, mg a viszonyts trgyt trgyidszaknak szoktk nevezni. Amennyiben kettnl tbb idszak vagy idpont adataival rendelkeznk a viszonyts alapja lehet lland vagy vltoz; ezen utbbi esetben ltalban a megelz idszak (idpont) adatt tekintjk viszonytsi alapnak. Az els esetben bzisviszonyszmokat, a
msodik esetben lncviszonyszmokat szmtunk.
A bzisviszonyszm kplete, ha az idsor els megfigyelst tekintjk bzisnak akkor:

Bt =

yT
y1

A lncviszonyszm kplete:

Lt =

yT
y T 1

Az idbeli sszehasonltsokra a bzis- s lncviszonyszmok egyarnt alkalmasak. Mg a bzisviszonyszmok a fejlds (vltozs) relatv mrsre, addig a lncviszonyszmok a fejlds (vltozs) temnek
szmszerstsre szolglnak.
Idbeli sszehasonltsokra az n. differencia-kpzst is hasznlhatjuk. Ebben az esetben kt szomszdos idszak vagy idpont adatnak a klnbsgt kpezzk, melyet elsrend differencinak neveznk.
Kplete:

D t = yT yT 1

Az idsor adatainak szigoran kttt a felsorolsi rendje, mely egyben azt is jelzi, hogy a szomszdos
adatok klnbsgeinek s hnyadosainak szmtsnl, mindig a ksbbi adatbl vonjuk ki korbbit, illetve a ksbbi adatot osztjuk a korbbival.
Az idbeli sszehasonltsokra amennyiben kettnl tbb idszak vagy idpont adatt ismerjk gyakran hasznljuk az tlagos abszolt s relatv vltozs mutatit is.
Az idszakrl idszakra, illetve idpontrl idpontra trtn vltozsok (a D t s L t rtkek) tlagos rtkt kiszmtva jutunk az elbb emltett mutatszmokhoz. Az tlagos abszolt vltozs mutatja melyet azokban az esetekben alkalmazzuk, ha felttelezhet, hogy a vltozsok a vizsglt idszakban abszolt nagysgukat tekintve llandsgot mutatnak az albbi kplettel hatrozhat meg:

D=

( y2 y1 ) + ( y3 y2 ) + + ( yT yT1 ) = yT y1
T 1

T 1

Ha az egymst kvet megfigyelsek hnyadosai mutatnak viszonylagos llandsgot, akkor az tlagos

relatv vltozs mutatjt clszer kiszmtani:

L = T 1

y 2 y3
y
y
T = T 1 T
y1 y 2
yT 1
y1

A grafikus bra az elemzsek s kzlsek fontos eszkze. 22 A grafikus brk felhvjk a figyelmet a statisztikai adatok ltal reprezentlt jelensgek alapvet jellemzire, a fbb arnyokra, tendencikra, sszefggsekre. Az brzols clja lehet a jelensgek kztti kapcsolatok vizsglata, a ler cl alkalmazs,
a dnts elkszts altmasztsa, az elemzsek eredmnyeirl trtn tjkoztats, kzls. A grafikus
brzols lnyege az sszehasonlts, ezrt az arnyokat rzkelteti s nem az abszolt nagysgokat.
A grafikus brzolssal szemben tmasztott kvetelmnyek:
F

22

Ld.: Hunyadi Lszl [2002]

16

A legmegfelelbb brzolsi mdot kell kivlasztani, amit a vizsglt jelensget bemutat adatok
jellege, illetve a jelensgek kztt lv kapcsolat termszete dnt el.
A kivlasztott grafikus bra legyen egyszer, arnyos, ttekinthet s kifejez.
Minden grafikon kt rszbl lljon: bra s magyarz jellsek (cm, skla, jelmagyarzat, alkalmazott mrtkegysgek, forrs).

A grafikus brk lehetnek a teljessg ignye nlkl:

Egyszerbb statisztikai brk (diagramok):
Oszlop (tglalap)-,
vonal-,
kr-,
szalag-,
XY, vagy pontdiagram.
sszetett (kifejezetten statisztikai mveletek eredmnyeknt keletkez) diagramok:
Gyakorisgi sorok elemzsre szolgl brk:
hisztogram,
gyakorisgi poligon,
Specilis szalagdiagram az n. korfa, mely a demogrfiai elemzsekben hasznlatos.
1.1 A dinamikus viszonyszmok parancsfjl mkdse
A dinamikus viszonyszmok.xls fjl alkalmazsa sorn bevihet az idvltoz, ezen kivl egyszerre 12
klnbz adatsor, maximum 2000 adat. Az sszehasonlts mveletnek kt alapvet mdja elvgezhet: az sszehasonltand adatokbl trtn hnyados-, illetve klnbsgkpzs. Ki kell vlasztani a szmllt s a nevezt, ezt kveten a program kiszmolja a hnyados rtkt. Ha a szmll s a nevez hnyadosa kis szmrtk, akkor a szorztnyez (pl. 10, 100, 1000) megadsval a hnyadost beszorozza.
Ha szzalkos, illetve ezrelkes formt alkalmazunk akkor a szorztnyez 100 illetve 1000. Ha erre
nincs szksg akkor a szorztnyez rtke alaprtelmezsben 1. Ha nem akarunk hnyados kpezni, akkor a hnyados kpzs-nevez mensorban a nincs oszts-t vlasszuk. A klnbsg kpzsnl, ha az
kzgazdasgilag rtelmezhet, ki kell jellni a kisebbtend s a kivonand adatsort. A program mindkt
esetben elkszti az brt, tovbb kiszmtja a bzis- s lncviszonyszmokat. A klnbsgkpzs (elsfok differencia) oszlop a szomszdos adatok klnbsgeit szmtja ki.
Ha az tlagos abszolt s tlagos relatv vltozs mutatit akarjuk kiszmtani, akkor az tlagos vltozs
munkalapon meg kell adni a T, az yT s az y1 rtkeket s a program kiszmtja az tlagos abszolt s
relatv vltozs mutatit.
Plda a dinamikus viszonyszmok.xls alkalmazsra, a munkatermelkenysg vltozsnak elemzse.
Vezessk be az albbi jellseket:
Y = ellltott termk rtke milli Ft-ban, (milli Ft.).
X11 = a fizikai dolgozk ledolgozott (munkahelyen eltlttt illetve fizetett) munkaideje rban.
(ra)
X12 = a fizikai dolgozk tlagos llomnyi ltszma fben. (f)
X13 = a foglalkoztatottak tlagos llomnyi (teljes: fizikai + nem fizikai) ltszma fben. (f)
A rendelkezsnkre ll vllalati adatsor 23: 1996-2007 ves adatok.
A munkagyi tnyezk hatst az albbi egyenlet mutatja, ahol a munkatermelkenysget a termels s a
foglalkoztatottak tlagos llomnyi ltszmnak hnyadosaknt hatroztuk meg, (milli Ft/f):
F

Y
Y X11 X12
=
X13 X11 X12 X13
A fenti sszefggs esetn vizsglhat:
A munkaid egy rjra jut termels nagysga (milli Ft/ra):

23

Felttelezett adatok.

17

Y
X11
A munkaid s a fizikai dolgozk tlagos llomnyi ltszmnak az arnya (ra/f):

X11
X12
A fizikai dolgozk tlagos llomnyi ltszma egy fjre jut termels nagysga (milli Ft/f):

Y
X12
A fizikai dolgozk tlagos llomnyi ltszmnak s a foglalkoztatottak tlagos llomnyi ltszmnak az
arnya*100 (%)

X12
X13
A szmtsok vgeredmnynek bemutatsa a dinamikus viszonyszmok.xls fjl felhasznlsval.
1-1. tbla: A termelkenysg (Y/X13) vltozsa 1996-2007 kztt
Id
Bzisviszonyszmok Lncviszonyszmok
1996
1,000
1997
1,018
1,018
1998
0,992
0,975
1999
1,003
1,010
2000
1,050
1,047
2001
1,123
1,069
2002
1,222
1,088
2003
1,172
0,960
2004
1,215
1,037
2005
1,256
1,033
2006
1,297
1,032
2007
1,298
1,001
tlagos abszolt vltozs
0,232
tlagos relatv vltozs
1,024
Az 1-1. tblban lv adatok:
Y = ellltott termk rtke milli Ft.-ban, (milli Ft.).
X13 = a foglalkoztatottak tlagos llomnyi (teljes: fizikai + nem fizikai) ltszma fben. (f)
A rendelkezsnkre ll vllalati adatsor: 1996-2007 ves adatok.
Gyakorl feladatok. (dinamikus viszonyszmok.xls)
1. Elemezze az egy fre jut GDP alakulst 2000-es $-ban Magyarorszg s az EU orszgok (27
orszg) adatai alapjn az 1969-2007 kztti adatok felhasznlsval.
2. Elemezze az egy fre jut GDP alakulst 2000-es $-ban az USA-ban 1790-2006 kztti adatok
felhasznlsval A szmll: Rel GDP 2000-es $-on (millird $), a nevez: Npessg 1000 f, a
szorztnyez 1000.
3. A termelkenysg1996-2007.xls fjl felhasznlsval vgezze el a szmtsokat az elzekben
bemutatott kpletek felhasznlsval.
18

4. Elemezze az egy fre jut GDP alakulst 2005-es $-ban Magyarorszg s az EU orszgok (27
orszg) adatai alapjn az 1969-2008 kztti adatok felhasznlsval. 24
F

1.2 brk ksztse Excel parancsfjl mkdse

Az brk ksztse parancsfjl segtsgvel a kvetkez brkat nyerhetjk: vonal/oszlop/ hisztogram/kr/szalag/XY/korfa. Mindegyik brnak megfelel egy munkalap. A kivlasztott brnak megfelel
munkalapot megnyitva s az brzoland adatsort bemsolva, az ennek megfelel brt a program szolgltatja. Az oszlop- s vonal-diagramot ltalban idsorok brzolsra hasznljuk. Az idsorok esetn a
grafikonra kattintva, lehetsg van a trendvonal felvtelre (lineris, fllogaritmikus, polinomilis, hatvny, exponencilis s mozgtlagols trend ). Tartamidsorok esetn a vzszintes tengelyen intervallumok szerepelnek, a jelensget pedig clszer ezen intervallumok fl rajzolt tglalapokkal (oszlopokkal),
teht oszlopdiagrammal bemutatni. llapot idsorok esetn az idbeli ismrv rtkei egy-egy idponthoz
tartoznak, ezrt clszer brzolsuk egy-egy pont, az egyes pontokat egyenesekkel ssze is lehet ktni.
F

25

A gyakorisgi sorok brzolsra a hisztogramot tartalmazza a program. A hisztogram munkalapba az

brzoland osztlykzs gyakorisgi sort bemsolva, az brt a program szolgltatja. Az osztlykzs
gyakorisgi sor kpzse az elemi mveletek parancsfjlban tallhat. Hisztogramnak nevezzk azt a grafikus brt, amely olyan - a derkszg koordinta rendszerben hzag nlkli oszlopdiagramot jelent,
ahol az oszlopok alapjt az osztlykzk hossza, a magassgt pedig a gyakorisgok adjk. A hisztogram
oszlopainak terlete arnyos a gyakorisgokkal, ezrt az egyenl hosszsg osztlykzk esetn az brzols nem okoz gondot. Eltr hosszsg osztlykzk esetn mivel a hosszabb osztlykzhz
arnytalanul nagyobb gyakorisg tartozna ezrt mdostani kell a gyakorisgokat.
A krdiagram a minsgi (terleti) sorok brzolsnak ltalnos eszkze. A minsgi ismrv szerinti
megoszls eredmnyt a krdiagramban megjelen megoszlsi viszonyszmok segtsgvel szemllteti.
A krdiagramot ltalban az adatok relatv gyakorisgnak brzolsra hasznljk. A teljes kr jelkpezi
a 100%-ot, s az egyes adatok relatv gyakorisgt brzol krcikkhez tartoz kzpponti szg arnyos a
relatv gyakorisggal. Termszetesen a krdiagram akkor mutatja jl a megoszlsokat, ha az ismrv kevs
vltozattal rendelkezik. Ha a minsgi (terleti) ismrv vltozatainak a szma nagy, akkor a szalagdiagram az brzols javasolt mdszere.
Pontdiagramot (XY brt) kt egymssal sszefggsben lv mennyisgi ismrv rtkeinek brzolsra hasznljuk.
A korfa olyan specilis szalagdiagram, amelynek egyik oldaln a frfiak, a msik oldaln a nk szmnak megfelel hosszsg vzszintes svok mutatjk az adott letkor npessg szmt vagy %-os megoszlst korcsoportonknt. Az alkalmazott, az adatszolgltatsban szoksos korcsoportok: 0-4, 5-9, 10-14,
,85-89, 90-94, 95-99, 100+ v. A npesedsi helyzet vizsglatnak egyszer, ugyanakkor szemlletes
s ltvnyos eszkze a korfa.
Gyakorl feladatok. (brk kszitse.xls)

1. Magyarorszgi hossz idsorok brzolsa s elemzse. A KSH minden vben - 2001 ta - kzli a
hossz idsorokat Excel formtumban is tartalmaz Statisztikai vknyv CD mellklett. Ezek az
idsorok 1960-tl tartalmaznak folyamatosan venknt mrt adatokat. brzolja s rtkelje a
2006. vi Statisztikai vknyv CD mellkletben tallhat hossz (1960-2006) adatsorokat szakmai bontsban. A szakmai terleteken bell tbbfle mutat idbeli alakulsa vizsglhat:
1.1. Npessg, npmozgalom mutati.
1.2. A hztartsok jvedelme s fogyasztsa, lakspts.
1.3. Egy fre jut lelmiszer- s tpanyagfogyaszts.
1.4. Trsadalombiztosts, szocilis ellts.
1.5. Egszsggy.
1.6. Oktats
24
25

http://www.ers.usda.gov/Data/Macroeconomics/
Hunyadi Lszl [2002]: 29.

19

1.7. Kultra.
1.8. Bnzs.
1.9. Gazdasgi aktivits, brutt hazai termk (GDP), beruhzs.
1.10. A mezgazdasg fbb mutati.
1.11. Nvnyek sszes termse [ezer tonna].
1.12. llattenyszts.
1.13. Ipar.
1.14. Kereskedelem, turizmus.
1.15. Szllts.
1.16. Posta s tvkzls.
1.17. Az MNB interneten elrhet adatsorai 26 alapjn brzolja s elemezze a rendszervltst kveten:
A fogyaszti rindex alakulst 1993-tl havi- s ves tlagos bontsban, piaci javak szerint is.
A klkereskedelmi termkforgalom havi alakulst ru fcsoportonknt 1996-tl havi bontsban.
A fedezetlen bankkzi forint kihelyezsek havi tlagkamatlbainak alakulst 2000-tl havi bontsban.
A devizban fennll nett adssg alakulst 1995 s 2008 kztt negyedves bontsban.
2. Ksztse el a vilg tz legnpesebb orszgra, a vilgra s Magyarorszgra a korfkat a 2000.
2025. s 2050. v adatai alapjn. rtkelje a korfkbl levonhat kvetkeztetseket.
3. Az amerikai elnk rszre ksztett 2008. vi jelents 27 Excel formtumban kzreadott adatsorai
kzl brzolja s rtkelje a kvetkezket:
3.1. B-2. A GDP (Real gross domestic product), az export s az import, a hztartsok (Personal
consumption expenditures, total) fogyasztsa s a kormnyzati fogyaszts (Government
consumption expenditures and gross investment, total) alakulsa 2000-es $-ban. 1959-2007.
3.2. B-35. A munkanlklisg rtjnak alakulsa a polgri terleten dolgozknl. Az agrr s a
nem agrr terleten dolgoz aktv npessg szmnak alakulsa. 28 (Unemployment rate,
civilian workers Civilian population and labor force) 1929-2007. A hinyz adatokat (19301931, 1934-1938) becslje meg egyenletes nvekedsi temet felttelezve.
3.3. B-36. A munkanlkliek szmnak alakulsa sszesen s nemek szerint. (Civilian
employment and unemployment by sex and age). 1960-2007.
3.4. B-42. A mukanlklisg rta alakulsa sszesen s f csoportok (nem, kor: 16-19, s 20- vesek, szrmazs, fehr s nem fehr) szerint. (Civilian unemployment rate). 1960-2007.
3.5. B-51. A teljes ipari termelsi index (2002=100%) alakulsa. (Industrial production indexes,
major industry divisions). 1959-2007.
3.6. B-60. A fogyaszti rindex alakulsa (1982-84=100) az sszes termkre, az lelemre (food), a
vasti szlltsra (transportation), orvosi elltsra (medical care) vonatkozan. (Consumer
price indexes for major expenditure classes). 1960-2007.
3.7. B-77. Fogyaszti teljes hiteltartozsok (total consumer credit, milli $-ban.) alakulsa.
(Consumer credit outstanding). 1959-2007.
3.8. B-97. A farmok teljes jvedelmnek alakulsa millird $-ban. (Farm income). 1945-2007.
4. Az MNB folyamatosan kzli a forint napi rfolyamt a klnbz valutkhoz kpest 29.
4.1. A 2007. v napi rfolyamait brzolja s elemezze a Ft/USD (USD= USA dollr), a Ft/CAD
(CAD= kanadai dollr) s a Ft/EUR (EUR= eur) esetben.
4.2. brzolja 30 1990. jan. 1. s 2008. pr. 4. kztt a Ft/USD (USD= USA dollr) s a Ft/CAD
(CAD= kanadai dollr) napi rfolyamnak a vltozst.
A grafikonok az MNB honlapjrl is lekrhetk, klnbz bontsban 31.
5. Krdiagram ksztse
F

26

http://www.mnb.hu/engine.aspx?page=mnbhu_statisztikai_idosorok az adatokat a KSH szolgltatja.

Internetes elrs: Economic Report of the President. Statistical Tables. 2008:
http://www.gpoaccess.gov/eop/download.html A 2010-es adatok is letlthetk:
http://www.gpoaccess.gov/eop/tables09.html
28
1947-ig a 14 vnl idsebb, utna a 16 vnl idsebb npessgre vonatkoz adatok.
29
http://www.mnb.hu/engine.aspx?page=arfolyamlekerdezes
30
rfolyam1949-2007.xls
31
http://www.mnb.hu/engine.aspx?page=arfolyamlekerdezes
27

20

5.1. Foglalkoztatottak szmnak alakulsa 2000 s 2006 kztt gazdasgi gak szerint Magyarorszgon.
5.2. Iskolai vgzettsg vltozsa nemenknt 1960 s 2006 kztt.
1.3 Az orszgonknti korfa prognzis ksztse 2050-ig Excel parancsfjl mkdse
Ezzel a parancsfjllal elemezhet a munkalapon szerepl 25 orszg s a vilg npessgnek adatllomnya korcsoport s nemhez val tartozs szerint. Az egyes orszgok npessgszma ltalban az 1990-es
vektl a 2050-ig elrejelzett rtkekkel egytt vente rendelkezsre ll. Az adatokat az USA Npszmllsi Hivatala (US Census Bureau) hozza rendszeresen nyilvnossgra. 32 33 A vizsglni kvnt orszg
korfit 2050-ig megrajzolja a program.
Az Excel parancsfjl mkdse:
1. Az els bra nev munkalapon 25 orszg s a vilg npessge kzl vlaszthatunk, a kvetkez
munkalapokon megtalljuk az egyes orszgok npessgi adatait. A vlaszthat orszgok, feltntetve a rendelkezsre ll adatok kezd vt:
Afganisztn (AFG) 1979 Amerikai Egyeslt llamok (USA) 1950 Ausztrlia (AUS) 1986 Ausztria (AUT) 1991 Banglades (BAN) 1991 Belgium (BEL) 1989 Bosznia-Hercegovina (BHV) 1991 Brazlia (BRA) 1971 Bulgria (BUL) 1993 Csehorszg (CZE) 1991 Franciaorszg (FRA) 1990 India (IND) 1991 Indonzia (INA) 1980 Japn (JPN) 1990 Kanada (CAN) 1991 Kna (CHN) 1990 Lengyelorszg (POL) 1989 Magyarorszg (HUN) 1924-, hinyoznak az 1942-1946 vek.
Egyeslt Kirlysg (GBR) 1991 Nmetorszg (GER) 1991 Nigria (NGR) 1953 Oroszorszg (RUS) 1989 Pakisztn (PAK) 1981 Romnia (ROM) 1992 Szlovnia (SLO) 1991 Vilg (VILG) 19962. A csszda mozgatsval (egy kattints egy v elre) nyomon kvethetjk a korfa (frfi % s n
%) vltozst. Az vszmok 1950-2050 kztt vltoznak vi bontsban. Meg kell nzni melyik
vtl vannak korfa adatok (pl. Magyarorszg 1924-2050) s a csszdt az vszmhoz kell mozgatni. Az eltte lv veknl mivel nincs adat a korfa res marad. Baloldalt lthat az vszm,
jobboldalt fell pedig a vizsglt orszg vagy a vilg adott, teht ppen vizsglt vhez tartoz korfa adatai, frfi, n s sszesen (mindkt nemre vonatkozan) bontsban.
F

32

http://www.census.gov/ipc/www/idb/summaries.html
2009 10 24 utn az adatszolgltats egyszerbb vlt: Country ki kell vlasztani az orszgot, Ctrl lenyomsval
az sszes v kivlaszthat, utna Population Pyramids-t vlasztva, mindegyik orszgra elkszti a korft s az utols korfa utn az adatok letlthetk Excel/CSV formtumban.

33

21

Az albbi 1-1. bra mutatja Magyarorszg korfjt 34 1924-ben s a 2050-re vrhat korft a 1-2. bra tartalmazza, lthat, hogy a piramisbl (1924) egy fordtott piramis (2050) lesz, ami komoly veszlyeket
prognosztizl.
F

85+
80-84
75-79
70-74
65-69
60-64
55-59
50-54
45-49
40-44
35-39
30-34
25-29
20-24
15-19
10-14
5- 9
0- 4
20,0%

17,5%

15,0%

12,5%

10,0%

7,5%

5,0%

2,5%

Frfiak (%)
Nk (%)

0,0%

2,5%

5,0%

7,5%

10,0%

12,5%

15,0%

17,5%

20,0%

1-1. bra: Magyarorszg korfja 1924-ben

100+
95-99
90-94
85-89
80-84
75-79
70-74
65-69
60-64
55-59
50-54
45-49
40-44
35-39
30-34
25-29
20-24
15-19
10-14
5- 9
0- 4
20,0%

17,5%

15,0%

12,5%

10,0%

7,5%

5,0%

2,5%

Frfiak (%)
Nk (%)

0,0%

2,5%

5,0%

7,5%

10,0%

12,5%

15,0%

17,5%

20,0%

1-2. bra: Magyarorszg prognosztizlt korfja 2050-ben

Gyakorl feladatok. (orszgonknti korfa prognzis ksztse 2050-ig.xls)

A csszda mozgatsval vizsglja meg a korfa vltozst a felsorolt orszgokban s rtkelje a 2025 s
2050 vekre vonatkoz prognzis becslseit.
Amerikai Egyeslt llamok (USA) 1950-2050
Brazlia (BRA) 1971-2050
Csehorszg (CZE) 1991-2050
Franciaorszg (FRA) 1990-2050
India (IND) 1991-2050
Kna (CHN) 1990-2050
Lengyelorszg (POL) 1989-2050
Romnia (ROM) 1992-2050
Szlovnia (SLO) 1991-2050
Vilg (VILG) 1996 - 2050
1.4 Nemzetkzi sszehasonltsok Excel parancsfjlok felhasznlsval
A GDP-re, a npessgszmra, a fogyaszti rindexre, a $ rfolyamra vonatkoz hossz idsorok orszgonknt s rginknt (216-231 orszg s rgi) 1969-2008 kztt lltak elszr rendelkezsre. 35 Az adatokat vente frisstik. Ennek alapjn 7 Excel parancsfjlt ksztettnk el. Parancsfjlonknt elszr a renF

34
35

Az adatok forrsa: http://www.nepszamlalas.hu/

Az adatok forrsa: http://www.ers.usda.gov/Data/Macroeconomics/

22

delkezsre ll adatok jelennek meg, az ezt kvet 1. munkalapon ezekbl kt orszgot illetve rgit lehet
kivlasztani s ennek alapjn a program elkszti azt a grafikon, amely brzolja 1969 s 2008 kztt a
vizsglt mutat alakulst. A 2. munkalapon 10 orszgot, illetve rgit lehet kivlasztani a vizsglt mutat
szerinti sszehasonltsra. Az idtengely (a csszda) mozgatsval nyomon kvethetk a vltozsok 1969
s 2008 kztt. A rendelkezsre ll adatok extrapolcit is tartalmaznak a 2009 s 2020/2030 kztti idszakra. Ezrt a prognzisokat is meg lehet tekinteni 2009 s 2020 illetve 2030 36 kztt. Az idsorok s a
prognosztizlt idszak hosszt a parancsfjlok neve tartalmazza.
A letlttt adatok alapjn az albbi parancsfjlok kerltek kidolgozsra:
A gdpegyfrees1969-2008sprognzis2030.xls
Ez a parancsfjl az egy fre jut GDP rel rtkeket ($/f, 2005-s $-ban) tartalmazza orszgonknt s rgikknt (228 orszg, a vilg illetve rgi).
A gdp1969-2008 sprognzis2030.xls
Ez a parancsfjl a GDP rel rtkeket (millird $, 2005-s $-ban) tartalmazza orszgonknt s rgikknt
(230 orszg, a vilg illetve rgi).
A npessg1969-2008 sprognzis2030.xls
Ez a parancsfjl 228 orszg, a vilg illetve rgi esetben kzli a npessg alakulst fben.
A gdpdeflci1969-2009 sprognzis2020.xls
Ez a parancsfjl a 227 orszg illetve rgi esetben kzli a GDP deflcis indexnek alakulst %-ban
2005-s $-ban.
A gdprszesedse1969-2008 sprognzis2030.xls
Ez a parancsfjl a A GDP rel rtkek vilgtermelsbl (world=100 %) val rszesedst tartalmazza 2005s $-ban orszgonknt s rgikknt (228 orszg illetve rgi).
A fogyasztirindex1969-2008sprognzis2020.xls
Ez a parancsfjl a 231 orszg, a vilg illetve rgi esetben kzli a a fogyaszti rindex (CPI Consumer
price index 2005=100%) alakulst %-ban.
A $rfolyama1970-2008s prognzis2020.xls
Ez a parancsfjl 216 orszg illetve rgi esetben kzli a nemzeti valutk $ rfolyamt (US =1) relrtken
1970 s 2008 kztt. A nvleges $ rfolyamokat a fogyaszti rindexszel (CPI Consumer price index 2005
= 100 %) korrigltk.
F

A nemzetkzi sszehasonltsok Excel parancsfjlt 2011 janurjban a 2010 dec. 27-i adatok ismeretben
frisstettk. Az j Excel parancsfjlok, amit kzreadunk:
A trtneti adatok (Historical Data Files) 1969-2010 kztt llnak rendelkezsre. 190 orszg s 34 rgi
adatait kzltk. Az adatokat vente frisstik. Ennek alapjn 7 Excel parancsfjlt ksztettnk el. Az els
munkalap a vizsglt adatokat tartalmazza, az 1. munkalapnl kt orszgot illetve rgit lehet kivlasztani
s a grafikon brzolja 1969 s 2010 kztt a vizsglt mutat alakulst. A 2. munkalapon 10 orszg illetve rgi vizsglt adatt lehet kivlasztani s az idtengely mozgatsval nyomon kvethetk a vltozsok 1969 s 2010 kztt. Az adatbzisok els rtekintsre ttekinthetetlen halmazt kpeznek, hiszen
tbb mint 8000 adatot tartalmaznak. A grafikus brzols az sszefggsek gyors ttekintst biztostja.
Az adatok extrapolcijt (Baseline Data Files) is kzlik a 2011 2030 kztti idszakra. Ezrt a prognzisokat is meg lehet tekinteni 2011 s 2030 kztt, az veket itt *-gal jelltk.
Kidolgozk: Oxfordi Gazdasgi Elrejelzsek Hivatala (Global Insight, Project Link), Vilgbank (World
Bank World Development Indicators), Nemzetkzi Valutaalap (IMF, International Financial Statistics),
Npszmllsi Hivatal nemzetkzi adatbzisa, USA (Census Bureau International Population Database).
A letlttt adatok alapjn az albbi parancsfjlok kidolgozsra kerltek:
Gdpegyfrees1969-2010sprognzis2030.xls
Az egy fre jut GDP rel rtkeket ($/f) tartalmazza 2005-s $-ban orszgonknt s rgikknt (228
orszg, a vilg illetve rgi). 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt becslt adatok. Az adatokat az els GDPperf1969-2030 munkalap tartalmazza. Az
1GDPperf1969-2030 munkalapon ki lehet vlasztani kt orszgot illetve rgit s a grafikon brzolja
36

Az extrapollt idszak veit *-gal jelltk.

23

1969 s 2010 kztt a rel GDP/f ($/f) alakulst, tovbb a 2011 s 2030 kztti prognzist, ahol a
prognosztizlt idszak veit *-val jelltk. A 2 GDPperf1969-2030 munkalapon 10 orszg illetve rgi
adatt lehet kivlasztani s az idtengely mozgatsval lthatk a vltozsok 1969 s 2010 kztt, tovbb a 2011 s 2030 kztti prognzist nyomon lehet kvetni. A tbbi Excel parancsfjl hasonlan mkdik, ezrt az 1. s 2. munkalap tartalmnak ismertetstl a kvetkezkben eltekintnk.
A gdp1969-2010 sprognzis2030.xls parancsfjl mkdse.
A GDP rel rtkeket (millird $) tartalmazza 2005-s $-ban orszgonknt s rgikknt (230 orszg, , a
vilg illetve rgi). 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt
becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a GDP munkalap tartalmazza.
A npessg1969-2010 sprognzis2030.xls parancsfjl mkdse.
228 orszg, a vilg illetve rgi esetben kzli a npessg alakulst fben. 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt becslt adatok, ahol a prognosztizlt idszak
veit *-val jelltk. Az adatokat a npessg munkalap tartalmazza.
A gdpdeflci1969-2010 sprognzis2030.xls parancsfjl mkdse.
227 orszg illetve rgi esetben kzli a GDP deflcis indexnek alakulst %-ban 2005-s $-ban. 1969
s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt becslt adatok, ahol a
prognosztizlt idszak veit *-val jelltk. Az adatokat a gdpdeflci munkalap tartalmazza.
A gdprszesedse1969-2010 sprognzis2030.xls parancsfjl mkdse.
A GDP rel rtkek vilgtermelsbl (world=1) val rszesedst tartalmazza 2005-s $-ban orszgonknt s rgikknt (228 orszg illetve rgi). 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s
2030 kztt a prognosztizlt becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a gdprszeseds munkalap tartalmazza.
A fogyasztirindex1969-2009sprognzis2030.xls parancsfjl mkdse.
231 orszg, a vilg illetve rgi esetben kzli a fogyaszti rindex (CPI Consumer price index
2005=100%) alakulst %-ban. 1969 s 2009 kztt tallhatk a tnyadatok s 2010 s 2030 kztt a
prognosztizlt becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a CPI-index
munkalap tartalmazza.
A $rfolyama1970-2010s prognzis2030.xls parancsfjl mkdse.
222 orszg illetve rgi esetben kzli a nemzeti valutk $ rfolyamt (US =1) relrtken 1970 s 2010
kztt. A nvleges $ rfolyamokat a fogyaszti rindexszel (CPI Consumer price index 2005 = 100 %)
korrigltk. A 2011 s 2030 kztt tallhatk a prognosztizlt becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a $rfolyama munkalap tartalmazza.
Gyakorl feladatok. (Nemzetkzi sszehasonltsok Excel parancsfjlok)
A Gdpegyfrees1969-2010sprognzis2030.xls, a fogyasztirindex1969-2009sprognzis 2030.xls parancsfjl, a A $rfolyama1970-2010s prognzis2030.xls alapjn milyen lesz Magyarorszg helyzete:
2011-ben s 2030-ban. Viszonytsi alapok: Vilg, USA, EU 27 orszg, j EU orszgok, krnyez orszgok: Ausztria, Csehorszg, Szlovkia, Romnia, Ukrajna, Szlovnia s Horvtorszg.
2 Elemi mveletek a vltozkkal s empirikus eloszlsok elemzse
A sokasg mennyisgi ismrv szerinti megfigyelse sorn a sokasg minden egyes egyedre vonatkozan
egy szmszer adattal rendelkeznk. Ezek a mennyisgi ismrvrtkek jelentik a megfigyelt adatbzist,
melynek nagysga esetnkben maximum 5000 lehet. Ezt az adathalmazt rendezni, rendszerezni szksges, hogy a vizsglt jelensgrl ltalnos, tmr jellemzst tudjunk adni. Ezt a clt szolglja a kidolgozott
parancsfjl. Az adatok-szmtsok munkalap az aktulis adatbzisra jellemz szmlls, rangsorols, szszegzs eredmnyeit jelenti meg, tovbb kzprtkeket s kvantiliseket szmt s meghatrozza a szrds klnbz mrszmait. A parancsfjl mkdsnek a lersa eltt rviden ismertetjk az ltalunk
hasznlt statisztikai ismeretanyagot.
2.1 Szmlls, rangsorols, sszegzs
24

A legegyszerbb statisztikai mvelet a szmlls vagyis annak meghatrozsa, hogy az adott vltoz
szempontjbl hny megfigyelssel rendelkeznk. A szmlls vgeredmnyt ltalban n-nel jelljk,
gy mr szemlltetni tudjuk a teljes adathalmazt:

x 1 , x 2 , , x n
illetve az adathalmaz ltalnos elemt: x i -t.
Rangsornak nevezzk a vltozrtkek nvekv, vagy cskken sorrendben trtn felsorolst. A statisztikai mdszertan rangsoron - fszablyknt emelked rangsort rt. A rangsorba rendezett rtkeket,
annak rdekben, hogy megklnbztessk az egyszer lajstromtl (felsorolstl) ltalban az indexrtkek megklnbztetsvel jelljk:

x (1) , x (2) ,, x (n )
A mindennapi letben, gy a statisztikai elemzsekben is kitntetett szerepe van a legkisebb, illetve a legnagyobb ismrvrtknek, ezeket akrcsak a kznyelvben minimumnak, illetve maximumnak hvjuk,
s

x min = x (1)

x max = x (n )
szimblumokkal jelljk.
A rangsorba rendezs sorn az eredeti adathalmaz szmrtkeihez n. rangszmokat rendelnk. Rangszmnak nevezzk azt a pozitv egsz szmot, amely megmutatja, hogy egy konkrt adat hnyadik az
adathalmaz emelked rangsorban, vagyis
R i = k , ha x i = x (k )
Knnyen belthat, hogy a minimlis rtk rangszma 1; a maximlis pedig n, a rangszmok pedig a
termszetes szmokkal egyenlk 1-tl n-ig.
Ha egy-egy vltozrtk tbbszr is elfordul a lajstromban, akkor valamennyi azonos rtkhez azt az
azonos rangszmot rendeljk, amely a sorban kvetkezik, de a kvetkez (nagyobb) rtkhez annyival
nagyobb rangszmot adunk, ahnyszor eltte elfordult az azonossg. A msik megolds az, hogy az
azonos rtkekhez rendelt rangszm nem a sorban kvetkez, hanem egy kpzett szm, melyet gy kpeznk, hogy az azonos rtkekhez rendelt rangszmok sszege akkora legyen, mintha az rtkek klnbznnek. (pl. ha a 2-ik s a 3-ik rtk azonos, akkor 2,5 s 2,5 rangszmot kapnak)
A legegyszerbb statisztikai mveletek kz soroljuk az sszegzs (szummzs) mvelett is. sszegzsnek nevezzk azt a folyamatot, mely sorn sszeadjuk az adatbzisban szerepl vltoz rtkeit, vagyis kpezzk a vltoz rtksszegt:
n

x = x i
i =1

2.2 Kzprtkek s kvantilisek

Kzprtknek, az azonos fajta szmszer rtkek tmegnek kzs jellemzjt nevezzk. A kzprtk
egyetlen rtkkel tmren jellemzi a sokasgot a vizsglt mennyisgi ismrv szerint.
A kzprtkekkel szemben tmasztott kt legfontosabb kvetelmny:
egyrtelmen szmthatk s knnyen rtelmezhetk legyenek
kzepes s tipikus rtkek legyenek
A kzepessg azt jelenti, hogy ne egy szls mennyisgi ismrvrtk legyen a kzs jellemz, hanem valamilyen kzpen elhelyezked, mg a tipikussg olyan rtket jelent, ami a sokasgban sokszor fordul
el. Kzprtkknt tbbfle statisztikai jellemz ismeretes, amelyek termszetesen nem egyformn felelnek meg a fenti kvetelmnyeknek.
A kzprtkek fajti:
Szmtott kzprtkek (tlagok), a szmtani-, a harmonikus-, a mrtani (geometriai)- s a ngyzetes (kvadratikus) tlag
Helyzeti kzprtkek, a mdusz s a medin

25

A szmtott kzprtkeket az elfordul valamennyi rtk felhasznlsval, matematikai kplet, formula

segtsgvel szmtjuk. Az tlagok kzl ltalnosan a szmtani tlag hasznlatos, a tbbi tlagot csak
specilis esetekben hasznljuk.
A helyzeti kzprtkeket az elfordul rtkek kzl vlasztjuk ki, az rtkek elhelyezkedsi rendje
szerint. A medint ugyangy ltalnosan hasznljuk, mint a szmtani tlagot. A mdusz nem minden
esetben hatrozhat meg egyrtelmen, gy alkalmazsa egyrtelmen a gyakorisgi sorok elemzshez
kthet.
A szmtani tlag az a szm, melyet az tlagoland rtkek helybe tve, azok sszege vltozatlan marad.
Kplete szerint, a mennyisgi ismrv elfordul rtkeinek sszegt, az rtkek szmval osztjuk:
1 n
x = xi
n i =1
Az tlagot mindig az x i rtkek nagysgrendjben s mrtkegysgben kapjuk meg. A szmtsi mdbl
lthat, hogy a szmtani tlagot akkor clszer alkalmazni, ha az tlagoland rtkek sszege ( x ) r-

telmezhet. Mint a legegyszerbben szmthat s rtelmezhet tlagot, szmos ms esetben is hasznlni

tudjuk. A szmtani tlag nevezetes tulajdonsgai kzl kettt emelnk ki:
1. Az tlagoland rtkeknek a szmtani tlagtl mrt algebrai sszege zrus,
n

(x
i =1

x) = 0

2. Az tlagoland rtkeknek a szmtani tlagtl mrt eltrs-ngyzetsszege minimlis,

n

(x
i =1

x ) min
2

A szmtani tlag egyrtelmen szmthat s jl rtelmezhet, kzepes helyet foglal el az elfordul rtkek kztt, de nem biztos, hogy tipikus rtk. Szmtott jellegbl addan ugyanis, lehet, hogy ilyen
rtk nem is fordul el.
A medin a rangsorba rendezett ( x i ) mennyisgi ismrvrtkek kzl a kzps rtk. Olyan jellemzje
a sokasgnak a mennyisgi ismrv szerint, amelyiknl ugyanannyi kisebb, mint nagyobb rtk fordul el.
A sz szoros rtelmben kzepes rtk. A medin rtknek megllaptshoz elszr az n szm x i
mennyisgi ismrvrtket rangsorba rendezzk, s megkeressk a kzpen elhelyezked rtket.
A medin pratlan elemszm adathalmaz esetn:
Me = x n +1

A medin pros szm adat esetn a medin nem esik egybe egy konkrt megfigyelssel, gy ilyenkor,
konvencionlisan a
x n + x n
Me =

+1
2

2
kplettel hatrozhat meg.
A medin egyik fontos tulajdonsga, hogy minden ismrvrtk medinnal trtn helyettestsekor elkvetett hibk abszolt rtkben szmtott sszege minimlis lesz:
n

- a min, ha a = Me

i=1

Egy statisztikai sokasgban, ha az adatokat nvekv sorrendben rendeztk, megkereshetjk azt az ismrvrtket (osztpontot) amelynl az ismrvek fele, negyede, tizede, szzada stb. kisebb, a tbbi pedig
nagyobb rtk. A kvantilisek teht olyan osztpontok, amelyek a rangsorba rendezett szmszer ismrvrtkek 2,3,4,,k-ad rszt jellemzik. Defincink szerint a j-edik kvantilis az a vltozrtk,
amelynl az sszes elfordul rtk j/k-ad (j=1,2,,k-1) rsze kisebb, illetve 1-(j/k)-ad rsze nagyobb.
Vagyis
x (1) x (2) x (i) q (kj ) x (i +1) x (n )

i
j
=
n k
26

ahol q (kj ) a j-edik k-ad rend kvantilis.

Az osztpontokat a medinnl megismert mdon knnyen meg lehet hatrozni, a rangsorba rendezett
sokasg megfelel rtknek kivlasztsval, illetve a kt szomszdos rtk tlagolsval.
A kvartilisek szmtsnl, az n szm rangsorolt rtket ngy (k=4) egyenl rszre osztjuk, s az gy
nyert hrom (k-1=3) osztpontot, als (Q1), kzps (Q2) s fels (Q3) kvartilisnek nevezzk. A kzps
kvartilis egyben a medin (Q2=Me). Az als kvartilis az az rtk, amelynl az elfordul rtkek egynegyede kisebb, hromnegyede nagyobb, mg a fels kvartilis rtknl az rtkek hromnegyede kisebb, s
egynegyede nagyobb. A nevezetes kvantilisek (k=2, 3, 4, 5, 10, 100) kzl, a mr emltett kvartiliseken
(k=4) kvl, a deciliseket (k=10) alkalmazzuk az Excel parancsfjlban.
2.3 Szrdsi mrszmok
A kzprtkek szmtsnl abbl indultunk ki, hogy a mennyisgi ismrvek ltalban igen sokfle rtket vehetnek fel, s a clunk az, hogy egy olyan kzs jellemzt keressnk, amellyel az egyedi rtkek
helyettesthetk. Azt, hogy e clunkat hogyan sikerl elrni, nagymrtkben fgg attl is, hogy a kzs
jellemz mgtt lv rtkek mennyire klnbzek. Lehet, hogy krlbell hasonl nagysg, egymstl kevss eltr rtket tlagolunk, de elfordulhat, hogy igen jelents klnbsgeket sikerl kiegyenlteni a kzprtk-szmtssal. A statisztikai elemzsekben ezt gy mondjuk, hogy a sokasg vizsglt mennyisgi ismrv szerint kevsb, vagy jobban szrdik. A szrds a mennyisgi ismrvrtkek
klnbzsgt jelenti. A szrds ismert mutatszmai kzl a kvetkezket alkalmazzuk: a terjedelem, a szrs, a variancia (szrsngyzet) s a relatv szrs.
A terjedelem (range): az elfordul legnagyobb s legkisebb rtk klnbsgeknt a mennyisgi ismrvrtkek rangsorbl knnyen megllapthat,
T = x max x min
Kijelli annak az intervallumnak a nagysgt, amelyben az rtkek elfordulnak.
A szrds leggyakrabban alkalmazott mrszma a szrs. A szrsnak nevezzk az tlagoland rtkek szmtani tlagtl val eltrsnek ngyzetes tlagt.
A szrs kplete:
1 n
2
( xi x )

n i =1
A szrs az albbi intervallumban vehet fel rtkeket:
0 n 1 x
2
A szrs ngyzett variancinak ( ) hvjuk. nll tartalommal br, bizonyos statisztikai eljrsokban
nagyon fontos szerepet tlt be.
Kplete:
1 n
2
2 = ( x i x )
n i =1
A relatv szrs mutatja a szrsnak a szmtani tlaghoz viszonytott arnyval fejezi ki a szrdst,
amelyet szzalkos formban is megadhatunk:

Vx = x
x
A relatv szrs mutatjnak jelentsgt a klnbz nagysgrend, s sokszor klnbz mrtkegysgekkel is mrt tlagokkal s szrsokkal jellemzett sokasgok, sszehasonltsa adja. Hatrai:
0 Vx n 1
x =

2.4 Az elemi mveletek parancsfjl mkdse

Az elemi mveletek parancsfjl kt munkalapbl ll. Az adatok-szmtsok munkalap az aktulis adatbzison elvgzi az elemi mveletek cmsz alatt sszefoglalt statisztikai elemzseket. A segtsg munkalap a parancsfjl hasznlathoz szksges tudnivalkat tartalmazza, amiket a kvetkezkben ismertetnk.
A szemlltet plda: egy benzinkt egyik ktoszlopnl egy adott idszak 4 ra alatt kiszolglt benzin mennyisge literben, amit az esemnyek sorrendjben jegyeztek fel, ld. x i srga mezben lv oszlopot.
F

27

Az adatbzis maximum 5000 rtket tartalmazhat.

A felhasznlt Excel Adatok - szmtsok munkalap eredmnyei s magyarzatok:

Az j adatbzis bevitele utn a munkalap az albbi eredmnyeket jelenti meg.

Nvekv oszlop: az x i adatsor nvekv sorrendben.
Cskken oszlop: az x i adatsor cskken sorrendben.
A sorba rendezst a program az AZ Rendezs nvekv ikon s a ZA Rendezs cskken ikon hasznlatval is elvgzi.
Rang oszlop: az x i adatsor rangszmai, amelyek az Excel beptett fggvnye felhasznlsval kszlnek: SORSZM (szm; hiv; sorrend)
Alapstatisztikk 37:
F

Megfigyelsek szma: az adatbzisban szerepl megfigyelsek szma. A mintapldban n = 60 .

sszeg = x i adatsor sszege, =SZUM(xi) = 2259 liter.
n

x = x i = 27 + 5 + 27 + ..... + 28 = 2259
i =1

Minimum: a legkisebb elfordul rtk az adatsorban: x min = x (1) =MIN(xi) = 5 liter

Maximum: legnagyobb elfordul rtk az adatsorban: x max = x (n ) =MAX (xi) = 70 liter
Kzprtkek:
Szmtani tlag: az x i rtkek szmtani tlaga

1 n
27 + 5 + 27 + .... + 28
xi =
= 37,65

n i =1
60
=TLAG(xi) = 37,65 liter
Medin: a nvekv rangsorba rendezett x i rtkek kzps rtke.
x 60 + x 60

+1
36 + 36
2
Me = 2
=
= 36 liter.
2
2
=MEDIN(xi)= 36 liter.
Kvantilisek:
Kvartilisek: a ngy rszre osztott nvekv rangsorba rendezett sokasg osztpontjai.
Als kvartilis (Q1): =KVARTILIS(xi;1) = 27,75 liter
Medin (Q2): =KVARTILIS(xi;2) = 36,00 liter
Fels kvartilis (Q3): =KVARTILIS(xi;3) = 48,50 liter
Decilisek: a tz rszre osztott nvekv rangsorba rendezett sokasg osztpontjai.
Els decilis: =PERCENTILIS(xi;0,1) = 18,00 liter
Msodik decilis: =PERCENTILIS(xi;0,2) = 26,40 liter
Harmadik decilis: =PERCENTILIS(xi;0,3) = 28,00 liter
Negyedik decilis: =PERCENTILIS(xi;0,4) = 33,00 liter
tdik decilis: =PERCENTILIS(xi;0,5) = 36,00 liter
Hatodik decilis: =PERCENTILIS(xi;0,6) = 40,40 liter
Hetedik decilis: =PERCENTILIS(xi;0,7) = 48,00 liter
Nyolcadik decilis: =PERCENTILIS(xi;0,8) = 51,00 liter
Kilencedik decilis: =PERCENTILIS(xi;0,9) = 60,00 liter
x=

Szrds mrszmai:
A szrds terjedelme: a legnagyobb s a legkisebb xi rtk klnbsge.
T = x max x min
37

A tovbbiakban ahol hasznltuk a fggvny beszrsa parancsot ott utalunk erre.

28

A szrds terjedelme: T = 70 5 = 65 liter.

A szrs: az xi rtkeknek a az tlaguktl mrt klnbsgeinek a ngyzetes tlaga.
=

1 n
1
2
( xi x ) = [(27 37,65)2 + (5 37,65)2 + .... + (28 37,65)2 ] = 15,60 liter

n i=1
60

=SZRSP(xi) = 15,60 liter

A variancia (szrsngyzet): a szrs ngyzete.
n

(x

- x)

1
[(27 37, 65)2 + (5 37, 65) 2 + .... + (28 37, 65) 2 ] = 243, 49
n
60
=VARP(xi) = 243,49
Relatv szrs: a szrs a szmtani tlag szzalkban.
15, 60
V= =
= 0, 4145 41, 45%
x 37, 65
2 =

i =1

2.5 Empirikus eloszlsok elemzse Excel parancsfjl mkdse

Az empirikus eloszlsok elemzse parancsfjl t munkalapbl ll. Az els, az adatok-szmtsok munkalap magban foglalja az elemi mveletek a vltozkkal parancsfjl ugyanezen elnevezs munkalapjt,
kibvtve a gyakorisgi sorok kpzsvel s ezek elemzsre szolgl tovbbi mutatszmokkal. Az 1. 2.
3. munkalap az osztlykzs gyakorisgi sorok kpzst, az ezekbl nyerhet becslt mutatszmokat, a
gyakorisgi sor hisztogramjt, s a koncentrci vizsglatt tartalmazza. A segtsg munkalap a parancsfjl hasznlatval kapcsolatos tudnivalkat tartalmazza.
A gyakorisgi sor

A gyakorisgi sor felsorolja a mennyisgi ismrv elfordul klnbz rtkeit, s mindegyikkhz

hozzrendeli az elfordulsuk szmt, azaz a gyakorisgukat. A gyakorisgi sor, csoportost sor, azaz a
sokasg megoszlst mutatja a vizsglt mennyisgi ismrv szerint. A gyakorisgok sszege a sokasg
elemszmt adja meg. A gyakorisgi sor kpzst az elfordul rtkek, - ltalban nvekv rangsorbl kiindulva a legegyszerbb elvgezni. Ha kevs szm klnbz rtk fordul el a sokasgban, - mint
pldul a gyermekek szma, a keresk szma a csaldokban, stb. akkor a gyakorisgi sor kpzse knynyen elvgezhet. Az gy kpzett sort egyszer gyakorisgi sornak nevezzk. Ha nagyon sokfle elfordul rtkkel tallkozunk, akkor az informci tmrts rdekben nem clravezet a klnbz rtkek
felsorolsa. Ilyenkor az rtkekbl intervallumokat, n. osztlykzket kpeznk s az egyes osztlykzkhz tartoz gyakorisgokat llaptjuk meg. Az ilyen sort, osztlykzs gyakorisgi sornak nevezzk.
Az osztlykzs gyakorisgi sor kpzsnek kulcskrdse, az osztlykzk szmnak s hossznak a
meghatrozsa. Azonos hosszsg osztlykzk esetre sokfle osztlykz-meghatrozsi mdot ismer
az irodalom. A gyakorlatban elterjedt mdszerek kzl itt csupn kettt emltnk meg.
Az osztlykzk hossza (h) meghatrozhat az albbi mdon:
x x min
h = max
r
ahol r az osztlykzk szma s
r=

+1

Az osztlykzk szmt meghatrozhatjuk az albbi kplet alkalmazsval is:

r = 1 + 3,3lg(n)
mely alapjn az osztlykzk hossza az elzek szerint llapthat meg.
Termszetesen a fenti mdszerek automatikus alkalmazsa nem garantlja egyrtelmen a j megoldst.
Soha nem szabad szem ell tveszteni a vizsglt sokasg sajtossgait, ugyanis a szakmai ismeret, a szubjektv vlemnyek figyelembe vtele jobb eredmnyt hozhat, mint az algoritmusok mechanikus alkalmazsa. Az osztlykzk hossznak meghatrozsa utn az osztlykzs gyakorisgi sor az albbi sma
szerint kpezhet:

29

x fels
= x als
j
j+1 = x min + j h

Termszetesen gyakorlati okokbl treksznk knnyen kezelhet osztlyok (kerek szmok az osztlyhatrok, azonos hosszsgak az osztlykzk) megllaptsra. Az elfordul rtkeknek az osztlykzkbe trtn egyrtelm besorolsa rdekben, az egymst kvet osztlykzk als s fels hatrt
meg kell klnbztetni egymstl.
2-1. tbla: Az osztlykzs gyakorisgi sor smja
Ismrvvltozatok

Gyakorisg

fels
1

f1

x als
x fels
2
2

f2

x als
x fels
r
r

fr

sszesen

n = fj

als
1

j=1

Az osztlykzs gyakorisgi sorok esetn sokszor lnk az n. nyitott osztlyok alkalmazsnak lehetsgvel, vagyis a legals, illetve a legfels osztlyt nyitva hagyjuk, ezltal lehetv tve a kiugr (extrm) rtkek besorolst.
A gyakorisgi sorokbl tovbbi mennyisgi sorokat szrmaztathatunk. A relatv gyakorisgi sor a tnyleges gyakorisgok helyett, az azokbl szmtott megoszlsi viszonyszmokat tartalmazza, melyeket relatv gyakorisgoknak neveznk, melyek sszege 1. Az rtksszeg-sor a vltozrtkek (osztlykzk)
felsorolsa mellett, az ezekhez tartoz rtkek sszegt tartalmazza. Osztlykzs gyakorisgi sor esetn
becslt rtksszeg-sor llthat el az osztlykzepek s a gyakorisgok szorzata alapjn. Az rtkszszegekbl szmtott megoszlsi viszonyszmok segtsgvel relatv rtksszeg-sor kpezhet. Az elbbi sorok mindegyikn elvgezhet a halmozott sszeads (kumulls) mvelete, amely jelenthet kumullst (felfel kumullst) s lefel kumullst. Ez azt jelenti, hogy a nvekv rtkek fel, illetve a cskken rtkek fel trtnik a halmozott sszeads. gy nyerjk a kumullt sorokat. A gyakorisgi sor alapvet brzolsi mdszere a hisztogram.
Kzprtk s szrds szmts gyakorisgi sorokbl

A gyakorisgi sorokbl a szmtani tlagot s a szrst slyozott formban szmthatjuk ki. Slyknt
mindkt esetben a gyakorisgok (fi-k), illetve a relatv gyakorisgok (gi-k) szerepelnek.
A slyozott szmtani tlag kplete:
k

f x
i

x=

i=1
k

f x
i

i=1

i=1

i=1

i=1

x = g i x i mivel g i = 1

Ahol
xi = az elfordul vltoz-rtkek, illetve az osztlykzepek, ezek az tlagoland rtkek
A fenti kplet alapjn lthat, hogy a slyozott szmtani tlag nagysgt kt tnyez hatrozza meg:
1. az tlagoland rtkek (abszolt) nagysga,
2. a slyok viszonylagos nagysga, ms szval a slyarnyok.
A szrs slyozott formulja:
n

f (x
i =1

x)

f
i =1

g (x
i =1

x)

30

Mindkt helyzeti kzprtknek a mdusznak s a medinnak is jelents szerepe van a gyakorisgi sorok
elemzsben.
Az egyszer gyakorisgi sorban ahol a mennyisgi ismrvet diszkrt szmrtkek jellemzik a mdusz
meghatrozsa nem okoz klnsebb nehzsget, mivel a legnagyobb gyakorisggal rendelkez ismrvrtket kell kivlasztani. Komplikltabb a szmts, ha az adatok osztlykzs gyakorisgi sorba vannak
rendezve. A mdusz, mint tudjuk, a leggyakrabban elfordul ismrvrtk. Osztlykzs gyakorisgi sor,
valamint folytonos mennyisgi ismrveket tartalmaz sorok esetn a defincit kiss ltalnosabban fogalmazzuk meg. Ilyen esetben a mdusz 38 az az rtk, amely krl az elfordul rtkek legjobban srsdnek, ahol a gyakorisgi grbnek maximuma van. Ez a meghatrozs egyben azt is jelenti, hogy a
mdusz egzakt meghatrozsra osztlykzs sorok esetn nincs md, rtkt csak kzelt szmtssal
tudjuk meghatrozni.
A mdusz meghatrozsa kt lpsben trtnik:
F

1. Ki kell vlasztani az n. modlis osztlykzt, amelyben a mdusz tallhat. Ez egyenl hosszsg osztlykzk esetn az az osztlykz, amelyhez a legnagyobb gyakorisg tartozik. Nem egyenl
osztlykzk esetn azonban ezt meg kell elznie a gyakorisgok korrekcijnak, hiszen a modlis
osztlykz azonostsakor figyelembe kell venni azt a tnyt, hogy eltr hosszsg osztlykzk esetn egyenletessget felttelezve pl. ktszer olyan hossz osztlykzhz ktszer akkora gyakorisgnak
kellene tartozni. gy egysgnyi osztlykz-hosszra vettve a tnyleges gyakorisgot az osztlykz
hosszbl szmtott egyenrtkessel a tnyleges gyakorisgot korriglni kell.
h*
Mindez kpletbe rendezve : f j* = f j fels
x j x als
j
ahol h * az egyenrtkesnek tekintett osztlykz hosszsga, f j* a j-edik osztlyhoz tartoz korriglt
gyakorisg.
2. A kivlasztott modlis osztlykz birtokban alkalmazhat az albbi kplet:
f mo* f mo* 1 )
(
als
als
Mo = x mo + *
x mofels x mo
(
)
*
*
*
( f mo f mo 1 ) + ( f mo f mo +1 )
ahol: f mo* a modlis osztlykz korriglt gyakorisga,

f mo* 1 a modlis osztlykz eltti osztlykz korriglt gyakorisga,

f mo* +1 a modlis osztlykzt kvet osztlykz korriglt gyakorisga,
als
x mo
, x mofels a modlis osztlykz als s fels hatrai.

Egyszer gyakorisgi sorok esetn a medin kivlasztsa a rangsor alapjn knnyen elvgezhet, a medin sorszmnak megfelel xi rtk megllaptsval. Osztlykzs gyakorisgi sor esetn csak valamilyen
kzelt eljrssal lehetsges.
A medin meghatrozsra az albbi algoritmust szoks hasznlni:
n f
2
als
me 1
Me = x als
+
( x fels
me
me x me )
f me
ahol:

x als
me a medint magban foglal osztlykz als hatra,

x fels
me a medint magban foglal osztlykz fels hatra,
1 a medint megelz osztlykz felfel kumullt gyakorisga,
f me
f me a medint tartalmaz osztlykz gyakorisga,
n
2 a medin sorszma.
A szrmaztatott mutatszmok meghatrozsa krben van kitntetett szerepe a momentumoknak. Egy
kvantitatv vltoz r-ed rend momentuma, a bevett statisztikai meghatrozs szerint, a vltozrtkek
r-edik hatvnyainak tlagval egyenl, vagyis slyozott esetben:

38

Pintr Jzsef - Rappai Gbor [2007]: 128-131.

31

f x

mr =

i =1

r
i

n
Ha a r=1, az n. elsrend momentum a szmtani tlag, m1 = x .
Definilhat valamely tetszlegesen megvlasztott a rtkre vonatkoz r-ed rend momentum is, ha
a = x , akkor ez az r-ed rend centrlis momentum slyozott esetben:
k

mr ( c ) =

f (x
i =1

x)

n
Az els rend centrlis momentum, m1 ( c ) = 0 , mivel az tlagtl mrt eltrsek algebrai sszege 0. A
msod rend centrlis momentum megegyezik a szrsngyzettel. m 2 ( c ) = 2 .
Empirikus eloszlstpusok. Az aszimmetria s a ferdesg mrsre szolgl mutatk

A gyakorisgi eloszlsok elemzse a gyakorisgi grbe alakjnak vizsglatt jelenti. Az empirikus eloszlst jellemz grafikus brt, a hisztogramot, illetve gyakorisgi poligont, sszehasonltjuk a normlis eloszls szimmetrikus gyakorisgi grbjvel. A gyakorisgi poligon felrajzolsa sorn az osztlykzepeknl felmrt gyakorisgok pontjait (ezek a hisztogramok oszlopkzepnek felelnek meg) sszektjk. Az
n. egymdusz eloszls esetben, azt vizsgljuk, hogy az empirikus eloszlsunk szimmetrikusnak tekinthet-e, vagy a grbe, valamelyik szle fel jobban elnylik. Ez utbbi esetben jobb, vagy bal oldali
aszimmetrirl beszlnk. A gyakorisgi grbe alakjrl a grafikus bra s a kzprtkek nagysgrendje mr tjkoztat. Szimmetrikus tekinthet empirikus eloszlsok esetn a szmtani tlag, a medin s a
mdusz rtke kzel azonos.
Jobb oldali aszimmetrinl az emltett hrom kzprtk kzl a mdusz rtke a legkisebb, bal oldali
aszimmetrinl pedig a szmtani tlag. Jobb oldali aszimmetrij eloszls esetn, a grbe a cscspontjt
valamilyen alacsonyabb x i rtknl veszi fel, a magasabb x i rtkek fel haladva a gyakorisgok egyre
kisebbek lesznek, a grbe hosszan elnylik. Bal oldali aszimmetrinl termszetesen fordtott a helyzet,
amint az albbi bra mutatja.

Jobb oldali

Bal oldali

x Me

Mo Me x

Mo Me x

Mo = Me = x

Mo Me x

Jobboldali aszimmetria

Szimmetrikus eloszls

Baloldali aszimmetria

Mo

2-1. bra: Szimmetrikus s aszimmetrikus eloszlsok

Az aszimmetria mrsre hasznlt mutatszmok kzs jellemzje, hogy dimenzi nlkliek, rtkk
nulla, ha az eloszls szimmetrikus, s eljelk jelzi a jobb- s baloldali aszimmetrit.
A Pearson-fle A mutat:
x Mo
A=

A szmtani tlag s a mdusz rtknek azonossga esetn a mutat rtke 0, ami jelzi a szimmetrit. A
mutat pozitv eljele a jobb oldali, negatv eljele a bal oldali aszimmetrit mutatja. A mutatnak nincs
fels korltja, teht a mutatszm rtke nem utal kzvetlenl az aszimmetria mrtkre.
Az aszimmetria mrsre szolgl F-mutat:
32

F=

(Q3 Me) (Me Q1 )

(Q3 Me) + (Me Q1 )

Az F-mutat szmtsa azon alapul, hogy szimmetrikus eloszlsnl a kvartilisek egyenl tvolsgra vannak egymstl, ekkor 0 a mutat rtke. A jobb s bal oldali aszimmetrit az F mutatszm eljele
ugyangy jelzi, mint az A mutat, abszolt rtke azonban maximum 1 lehet. Ez az extrm aszimmetrit
jelezn, amikor is a medin rtke valamelyik szls kvartilisvel (Q3 vagy Q1) egyezik meg.
A ferdesg mrsre szolgl S mutat, amely meghatrozhat a centrlis momentumok alapjn:

S=

m 23 (c)
m32 (c)

A S -mutat rtke 0, ha az eloszls szimmetrikus, pozitv eljel esetn jobb oldali, mg negatv eljel
esetn bal oldali aszimmetrira kvetkeztethetnk. Hasonlan az A-mutathoz ez a mutatszm sem korltos.
A gyakorisgi eloszlsok vizsglata kiterjed az empirikus eloszlsok tovbbi alak-vizsglatra, a cscsossg-lapultsg elemzsre is. Cscsossgon az eloszlst jellemz grbe meredeksgt rtjk a mdusz
krnyezetben. A cscsossg mrszmai is a normlis eloszlshoz viszonytva vizsgljk az eloszls relatv lapultsgt, vagy erteljes meredeksgt. Trgyi rtelmt tekintve a szimmetrikus, de lapult eloszls
az egyenletes eloszls fel kzelt, mg a cscsos eloszls jelzi az tlag krli tmrls erteljes voltt.
A cscsossg mutatszma:

m 4 (c)
m 22 (c)

A K-mutat rtke 3, normlis eloszls esetn. Ennl kisebb rtk esetn lapultnak, nagyobb rtk esetn
cscsosnak tekinthetjk az eloszlst.
A koncentrci vizsglata

A gyakorisgi sorok adatai alapjn vizsglhat a sokasg x vltoz szerinti koncentrcija. Az elzekben bemutatott empirikus eloszlsok vizsglatnak nem szerves rsze a koncentrci elemzse. Azrt trgyaljuk egytt, mert ugyanabbl az adatbzisbl a gyakorisgi sorokbl mindkt vizsglat elvgezhet. Koncentrci vizsglatot akkor vgznk, ha rtelmezhet a sokasg x vltoz szerinti koncentrcija,
vagyis a gyakorisgi sor mellett kpzett rtksszeg-sor adatainak trgyi rtelme van. Pl. a npessg jvedelem szerinti koncentrcijt vizsglva, a jvedelem eloszlsa mellett a megszerzett jvedelmek szszege, az sszjvedelembl val rszeseds is rtelmezhet. Beszlhetnk a gazdlkodsi egysgeknek a
termelsi rtk, a ltszm, a beruhzs, a forgalom, az rbevtel s a nyeresg szerinti koncentrcijrl; a
npessg jvedelem, vagyon szerinti koncentrcijrl.
Koncentrcin a gazdasgi-trsadalmi jelensgekben megfigyelhet tmrlseket, sszpontosulsokat
rtjk. A koncentrci fogalma mind a gazdasgi folyamatokat, mind azok eredmnyeknt ltrejtt llapotokat jellemzi. Koncentrcinak nevezzk azt a jelensget, amikor a sokasghoz tartoz rtksszeg jelents rsze a sokasg kevs egysgre sszpontosul. A koncentrci jelensgt a mennyisgi sorok alapjn jellemezhetjk (mrhetjk) gy, hogy egy adott X ismrv gyakorisgi s rtksszeg eloszlst hasonltjuk ssze. Ha a teljes rtksszeg megoszlsa nem egyenletes, azaz a teljes rtksszeg nagy rsze a sokasg egysgeinek kis rsznl sszpontosul, relatv koncentrcirl beszlnk. Az egyenletes eloszls
az az elmleti hatreset, amely a koncentrci teljes hinyt jelezn. A msik elmleti hatreset a legersebb fok az abszolt koncentrci, amikor a teljes rtksszeg egyetlen sokasgi egysghez tartozik. A relatv koncentrci elemzse elvgezhet a koncentrcis tbla alapjn, a relatv gyakorisgi s
relatv rtksszeg sor sszehasonltsval. A koncentrci megltt az jelzi, hogy az alacsonyabb xi rtkeknl a relatv gyakorisgok rendre nagyobbak a relatv rtksszegek rtkeinl. A nagyobb xi rtkeknl fordtott helyzetet tapasztalunk.
A koncentrci brzolsra s elemzsre szolgl specilis grafikus brt, megalkotjrl 39 Lorenzgrbnek hvjuk. A Lorenz-grbe egysgoldal ngyzetben elhelyezett bra, amely a kumullt relatv
F

39

Max Otto Lorenz (1880-1962) amerikai statisztikus 1905-ben publiklta elszr az ltala elssorban jvedelemegyenltlensgek illusztrlsra javasolt brt.

33

gyakorisgok ( gi ) fggvnyben brzolja a kumullt relatv rtksszegeket ( zi ) . 40 Amennyiben az

egysgeknek az rtksszegbl val rszesedse egyforma lenne, a kumullt relatv gyakorisgok s a
kumullt relatv rtksszegek rendre megegyeznek ( g i = zi ) , a grbe a ngyzet tljval egybeesne. Ha
F

a grbe kzel van az tlhoz, akkor gyenge a koncentrci. Ha a relatv gyakorisgok s relatv rtkszszegek igen jelentsen eltrnek egymstl, a grbe a tengelyekhez ll kzel, ez mutatja az ers koncentrcit. A grbe s az tl ltal bezrt terlet teht, a koncentrci relatv nagysgt jellemzi. Ezt a terletarnyt kzelti az n. Gini-fle koncentrcis arnyszm.
n

K=

f f
j=1 i =1

i j

xi x j

2xn ( n 1)
A fenti kplettel meghatrozott koncentrcis arnyszm rtke egyenl a Lorenz-grbe s az tl ltal
bezrt terletnek s a tengelyek s az tl ltal bezrt hromszg terletnek az arnyval. A mutatszm
hatrai: 0 K 1 .

Az empirikus eloszlsok elemzse parancsfjl t munkalapbl ll. Az adatok-szmtsok munkalap rszben megegyezik az elemi mveletek parancsfjl azonos nev munkalapjval. A munkalap tovbbi rszben az egyszer gyakorisgi sor kpzst s az empirikus eloszlsok jellemzit kzli a parancsfjl. Az 1.
s 2. munkalap az adatok s szmtsok munkalapon szerepl adatbzisbl osztlykzs gyakorisgi sorokat kpez s hisztogramot kszt. A 3. munkalap az empirikus eloszlsok elemzsre szolgl abban az
esetben, amikor az egyedi adatok nem llnak rendelkezsre, s gy a kiindul adatbzis egy osztlykzs
gyakorisgi sor. A mkdst bemutat szemlltet plda: egy benzinkt egyik ktoszlopnl egy adott
idszak 4 ra alatt kiszolglt benzin mennyisge literben, amit az esemnyek sorrendjben jegyeztek
fel, ld. xi srga mezben lv oszlopot.
F

Az adatbzis maximum 5000 rtket tartalmazhat.

Momentumok (r-ed rend, slyozs nlkli): az xi vltoz rtkeinek r-edik hatvnybl szmtott tlagok az r=1,2,3, s 4 esetekben

Momentumok
Elsrend
37,65
Msodrend
1661,016667
Harmadrend
81014,25
Negyedrend
4241460,617
Centrlis momentumok: az x rtkre vonatkoz r-ed rend momentumok, r=1,2,3, s 4
Centrlis momentumok
Elsrend
1,30266E-15
Msodrend
243,4941667
Harmadrend
141,86175
Negyedrend
139775,4399
Empirikus eloszlsok jellemzi
A mutat (aszimmetria): az aszimmetria Pearson-fle mrszma

x Mo 37, 65 36
=
= 0,11

15, 6
F mutat (aszimmetria): az aszimmetria kvartilisekbl szmtott mrszma
(Q Me) (Me Q1 )
F= 3
= 0, 20
(Q3 Me) + (Me Q1 )
S mutat (aszimmetria), amely meghatrozhat a centrlis momentumok alapjn:
A=

40

Hunyadi Lszl Vita Lszl [2008] I. 120.

34

m32 ( c )
= 0, 037
m32 ( c )
Az Excel ltal alkalmazott kplet:
S=

xi x
S =
=

( n 1)( n 2 ) i=1
n

'

[(27 37,65)
60
( 60 1)( 60 2 )

+ (5 37,65) + (27 37,65) +....+ (28 37,65) ]

2

15,60

= 0,038

=FERDESG(xi) = 0,038

K mutat (cscsossg):

K=

m 4 (c)
m 22 (c)

3 = -0,64

K mutat (cscsossg): az Excel ltal alkalmazott kplet:

4

x
xi
2
n(n +1)
3 (n 1)

'
i
1
=
K=
=

4
(n 1)(n 2)(n 3)
(n 2)(n 3)

60(60 +1)
[(27 37,65) 2 + (537,65) 2 +...+ (2837,65) 2 ]4
=

(60 1)(60 2)(60 3)

15,604
2

3 (60 1)

= 0,59
(60 2)(60 3)
=CSCSOSSG(xi) = -0,59
Az 1. munkalap az adatok-szmtsok munkalapon szerepl xi adatsor, illetve az egyszer gyakorisgi
sor alapjn olyan osztlykzs gyakorisgi sort kpez, ahol az els s az utols osztlykz nyitott. Az
1. munkalapon minden szmts automatikus, az adatok-szmtsok munkalapon meghatrozott egyszer
gyakorisgi sorbl (xi, fi) kpezi az osztlykzs gyakorisgi sort. Az 1. munkalapon csak az els osztlykz (a pldban: xa) s az utols osztlykz (a pldban: xf) hatrt lehet mdostani, amit a srga
szn is jelez. A 2. munkalapon ugyanezt vgzi el, azzal a klnbsggel, hogy az osztlykzk szma s
az osztlykzk fels hatra is tetszs szerint vltoztathat (a srga szn jelzse szerint), gy akr tbbszri prblkozssal lehet a tnyleges eloszlst legjobban ler gyakorisgi sort megkeresni. Ehhez ad informcit a tnyleges rtksszeg-sor megjelentse, a becslt sorok mellett.
Az osztlykzs gyakorisgi sorbl kpezhet tovbbi sorok mindegyikt kzli a parancsfjl, gy az rtksszeg, relatv s kumullt sorokat is.
A kvetkez jellseket hasznlja a program:
fi = a (felfel) kumullt gyakorisgok
fi = a lefel kumullt gyakorisgok
gi = a relatv gyakorisgok
gi = a (felfel) kumullt relatv gyakorisgok
gi = a lefel kumullt relatv gyakorisgok
si = a tnyleges rtksszeg
si = a felfel kumullt tnyleges rtksszeg
si = a lefel kumullt tnyleges rtksszeg
zi = a relatv tnyleges rtksszeg (%)
zi = a felfel kumullt relatv tnyleges rtksszeg (%)
35

zi = a lefel kumullt relatv tnyleges rtksszeg (%)

si_becs = a becslt rtksszeg [osztlykzp (xi)*(fi)]
si_becs = a felfel kumullt becslt rtksszeg [osztlykzp (xi)*(fi)]
si_becs = a lefel kumullt becslt rtksszeg [osztlykzp (xi)* (fi)]
zi_becs = a relatv becslt rtksszeg (%)
zi_becs = a felfel kumullt relatv becslt rtksszeg (%)
zi_becs = a lefel kumullt relatv becslt rtksszeg (%)

A program megadja a klnbz sorokat tartalmaz tblban az fi*-gal jellt korriglt gyakorisgokat, amelyek a mdusz becslshez s a hisztogram szerkesztshez szksgesek.
Az 1. s 2. munkalap zr rsze a koncentrci elemzsre megadja a koncentrcis tblt, a Lorenzgrbt s a Gini-mutatt, a munkalapokon szerepl adatbzis alapjn. A szmtsokat ktfle mdon tudja elvgezni a program, a tnyleges, illetve a becslt rtksszeg-sor adatai alapjn, melyek kzl vlaszthatunk a legrdl mensor hasznlatval. Az 1. s 2. munkalapon szerepl bemutat plda nem alkalmas a koncentrci elemzsnek bemutatsra, mivel itt az rtksszeg-sor adatainak (a vsrolt szszes benzin mennyisgnek) nincs informci tartalma, nehezen rtelmezhet a vsrlknak a vsrolt
benzinmennyisg szerinti koncentrcija. Itt jra hangslyozzuk, hogy, ha empirikus eloszlsok elemzse a clunk, s adatbzisunk alapjn nem rtelmezhet a koncentrci akkor a program ltal megadott, a koncentrcira vonatkoz szmtsi eredmnyeket figyelmen kvl kell hagynunk.
A 3. munkalap amint mr utaltunk r az empirikus eloszlsok elemzsre szolgl abban az esetben,
amikor az egyedi adatok nem llnak rendelkezsre, s gy a kiindul adatbzis egy osztlykzs gyakorisgi sor. Az adatok bevitelt az osztlykzk szma srga mezben kitltsvel kell kezdeni. Ha az utols osztlykz fels hatra nyitott, akkor az osztlykzk szma eggyel tbb, mint a berand fels hatrok. Az osztlykzk bevitelre az osztlykzk fels hatra (Fels oszlop), mg a gyakorisgok bevitelre az fi oszlopa szolgl a srga mezben. Ha n. nyitott osztlyos a gyakorisgi sorunk, akkor az xa s
xf srga mezbe berhatjuk az ltalunk vlasztott als s fels osztlykz hatrt. Amennyiben az emltett
srga cellkat nem tltjk ki, a program mechanikusan elvgzi az osztlykzepek szmtst. A kiindul
adatbzisunk tartalmazhatja az rtksszeg-sort is (si oszlop), ebben az esetben az adatainkat a srga cellkban rgzthetjk s gy a tovbbi szmtsok a tnyleges rtksszegekbl trtnnek. Ha a tnyleges
rtksszegek nem ismeretesek, akkor a program az osztlykzepek segtsgvel becslt rtksszegeket
szmt.
A 3. munkalapon ugyanazok az elemzsi eredmnyek jelennek meg, mint az 1. s 2. munkalapon. Rszletesebb magyarzatot csak a koncentrci elemzse ignyel. A koncentrcis tbla adatai alapjn sszehasonlthatk a kumullt relatv gyakorisgok a kumullt relatv rtksszegekkel. Ezen adatok alapjn a
program megrajzolja a Lorenz-grbt s kzli a kiszmtott Gini-mutat rtkt.
Az Excel felhasznlsval meghatrozhatjuk a Lorenz-grbe s az tl ltal bezrt terletet (A) gy is,
hogy meghatrozzuk a Lorenz-grbn kvli terlet nagysgt (B), felhasznlva azt, hogy a trapz terlete:
(a + b)h
T=
2
A trapz kt alapjt a-val s b-vel, magassgt h-val jelltk. sszegezzk a terletek nagysgt, ami az
albbi brban a trapz terlete. A B terlet ismeretben a Lorenz-grbe: (A=-B) a Gini mutat pedig
(A/2)

36

Lorenz-grbe=A s a Gini-mutat A/2 (A=-B)

1
0,9
0,8
0,7
0,6
0,5
0,4

0,3

0,2
0,1

b
h

0
0

0,2

0,4

0,6

0,8

2-2. bra: A Lorenz-grbe s a Gini-mutat becslse grafikus mdn

A 3. munkalapon a bemutat plda az APEH honlapjn elrthet 41 SzJA bevallsok Magyarorszgon

2004-ben, jvedelemsvok szerint.
F

Gyakorl feladatok. (elemimveletek.xls s empirikuseloszlsokelemzse.xls)

1. A Demogrfiai vknyv 2005. s 2006. KSH, Budapest, kzli Excel formtumban (A_3_1_2 2205.xls
[3.1.2. A NPESSG SZMA VROSONKNT]) a magyarorszgi vrosok npessgszmt vrosonknti bontsban az 1970 s 2007 kztti (1970, 1980, 1990, 2001, 2002, 2003, 2004, 2005, 2006, 2007)
idszakban. Vizsglja meg a vrosi npessg koncentrcijnak a vltozst Budapest nlkl. Az adatbzis az eredeti formjban nem alkalmas a szmtsok elvgzsre. A Gyakorisgok fggvny felhasznlsval csoportosthatjuk a vrosokat a npessgszm alapjn. A npessgszmvrosonkntrendezve19702006.xls fjlban nyomon kvethet a programozs a Gyakorisgok fggvny felhasznlsval. (Gyakorisgok: a gyakorisgi vagy empirikus eloszls rtkt fggleges tmbknt adja eredmnyl. A gyakorisgi eloszls adott rtkhalmazbl s adott szm osztlynl [intervallumnl] az egyes intervallumokban
elfordul rtkek szmt mri.)
A megoldshoz segtsg: 1970-ben a Gini-mutat 0,518, 2006-ban 0,512 volt.
2. A jvedelemkoncentrci vltozsa Magyarorszgon az SzJA bevallsok alapjn. Rendelkezsre ll
adatok: 2004, 2005 s 2006. Vgezze el a szmtsokat az elemimveletek.xls fjl segtsgvel, s rtkelje a kapott adatokat.
3. Egy kereskedelmi gazat vllalkozsainak ves rbevtel adatait az albbi tblzat tartalmazza rbevtel-svok szerint. Vgezze el a koncentrci elemzst elemimveletek.xls fjllal s rtkelje a kapott adatokat.
4. Egy wellness hotel brjnak elz napi forgalmrl (az eurban kibocstott szmlk alapjn) rendelkezsnkre ll adatsor (szmhalmaz). rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi mutatk, az empirikus eloszls alakjnak vizsglata) a kapott adatokat.
5. Hrom trsashz 132 laksnak havi tlagos vzfogyasztsa (m3/laks), amit a Pcsi Vzm az elz
egy ves fogyaszts alapjn llaptott meg, mint havi tlagmennyisget a kvetkezkppen alakult.
rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi mutatk, az empirikus eloszls alakjnak vizsglata) az adatait.
6. Ipoly Erd Zrt. Kemence WS 3600 lloms napi (01, 09, 13, 19 rakor s kzp) hmrskleti menete.
2007 mrcius. rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek,
szrdsi mutatk, az empirikus eloszls alakjnak vizsglata) az adatait.
7. Egy kereskedelmi bankban egy adott hten (5 munkanap) lekttt ( rvid, 1, 2, 3, 4 illetve 6 hnapos
futamidej ) bettek rtkei, (eFt), nvekv sorrendben 257 adatot tartalmaz.
rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi mutatk, az empirikus eloszls alakjnak vizsglata, koncentrci, Gini-mutat) az adatait.
41

Lsd www.apeh.hu.

37

8. Egy iparvllalat dolgozinak havi brutt tlagkeresetre vonatkozan az albbi adatokkal rendelkeznk. rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi
mutatk, az empirikus eloszls alakjnak vizsglata, koncentrci, Gini-mutat) az adatait.
3 Az idsorok elemzsi mdszerei

Az idsor-elemzsi mdszereket alapveten kt clbl hasznljuk:

a jelensgek idbeli alakulsnak elemzsre mltbeli adatok alapjn;
illetve a jelensgek jvbeni alakulsra vonatkoz elrejelzsek (prognzisok) ksztsre.
Az idsoros adatbzisok sajtossga, hogy nemcsak az adatok sszessge, hanem azok sorrendje is rdekel bennnket. Ez egyben azt is jelenti, hogy szemben a tbbi statisztikai sorral, idsorok esetn az adatok felsorolsnak sorrendje szigoran kttt, mindig a legkorbbi idpontbl (idszakbl) haladunk a jelenig. Az idsorok rendkvl fontosak az elemzsi s prognosztikai tevkenysgben, mivel a mltat brzoljk s ebbl bizonyos kvetkeztetsek a jvre vonatkozan levonhatk. Az idsorok teht a prognziskszts alapjt kpezik, ahhoz ugyanis, hogy valamely jelensg vagy folyamat jvbeli alakulsrl
helyes kpet kapjunk, ismerni kell a prognzistrgy mltbeli alakulst is. Az idsorok alapjn trtn
elrejelzsek azon a felttelezsen alapulnak, hogy a trtneti smk folytatdnak a jvben is. A prognziskszts tipikus mdszernek tekinthet teht az idsor-kutatson alapul elrejelzs, mert szmtsi
alapelve megfelel a prognosztizls alapelvnek: a mlt s jelen ismert paramterei alapjn elrevetteni
az sszefggst a jvbe. Az idsorokban megfigyelt tendencia prognosztizlsa azon a felttelezsen
nyugszik, hogy a jvben is ugyanolyan irny s mrtk vltozsok kvetkeznek be, mint amilyenek
jellemzek voltak a vizsglt mltbeli idszakban.
Az idsor adatai ltalban egymst egyenl idkzzel kvet idpontokra illetve idszakokra vonatkoznak. Ezek az idpontok illetve idszakok a gyakorlati tapasztalatok szerint lehetnek:
percek, flrk, rk, napok, hetek, hnapok, negyedvek, vek, vtizedek. A statisztikai hivatalok ltal
kzlt adatok ltalban venknti, negyedvenknti s havonknti megfigyelseket tartalmaznak. Rvidebb idszakokra (pl. napi, rnknti, flrnknti) vonatkoz adatgyjtst pldul a tzsdeindexek esetben vgeznek.
Az idsor mindig konkrt megfigyels eredmnye, vagyis az elmleti idsornak egyetlen realizcija.
Vgeredmnyben az idsor egyetlen realizcija, a tapasztalati idsor alapjn kell a vizsglt jelensget illetve folyamatot befolysol, illetve meghatroz trvnyszersgeket feltrni.
Az idben lejtszd folyamatok mindegyike sztochasztikus folyamatknt definilhat, mely valsznsgi vltozk sorozataknt jelenik meg. Ezt elmleti idsornak nevezzk s az albbi mdon jelljk:
Y M , Y M +1 ,..., Yt , ,YM
Az Yt ( M t M ) valsznsgi vltozk mindegyikre vonatkozan egy megfigyelssel rendelkeznk, ez a modellezs adatbzist jelent tapasztalati idsor.
A realizlt idsori rtkeket tapasztalati idsornak, egyszeren idsornak nevezzk s a tovbbiakban
yt-vel (t = 1,2,....,N) jelljk 42.
y1 , y 2 , , y t ,..., y N
Az idsorelemzs legegyszerbb, de egyben legtbbszr alkalmazott mdszerei a grafikus brzols s
a dinamikus (bzis s lnc) viszonyszmok szmtsa. Ezek ismertetse az 1. fejezetben megtallhat. 43 Az egyszerbb elemzsi eszkzk tovbbi csoportjt alkotjk az idsor-elemzs terletn alkalmazhat tlagok. Az idsor elemzs esetben ritkn hasznlunk tlagszmtst, mivel nem az informci tmrts a cl, hanem az idben lejtszd folyamatok lersa. Specilis esetekben szksg lehet egy idsor tlagos rtkre. Hasonlan, a grafikus brzols sorn az ll s mozg sokasgok kztti megklnbztetshez, az idsori tlagszmtsnl klnbz tlagfajtkat hasznlunk llapot- s tartam-idsor
esetn.
Ha egy tartam-idsor tlagos rtkre vagyunk kvncsiak, mivel az idsor adatai sszegezhetk alkalmazhat az egyszer szmtani tlag:
F

42
43

A t a latin tempus szbl szrmazik.

Ld. Dinamikus-viszonyszmok.xls parancsfjlt.

38

y=

t =1

Az llapot idsor adatainak tlagolsra az gynevezett kronologikus tlagot szoks hasznlni:

y
y1
+y 2 +...+y N-1 + N
2
yt k = 2
N-1

Az idsorelemzsnek kt f megkzeltsi mdja ismert:

1. A determinisztikus idsorelemzs 44 abbl a felttelezsbl indul ki, hogy az idsorok alakulst

egy viszonylag hossz tv nvekedsi/cskkensi plya hatrozza meg, amely krl tartsan hat szablyos hullmmozgsok (pl. szezonalts) mutathatk ki. Ezektl eseti, egyedi eltrt hatsok maradkknt a vletlen tnyezt jelentik meg.
2. A sztochasztikus idsorelemzs 45 (pl. Box Jenkins, ARIMA stb. modellek) abbl a felttelezsbl indul ki, hogy az aktulis idsori rtkeket korbban realizldott rtkei s a vletlen hats alaktja ki, a determinisztikus modellezs felttelezte hossz tv tendencia befolysol szerepe ebben a megklnbztetsben kzvetlenl nem jelenik meg.
Az Excel parancsfjlokat nhny determinisztikus idsorelemzsi mdszerre ksztettk el.
F

3.1 A dekompozcis idsormodellek

A dekompozcis idsorelemzs statisztikai mdszerei azt felttelezik, hogy a vizsglt idsorok ltalban
ngy f, egymstl fggetlen s elklnthet tnyezbl tevdnek ssze. Ezek a kvetkezk: a trend
vagy hossz tv alapirnyzat, az ettl szablyos (ltalban havi vagy negyedves) ingadozsokkal eltr
rvid tv (szezonlis) ingadozst ler sszetev, a szablytalan hosszabb tv ingadozsokat ler ciklikus sszetev (konjunktraciklus) s a vletlen vltoz. A kvetkezkben ezen tnyezk kimutatsra
szolgl mdszereket mutatjuk be.
3.1.1 Az idsorok sszetevi s kapcsoldsi mdjai
1. A trend vagy a hossz tv alapirnyzat
A trend az idsorban tartsan az ingadozsokon keresztl hossz tvon rvnyesl tendencia, amely
az idsor alakulsnak f irnyt jelenti. A trendet tbb, a vizsglt jelensg alakulst alapveten meghatroz tnyez alaktja. Ha az adott idintervallumon becslt tendencit extrapollssal ki akarjuk terjeszteni a vizsglt intervallum hatrain kvlre, ezt csak azzal a felttelezssel tehetjk, hogy ott is rvnyesl
ez a stabilits. Az idsorokban rvnyesl trendek meghatrozsra kidolgozott mdszerek tbbsge jelents adatmennyisg ismeretben is csak rvid illetve kzptv prognzisok ksztsre hasznlhat.
Hosszabb tv prognosztizlsra val felhasznlsukat korltozza az a tny, hogy hosszabb tvlatban ritkn felttelezhet a vizsglt jelensgre hat tnyezk krnek s irnynak vltozatlansga. Ugyanakkor,
ha hossz, 100-200 ves, vagy ennl hosszabb idsorokkal rendelkeznk, akkor a hossz tv, n. megatrendeket is azonostani tudjuk, ami megalapozottabb trend extrapolcit eredmnyezhet. A megatrendek
nem az egyik naprl a msikra alakulnak ki s enysznek el. Ezek az tfog trsadalmi, gazdasgi, politikai s mszaki vltozsok lassan bontakoznak ki, de ha egyszer mr kialakultak, akkor befolyst gyakorolnak rnk egy ideig, ht-tz vig, vagy mg tovbb. Megvan a hatkrk s alakt erejk egy-egy vtized vltozsspektrumnak a meghatrozshoz. 46
2. A szablyos rvid tv (szezonlis) ingadozst ler sszetev
A szezonlis vagy idnyszer ingadozs lland peridushossz, olyan hullmzs, melynek a peridushossza egy vnl rvidebb idszak.
3. A szablytalan hosszabb tv ingadozsokat ler ciklikus sszetev (konjunktraciklus)
F

44

A latin determinatio (be)hatrols szbl ered.

Sztochasztikus grg sz, jelentse statisztikai valsznsgen alapul.
46
Naisbitt, John - Aburdene Patricia [1991] 11-12.
45

39

A konjunktraciklus a trend krli ingadozst jelenti. ltalban vltoz peridushossz s amplitdj

ingadozs, a legtbb esetben klnbz egy vnl hosszabb peridus (pl. 3, 9, 18, 54 ves) hullmzs. Ezen ciklusok jelenltt csak hosszabb (legalbb 15-100 ves) idsorok alapjn lehet kimutatni.
4. A zavar hatsokat ler vletlen vltozk,
A vletlen ingadozs az idsorban kimutathat szablytalan mozgs, ami nem mutat semmifle trvnyszersget. amelyekrl tbbnyire csak azt felttelezik, hogy vrhat rtkk additv kapcsolatnl 0, illetve
multiplikatv kapcsolat esetben 1. A tapasztalati idsorok adatai ltalban eltrnek a trend, a ciklus s a
szezonalts alapjn vrt rtkektl. Az eltrst a szablytalan, rvid tvon hat vletlen ingadozs okozza.
Kiegsztsknt meg kell emlteni a strukturlis trst. Strukturlis trseknek nevezzk az olyan egyszeri, jelents tendenciavltozsokat, melyek oly szmotteven befolysoljk az adott idszakban a jelensg alakulst, hogy kln vizsglatot ignyelnek. Strukturlis trs meglte esetn fontos cl, a ltrehoz ok vagy okok feltrsa, a hats vagy hatsok tovagyrzsnek, esetleges elhalsnak" elemzse. Ha
a strukturlis trsek szma s jelentsge nagy, akkor a dekompozcis idsorelemzs mdszereinek hatkonysga megkrdjelezhet.
Ttelezzk fel, hogy az idsorban mind a ngy tnyez megjelenik. Az idsor sszetevi: additvan (szszegszeren) vagy multiplikatvan (szorzatszeren) kapcsoldhatnak egymshoz.
Additv modell esetn felttelezzk, hogy az idsor megfigyelt rtkei, a trend, a szezon, a konjunktra
ciklus s a vletlen komponens rtkeinek sszegeknt llthat el.
Ennek alapjn ha kapcsolds mdja additv:
y ij = y ij + s*j + c*l + v ij*

ahol:
yij = a megfigyelt idsor rtke, az i-edik peridus j-edik szezonjban

y ij = a trendrtk, az i-edik peridus j-edik szezonjban

s*j = a j-edik szezonban a szezonlis eltrs

c*l = az l-edik becslt (*) konjunktra ciklus, aminek a peridusa klnbz (3-60 v) lehet.
vij* = a vletlen hats, az i-edik peridus j-edik szezonjban

i = 1, 2,.... ,n = a peridusok (pl. vek) szma

j = 1, 2,... .,m = a periduson belli idszakok, azaz a szezonok (pl. a hnapok, a negyedvek) szma
l = 1, 2, ,o = a konjunktra ciklusok peridusainak 47 a szma.
F

Az jonnan bevezetett jellsekhez nhny megjegyzst fznk. Idsorunk ltalnos elemnek jellsre
eddig az y t (t=1,...,N) mdot hasznltuk s eszerint, idsorunk N szm adatbl ll. Ha az idsorban szezon-komponenst is megklnbztetnk, a bevezetett j jells szerint az idsor ltalnos eleme:
y ij (i=1,2,...,n; j=1,2,...,m) , s az idsor adatainak szma: n*m=N . Az lland szezonalts egyben azt is jelenti, hogy ha brmely peridus (pl. v) ugyanazon szezonjrl (pl. hnapjrl) van sz, a szezoningadozs eltrt hatsa standard, a vizsglt t=1,...,N idtartam alatt. Ez azt jelenti teht, hogy a vizsglt
sszes peridusban pldaknt az elmlt t vben -, negyedves adatokkal lert szezonalts esetn ngy
szezontnyezvel, havi adatok esetn tizenkt szezontnyezvel jellemezzk a szezon-ingadozst. Ezrt
kell teht az s j (j=1,2,...,m) jellst a szezon-komponensre bevezetni (negyedves adatoknl m=4 , havi
adatoknl m=12 ), s ilyenkor a peridusok (pl. vek) jellsre az i=1,2,...,n mdot hasznlni.
Multiplikatv modell esetn felttelezzk, hogy az idsor megfigyelt rtkei, a trend, a szezon, a konjunktra ciklus s a vletlen komponens rtkeinek szorzataknt (jele: *) llthat el.
Ennek alapjn ha kapcsolds mdja multiplikatv:
y ij = y ij * s j * c l * v ij
ahol, a mr ismert jellsek mellett,
47

A peridus az az idkz ami alatt a ciklus tlagosan ismtldik.

40

sj = a j-edik szezonhoz tartoz szezonlis komponens, a szezonindex

cl = az l-edik konjunktra ciklushoz tartoz konjunktraindex.
sszefoglalan megllapthat, hogy a szezonalits s a konjunktra ciklusok eltrt hatsa a megfelel
szezonoknl s konjunktra ciklusoknl az additv modellben abszolt llandsgot, a multiplikatv modellben pedig a trendhez mrt relatv llandsgot mutat.
3.1.2 A trend vagy a hossz tv alapirnyzat becslsi mdszerei

A trendszmts ktfle mdszert ismertetjk: a mozgtlagols s az analitikus trendszmtst. Az

analitikus trendszmts keretben a lineris s a linerisra visszavezethet trendekkel foglalkozunk elszr. 48 A linerisra vissza nem vezethet trendek egy rszt a teltdsi, a logisztikus s az letgrbe
trendek becslse sorn ismertetjk. 49
F

3.1.2.1 Mozgtlagols trendszmts

A mozgtlagols alapgondolata, hogy a trendet az eredeti adatsor dinamikus tlagaknt lltjuk el. A
gyakorlatban igen elterjedt trendszmtsi mdszer, mert egyszer s gyorsan szmthat. Htrnya viszont, hogy a kiegyenltett sor rvidebb, teht kevesebb adatot tartalmaz, mint az eredeti, gy a nagyon
rvid idsor esetben szinte lehetetlen a trendet e mdszerrel egyrtelmen jelezni. A mozgtlagols
trendszmts sorn az idsor rtkeibl ltalunk vlasztott tagszm (jele: k) tlagokat szmtunk
gy, hogy az idsor elejrl indulva az tlagoland rtkek kzl az elst elhagyva, s az utols rtket
kvett hozzvve az eljrst addig folytatjuk, mg az utols adatot is felhasznltuk. Minden kiszmtott
tlagot az tlaggal jellemzett idszak kzephez rendeljk. Az gy nyert mozg tlagok sora az alapirnyzat rtkeit, azaz a mozg tlagols trendrtkeket adja, melyek szma kevesebb, a megfigyelt idsor
adatainl. Pldul k=3 tag mozg tlagolsnl 2 adattal rvidl az idsorunk, az els s az utols megfigyelt idszakhoz nem kapunk trendrtket. A nagyobb tagszm tlagols, jobban kiszri a vletlen hatst, de tbb adattal rvidl a trendrtkek sora. Ha az idsorban szezonhats van, a mozg tlag tagszmt gy vlasztjuk meg, hogy tfogjon legalbb egy, vagy tbb teljes peridust.
Pldul negyedves szezonalts esetn 4, 8, 12, ... tag, havi szezonalts esetn 12, 24, 36, ... tag tlagokat kell vlasztani. A trendrtkek sora ekkor 4, 8, 12, ... , illetve 12, 24, 36, ... adattal rvidl. A megfelel tagszm-vlaszts a szezonhats kiszrst clozza.
Ha k pros, akkor az sszeget szolgltat idszak kzepe kt tlagolt rtk kz esik. Ez esetben egy ismtelt k=2-es mozgtlagolst, ms nven centrrozst vgznk, gy a ktszeri eltolds miatt az y t s y t
rtkek mr egymsnak megfelelhetk.
Az elzek alapjn a mozg tlagols trendszmts lpsei:
1. A peridus alapjn eldntjk, hogy hny tag mozgtlagot szmtunk. (tagszm=k)
2. Kiszmtjuk az els k adat egyszer szmtani tlagt. Ezt az rtket az tlag ltal lefedett idszak
kzephez rendeljk. Ez pratlan k esetn a (k+1)/2-dik idszak, pros k esetn a k/2 s a (k/2)+1edik idszak kz rendeljk. Ez utbbi esetben ahhoz, hogy az eredeti idsor idszakaihoz rendelhessnk adatot, szksg van a centrrozsra.
3. Ezutn elhagyjuk az els adatot, s helyette a k+1-edik adattal bezrlag szmtjuk ki a k-tag
egyszer szmtani tlagot, s az gy add idszak kzephez rendeljk az tlagot.
4. A 3. lpst ismteljk az elemzend idsor utols adatig.
3.1.2.2 Analitikus trendszmts

A lineris s a linerisra visszavezethet trendfggvnyek esetben a legkisebb ngyzetek mdszert alkalmazzuk, vagyis olyan fggvnyt keresnk, amely esetben a megfigyelt s a modell ltal szmtott rtkek kztti eltrs ngyzetsszege minimlis. 50
F

48

Ld. Trendszezon-hibaszmts.xls Excel parancsfjlt.

Ld. Logisztikustrendekbecslse.xls Excel parancsfjlt.
50
Hunyadi Lszl Vita Lszl [2008] I. 272-273.
49

41

A legjobb kzeltst teht az a fggvny adja, melyiknl a reziduumokbl ( yi - y i ) szmtott eltrsngyzetsszeg a legkisebb:
n

i=1

i=1

ei2 = (yi - y i ) min

2

A feladat megoldst a klasszikus legkisebb ngyeztek mdszernek nevezik. 51

F

A kvetkezkben bemutatsra kerl lineris s linerisra visszavezethet trend fggvnytpusok logaritmikus transzformcikkal, illetve j vltozk bevezetsvel linearizlhatak, s klasszikus legkisebb
ngyzetek mdszervel a paramtereik becslhetk.
A kvetkezkben nhny vizsglati szempontot sorolunk fel:
I. A lineris s a linerisra visszavezethet trendfggvnyek a fggvnyt ler egyenlet alapjn vizsglhatk:
monotonits szempontjbl:
1. nvekvek: pl. lineris, parabolikus, fl-logaritmikus, hatvny alak s parabolikus (ha az
egytthatk pozitvak), exponencilis, ha b1 >1
2. monoton cskkenek: pl. hiperbolikus, parabolikus (ha az egytthatk pl. pozitvak, de a
legnagyobb fokszm idtnyeznl a paramter negatv), hatvny alak ha b1<0 s exponencilis, ha 0< b1<1
3. vegyes fggvnyek: pl. parabolikus trendek, (az idvltoz, a t egytthati kztt tallhat
pozitv s negatv is) ahol a monoton nvekeds monoton cskkensbe vagy fordtva a
monoton cskkens monoton nvekedsbe megy t.
teltds szempontjbl:
1. teltdsi fggvnyek: pl. fllogaritmikus, hiperbolikus, ahol a fggvny egy vgs hatrrtk fel tart,
2. teltds nlkli fggvnyek: pl. lineris, parabolikus, hatvny alak, exponencilis, ahol a
nvekedsnek vagy a cskkensnek nincsenek korltai.
inflexis pont szempontjbl:
1. a fggvnyek rendelkezhetnek inflexis ponttal: pl. harmadfok parabolikus
2. a fggvnyeknek nincs inflexis pontjuk: pl. lineris, fllogaritmikus, hatvny alak, exponencilis.
Egy fggvny inflexis pontjn azt rtjk, hogy ebben a pontban az rint tmetszi a grbt. Az inflexis
pont ltezsnek szksges felttele ha a fggvnynek az inflexis pontban a harmadrend derivltja is
ltezik az, hogy a fggvny msodik derivltja ebben a pontban nulla legyen, az elgsges felttel pedig
az, hogy a harmadik derivlt az inflexis pontban ne legyen egyenl nullval. Termszetesen felttelezzk, hogy a fggvny az inflexis pont krnyezetben hromszor differencilhat. Az inflexis pont ltezsnek szksges s elgsges felttele az is, ha a msodik derivlt a zrus pontjban eljelet vlt, ami
azt mutatja, hogy a konvex (konkv) vet konkv (konvex) kveti.

a fggvnyek nevezetes pontjait is vizsglhatjuk, pl. melyek a trend kezdeti, (az rtelmezsi tartomny t=0 pontjban mekkora az y rtk) s hatrfelttelei, van-e a fggvnynek maximuma (pl. a
parabolikus trend, ha a paramterek eljele klnbz) vagy nincs (a legtbb vizsglt fggvny esetben, pl. lineris, fllogaritmikus, hatvny alak, exponencilis). Vizsglhat tovbb, ha t ,
akkor mekkora az y rtk.

II. A fggvnyt kzelt egyenes meredeksgbl, az gy nevezett derivltbl kvetkeztethetnk:

f ' (t) > 0

f ' (t) < 0

51

Statisztika. [2007] Szerk: Pintr Jzsef Rappai Gbor. 164.

42

a fggvny nvekedsnek irnyra azaz, hogy monoton nvekv (a t idtengely mindegyik pontjban az els derivlt f(t) nem negatv) vagy monoton cskken, (a t idtengely mindegyik pontjban az els derivlt f(t) nem pozitv):
a nvekeds mrtkre (gyorsan vltozik-e a fggvny vagy lassan). A differencia hnyados az
idsorok trend vizsglatnl a kvetkez kplettel kzelthet, felhasznlva az analzisben tanult
sszefggst:
dy
y
y(t + t) - y(t)
(y t - y t-1 )/(t -[t -1]) = (y t - y t-1 )
= lim
= lim
t =
dt t 0 t t 0
t
esetleges szlsrtkre (van-e abban a pontban a fggvnynek maximuma vagy minimuma), az
albbi sszefggs szerint, ahol a msodik derivlt t szerint f(t):

f ' (t max ) = 0
f " (t max ) < 0
f ' (t min ) = 0
f " (t min ) > 0
Lineris (lin - lin 52) trendszmts
F

53 54 55
F

Az idsorban a vltozs tendencija egyenes vonallal jl lerhat, ha a szomszdos idszakok kztti abszolt vltozs (nvekeds vagy cskkens) viszonylag lland az idben.
A fggvnyt ler formula:
y t = b0 + b1t
Ahol: b1 0 mert ha b1 =0 akkor a trendfggvny konstans: b0 .
Regresszis modellnl 56 (pl. Excel) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: t (pl. t = 1, 2, 3, N 57) 58
F

A b0 s b1 a lineris trendfggvny ismeretlen paramterei. A b1 becslt paramter megmutatja azt, hogy

a vizsglt idszakban a vizsglt jelensg idegysgenknt (pl. a megfigyelseknek megfelelen: venknt, hnaponknt stb.) tlagosan hny egysgnyivel vltozott. A lineris trend t szerinti derivltja ugyanis b1. A nvekeds ( ha b1 > 0 ) illetve cskkens ( ha b1 < 0 ) tlagos abszolt rtke illetve irnytangense
idegysgre vettve teht lland. A b1 paramter jelentse megegyezik a D (tlagos abszolt vltozs)
mrszm jelentsvel. A kt mutat abban klnbzik egymstl, hogy a b1 meghatrozsnl, a legkisebb ngyzetek mdszernek felhasznlsval, a megfigyelt adatokhoz legjobban illeszked egyenest vlasztjuk ki. A d mutat esetben viszont az egyenes meredeksgt (irnytangenst) az els s az utols
adat alapjn hatrozzuk meg. Az idszakonknti vltozsok tlagra ezrt a b1 megbzhatbb becslst ad,
mint a D mutat. A b0 becslt paramter a tengelymetszet s ezt az rtket akkor veszi fel a trend, ha
t=0.
Ha t = 0 akkor: y t = 0 = b 0

52

A lin-lin: yt lin=lineris, a t=lin=lineris ld.: Ramanathan Ramu [2003]: 519-521.

Az t, t, t becslsre a lineris s linerisra visszavezethet trendek mindegyikre Excel parancsfjlokat dolgoztunk ki, ld. Trendtpus(neve=lineris, fllogaritmikus stb.)ciklus.xls fjlokat, Lehet vltoztatni a mozg tlag tagszmt is.
54
Kerkgyrt Gyrgyn Mundrucz Gyrgy [1995]: 460-463.
55
Hunyadi Lszl Vita Lszl [2002]: 518-519.
56
A regresszis modelleket a 4. fejezetben trgyaljuk.
57
A t idvltoz egymstl egyenl tvolsgra lv rtkek sorozata.
58
A gyakorlati szmtsokban t=1, 2, n
53

43

Azt felttelezzk, hogy a mltbeli folyamatok folytatdnak a jvben. A lineris trend az extrapolcinl
llandnak veszi az tlagos abszolt nvekmnyt, ami hosszabb tvon ritkn teljesl felttel, mivel a lineris trendfggvny a vgtelenbe tart, ha az id is a vgtelenbe tart.
Ha: t + s ha b1 > 0

y t (t + ) +
Ha: t + s ha b1 < 0

y t (t + )
y t

b1 >0

y t = b 0 + b1t

b0
b1 <0

3-1. bra: A lineris trend

Fllogaritmikus (szemi-logaritmikus, fllogaritmusos, lin-log) trend

Elfordul a gyakorlatban, klnsen a hosszabb tv extrapolcinl olyan sszefggs, amelyben a

megfigyelt idsor (yt) termszetes rtke s az idvltoz (t) logaritmusa kztt irhat fel egy lineris
modell. A fllogaritmikus trend az extrapolcinl sok esetben jobb eredmnyt ad, mint a lineris trend,
mert nem tekinti az tlagos abszolt nvekmnyt llandnak, hanem felttelezi, hogy a nvekmny nagysga az idben elrehaladva cskken.
A fggvnyt ler formula:
y t = b0 + b1lnt
Ahol: b1 0 mert ha b1 =0 akkor a trendfggvny konstans b0 .
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: lnt (pl. t = 1, 2, 3, N)
A nvekeds ( ha b1 > 0 ) illetve cskkens ( ha b1 < 0 ) tlagos abszolt rtke idegysgre vettve cskken, ugyanis, pl.: ln1 = 0, ln2 = 0,693, ln3 = 1,098,..ln10 =2,302,.ln100 =4,605,..ln1000= 6,907.
Ha
t=1
akkor:

y t =1 = b 0

44

y t

y t = b0 + b1lnt

b1 >0
b0

b1 <0

3-2. bra: A fllogaritmikus trend

Msodfok polinomilis (msodfok parabolikus, kvadratikus) trend

Sok esetben hasznlhatjuk elemzsre s elrejelzsre a polinomilis trendet, amely ltalban felttelezi,
hogy a nemlineris folyamatok alakulsban fordulpont van, pl. az idsorban tendenciavlts tapasztalhat, vagyis az idsor nvekedsbl, hullmhegybl cskkensbe, hullmvlgybe vagy fordtva - megy
t, akr ismtlden is. rtelemszer, hogy a fokszm nvelse egyre jobb illesztst ad, de megllapthat, hogy a 3 fokszmnl magasabb fokszm alkalmazsa mr igen nehezen indokolhat. A trendszmtsnl az elfogadott gyakorlat szerint a polinom fokszma 2 vagy 3 lehet. A polinom fokszmnak nvekedsvel ugyan n az illeszts pontossga, de egyre inkbb elvesztjk a valdi tarts irnyzatot s a polinom kveti a szezonlis, a ciklikus s a vletlen komponenseket is. A msodfok polinomilis trend azt
felttelezi, hogy az idsorban maximum egy fordulpont (egy hullmhegy s egy hullmvlgy) van.
A fggvnyt ler formula:
y t = b0 + b1t + b 2 t 2
Ahol: b 2 0 mert ha b 2 =0 akkor a trend lineris.
Ha b 2 =0 s b1 =0 akkor pedig a trendfggvny konstans b0 .
Regresszis modellnl ( EXCEL) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: t t 2 (pl. t = 1, 2, 3, N)
Legyen: b 0 > 0, b1 > 0, b 2 < 0
y t = b0 + b1t + b 2 t 2 teht a fggvny fordtott U ( ) alak.
Akkor a fggvny maximuma:
dy
= b1 - 2b 2 t = 0
dt
b
t max = 1
2b 2
A tmax helyen a msodik derivlt t szerint negatv (-2b2), teht a fggvnynek maximuma van.

45

y t

b1
2b2

y t = b0 + b1t + b2 t 2
b0 > 0, b1 > 0, b 2 < 0

b0
t max

3-3. bra: A msodfok polinomilis trend

Legyen: b 0 > 0, b1 < 0, b 2 > 0

y t = b0 + b1t + b 2 t 2 teht a fggvny U alak.
Akkor a fggvny minimuma:
dy
= -b1 + 2b 2 t = 0
dt
b
t min = 1
2b 2
A tmin helyen a msodik derivlt t szerint pozitv (2b2), teht a fggvnynek minimuma van.
Harmadfok polinomilis (harmadfok parabolikus) trend

A harmadfok polinomilis trend azt felttelezi, hogy az idsorban maximum egy vagy kt fordulpont
(egy vagy kt hullmhegy s egy vagy kt hullmvlgy) van.
A fggvnyt ler formula:
y t = b0 + b1t + b 2 t 2 + b3 t 3
Ahol: b3 0, b 2 0 mert ha b3 =0, b 2 =0 akkor a trend lineris. rtelemszeren b1 0 .
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: t t 2 t 3 (pl. t = 1, 2, 3, n)
Legyen:
b0 > 0, b1 > 0, b 2 > 0, b3 < 0
Akkor:

y t = b0 + b1t + b 2 t 2 + b3 t 3

46

y t

y t = b0 + b1t + b2 t 2 + b3 t 3
b0 > 0, b1 > 0, b2 > 0, b3 < 0

b0
t

3-4. bra: A harmadfok polinomilis trend

Hatvny alak (log - log) trend
A fggvnyt ler formula:
y t = b 0 t b1
ln y t = ln b 0 + b1 ln t

Regresszis modellnl (pl. EXCEL) a

Bemeneti Y tartomny: lny t
Bemeneti X tartomny: lnt (pl. t = 1, 2, 3, n)
A hatvnyalak trend brjn lthat, hogy a lert tendencia a b1 nagysgtl fgg.
A b1 lehet:
b1 > 1
0 < b1 < 1
b1 = 1
b1 < 0
b1 = 0 akkor:
y t = b0
Ha: t + s ha b1 > 0

y t (t + ) +
Ha: t + s ha b1 < 0

y t (t + ) 0
y t

b1 >1

y t = b0 t b1
b1 =1

0<b1 <1

b1 <0

b0

3-5. bra: A hatvny alak trend

47

Exponencilis (log - lin) trend

Az exponencilis trendnl a relatv vltozsok (a lncviszonyszmok) mutatnak viszonylagos llandsgot (stabilitst). ltalban a kzp s hossz tv gazdasgi s trsadalmi folyamatok jellemzsnek
alapmodellje. Akkor alkalmazzuk, ha felttelezhet, hogy egysgnyi idvltozs hatsra a folyamat vltozsa relatve lland, azaz a vizsglt idszakban a megfigyelsek az elz rtkhez kpest rendre megkzelten azonos szzalkos nvekedst vagy cskkenst mutatnak.
A fggvnyt ler formulk:
y t = b 0 b1t
lny t = lnb 0 + tlnb1
Az Excel diagram trend ltal szmolt exponencilis trend formulja:
y t = b 0 e ct

y t = b 0 b 1t
b1 = e c
A fggvny helyettestsi rtke a t=0 helyen (y0):
y t =0 = b0
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: lny t
Bemeneti X tartomny: t (pl. t = 1, 2, 3, n)
A szomszdos rtkek hnyadosa, teht a nvekeds tlagos teme lland.
y t
b 0 b1t
=
= b1
y t 1 b0 b1t 1

y t

y t = b0 b1t

b1 >1

b0

b1 =1

0<b1 <1

3-6. bra: Az exponencilis trend

A duplzds/felezsi id szmtsa

Az extrapolcinl figyelembe kell vennnk, hogy nem biztos az, hogy a mltat jl ler trend a jvben
is igaznak bizonyul. Pl. a fejlds hosszabb tvon [50-200 v] nem rhat le lineris vagy exponencilis
trenddel, mivel rvnyeslnek az vszzados trendek s hossz ciklusok. Rvidebb tvon [7-30 v], ha a
fejlds exponencilis, meghatrozhat a duplzdsi id 59:
y t = b 0 (1 + p) t
Ahol:
F

59

Korn Imre [1978]: 22-23.

48

b0=a bzisrtk,
p = az ves nvekedsi/cskkensi tem,
b1=1+p,
gy a duplzdsi id (t) a

2b0 = b0 (1+ p )
formulbl becslhet, ha p>0 illetve b1>1, akkor a duplzdsi id:
ln(2) = tln(1+ p)
t = ln(2)/ln[1+ p].
A felezsi id ha -1<p<0 illetve 0<b1<1
t
0,5b0 = b0 (1+ p )
t

t = ln(0,5)/ln(1+ p)
Plda 60:
ha p=0,05 akkor b1=1,05 a duplzdsi id: t=14,2
ha p=0,1 akkor b1=1,10 a duplzdsi id: t=7,27
Az ves nvekedsi tem ktszeresre ntt, aminek eredmnyekppen a duplzdsi id kzel felre
cskkent.
Plda:
ha p=-0,05 akkor b1=0,95 a felezsi id: t=13,51
ha p=-0.1 akkor b1=0,90 a felezsi id: t=6,57
Az ves nvekedsi tem ktszeresre cskkent, aminek eredmnyekppen a felezsi id kzel felre
cskkent.
Hiperbolikus trend
Gyakran elfordul, hogy az idsor aszimptotikusan kzelt egy adott rtket. Ekkor trendfggvnyknt
valamelyik bemutatsra kerl hiperbolikus fggvny alkalmazhat. Az nkltsget, az rak alakulst
jellemz folyamatok gyakran modellezhetk e mdon.
F

A fggvnyt ler formula:

1
y t = b0 + b1 = b0 + b1t 1
t
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: 1/t (pl. t = 1, 2, 3, n)
Ha t = 1 akkor y t=1 = b0 + b1
Ha t akkor y t b0
y t

b1 >0

b0
b1 <0

y t = b 0 + b1

1
t

3-7. bra: A hiperbolikus trend

60

A trendszezonteszt.xls parancsfjl felhasznlsval.

49

Elsfok hiperbolikus trend

A fggvnyt ler formula, a lineris trend reciproka:

1
y t =
= (b0 + b1t) 1
b 0 + b1t

1
= b0 + b1t
y t
1
b0
1
Ha t = 1 akkor y t=1 =
b0 + b1
Ha t akkor y t 0
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: 1/y t
Bemeneti X tartomny: t (pl. t = 1, 2, 3, n)
Ha t = 0 akkor y t =0 =

y t

1
b0

y t =

1
b 0 + b1t

3-8. bra: Az elsfok hiperbolikus trend

Msodfok hiperbolikus trend

A fggvnyt ler formula, a msodfok parabolikus trend reciproka:

1
y t =
= (b 0 + b1t + b 2 t 2 )-1
2
b0 + b1t + b 2 t
1
= b0 + b1t + b 2 t 2
y t
Ha t = 0 akkor y t =0 =

1
b0

Ha t = 1 akkor y t=1 =

1
b0 + b1 + b 2

Ha t akkor y t 0
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: 1/y t
Bemeneti X tartomny: t t2 (pl. t = 1, 2, 3, n)
50

y t

1
b0

y t =

1
b 0 + b1t + b 2 t 2

b 0 >0, b1 >0, b 2 >0

3-9. bra: A msodfok hiperbolikus trend

3.1.3 A szablyos rvid tv (szezonlis) ingadozs

Ha a szezonlis hullmmozgs kitrsei, amplitdi abszolt rtelemben vagy relatv (a trendhez viszonytva) rtelemben llandsgot mutatnak, akkor lland szezonalitsrl beszlnk.
Ha a peridus (i) hossza az v, ezen bell a szezontnyez (j) hossza lehet pl. 4 negyedv, 12 hnap, 52
ht, 365 nap, 230-252 munkanap, 250-252 tzsdenap.
Ha a peridus (i) hossza a hnap ezen bell a szezontnyez (j) hossza lehet 4 ht, 28-31 nap.
Ha a peridus (i) hossza a ht ezen bell a szezontnyez (j) hossza lehet 7 nap, 5 munkanap.
Ha a peridus (i) hossza a nap ezen bell a szezontnyez (j) hossza lehet 24 ra.
Az additv modell esetn teht azt tapasztaljuk, hogy a klnbz peridusok azonos szezonjban, a
trendtl mrt eltrsek nagysga megkzeltleg ugyanakkora. Mivel a szezonlis hullmzst az alapirnyzathoz kpest jelentkez szisztematikus pozitv s negatv eltrsekknt definiltuk, elvrhat kvetelmny, hogy egy teljes periduson bell kiegyenltsk egymst. Ezrt additv modell esetn a szezonlis
eltrsekre vonatkoz kvetelmny gy rhat fel, hogy
m

s
j=1

=0.

*
j

A vletlen komponensre hasonl kvetelmny rhat fel, eszerint

N

v*t = v*ij = 0
t =1

i =1 j=1

vagyis megkveteljk, hogy a vletlen tag ne eredmnyezzen szisztematikus eltrst az alapirnyzathoz

kpest.
A multiplikatv modell logikjnak megfelelen, a szezonindexekre vonatkoz kvetelmny gy rhat
fel, hogy:
m

s
j=1

=1
m
A vletlen komponensre hasonl kvetelmny rhat fel, eszerint
N

v = v
t =1

i =1 j=1

ij

=1

sszefoglalan megllapthat, hogy a szezonalits eltrt hatsa a megfelel szezonoknl additv modellben abszolt llandsgot, multiplikatv modellben a trendhez mrt relatv llandsgot mutat.
A szezontnyez meghatrozsa kt lpsben trtnik:
a trendhats levlasztsval, s
a vletlen hats kiszrsvel

51

A szezonlis hats szmszerstst multiplikatv s additv modell esetn egytt mutatjuk be s most eltekintnk a konjunktra ciklusok modellezstl. Kiindulva a modellekbl
yij =y ij +s*j +v*ij

yij =y ij *s j *vij

elszr a mr elzetesen szmszerstett trendhatst szrjk ki a megfigyelt idsorunkbl. Ez a kt alapmodellnek megfelelen az albbiak szerint trtnik:
1. A megfigyelt s trend-rtkek hnyadosai, illetve klnbsgei, felttelezseink szerint mr csak a
szezon- s vletlen hatst tartalmazzk.
2. A msodik lpsben a vletlen hats kiszrst kvnjuk elvgezni, az elbbiekben nyert hnyadosok, illetve klnbsgek, azonos szezonra es rtkeinek tlagolsval.
A kt alap-modellbl gy a szezonok szmnak megfelelen m szm nyers szezonindexekhez az Excel parancsfjlban a jele: Index, illetve nyers szezonlis eltrsekhez a jele Eltrs jutunk.
sj =

s*j =

1 n yij

n i=1 y ij

1 m
( yij -y ij )
n i=1

A szezonkomponensekre megfogalmazott kvetelmnyteljeslst vizsglni kell mindkt modell esetn.

Ha a kvetelmny nem teljesl, a nyers szezon-tnyezket korriglni kell. Korrekcis tnyez a kt modellben:
m

s
s=

m
m

s* =

j=1

*
j

j=1

ami nem ms, mint az m szm nyers szezonindex, illetve -eltrs egyszer szmtani tlaga.
A tiszttott szezonindexeket (A jele: Korr. Index) gy nyerjk, hogy a nyers szezonindexeket a korrekcis
tnyezjkkel rendre elosztjuk. Hasonlan nyerjk a tiszttott szezonlis eltrseket (A jele: Korr. Elt.), a
nyers szezonlis eltrsekbl rendre levonva korrekcis tnyezjket. Az alap-modellekbl szmszerstett szezonkomponens rtelmezse: brmely peridus j-edik szezonjban a szezonalits a trendhez kpest
mdostja az idsori rtkeket. A mdosts a multiplikatv modellben s j -szeres nvelst, illetve cskkentst jelent; a szezonindexeket szzalkban kifejezve, a 100% feletti rsz a szzalkos nvelst, a
100%-nl kisebb szezonindexek esetn a 100%-ra kiegszt rtk a szzalkban kifejezett cskkens
mrtkt adja meg. A mdosts additv modellben az s*j -nek megfelel mrtk nvelst, vagy cskkentst jelenti az idsor rtkeinek, az s*j eljeltl fggen, az idsor adatainak nagysgrendjben s
mrtkegysgben.
3.1.4 A ciklikus (periodikus) mozgs modellezse.*
A ciklikus (periodikus) mozgs smjt az albbi bra mutatja. Ez az bra a konjunktraciklus elmleti
alapjt, a harmonikus rezgmozgst mutatja be, s a fizikbl ismert harmonikus rezgs modelljre pl,
melyben az
1. szakasz a pangs, (depresszi),
2. szakasz a meglnkls, (expanzi),
3. szakasz a fellendls, (prosperits),
4. szakasz pedig a vlsg (recesszi vagy hanyatls) idszaka.

Ha csak egy fellendl s egy visszaes fzist klnbztetnek meg, gyakran a kvetkez terminolgit
hasznljk: felszll g s leszll g, alacsonyabb fordulpont vagy hullmvlgy (mlypont), fellendls
vagy nvekeds, magasabb fordulpont (cscs), s visszaess vagy cskkens. A gyakorlati tapasztalatok
szerint a ciklusok peridusa s amplitdja vltozik.
52

cscspont

A
1

mlypont

3-10. bra: A ciklikus (periodikus) mozgs smja

A hullmhossz egy teljes hullmnak a hossza, pl. a cscsponttl a cscspontig, vagy a mlyponttl a
mlypontig:
v
= = vT
f
Ez a megkzelts teht a Newton-fle akci egyenl reakci, illetve hats egyenl ellenhats elvbl
indul ki, vagyis azt felttelezi, hogy a gazdasgi letben ppen gy, mint a fizika hullmjelensgeiben
az egyenslyi helyzetbl val kilengst az abba val visszatrs jelensge kveti, majdnem mechanikus
mdon. Ez a fizikai modell termszetesen elmleti, s gy egy idelis megvalsulst r le, a gyakorlatban a
ciklus kpe eltr a fenti szablyos minttl.
Ahol:
y = kitrs, az egyenslyi helyzettl mrt tvolsg,
A = amplitd, a nyugalmi helyzettl mrt legnagyobb kitrs (mlypont, illetve cscspont),
T = peridus (rezgsid),
= krfrekvencia, a frekvencia 2-szerese,
f = frekvencia (gyakorisg), a rezgsek szmnak s idtartamnak hnyadosa, amely megadja az egysgnyi id alatt trtnt rezgsek szmt:
1
f= =
T 2
v = sebessg:
2
2
v = A cos( t) = A ( ) cos(
t)
T
T
A nemzetkzi szakirodalom a kvetkez t konjunktra-ciklust felttelezi s klnbzteti meg: 61
F

1.
2.
3.
4.
5.

a 35 ves leltr (kszlet) vagy Kitchin-ciklus;

a 711 ves lland befektetsi (gpi beruhzsi) vagy Juglar-ciklus;
a 1525 ves ptsi vagy Kuznets-ciklus;
a 4560 ves hossz vagy Kondratyev-ciklus;
a 100 vnl hosszabb vszzados vagy szekulris trendek

A ciklusok peridusa teht duplzdhat, pl. egy Kondratyev ciklus [57 v] tartalmazhat 6 Juglart [9,5 v]
s egy Juglar tartalmaz 3 Kitchint [3,16 v]. Ha pldul a Kondratyev ciklus hosszt [peridust] tlagosan 54 vnek vesszk, s a Kuznets ciklust 18 vesnek lltjuk, a Juglar ciklust 9 vesnek, a Kitchin ciklust 4,5 vesnek vesszk, akkor a kapcsolat teljesen tiszta:
1 Kondratyev ciklus = 3 Kuznets ciklus = 6 Juglar =12 Kitchin.
Egyszer technikai eljrsokkal a ciklusokat rszmozgsokra oszthatjuk, egyiket-msikat kiszrhetjk a
vizsglni kvnt mozgs kimutatsa rdekben. A trend a ciklus kikszblsvel felfedhet (pldul
mozgtlagolssal, grafikus becslssel, vagy a szoksos legkisebb ngyzetek mdszernek alkalmazsval). Kondratyev vizsglati mdszernek az a lnyege, hogy az rakat egyszer statisztikai indexszel brzolja, egyes pnzgyi (kamatrta, brek), vegyes jelleg (klkereskedelmi forgalom), illetve tisztn naturlis sorok esetben a trendtl val eltrs szmtsi mdszert alkalmazza. Az utbbiaknl (klkeres61

Orszgonknt, vizsglt mutatnknt s idszakonknt jelentsek a klnbsgek a peridusok alakulsban.

53

kedelem s termels, valamint fogyaszts) mindig egy fre jut adatokat hasznl, s a legkisebb ngyzetek mdszervel szmtott trendtl val eltrseket vizsglja gy, hogy 9 ves mozgtlagolssal megprblja kiszrni a rvidebb ciklus mozgsokat. Ennek a megkzeltsnek az a lnyege, hogy ne az
egyedi, hanem a hossztvon rvnyesl sszetett hatsokat ragadjuk meg, s ezltal tudjunk a mltban
rvnyeslt, s rszben a jvre is vrhat tendencik segtsgvel hozztenni valamit a rvid tv szakmai elemzsekhez. A trtnelem folyamn a modernkori Eurpban a Kondratyev - ciklusok a kvetkezk szerint alakultak 62 63:
F

A Kondratyev-ciklusok alakulsa az elmlt kt vszzadban

Felszll g kezdete
Cscspont
Leszll g vge
Peridus
1790
[1815]
1850
60
1850
[1875]
1896
46
1896
[1929]
1945
49
1945
[1973]
1996 ?
51
1996
[2020] ?

Az vszzados trendek alakulsa ugyanakkor a kvetkez volt:

Felszll g kezdete
1250
1510
1740
1896

Az vszzados trendek alakulsa

Cscspont
Leszll g vge
[1350]
1510
[1650]
1740
[1817]
1896
[1973]
2030 ?

Peridus
260
230
156
134 ?

Lthattuk, hogy a ciklusok idtartama (peridusa) duplzdik. Ugyanakkor a klnbz idtartam ciklusok egyidejek, keverednek, mozgsukkal cskkentik, vagy nvelik az egsz hullmzs amplitdjt.
Ha pldul az vszzados trend felszll ga tallkozik a Kondratyev ciklus leszll gval, akkor ez a
vlsgot mrskli, ellenkez esetben ersti. Itt is rvnyesl a fizikbl ismert interferencia jelensge, illetve trvnye. Egyszer technikai eljrsokkal a ciklusokat rszmozgsokra oszthatjuk, egyiket-msikat
kiszrhetjk a vizsglni kvnt mozgs kimutatsa rdekben.
A hossz ciklus kimutatsa:
Az idsor elemei a hossz ciklus vizsglatnl a kvetkezk lehetnek:

1.
2.
3.
4.

vszzados trend
3-9-27 ves Kitchin-, Juglar-, s a Kuznets- ciklusok
Kondratyev ciklus
Vletlen hats

Az idsor hossza legalbb 100 v, ebben az esetben egy vszzados trend s kt hossz-ciklus mutathat
ki. A hossz ciklusok vizsglatnl elszr az eredeti idsor 9 vagy 27 tag mozgtlagt vesszk. A 9
tag mozgtlagolssal a 3 ves peridus Kitchin- s a 9 ves peridus Juglar-, illetve 27 tag mozgtlagolsnl a Kuznets-ciklust is kikszbljk. A rvidebb ciklusok termszetesen az elzekben ismertettek szerint klnbz peridusak lehetnek, pl. 4-8-16 vesek, ebben az esetben 16 tag 64 mozgtlagolssal kszblhet ki a Kitchin, a Juglar s a Kuznets-ciklus. A mozgtlagolssal a vletlen hatst is kiszrjk. A mozgtlagols csak akkor kszbli ki a periodikus hullmzst, ha a mozgtlag tagszma a peridus hosszval vagy egszszm tbbszrsvel egyenl. Ha nagyobb tagszmot vlasztunk,
akkor a hullmzs ellenttes lesz a ciklussal, ha kisebb tagszmot vlasztunk, mint a ciklus peridusa,
akkor csak tomptjuk a hullmzst. A grafikus brt ezrt alaposan kell elemezni, hogy a megfelel mozgtlag tagszmot kivlasszuk. Ezt kveti a trend kikszblse. Additv kapcsolat esetn a trendet az
eredeti idsorbl kivonjuk, multiplikatv kapcsolat esetn az eredeti idsort a trenddel osztjuk. EljrhaF

62

A felszll g kezdete [cscspont] a leszll g vge s a kvetkez felszll g kezdete.

Ld. pl. Braudel F. [1972], Braudel F. [2004].
64
A sin (t+n2) =sin(t) ahol: n=1,2.. s a sinus(t) fggvny peridusnak a tartalma: 2=3600 ugyanis sin (t+2) =
sin(t).
63

54

tunk gy is, hogy elszr a trendet kszbljk ki, s ezt kveti a mozgtlagols. A kt eljrs [sorrend],
azonos eredmnyre vezet.
Feltteleztk, hogy a rendelkezsre ll empirikus idsorban ( yi i = 1, 2...N ves adatokkal dolgozunk,
gy nincs szezonlis hats az idsorban) a kvetkez tnyezk klnbztethetk meg:
1. y i = az vszzados trendrtk
2. c*l = a becslt (*) konjunktra ciklus
3. k *m = a Kondratyev fle hossz ciklus
4. vij* = a becslt (*) vletlen hats.
Ahol:
i = 1, 2,.... ,N = az vek szma, legalbb 100 v
m = 1, 2,... .,p = a Kondratyev fle hossz ciklus peridusa (pl. 45-50 v)
l = 1, 2, ,o = a rvidebb konjunktra ciklusok peridusa (3-27 v)
A * index additv kapcsolatot jelez, ha nincs * index, akkor a kapcsolat multiplikatv.
A kapcsolds mdja lehet additv:
y i = y i + c*l + k *m + v ij*

Ebbl a hossz peridus ciklus:

k *m = y i ( y i + c*l + v ij* )

A kapcsolds mdja lehet multiplikatv:

y i = y i * c l * k m * v ij

Ebbl a hossz peridus ciklus:

k m = y i /( y i * c l * v ij )

A rvid (Kitchin) ciklus kimutatsa:

Az idsor elemei a rvid ciklus vizsglatnl a kvetkezk lehetnek:

1.
2.
3.
4.

Trend, ami lehet valamely hossz ciklus fel, vagy leszll ga

3-5 ves Kitchin ciklus
Szezonlis hullmzs
Vletlen hats

Ha csak rvidebb ciklusokat vizsglunk, akkor a szezonhatst kszbljk ki mozgtlagolssal, s ezutn

a trendhatst. Havi adatoknl 12 tag, negyedves adatoknl 4 tag mozgtlagolst alkalmazunk. A korbbi jellseket alkalmazva:
A kapcsolds mdja lehet additv:
y ij = y ij + s *j + c*l + v ij*

Ebbl a rvid peridus ciklus:

c*l = y ij ( y ij + s*j + v ij *)

A kapcsolds mdja lehet multiplikatv:

Ebbl a rvid peridus ciklus:

y ij = y ij * s j * c l * v ij
c l = y ij /(y ij * s j * v ij )

Az elemzs s a prognziskszts sorn t kell tekintennk azokat a mdszereket, amelyek megadjk a

jvre vonatkoz adatokat s informcikat. A trendfggvny tpusok esetben pldul ismernnk kell a
55

fggvnyek sajtossgait s kivlasztsuk mdszereit. Vizsglnunk kell tbbek kztt: a trend fggvnyt
ler formult, annak sajtossgait 65.
Additv kapcsolat esetn a trendet az eredeti idsorbl kivonjuk, ( y ij y ij ) multiplikatv kapcsolat esetn
F

az eredeti idsort a trenddel osztjuk ( yij / y ij ), gy kikszbljk a trendhatst. Ezt kveten, ha havi adatokkal rendelkeznk, 12 tag mozgtlagt vesszk a klnbsgeknek (additv kapcsolat) vagy a hnyadosoknak (multiplikatv kapcsolat). gy mivel havi adatokkal rendelkeztnk kikszbltk a szezonlis
hullmzst s a vletlen hatst is. A kapott adatsor illetve grafikus bra a konjunktra ciklust mutatja. Eljrhatunk gy is, hogy elszr mozgtlagolssal (pl. napi adatoknl, ha 252 munkanap van egy vben,
akkor a mozgtlag tagszma 252, havi adatoknl 12, negyedves adatoknl pedig 4) a szezonlis hullmzst s a vletlen hatst kszbljk ki, majd ezt kveten szrjk ki a mozgtlagols adatsorbl a
trendhatst, az elzekben ismertetett mdn. Azt, hogy a trend s a szezonhats kapcsoldsa additv,
vagy multiplikatv egyszer mdszerrel megllapthatjuk: ha a trend nvekv (pl. a lineris trend b1
egytthatja pozitv vagy az exponencilis trend b1 egytthatja nagyobb, mint 1) s additv a kapcsolat,
akkor a komponensek sszegzdnek, teht az amplitdk nem vltoznak, nem fggnek a trend nagysgtl. Multiplikatv kapcsolat esetn viszont a tnyezk szorzdnak s a nvekv trend miatt az amplitdk
nnek.
Cskken trendnl (pl. a lineris trend b1 egytthatja negatv vagy az exponencilis trend b1 egytthatja
kisebb, mint 1, de nagyobb mint 0) additv kapcsolatot jelez, ha nincs vltozs az amplitdkban, mivel
sszegzdnek a tnyezk. A multiplikatv kapcsolatot viszont az jelzi, hogyha az amplitdk az idben
elrehaladva cskkennek, teht csillapod a rezgs.
A ciklusok peridusnak becslse deduktv mdszerrel 66:
F

A peridust kt tnyez idtartama hatrozza meg.

1. A gesztcis id: a ciklus hosszt meghatroz egyik id, az az id, ami alatt a ciklust hordoz objektum alkalmass vlik feladata betltsre (adaptcis idnek is nevezik).
2. Az lettartam: a ciklus hosszt meghatroz msik id, az az id, ami alatt a ciklust hordoz objektum
alkalmas a feladata betltsre.
A ciklus peridust (T) teht a hordoz objektum gesztcis (kihordsi) ideje, (jele, g) s lettartama,
mkdsi ideje (jele, b) alapjn becslhetjk az albbi sszefggs szerint:
T = 2 g b
Az ember esetben g (terhessg ideje) 0,75 v, b (vrhat lettartam) 72 v, akkor a peridus:
T = 2 0, 75 72 46
v, ez egy Kondratyev ciklus.
ptkezs esetben, ha az ptkezs ideje 4 hnap, teht g=4/12=0,33 v, az plet lettartama, b=30 v,
akkor a peridus:
T = 2 0,33 30 20
v, ami egy Kuznetz ciklus.
Gpkocsi esetben g=0.083 v, b=5 v:
T = 2 0, 083 5 4
v, ami egy Kitchin ciklus.
Kulturlis ciklus esetben a tanuls ideje: g=25 v, 70 ves korig vgzett szellemi munka esetben: 7025=45 b=45
T = 2 25 45 210 v, ami egy kulturlis ciklusnak felel meg.
A tzsdeindiktorok.xls parancsfjl mkdse. (A tzsdeindexek tlagolsa, indiktorok.

67
F

A mozgtlag az egyik legismertebb s legknnyebben hasznlhat indiktor. Kisimtja az rfolyam hullmzsait s knnyebb teszi a trendek felismerst, mely nagy segtsg a gyorsan mozg rszvnyek ese65

Ld. Haustein H. D. [1972] 48-54. 352-360.

Ld.: Brdy Andrs [1983]: A lassul id.
67
Forrs: http://www.investopedia.com/articles/trading/10/simple-exponential-moving-averages-compare
(2011. janur 17.)
66

.asp

56

tben. A tzsdeindexek tlagolsra kt mdszert mutatunk be, amelyekre Excel parancsfjlt dolgoztunk
ki 68:
Az egyszer (aritmetikai) mozgtlag (Simple Moving Average, SMA): egy adatsor (A) egyszer
szmtani tlagt jelenti. A formula:
1 j
SMA ( j) =
Ai
N i = j N
Ahol:
SMA ( j) a j idpontban szmtott mozgtlag,
F

N a mozgtlag peridusainak a szma,

Ai a tnyleges rtk az i idpontban.
Az egyszer mozgtlagot kpezhetjk a tzsdeindexek nyit, minimum s maximum rakbl is, de legtbb esetben a zrrakat hasznljuk. Az egyszer mozgtlag kpletben a legjabb s a legrgebbi adat
is azonos sllyal szerepel, pedig a frissebb adatok az elrejelzsek sorn nyilvnvalan fontosabbak. A
problma egyik megoldsa az volt, hogy a frissebb adatokat fokozottabban vettk figyelembe. Az exponencilis mozgtlag (EMA) ugyanis egy specilis slyozott mozgtlag, ahol a rgebbi adatok slya exponencilisan cskken.
Az Excel 2007 ltal hasznlt kplet a mozgtlagols (SMA) esetben, az Excel sgja (F1) alapjn:
Ez az eljrs a becslt idszak rtkeit gy szmtja ki, hogy a megelz idszak adatait megadott szm
peridusonknt tlagolja. A mozgtlagols mdszervel olyan rszletek derlhetnek ki a trendrl, amelyek a meglv adatok egyszer tlagolsval elmosdnak. Ez a mdszer rtkestsi adatok, raktrkszlet adatok vagy egyb vltoz adatok elrejelzsre hasznlhat. A becslt rtkeket az albbi kplet
alapjn szmtja ki:
1 N
F(t +1) = A t j+1
N j=1
ahol:
N a mozgtlag peridusainak szma
Aj a tnyleges rtk a j idpontban
Fj a becslt rtk a j idpontban
A kt kplet azonos, a klnbsg, hogy az Excell fentrl lefel, a msik lentrl felfel adja ssze ugyanazokat a szmokat. Az egyik kplet a szummzsi hatrokban, az Excell az indexben oldja meg a vgigfuttatst.
A mozgtlagols clja, a f tendencia kimutatsa; az tlagols tomptja a vletlen szerept; a dinamikus
tlag kifejezsre juttatja a f tendencit; problma, hogy megrvidti az idsort, a trendet hosszabb tvra
nem tudjuk extrapollni, tovbb ha a mozgtlag tagszma kisebb mint a peridus, akkor, a hullmzst
nem kszbldik ki teljesen, csak az ersge cskken, ha pedig a mozgtlag tagszma nagyobb mint a
peridus, akkor a hullmzs az tlagols utn ellenttes irny lehet, s az eredeti idsor hullmhegyvel
szemben hullmvlgy, illetve hullmvlgyvel szemben hullmhegy llhat. Az elkvetett hiba annl nagyobb, minl ersebb a vletlen ingadozs s minl kevsb szablyos a periodikus ingadozs. A mozgtlagols a rgebbi adatoknak is ugyanolyan slyt ad, mint az jabbaknak, viszont ismeretes, hogy az extrapolci szempontjbl az j adatok fontosabb szerepet jtszanak mint a rgiek.
A tzsdei gyakorlatban a mozgtlag szmtsa nem centrikus, hanem visszatekint, azaz a mozgtlagokat nem gy szmtjk, hogy a kivlasztott adat (zr rfolyam) krnyezetben vgzik az tlagolst, hanem a kivlasztott adat eltti adatokra szmtjk az rtkeket. Ennek megfelelen csak az idsor elejn
vesznek el mozgtlagok, ami a technikai elemzsben nem jelent problmt, hiszen a kulcstnyezt az
idsor vgn tallhat adatok jelentik. A mozgtlagok gy ks (lagging) indiktorok. Az idsor rvidlse: ha N, a mozgtlag tagszma pratlan, akkor az idsor (N-1) egysggel, ha pros akkor N egysggel
(a kzpre igazts, a centrrozs miatt) cskken. A heti tzsdenapok szma ltalban 5, gy legtbbszr 5
egsz szm tbbszrst vlasztjk tagszmnak.
68

Forrs: http://betbulls.hu/cms/indikatorok/reszletes/MA (2011. janur 17.)

57

Exponencilis mozgtlag (Exponential Moving Average, EMA): a technikai elemzk gyakran hasznljk azrt, hogy cskkenteni tudjk az egyszer mozgtlag lemaradst. Az EMA esetben az idben
hozznk kzelebb ll rfolyamok nagyobb, mg a rgebbi adatok kisebb sllyal szerepelnek a kalkulciba, a kapott rtket sszeadjuk, majd a slyok sszegvel elosztjuk. Az egyszer mozgtlaggal szemben az exponencilis mozgtlag rzkenyebb az jabb adatokra, ezrt gyorsabban mutatja a trendfordulkat.
Pldul, egy 20 napos exponencilis mozgtlag az j rak legfeljebb 9,524 %-at slyozza
[2/(20+1)*100=9,524 %], mg egy 200 napos EMA az j rak legfeljebb 0,995-%-t
[2/(200+1)*100=0,995 %] slyozza. Fontos megjegyezni teht, hogy az EMA tbb slyozst hajt vgre
az j rakon, mint az SMA. Az exponencilis mozgtlag elterjedt formja a peridus alap EMA, ahol a
paramter az EMA idtartamt reprezentlja. Az EMA szmtsa sorn alkalmazott kplet, amit a
tzsdeindiktorok.xls parancsfjl kidolgozsa sorn hasznltuk:
EMA ( jelenlegi) = r( jelenlegi) EMA elz * X + EMA (elz)

Ez a kplet trendezhet az albbi formban:

EMA ( jelenlegi) = r( jelenlegi) * X + [ EMA elz ] * (1 X)
A peridus alap EMA esetben a sly rtke X=2/(1+N), ahol az N a peridusok szma. Minden egyes
elz zrr adatt felhasznljuk az EMA szmtsnl. A rgebbi adatok befolysa az id mlsval
cskken, de soha sem sznik meg. Nmi bonyodalom csak az els adatpont szmtsval kapcsolatban
van, hiszen ott mg nem ll rendelkezsre elz napi rtk, emiatt az adatsor els elemnek egy egyszer
mozgtlagot kell szmolni. Felttel, hogy N 2 s egsz szm, de az N kisebb mint a megfigyelsek
szma, figyelembe vve azt, hogy az idsor tagjainak szma (N-1) illetve N rtkkel cskken.
Vezessk be az albbi jellseket:
EMA ( jelenlegi) = EMA t
EMA elz = EMA t 1
r0 = az els SMA, ahol a mozg tlag tagszma N.
r( jelenlegi) = rt
X=
N>2 s 0 < < 1
Akkor:
EMA t = rt + (1 )EMA t 1
Ebbl kvetkezik, hogy
EMA 0 = r0
EMA1 = r1 + (1 )r0
EMA 2 = r2 + (1 )EMA1 = r2 + (1 )[r1 + (1 )r0 ] = r2 + (1 )r1 + (1 ) 2 r0
EMA 3 = X 3 + (1 )EMA 2 = r3 + (1 )[r2 + (1 )r1 + (1 ) 2 r0 ] =
= r3 + (1 )r2 + (1 ) 2 r1 + (1 )3 r0
rt + (1 )rt 1 + (1 ) 2 rt 2 + (1 )3 rt 3 + (1 ) 4 rt 4 + ..... + (1 )i 1 rt (i 1) + (1 ) t r0
t 1

EMA t = [ (1 ) rt i ] + (1 ) t r0
i

i =0

Lthat, hogy az j rtk kialaktsban a legutols (rt-0 = rt) teht t idpontban megfigyelt adat
sllyal, az azt megelz, (t-1) idpontban megfigyelt (rt-1) adat (1-), mg az i-edik idszakot megelz
adat (r[t-(i-1)]), (1-)i sllyal jrul hozz az EMAt rtk kiszmtshoz. Az idsor legrgebbi adatnak
(rt-t = r0) slya pedig (1-)t. A kt szomszdos EMA adat kztt a klnbsg (1-) szoros. Az idsor a mozg tlag tagszmnak (N) megfelelen rvidl. Ha N pros, a rvidls N adat, ha pratlan a rvidls (N-1). Az exponencilis mozgtlag is a tzsdei trendfordulk meghatrozsban lehet a befektetk segtsgre. Hasznlata megegyezik az egyszer mozgtlagval, de nagyobb sllyal veszi figyelembe a friss rfolyamadatokat. Vannak idszakok, amikor az exponencilis mozgtlag figyelse nagyobb
58

nyeresget eredmnyezhet, de ms idszakokban az egyszer mozgtlag ad jobb jelzseket. Nem lehet

ltalnossgban kijelenteni, hogy az egyik mdszer megbzhatbb lenne a msiknl.
A vteli s az eladsi jelzs szrsre sok mdszert kidolgoztak. Ezek kzl az a legjobb, amikor kt
mozgtlagot (pldul a 200 naposat s az 50 naposat) brzolunk.
Az indiktor vteli jelzst ad a kvetkez kt esetben:

1. a hossz mozgtlag emelkedik s a rvid mozgtlag alulrl flfel metszi a hossz tlagot
2. a hossz mozgtlag cskkensbl emelkedsbe vlt s a rvid mozgtlag a hossz fltt helyezkedik el
Az indiktor eladsi jelzst ad, amikor:

1. a hossz mozgtlag cskken s a rvid mozgtlag fllrl lefel metszi a hossz tlagot
2. a hossz mozgtlag emelkedsbl cskkensbe vlt s a rvid mozgtlag a hossz alatt helyezkedik el
Minl rzkenyebb egy indiktor, annl tbb jelzst fog adni. Ezek a jelzsek idben rkezhetnek, de a
meg nvekedett rzkenysggel a hibs jelzsek szma is megntt. Minl rzketlenebb egy indiktor,
annl kevesebb jelzst produkl. Azonban ez a kevesebb jelzs sokkal megbzhatbb is. Habr ezek a jelzsek nha ksve rkeznek. A mozgtlagok esetben hasonl a dilemma. Rvidebb mozgtlagok sokkal rzkenyebbek s tbb jelzst generlnak. Az EMA, mely tulajdonkppen rzkenyebb, mint az SMA,
tbb jelzst generl. Azonban a hibs jelzsek szma is megn. A hosszabb mozgtlagok lassabban mozognak, s kevesebb jelzst adnak. Ezek a jelzsek sokkal megbzhatbbak, de ksve kvetkeznek be.
Minden befektetnek tapasztalatot kell szereznie a klnbz mozgtlagok hasznlatban, hogy megtallja a kzputat az rzkenysg s a megbzhatsg kztt. Szmos befektet rvidtvon az exponencilis mozgtlagot hasznlja, hogy gyorsan tudjon reaglni az rvltozsokra. A befektetk msik fele viszont jobban preferlja az egyszer mozgtlagot, hogy hosszabb tv trendeket talljon.
A rszvnyek kivlasztsa utn a kvetkez feladat a mozgtlag peridusnak s tpusnak megvlasztsa. Minl mozgkonyabb egy rszvny, annl tbb finomtst ignyel, vagyis hosszabb mozgtlagot rdemes hasznlni. Azoknl a rszvnyeknl, melyek nem mutatnak ers trendet, szintn a nagyobb mozgtlagok hasznlata clszer. Nincsen meghatrozott paramter, de a legismertebbek a 20, 50, 89, 150 s
a 200 napos, valamint a 10, 30 s 40 hetes mozgtlagok. A rvidtvon kereskedk 2-3 htben gondolkodnak, s 21 napos mozgtlagot hasznlnak, mg a hosszabb tvban gondolkodk a 3-4 hnapos trendeket preferljk, mihez 50 hetes mozgtlagot hasznlnak.
A szakemberek tbbsge a kvetkez intervallumokat ajnlja a helyes rtk megvlasztshoz:

rvidtv: 5-20 nap, legtbbszr 20 nap,

kzptv: 21-84 nap (4-12 ht), legtbbszr 50 nap,
hossztv: 84-200 nap (13-40 ht), legtbbszr 200 nap.

Adatok forrsa:
BUX:
http://www.mnb.hu/Statisztika/statisztikai-adatok-informaciok/adatok-idosorok
http://www.bet.hu/magyar_egyeb/dinportl/nonrealtimehistdata
Dow-Jones-index
http://uk.finance.yahoo.com/q/hp?s=%5EDJI
Regionlis belltsokat eltte USA-ra vltani, utna vissza Magyarra
3.2 Az elrejelzsek hibinak a mrse (A hibakpletek Excel parancsfjl mkdse)
F

59

A prognzisok hibakpleteit az albbiakban foglaljuk ssze. 69 70 71

Ttelezzk fel, hogy n idszak adata ll rendelkezsre a t kiindulsi idpontban s m idszakra ksztnk
elrejelzst. A megfigyelt rtkeket jelljk X-szel, az elrejelzett rtkeket pedig F-fel. (forecast =
prognzis) A prognzist akkor tudjuk ellenrizni, ha a prognosztizlt idpont vagy idszak bekvetkezett
s gy van tnyadatunk. Az alkalmazott modell lehet brmely prognzisksztsi mdszer. Ttelezzk fel,
hogy az idsor (t) hossza, amire tnyleges s prognosztizlt adattal rendelkeznk: t = 1, 2,,i,.,T. A
megfigyelt rtkeket jelljk X-szel, az elrejelzett rtkeket pedig F-fel. Ha ex-post ellenrizzk az elrejelzs hibjt, akkor az idsort kt rszre osztjuk, az els idszak a becslsi-, a msodik a tesztidszak.
A becslsi idszak lehet az idsor fele, vagy annl nagyobb rtk. A becslsi idszak adatai alapjn elrejelzseket ksztnk a teszt idszakra vonatkozan s gy a prognzis hibjt mrni tudjuk, mivel tnyleges adatokkal is rendelkeznk. Ex ante elrejelzs esetn csak akkor tudjuk ellenrizni a prognzis hibjt, ha az elrejelzsi idszak bekvetkezik. Pl. havi adatok esetben a kvetkez hnapban, negyedves
adatok esetben a kvetkez negyedvben, stb. Az elrejelzsek hibinak mrsre az albbi mutatkat
hasznltuk.
F

Az alkalmazott jellsek:
A hiba (e = Error):
ei = Xi Fi
Fi = elrejelzett vagy illesztett rtkek,
Xi = megfigyelt rtk.
Az egyszersg miatt a tesztperidus idszakot (amikor tnyleges s prognosztizlt rtkekkel is rendelkeznk) jelljk gy:
i= 1, 2, ,T.
1. tlagos hiba. [ME=Mean Error]
T

ME =

e
i =1

T
Az a kedvez ha a hiba mrtke 0 krli rtk. Flbecsls esetn a hiba negatv, albecsls esetn pozitv. Az eljel vltsok miatt az tlagos hiba mutat a hiba valsgos mrtkrl nem tjkoztat. Ezt a
problmt gy lehet kikszblni, hogy a hiba abszolt rtkvel vagy ngyzetvel szmolunk. A msik
problma az, hogy a klnbz egysgben mrt (pl. kg, Ft, $ stb.) prognzisokat nem lehet sszehasonltani, ezrt clszer relatv hibt is szmtani.
2. tlagos abszolt hiba. [MAE = MEAN ABSOLUTE ERROR 72]
F

MAE =

e
i =1

T
3. tlagos ngyzetes hiba. [MSE = MEAN SQUARE ERROR 73]:
F

MSE =

e
i =1

2
i

T
4. A hiba szrsa [SDE = STANDARD DEVIATION OF ERRORS 74]:
F

69

A trendszezon-hibaszmts.xls parancsfjlnl a felsorolt hibakpleteket programoztuk be.

Farnum Nicholas R., - Stanton LaVerne W. [1989]: 22-31.
71
S. Makridakis-S. C. Wheelwright- V. Mcgee [1983]: 43-54.
72
Hasznljk a nemzetkzi szakirodalomban a Mean Absolute Deviation (MAD) kifejezst is.
73
Hasznlatos mg ASE Average Squared Error
74
Hasznljk a nemzetkzi szakirodalomban a Root Mean Square Error (RMSE) mutatt is, amikor az MSE mutat ngyzetsszegt veszik.
70

60

SDE =

e
i =1

2
i

T 1
5. tlagos relatv [%-os] hiba [MPE = MEAN PERCENTAGE ERROR]
Relatv [%-os] hiba [PEi = PERCENTAGE ERROR]:
X F
PE i = i i 100
Xi
T

MPE =

PE
i =1

T
Az eljel vltsok miatt az tlagos relatv hiba mutat a hiba valsgos mrtkrl nem tjkoztat. Ezt a
problmt gy lehet kikszblni, hogy a hiba abszolt rtkvel vagy ngyzetvel szmolunk.
6. tlagos relatv [%-os] abszolt hiba [MAPE = MEAN ABSOLUTE PERCENTAGE ERROR]:
T

MAPE =

PE
i =1

MAPE 20%-nl kisebb rtke az elfogadhat.

7. Theil fle U-statisztika. [ Theils U-Statistic 75]:
F

Fi +1 X i +1

Xi
i =1

U=
2
T 1
X i +1 X i

Xi
i =1

T 1

Ha U =0, akkor Fi=Xi, vagyis az elrejelzs megegyezik a valsggal. Klnben U rtke 0-tl klnbzik. A nevezben az a relatv ngyzetes hiba van feltntetve, amikor az elrejelzett rtk az utols tnyadattal egyenl, ezt naiv elrejelzsnek hvjuk. A szmll az idsorkutatsi mdszerrel elksztett elrejelzs relatv ngyzetes hibjt tartalmazza. Ha ez utbbi jobb elrejelzst adott mint a naiv elrejelzs,
akkor a szmll rtke (a hiba) kisebb mint a nevez rtke, teht az U-statisztika rtke egynl kisebb.
rtelemszeren, ha a naiv s az idsorkutatsi modellel ksztett elrejelzs azonos rtket ad, akkor a
szmll s nevez megegyezik, gy az U-statisztika rtke eggyel egyenl. Ha a naiv elrejelzs ad jobb
eredmnyt, akkor az U-statisztika rtke egynl nagyobb.
8. MBA. [McLaughlin Batting Averages]
MBA = [ 4 U ] 100
U=0 esetn, MBA = 400
U=1 esetn, MBA = 300
U>1 esetn, MBA < 300
A Theil- fle U statisztika egy msik kplete az MBA mutat.
3.3 Trendszezon-hibaszmts parancsfjl mkdse

A program lehetv teszi a korbban ismertetett 9 fle lineris illetve linerisra visszavezethet trend
vizsglatt. Megadhat a mozg tlag tagszma, ahol a korlt csak az idsor hossza. Vizsglhatjuk tovbb az adatbzis fggvnyben a szezonlis hatst s a konjunktra ciklusokat.
A trendek megbzhatsgnak ellenrzse.
75

Theil, H. [1961].

61

A becslsi idszak megadsval a rendelkezsre ll idsort kt rszre bontjuk, becslsi s teszt idszakra. A becslsi idszak felhasznlsval a trendbecslst vgezzk el, a teszt idszak adatai alapjn a becslsek pontossgt lehet ellenrizni, a megadott hibakpletek felhasznlsval. Az idsor hosszt felismeri a program, a srga mezbe (Ebbl becslsre felhasznlt:) be kell rni a becslsre felhasznlt idsor
hosszt, ami az idsor fele vagy annl nagyobb rtk. Ha tesztelni kvnjuk a trendeket, akkor a becslsre
felhasznlt idsor hossznak legnagyobb rtke az idsor hossza mnusz egy. Az extrapolci hosszt is
meg lehet adni. Az bra felett lehet vlasztani a trendtpusok kztt. A trendek paramtereit s a tbbszrs determincis egytthatt (R2), valamint az eredeti adatok s a trend brjt kzli a program. A 9
trend extrapolcija s a hibakpletek szmtsai szmszeren is megtallhatk az eredeti adatokat (y)
kvet oszlopokban. Clszer azonos becslsi idszak felhasznlsval mind a 9 trendtpusra elvgezni a
szmtsokat s kivlasztani azt a trendtpust, amelyik esetben a legkisebb a hiba, pl. a MAPE. Ugyancsak clszer a becslsi idszak hosszt vltoztatni. Ki lehet vlasztani a legjobban illeszked becslst,
vagyis a mlt idszak alapjn legjobb elrejelzst ad trendtpus s informcit kapunk a trend - extrapolcik megbzhatsgrl is. A program teht rzkenysgvizsglatokat is vgez. Ha a tesztperidus kezdetnek vltoztatsval a hibakpletek alapjn kivlasztott "legjobb trend tpusa is vltozik, akkor az
idsor nem stabil, az idsorban vizsglt trend tendencija vltozik. Az elemzs gy bizonytalan, s az
elrejelzs sem lesz megbzhat. Hasonl mdon a magas hibartkek (pl. a MAPE 10 % - nl nagyobb)
is a bizonytalan becslst jelzik. A becslsi idszak nvelsvel ltalban a hibk is cskkennek.
A szezonalts vizsglata.
A Peridus megadsnl meg kell adni az adatbzis fggvnyben a srga mezben a peridus szmt,
aminek rtke 2-24 lehet, ha nem adunk adatot, akkor nem szmol a szezonalitssal. Ha fl ves adatokkal dolgozunk, akkor a peridus rtke 2, negyedves adatoknl 4, havi adatoknl 12. Megadand a Kezd peridus sorszma is, lehetsges rtkei: 1-12, pl. ha havi adatokkal dolgozunk s az els vben, csak
a 7-ik hnaptl vannak adataink, akkor a berand rtk 7. Ha viszont teljes az idsor akkor a Kezd peridus sorszma 1. (0 rtket nem szabad megadni) A program kiszmtja a szezonlis eltrseket s a
szezonindexeket. Elvgzi a korrekcit is s brzolja a kivlasztott trendet s szezon modellt (additv
vagy multiplikatv). Ha nincs szezonalits az idsorban akkor vlasztani lehet a szezonalts nlkl opcit
(pl. ves adatsorok esetn). A program brzolja a vletlen sszetevt is a kivlasztott trend-szezon modell alapjn.
Konjunktra-ciklusok elemzse

Az Adatok-bevitele munkalapon kivlaszthatjuk a 9 trend kzl azt, amit vizsglni kvnunk (termszetesen egyenknt mind a 9 trendfggvny konjunktra ciklusait vizsglhatjuk s sszehasonlthatjuk) s
meg kell adni a mozgtlag tagszmt. A mozgtlag tagszma az adatbzistl fgg. Rvid ciklusok
vizsglata esetben a szezonalitst kszbljk ki, ha havi adatok llnak rendelkezsre a mozgtlag tagszma 12, negyedves adatok esetben 4. (Megjegyezzk, hogy a szezonlis hullmzs kiszrse utn,
ha ezt kveten kiszrjk a trendhatst, akkor a Kitchin-fle rvid ciklus becslst kapjuk meg.) Ha a
hossz ciklusokat vizsgljuk ves adatokkal, akkor ltalban 8 vagy 9 tag mozgtlagot vlasztunk a
rvidebb peridus (pl. 4-8 vagy 3-9 ves) ciklusok kiszrsre. (Megjegyezzk, hogy a rvidebb ciklusok kiszrse utn, ha ezt kveten kiszrjk a trendhatst, akkor a Kondratyev-fle hossz ciklus becslst kapjuk meg.) Vizsglni lehet az idsorokat abbl a szempontbl is, hogy hogyan reaglnak a mozgtlag tagszmnak megvltoztatsra. Vlaszthatunk az additv s a multiplikatv modell kztt. Az
adatok bevitele utn a program brzolja az eredeti adatokat s a trendet s a msodik brban a ciklust.
Kiszmtja multiplikatv kapcsolatot felttelezve az eredeti idsor s a trend hnyadost ( y i / y i ) valamint
additv kapcsolatot felttelezve az eredeti idsor s a trend klnbsgt ( y i y i ). gy mindkt felttelezs
mellett kikszbli a trendhatst. A ciklikus mozgsokat a trendtl megtiszttott idsoroknl a felhasznl ltal megadott mozgtlag tagszm alapjn mozgtlagolssal kszbli ki s szmtja, valamint brzolja.
A rvid ciklusok tlagos peridushossznak becslsre a ciklusfordlpontokszmtsa Excel parancsfjl hasznlhat:
A szmtsokat elszr pl. a trend szezon - hibaszmts Excel parancsfjllal vgezhetjk el. Kivlaszszuk az 5 legjobb modellt a trendfggvnyek alapjn. Elszr az eredeti sort s az idvltozt msoljuk
62

be, utna az eredeti adatoknak a trendrtkektl val eltrst (additv modell) vagy hnyadost
(multiplikatv modell). Zrjelben a kivlasztott trendek - illesztsi pontossgt jelz - tbbszrs determincis egytthatit (R2) is feltntettk, amit a trend szezon - hibaszmts Excel parancsfjl kiszmtott.
t=N

(y

y t )

(y

yt )

R 2 = 1 tt==N1
t =1

Mivel azonos adatoknl a megfigyelsek szma (t) megegyezik, ezrt az tlagtl val
eltrsngyzetsszeg azonos, gy a R2 kizrlag az eredeti s becslt adatok eltrs ngyzetsszegtl
fgg.
Egy futtatsnl sszesen 5 vltozval dolgozhatunk.
A mintafeladat:
vek: 1800-2007. A megfigyelsek szma N= 208
x1= a rz (copper) rak 2000-es $-ban, $/libra (1 libra=0,454 gramm).
x2= eredeti adatok-lineris trend becslt rtkei (R2= 0,647)
x3= eredeti adatok-msodfok parabolikus trend becslt rtkei (R2= 0,649)
x4= eredeti adatok-harmadfok parabolikus trend becslt rtkei (R2= 0,676)
x5= eredeti adatok- exponencilis trend becslt rtkei (R2= 0,635)
A program megkeresi az als s fels fordulpontokat, a fels fordulpontot (amikor a nvekeds utn
cskkens kvetkezik) + jellel, az als fordulpontot (amikor cskkens utn nvekeds kvetkezik)
jellel jelli. A hullmhossz egy teljes hullmnak a hossza, ami becslhet a cscsponttl a cscspontig
(+tl a kvetkez +ig), vagy a mlyponttl a mlypontig (-tl a kvetkez -ig). A program megkeresi a
legels + illetve rtket s az eredmnyek munkalapon ezeket a fordulpontokat bejelli. A kvetkez
tblzat sorszmokkal ltja el a fordulpontokat, pl. az els + rtk kapja az egy rtket, a ciklushosszt
innentl szmtjuk, a kvetkez megfigyelsek addig kapnak 1 rtket, amg a program meg nem tallja
a kvetkez + jellel jellt fordulpontot, innen a jells 2. Ennek alapjn megllapthat hny fordulpont van az idsorban. A kvetkez tblzatok kzlik a fordulpontok tlagos tvolsgt idegysgben
(pldnkban vekben) majd a ktfle fordulpont tlagt, egsz szmra kerektve. A rvidebb ciklusok
kikszblsre ezt az rtket vagy egsz szm tbbszrst hasznljuk mozg tlag tagszmknt.
A trend szezon - hibaszmts Excel parancsfjl felhasznlsval, most mr megadhatjuk a mozg tlag tagszmt, ami pldnkban 4 vagy 8 vagy 12 stb. lehet. A kziknyv tartalmazza a klnbz ciklusok kikszblsnek a mdszert. Pldnkban az analitikus trendet kivontuk az idsorbl, mert additv
trendet feltteleztnk, a rvidebb ciklusokat s a vletlent pedig 4 tag mozgtlagolssal kszblhetjk ki.
A megfelel modell
(trendszezonteszt.xls)

kivlasztsa.

Trend-szezonteszt

Excel

parancsfjl

mkdse

A program mkdse: Mdosthatk a trendek paramterei s a szezon ersge (ahol a nagyobb szm nagyobb amplitdj szezonkomponenst generl). A kvetkez trendek modellezhetk: lineris,
fllogaritmikus, msodfok parabolikus, harmadfok parabolikus, exponencilis, elsfok hiperbolikus
s S-alak logisztikus. A program elkszti a trendek s a szezonkomponensek brjt az additv s a
multiplikatv modell esetben, tovbb csak a trendet, ha felttelezzk, hogy nincs szezonlis hats. A
program clja az, hogy felismerjk azt, hogy egy idsor grafikus brja alapjn milyen trendtpusok s
szezonlis (periodikus) kapcsolatok (additv vagy multiplikatv) jhetnek szmtsba. A trend paramtereinek s a szezon ersge vltoztatsval nyomon kvethetk a grafikus brk vltozsai.
Gyakorl feladatok. Konjunktra ciklusok modellezse, a trendszezon - hibaszmts Excel parancsfjl mkdse)
Mutassa ki a konjunktra ciklusokat a magyar mezgazdasg sorai alapjn:
A MAPE alapjn a 9 analitikus trend kzl melyik adta a legjobb kzeltst. Alkalmazza a 9 tag mozg
tlagot a rvidebb ciklusok kikszblsre.
F

63

Cukorrpa (kg/f) 1920-2006

rpa (kg/f) 1876-2006
Burgonya (kg/f) 1870-2006
Bza (kg/f) 1876-2006
Kukorica (kg/f) 1870-2006
Rozs (kg/f) 1920-2006
Zab (kg/f) 1921-2006
Serts llomny (db/ezer f) 1870-2006
Szarvasmarha llomny (db/ezer f) 1870-2006
L llomny (db/ezer f) 1904-2006
Mezgazdasgban dolgoz aktv keresk arnya (%)

3.4 A teltdsi, a logisztikus (S-alak)- s letgrbe trendfggvnyek becslse Excel parancsfjllal

A teltdsi, a logisztikus s az letgrbe trendfggvnyek olyan folyamatok, jelensgek lersra alkalmasak, amelyeknek a nvekedse korltos. A tarts fogyasztsi cikkek (pldul tv, rdi, telefon, aut
stb.) forgalmnak alakulsa a piac korltozottsga miatt teltdsi trendet kvet, mert van egy szint,
ami fl a kereslet nem emelkedik. Az ipari termkek letgrbje is hasonl tendencit mutat az els felszll szakaszban, az eltrs azonban az, hogy a cscspont elrse utn leszll szakasz kvetkezik, elbb
cskken s vgl megsznik a gyrts s a forgalom. Gyakran elfordul, hogy az els felszll szakaszban a fejlds hrom szakaszt klnthetjk el: 1. a ksrletezs stdiuma, amit a gyrts beindtsa, a
lass nvekeds jellemez; 2. a nagy felfuts idszaka, n a kereslet, a gyrts ezrt tmegszerv vlik;
3. a piac teltdse, amikor mr csak az elhasznlds ptlsra van lehetsg 76 A piaci rettsg, a teltds szakaszt a kereslet s a gyrts hanyatlsa (tbbnyire j, korszerbb termk jelenik meg a piacon), s
vgl a gyrts megszntetse kveti. A termkletgrbe konkrt alakjnak meghatrozsa a tervezs
idszakban nem egyszer feladat. Az lettartam a termktl fggen lehet nhny hnap (a divat ltal
ersen befolysolt termkek), nhny v (informatikai eszkzk) vagy tbb vtized (mezgazdasgi termnyek). A teltdsi fggvnyeket (elssorban a Gompertz- s Johnson-fggvnyeket) a demogrfusok
s a biztostsi szakemberek a npesedsi s tllsi folyamatok lersra s kzeltsre hasznljk. Az
inflexis pont jelzi a vizsglt jelensg fejldsben bekvetkez jelentsebb vltozst s annak vrhat
idpontjt is. Az inflexis pont kifejezi, hogy a fejlds hajteri kifulladtak, vrhat, hogy a fejlds
jellege is megvltozik s lelassul. Tulajdonkppen a fejlds egyik kritikus pontja ppen az inflexis
pontnl van. A teltdsi fggvnyek monoton nvekv fggvnyek, ahol az idvltoz (t) nvekedsvel
a nvekedsi rtkek a nullhoz tartanak. Ms megfogalmazsban a fggvnyrtkek K teltdsi paramterhez, szaturcis szinthez, vagyis egy konstans rtkhez tartanak, ha az idvltoz a vgtelenbe tart:
lim f ( t ) = K
F

A feladat megkeresni azokat a paramtereket, amelyek mellett az illeszts a legpontosabb. A tapasztalatok

szerint az egyszerbb fggvnyformkkal (lineris, hatvnykitevs, exponencilis, parabolikus stb.)
szemben a bonyolultabb teltdsi fggvnyek alkalmazsa lnyegesen szmtsignyesebb, ugyanakkor
kikszblik az egyszerbb fggvnyek azon hibjt, hogy a nvekedsnek (vagy cskkensnek) nincs
fels vagy als korltja. 77 E problma megoldsra Excel parancsfjlt dolgoztunk ki. A szmtsignyessg mint problma megszntethet a bemutatsra kerl parancsfjl alkalmazsval. A trendek ismertetsnl figyelembe vettk Descartes 78 mdszertani szablyait, ami szerint az egyszertl kell haladni a bonyolult fel, vagyis figyelembe kell venni azt, hogy az sszetett mdszerek ltalban specilis esetknt
tartalmazzk az egyszerbbeket. A msik fontos szably a felsorols elve, vagyis a teljessgre kell trekedni. 79 Descartes azt is hangslyozza, hogy minden mdszernek elmleti kvetkezmnyei vannak. A
Fldn hossz tvon gyakorlatilag minden gazdasgi-trsadalmi-demogrfiai folyamat korltozott trben
zajl nvekedsi folyamat s ennek kvetkezmnye az, hogy igen gyakran tapasztaljuk, hogy lteznek teF

76

Theiss [1958] 199200.

Ld.: Freschl [1982], HermanVarga [1983], Herman [1985], Valkovics [2001], Hunyadi [2004]).
78
Descartes [1961] 214215.
79
A teljessgre termszetesen csak trekedni lehet, szmos logisztikus fggvnyt nem tudunk bemutatni, pldul:
Korf-fggvny (LiaoPodrzskLiu [2003] 545.) Weibull-s Bta-fggvnyek (Xinyou Yin et al. [2003] 362. s
369.), Causton- s Venus-fggvny (Colin [1999] 715.).
77

64

ltdsi pontok. 80 A Descartes-i mdszertani szablyokat figyelembe vve elszr a legegyszerbb teltdsi fggvnyeket ismertetjk, amelyek inflexis ponttal nem rendelkeznek. A bemutatsra kerl kvetkez ht S-alak trendfggvnynek egy inflexis pontja van. Az letgrbe- s a Hubbert-fle trendfggvny kt inflexis ponttal rendelkezik. Az letgrbe trenddel tbbek kztt a termkletgrbk alakulst
lehet modellezni, ahol a nvekedsi szakaszt egy cskken szakasz kveti. A logisztikus fggvnyek rgta foglalkoztatjk az idsor modellezs kutatit. A XIX. szzad els felben Gompertz s Verhulst munkssgt lehet kiemelni. A logisztikus fggvny a XX. szzad els felben az konometriai modellezs
egyik fontos eszkze volt s szmos modell kerlt kidolgozsra. Npszersge bizonyos terleteken az
elmlt vszzadban sem cskkent, klnsen a piaci s demogrfiai folyamatok gyakori jellemzje, hogy
egy ideig gyors temben nnek, majd ksbb rvnyeslnek a nvekeds korltai, cskken a nvekedsi
tem. A folyamat jellegtl fggen a nvekeds bizonyos id utn a nullhoz tart, illetve az is elkpzelhet, hogy a tendencia megfordul.
F

3.4.1 Inflexis ponttal nem rendelkez teltdsi grbk

A kvetkezkben a Mitscherlich-, 81 a Bertalanffy-, 82 az egyszeren modifiklt exponencilis 83, a

Trnquist 1., valamint Trnquist 2. fggvnyeket mutatjuk be rviden. (Lsd a 3.1. tblt) E fggvnyek
kzs jellemzje, hogy inflexis ponttal nem rendelkeznek, rtelmezsi tartomnyukon (0 intervallumon) konkv mdon viselkednek. Ez utbbi tulajdonsg akkor teljesl, ha a fggvny ktszer differencilhat az idvltoz szerint s a msodik derivlt negatv. Az ismertetsre kerl teltdsi fggvnyek
msodik derivltja mindentt negatv. Ha K azonos, akkor Kb=a, teht a Bertalanffy fggvny s az egyszeren modifiklt exponencilis fggvny azonos.
Az inflexis ponttal nem rendelkez teltdsi fggvnyek sematikus brja a kvetkezkppen nz ki, ld.
3-11 brt. Tipikus alkalmazsi terletk a jelents technolgiai jtssal gyrtott termkek gyors elterjedse az adott szegmensben, amikor termkvlts kvetkezik be: pldul ilyen volt a rugs rt felvlt
kvarcra, a fekete-fehr tvt vlt sznes tv vagy a kzelmltban a plazma- s LCD-tvk megjelense
a piacon.
F

3-1. tbla: Inflexis ponttal nem rendelkez teltdsi grbk fbb jellemzi

Fggvny

Formula

y 0

d 2 y t
dt 2

lim y t

Mitscherlich

y t = K (1 e rt )

Kr 2 e rt

Bertalanffy

y t = K (1 be rt

K (1 b )

Kbr 2 e rt

y t = K ae rt

K a

ar 2 e rt

Kt
t+a

2aK
(a + t)3

K (t + a)
t+b

Ka
b

2K(a b)
(b + t)3

Egyszeren
modifiklt exponencilis
fggvny
Trnquist 1.
Trnquist 2.
(a<b)

y t =
y t =

80
81
82

Ld.: Fokasz [2006] 1951.

Eilhard Alfred Mitscherlich (18741956) nmet agronmus. Ld.: Mitscherlich [1919] 167182.
Ludwig von Bertalanffy (19011972) osztrk szlets biolgus, a rendszerelmlet megalkotja. Ld.: Bertalanffy
[1938] 181213.
83
Ld.: Kotz et al. [2006] 14. ktet. 87278728.

65

y t

3-11. bra: Az inflexis ponttal nem rendelkez teltdsi fggvny

Mitscherlich trendfggvny

y t = K (1- e-rt )

Bertalanffy trendfggvny

y t = K 1- be-rt

Egyszeren modifiklt exponencilis fggvny

y t = K - ae-rt
Trnquist 1. trendfggvny

y t =
Trnquist 2.trendfggvny

y t =

Kt
t+a

K(t + a)

(t + b)
3.4.2 Egy inflexis ponttal rendelkez trendfggvnyek
A logisztikus trendfggvnyek kezdetben konvex, ksbb konkv fggvnygrbt rnak le. Ezeket a logisztikus trendfggvnyeket, alakjuk miatt S-alak fggvnyeknek is hvjk a szakirodalomban. A kvetkezkben a logisztikus, a ksleltetett logisztikus, a ngyzetesen logisztikus, a Gompertz-fle, a 63 szzalkos, a Johnson-fle s az ltalnostott Richards-fle trendfggvnyeket mutatjuk be.
A logisztikus trendfggvny
Az egyik els logisztikus trendfggvnyt (npessg nvekedsi modellt) Verhulst 84 1838-ban publiklta:
K
Kect
= cm ct
y t =
1 + e c( t m ) e + e
ahol
K a teltettsgi szint, K > 0 ;
m az inflexis pont helyt adja meg, m > 0 ;
c a nvekedsi sebessget jellemz paramter, ha c > 0 , akkor logisztikus nvekedsrl, ha
c < 0 , akkor logisztikus cskkensrl van sz.
F

A fggvny inflexis pontjnak koordinti:

84

Pierre-Francois Verhulst belga matematikus, statisztikus (18041849). Ld.: Verhulst, P. F. [1838]: 113121.

66

2 c( m + t )
ecm ect )
(
d 2 y t Kc e
=
= 0,
3
dt 2
( ecm + ect )

ect = ecm ,
t w = m,
K
.
2
A harmadik derivlt ebben a pontban nem egyenl 0-val, mivel:
d 3 y t
= 0,
dt 3 t
y t w =

4e 2cm + e 2cm = 0,

2cm

2e 2cm 0.
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
K
y 0 =
,
(1 + ecm )
lim y t = K.
t

Napjainkban logisztikus trendfggvny nvvel az egyik legelterjedtebben alkalmazott, PearlReed-fle 85

86
logisztikus teltdsi fggvnyt illeti az irodalom A fggvny szimmetrikus az inflexis pontra, ahol a
grbe a teltettsgi szint felt (K/2) ri el. A teltds annak a kvetkezmnye, hogy a grbe a konvex
szakaszbl konkvba megy t, azaz a vizsglt jelensgben fordulpont (minsgi vltozs) kvetkezett
be.
F

A fggvnyt ler formula:

y t =

K
Kect
=
,
1 + be-ct ect + b

ahol:
K a teltettsgi szint, ha K > 0 ;
b a helyzetparamter, ha b > 0 ;
c nvekedsi sebessget jellemz paramter, ha c > 0 logisztikus nvekedsrl, ha c < 0 , akkor
logisztikus cskkensrl van sz.
y t
K

K
2

y t =

K
1+ b
tw =

K
1+be -ct

lnb
c

3-12. bra: A Pearl-Reed-fle logisztikus trendfggvny

A fggvny inflexis pontjnak koordinti:

85
86

Raymond Pearl (18791940) amerikai biolgus, Lowell J. Reed (18861966) matematikus, biostatisztikus.
Ld.:Pearl-Reed [1920] 275288. s FarnumStanton [1989] 189191.

67

2
ct
ct
d 2 y t bc Ke ( b e )
=
= 0,
3
dt 2
( ect + b )

ln b
,
c
K
y t w = .
2
A harmadik derivlt ebben a pontban nem egyenl 0-val, hiszen b > 0 , teht ebben a pontban inflexis
pont van:
d 3 y t
= 0,
dt 3 t
tw =

e 4beln b + b 2 = 0,
b = 0.
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
K
y 0 =
,
1+ b
lim y t = K.
2ln b

Knnyen belthat az, hogy a Verhulst s a Pearl-Reed-fle fggvnyek lnyegben azonosak:

Kect
Kect
=
ecm + ect ect + b
Ksleltetett logisztikus trendfggvny

Az elzekben bemutatott logisztikus trendfggvnynek az inflexis pontra val szimmetrija sok esetben modellezsi szempontbl nem helytll. Ha a kezdeti nvekeds gyorsabb tem, s a grbe az inflexis pontot a teltettsgi szint felnl korbban ri el, akkor hasznlhatjuk a ksleltetett logisztikus trendfggvnyt. Az inflexis pont utn a ksleltetett logisztikus trendfggvny konkv szakasza hosszabb s
elnyjtottabb, mint a logisztikus trend hasonl konkv szakasza, teht ksleltetett hats rvnyesl a teltdsi szint elrsben. A 3-13. bra a ksleltetett logisztikus trendfggvny alakjt s nevezetes pontjait
mutatja be.
A fggvnyt ler formula:
K
,
y t =
a
T
1+
t
Ahol
T-a helyzetparamter, ha T > 0 ;
a nvekedsi sebessget jellemz paramter, ha a > 1 .
Amennyiben t = T , gy:
K
y T = .
2
A fggvny inflexis pontjnak koordinti
a

T
aK ( a 1) a 1
a
t
d 2 y t

T
=
= 0,
3
a
dt 2
t

2 T
t + 1
t

68

a 1
,
a +1
K ( a 1)
y t w =
.
2a

tw = T a

A teltdsi szint:
lim y t = K .
t

y t

K
2

y t =

K(a 1)
2a

= a

a -1
a +1

1+
t

3-13. bra: A ksleltetett logisztikus trendfggvny

Ngyzetesen logisztikus trendfggvny

A 3-14. bra mutatja be a ngyzetesen logisztikus fggvny alakjt s nevezetes pontjait.

y t
K2

4 2
9K

y t =

(1+ be )
-ct

K2

(1+ b )

tw =

ln2b
c

3-14. bra: A ngyzetesen logisztikus trendfggvny

A ngyzetesen logisztikus fggvny, mint a neve mutatja, a logisztikus trendfggvny ngyzete. A fggvnyt ler formula:
2

K 2 e 2ct
K
=
,
y t =
2
ct
1 + be ( ect + b )

ahol

b a helyzetparamter, ha b > 0 ;
c a nvekedsi sebessget jellemz paramter, ha c > 0 logisztikus nvekedsrl, ha c < 0 , akkor logisztikus cskkensrl van sz.
69

A fggvny inflexis pontjnak koordinti:

2 2 2ct
ct
d 2 y t 2bc K e ( 2b e )
=
=0,
4
ct
dt 2
(e + b)
ln 2b
,
c
4
y t w = K 2 .
9
A harmadik derivlt ebben a pontban nem egyenl 0-val, hiszen b > 0 , teht ebben a pontban inflexis
pont van:
d 3 y t
= 0,
dt 3 t
tw =

2ln 2b

7beln 2b + 4b 2 = 0,

4b 2 14b 2 + 4b 2 = 6b 2 = 0,
b = 0.
Az inflexis ponttal jellemzett irnyvlts teht a ngyzetesen logisztikus fggvny esetben ksbb kvetkezik be, mint a logisztikus trendfggvnynl ugyanis:
ln b ln 2b
<
.
c
c
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
K2
y 0 =
,
2
(1 + b )
lim y t = K 2 .
t

Gompertz-fggvny

Benjamin Gompertz 87 mr a XIX. szzad elejn felfedezte azt a halandsgi trvnyt, amit az llatokon
vgzett vizsglatok is megerstenek. Az emberi halandsgi rta a nemi rettsg elrse idejn a legkisebb, utna exponencilisan emelkedik. Az id ebben az esetben az letkor. Valkovics Emil 88 pldul az
eredeti Gompertz-formula megfelel talaktsval jradefinilta a halandsgi tbla fggvnyeit, s pldkkal szemlltette a Gompertz-fggvny megnvekedett felhasznlsi lehetsgeit a demogrfia egyes
terletein.
A Gompertz-fggvny eredeti alakja 89:
t
y = Kbc ,
F

ln y = ln K + c t ln b.
A Gompertz-fggvny az elbbi fggvny tovbbfejlesztse alapjn egy ketts exponencilis fggvny (a
kitevben is egy exponencilis kifejezs szerepel). Az eredeti modell s levezetse alapjn a nemzetkzileg leginkbb elterjedt s elfogadott forma jelenleg a kvetkez:
ct
y t = Ke be ,
ln y t = ln K + ( be ct ) .

Ahol

c a nvekedsi sebessget jellemz paramter, c >0;

b a helyzetparamter, b >0.

87

Benjamin Gompertz [17791865] biztostsi matematikus. Ld.: (Gompertz [1825].

Ld.: Valkovics Emil [2001] 121141
89
Kotz [2006] 14: ktet, 87278728.
88

70

Az 3-15 bra mutatja be a fggvny alakjt s nevezetes pontjait.

A Gompertz-fggvny a logisztikus fggvnynl meredekebben emelkedik a fejldsi szakaszban s gy
hamarabb ri el a teltettsgi szintet.
A fggvny inflexis pontjnak koordinti:
ct
d 2 y t
= e be ( c 2 b 2 Ke 2ct c 2 bKe ct ) = 0
2
dt
ln b
tw =
,
c
K
y t w = .
e
A harmadik derivlt ebben a pontban nem egyenl 0-val, teht ebben a pontban inflexis pont van:
d 3 y t
= 0,
dt 3 t
w

ln b

e 3be2ln b + b 2 e3ln b = 0,
b = .
y t

yt = Kebe

ct

K
e

K
eb
t

3-15. bra: A Gompertz-fle trendfggvny

A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:

K
y 0 = Ke b = b ,
e

lim y t = K.
t

A 63 szzalkos trendfggvny

A 63 szzalkos fggvny egyik nevezetes pontjrl kapta a nevt: a fggvny a t = T idpontban ri el a

teltdsi szint 63 szzalkt. A 3-16. bra mutatja a fggvny alakjt s nevezetes pontjait.

71

y t

y t = K

0,63K

e
K

t

T

K
1
1
a

tw = T a 1

1
a

3-16. bra: A 63 szzalkos trendfggvny

A fggvnyt ler formula:

K

y t = K
e

ahol

t

T

T a helyzetparamter, ha T > 0 ;
a a nvekedsi sebessget jellemz paramter, ha a > 1 .

A fggvny nevt ad pont, t=T esetn a fggvny a teltdsi rtk 63%-t veszi fel.
K
1
y T = K = K 1 = 0, 632K .
e
e
A fggvny inflexis pontjnak koordinti:
a
2 t 2a
t
a
Ka (1 a )
t Ka

d 2 y t
T

T = 0,
T
= e
+
2
2
2

dt
t
t

1
tw = T a 1 ,
a
K
y t w = K 1 .
1

e a
A harmadik derivlt ebben a pontban csak akkor egyenl 0-val, ha a = 1 , viszont az a > 1 , teht az inflexis pont ltezsnek elgsges felttelt is bizonytottuk:
d 3 y t
= 0,
dt 3 t
w

1
1
1
a 1 + 3a(1 a) 1 + (a 1)(a 2) 1 = 0.
a
a
a
A kt emltett nevezetes pont ( yT , ytw ) , azaz a 63%-os s az inflexis pont koordinti alapjn jl lthat,
2

hogy az a paramter nvekedse esetn a kt pont egyre kzelebb kerl egymshoz, azaz lim t w = T s
a

lim y t w = y T .
a

A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:

72

y 0 = 0,
lim y t = K.
t

Johnson-trendfggvny

A Johnson-grbe a logisztikus fggvnynl gyorsabban emelkedik s nem szimmetrikus, azaz az inflexis

pont rvidebb id alatt rhet el, teht az inflexis pont s a teltettsgi szint kztti szakasz hosszabb. A
gyors nvekedst lnyegesen lassbb teltdsi (rett nvekedsi) szakasz kveti, mint a logisztikus
fggvny esetben. A 3-17. bra mutatja be a Johnson-trendfggvny alakjt s nevezetes pontjait. Az
inflexis pont korn, a b/2-c idpontban bekvetkezik, amit egy elnyjtott, hosszabb konkv szakasz kvet.
A fggvnyt ler formula:
y t = e

b
c+ t

ln y t = K
ahol

b
,
c+t

b a helyzetparamter, ha b > 0 ;
c a nvekedsi sebessget jellemz paramter, ha c > 0 .

A fggvny inflexis pontjnak koordinti:

d 2 y t ae
=
dt 2

K a / ( b + t )

d 2 y t be
=
dt 2

a 2 ( b + t )
= 0,
4
(b + t)

K b / ( c + t )

b 2 ( c + t )
= 0,
4
(c + t )

b
c,
2
y t w = e K 2 .

tw =

A harmadik derivlt ebben a pontban nem egyenl 0-val, hiszen b > 0 , teht ebben a pontban inflexis
pont van:
d 3 y t
= 0,
dt 3 t
w

b 0.
2

y t

eK

yt = e

b
c +t

eK-2
e

b
c

tw =

b
c
2

3-17. bra: A Johnson-trendfggvny

A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:

73

y 0 = e

b
c

lim y t = e K .
t

Az ltalnostott Richards-fle logisztikus trendfggvny

Richards 90 kiegsztette egy v paramterrel a logisztikus Verhulst - fggvnyt, ezzel az inflexis pontban
aszimmetrikuss tve azt:
K
,
y t =
1/ v
1 + ve c( t m )
F

ahol
v szablyozza az inflexis pontban felvett fggvnyrtket, v > 0 ;
c nvekedsi sebessget jellemz paramter, c>0;
m az inflexis pont, m>0.
A fggvny inflexis pontjai:
t w = m,
y t w =

(1 + v )

1v

A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:

K
y 0 =
,
cm 1/ v
1
ve
+
(
)
lim y t = K.
t

Az ltalnostott Richards-fle logisztikus trendnek a hazai s a nemzetkzi szakirodalomban jelenleg

szles krben elfogadott kpletben feloldottk azt a felttelezst, hogy a fggvny nem rendelkezik als
aszimptotval. 91 Ez az t paramterrel rendelkez fggvny egy olyan S-alak grbt hatroz meg, amely
plyjt az A als korlt s a K teltdsi szint kztt futja be.
A fggvnyt ler formula
(K A) .
y t = A +
1/ v
c t m
1 + ve ( )
F

A fggvny inflexis pontjnak koordinti:

( 2v +1) v
d 2 y t
= c 2 ec( m + t v ) ( K A ) ( ecm ect )( vecm ect )
=0,
2
dt
t w = m,
y t w = A +

(K A) .
1/ v
(1 + v )

A harmadik derivlt ebben a pontban nem egyenl 0-val, mivel v > 0 , teht ebben a pontban inflexis
pont van:
d 3 y t
= 0,
dt 3 t
w

v = 1.
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:

90
91

Ld.: Richards ([1959] 290301. s Xinyou Yin et al. [2003] 361371.

Ld.: PellaTomlinson [1969] 421-496. Colin [1999] 713-723. s Fokasz [2006] 29.

74

y 0 = A +

(K A)

(1 + ve )

cm 1/ v

lim y t = K.
t

Ha A = 0 s v = 1 , akkor az ltalnostott Richards-fle trendfggvny logisztikus fggvnny alakthat:

K
.
y t =
c t m
1+ e ( )
Ha A = 0 , m = 0 s v 0 , akkor a Richards-fggvny Gompertz-fggvnny alakul t 92, mert
1 + x e x , ha x 0 :
F

c( t m )

.
y t = Ke e
Ha A = 0 , m = 0 s v = 1 a Richards-fggvny Mitscherlich-trendfggvnny alakul:
.
K
= K (1 e ct )
y t =
1
c( t 0 )
1 e

y t

ytw = A +

A
y 0 = A +

( K A)
(1 + v )1/ v

yt = A +

( K A)

(1 + ve

c( t m )

1/ v

( K A)

(1 + ve )

cm 1/ v

tw = m

3-18. bra: Az ltalnostott Richards-fle trendfggvny

3.4.3 Kt inflexis ponttal rendelkez trendfggvnyek

Az egy inflexis ponttal rendelkez teltdsi grbk bemutatsa utn a kt inflexis ponttal rendelkez
trendek kzl az letgrbe 93 s Hubbert-fggvnyeket ismertetjk.
F

letgrbe trendfggvny

Az letgrbe trendfggvny a termkletgrbe alakulst mutatja, nevt is innen kapta, mivel a termk
piaci forgalmnak (volumennek) alakulst brzolja az id fggvnyben. A kvetkez a marketing
szakirodalmban ismert szakaszokat lehet megklnbztetni: keletkezs, bevezets, nvekeds, rettsg
(teltds, itt ri el a forgalom a maximlis rtket), teht eddig egy S-alak trenddel lerhat a folyamat
alakulsa, s ezt kveten trtnik a vltozs, a teltdst kveti a hanyatls. A termk kereslete egy bizonyos id utn drasztikusan cskkenhet. Dnteni kell a termk gyrtsnak lelltsrl, a piacrl val kivonsrl. A 3-19 bra mutatja be az letgrbe fggvny alakjt s nevezetes pontjait. A vllalatgazdasgi
szakemberek 94 ltalnosan elfogadjk a termkletgrbk lerst a kvetkez trendfggvnnyel
2
2
a
y t = ae ( t ) = 2 2 ,
( t )
e
ahol a termk letgrbe alakulsnak megfelelen:
F

92
93

Ld.: Xinyou et al. [2003] 362.

Haustein [1972] az letgrbe trendet kolgiai fggvnynek nevezi.
94
Ld.: Korn [1978] 123124., KotlerKeller [2006] 189. s Ivnyi [1984] 2829.

75

y t a termkbl a t -edik vben rtkestett mennyisg becslt rtke;

a az ves termelsi rtkestsi volumenek vrhat maximuma;
a grbe alakjt, az inflexis pontok helyt meghatroz alakparamter;
a maximlis rtkests vrhat idpontja.

A fggvny maximuma, mivel ebben a pontban az els derivlt nulla s a msodik derivlt a pontban
negatv 1:
2
2
dy t
= 2a2 ( t ) e ( t ) = 0 ,
dt
t max = ,
y t max = a.
A fggvny inflexis pontjai:
2
2
d 2 y t
2
2 ( t )
=

2a
e
22 ( t ) 1 = 0 ,
2

dt

t w1 ;w 2 =
y t w ;w =
1

1
,
2

a
.
e

Bizonythat, hogy a harmadik derivlt ezekben a pontokban nem egyenl 0-val.

A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
a
y 0 =
2 ,

e( )
lim y t = 0.
t

Az letgrbe trendfggvny s a normlis eloszls srsgfggvnye kztti sszefggst az albbiakban

mutatjuk be 95.
Amennyiben
1
1
,
,
a=
=
22
2 2
gy
1
2
2 ( t )
2
1
2 ( t )

2
y t = ae
e
=
2 2
a vrhat rtk, 2 variancij normlis eloszls srsgfggvnye.
F

y t
a

t
y t = ae ( )
2

a
e

1
2

1
2

3-19. bra: Az letgrbe trendfggvny

95

Haustein [1972] 186187.

76

Hubbert-trendfggvny

A Hubbert-fle trendfggvny alapjn olajhozamcscsnak nevezzk a kolaj kitermelsnek idbeli tetzst. Az olajhozamcscs az n. Hubbert-fle cscselmlet alapjn szmthat, amelyet Hubbert, a Shell
Oil Kutatlaboratrium geofizikusa 1956-ban alkotott meg. Az elmlet az Egyeslt llamok kolajkitermelsnek maximumt 19651970 idszakra becslte. Ezzel mindssze egy vet tvedett, az Egyeslt llamok kitermelsi cscsa 1971-ben volt. A fldgz, a kszn, a vasrc, valamint ms nyersanyagok
rendelkezsre ll mennyisge hasonlan a kolajhoz vges, gy termelsk hossz tvon a Hubbertfggvnnyel prognosztizlhat.Hubbert 96 matematikai modelljt egy olajmez vrhat lettartamnak
modellezsre dolgozta ki. A modell alkalmazhat egyes terletek vagy akr az egsz Fld kszleteire
is. 97 A 3-20 bra mutatja be a Hubbert-trendfggvny alakjt s nevezetes pontjait.
A fggvnyt ler formula 98
F

y t =

bUeb( t )

(1 + e ( ) )
b t

bUeb(t + ) ,
2
( ebt + eb )

ahol

b a meredeksget kifejez, vagyis az emelkedst (a felszll gat) s az ereszkedst (leszll

gat) ler, az inflexis pontokat meghatroz alakparamter;

U a teljes Hubbert-trend becslt rtkeinek sszege, 99 az idtengelyen;

bU

az az idpont, ahol a grbnek cscspontja van: y =

.
4
A fggvny maximuma, mivel ebben a pontban az els derivlt nulla s a msodik derivlt a pontban
negatv ( -2e 2b ) :
F

( ) b
2
e e bt )
(
dy t b Ue
=
= 0,
b
bt 3
dt
(e + e )
b t +

t max = ,
y t max = bU/ 4
y t
bU
4

y t =
bU
6

t t w1 =

ln(2 3)
+
b

t tw 2 =

bUe b( t )
(1 + e b( t ) ) 2

ln( 3 + 2)
+
b

3-20. bra: A Hubbert-trendfggvny

A fggvny inflexis pontjai:

96

Marion King Hubbert (19031989). Kutatsi eredmnyei: www.hubbertpeak.com/hubbert /Bibliography.htm.

(Elrs
dtuma: 2009. janur 28.)
97
Hubbert
1956-ban
megjelent
tanulmnyban
azt
prognosztizlta
(www.hubbertpeak.com/
hubbert/1956/1956.pdf), hogy pldul a texasi kolaj- s fldgztermels 1973-ban elri a cscstermelst, majd ezt
kveten a termels cskkenni fog s 2050-ben meg fog sznni. A Hubbert-prognzist napjainkig igazolta az id.
98
Laherrre [2000]
99
Ultimate recovery of crude oil: the total resource available (a kolaj utols kitermelse, vagyis az sszes elrhet
kszlet).

77

d 2 y t
=0
dt 2
e

2bt

4e

t w1 ;w 2 =

b ( t + )

+e

ln 2 + 3
b

2b

=0

) 1,317 ,
b

bU
.
1 2
6
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
bUe b
y 0 =
,
2
(1 + e b )
y t w ;w =

lim y t = 0.
t

3.4.4 A logisztikus trendek becslse Excel parancsfjl mkdse

A logisztikustrendekbecslse.xls Excel parancsfjl a bemutatott tizenkt logisztikus trendfggvny illesztst knnyti meg a felhasznlk szmra. Tizenkt olyan munkalapot tartalmaz, melyek a klnbz
fggvnyformk nevei alapjn kerltek elnevezsre, valamint egy Ciklus nev munkalapot, mely a klnbz illesztett trendek alapjn a rvid s hossz tv ciklusok vizsglatt teszi lehetv. A fjlban a
cellk sznezse jelentsggel br: a halvnysrga cellk szabadon vltoztathatk, a zld cellk az egyes
paramterek javasolt kezdeti rtkeit adjk meg, mg a fehr cellk szmtsi (rsz)eredmnyeket tartalmaznak. A sznezs alapjn lthat, hogy a fjl maximlisan 1000 hosszsg idsor feldolgozsra kpes. Az egyes munkalapok kztt nincs sszefggs, azaz amennyiben tbb trendet kvn a felhasznl
illeszteni ugyanarra az adatsorra, gy az adatokat valamennyi kivlasztott lapra be kell msolnia. j adatbevitel esetn mind a 12 munkalapon trlni kell az adatokat, az adatok trlse ikonra kattintva, utna pedig bemsolni az j adatllomnyt. A fjl az adatok beillesztst kveten azonnal brzolja az idsort,
valamint az aktulisan bevitt paramterek alapjn a trendfggvnyt is. Az Id oszlop kitltse opcionlis,
amennyiben kitltsre kerl, gy az brzols esetn ezt figyelembe veszi a fjl az idtengely felirataknt.
A javasolt kezdeti paramterek az egyes fggvnyek nevezetes pontjai (maximlisan felvett rtk, els
idszak megfigyelsnek rtke, inflexis pont stb.) alapjn kerltek meghatrozsra. A PearlReed-fle
logisztikus fggvny pldjn keresztl mindez azt jelenti, hogy a K paramter javasolt rtke az idsorban tallhat maximlis rtkkel egyezik meg ( K = y max ) . A b paramter kezd rtknek meghatrozsa
az
y 0 =

K
y1
1+ b

sszefggs alapjn
K
1
y1
mdon trtnik, ahol ~-mal az adott paramter kzelt, kezdeti rtkt jelljk. Az inflexis pont nyjt
segtsget a harmadik paramter kzelt meghatrozshoz. A fjl megkeresi az inflexis pontban felvett
K 2 fggvnyrtkhez legkzelebb es, de annl kisebb tnyleges idsori rtket, amibl t w felttelezett
rtke kvetkezik. Ekkor
ln b
c=
tw
alapjn kvetkeztethetnk c kzelt rtkre. A tbbi trend esetn az ajnlott kezdrtkek teljesen hasonl mdon kerltek meghatrozsra. Az indul paramterek ilyen mdon trtn meghatrozsa azt
okozhatja, hogy amennyiben olyan jelensget vizsglunk, amely mr lefutott, s az illeszteni kvnt
fggvny alkalmas, gy a kezd paramterek megadsval jl illeszked fggvnyt kapunk. Amennyiben
egy teltdsi, vagy letciklus-folyamat elejn tart jelensget vizsglunk, gy a feltntetett paramterek
helyett szakrti, elemzi tapasztalatra kell tmaszkodni. Az indul paramterek termszetesen nem minb

78

den esetben adnak tkletes javaslatot, gy lehetsg van a paramterek kzi vezrlsre is. Valamennyi
munkalap tartalmaz olyan parancsgombokat, melyek a paramterek finomhangolst vgzik el (Opt.
mind). A parancsgombok az Excel beptett Solver funkcijt hvjk meg, a clfggvny pedig az R 2
maximalizlsa az egyes paramterek iteratv vltoztatsval. Lehetsg van arra is, hogy a Solver a
(kzzel, szakrti becsls alapjn belltott) teltdsi paramter rtkn ne vltoztasson, ekkor csupn a
tbbi paramter nagysgt fogja a program meghatrozni (Opt. K nlkl). Az Excel beptett Solver csomagja nem kpes minden esetben globlis optimumot tallni, 100 gy rdemes az illesztst tbb klnbz,
kzzel belltott indulrtkkel elvgezni. Fknt az letgrbe s Hubbert fggvnyek esetn problmt
okozhat a paramterek nagysgrendjnek jelents eltrse. A Solver ebben az esetben a tlsgosan nagy
paramtert nem mozdtja el kezdeti rtkrl. A megolds az eredeti adatsor dimenzijnak vltoztatsa
(pl. 1000-rel val oszts). A fjl
2
( y t y t )

SSE
R2 = 1 t
= 1
2
SST
( yt yt )
F

mdon szmt, ahol SSE (Sum of Squared Errors) a reziduumok ngyzetsszege; SST (Sum of Squares
Total) a teljes eltrs ngyzetsszeg.
A kielgtnek tlt paramterek megtallsa utn az extrapolci belltsval lehetsg van a trend mechanikus kiterjesztsre (a megfigyelsek szma az extrapolcival egytt sem lpheti t az 1000 darabot). A Ciklus munkalapon az illesztett trendek tovbbi vizsglatra (reziduumok brzolsa, mozgtlagolsa), s sszehasonltsra nylik lehetsg. A Ciklus munkalap valamennyi esetben az adott fggvny munkalapjn belltott paramterezs alapjn dolgozik.
A ciklus munkalapon kivlaszthatjuk a 12 trend kzl azt, amit vizsglni kvnunk (termszetesen egyenknt mind a 12 trendfggvny konjunktra ciklusait vizsglhatjuk s sszehasonlthatjuk) s meg kell adni a mozgtlag tagszmt. A mozgtlag tagszma az adatbzistl fgg. Rvid ciklusok vizsglata esetben a szezonalitst kszbljk ki, ha havi adatok llnak rendelkezsre a mozgtlag tagszma 12, negyedves adatok esetben 4. (Megjegyezzk, hogy a szezonlis hullmzskiszrse utn, ha ezt kveten
kiszrjk a trendhatst, akkor a Kitchin-fle rvid ciklus becslst kapjuk meg.)
Ha a hossz ciklusokat vizsgljuk ves adatokkal, akkor ltalban 8 vagy 9 tag mozgtlagot vlasztunk
a rvidebb peridus (pl. 4-8 vagy 3-9 ves) ciklusok kiszrsre. (Megjegyezzk, hogy a rvidebb ciklusok kiszrse utn, ha ezt kveten kiszrjk a trendhatst, akkor a Kondratyev fle hossz ciklus becslst kapjuk meg.) Vizsglni lehet az idsorokat abbl a szempontbl is, hogy hogyan reaglnak a mozgtlag tagszmnak megvltoztatsra. Vlaszthatunk az additv s a multiplikatv modell kztt. Az
adatok bevitele utn a program brzolja az eredeti adatokat s a trendet s a msodik brban a ciklust.
Kiszmtja multiplikatv kapcsolatot felttelezve az eredeti idsor s a trend hnyadost ( y ij / y ij ) valamint
additv kapcsolatot felttelezve az eredeti idsor s a trend klnbsgt ( y ij y ij ). gy mindkt felttelezs
mellett kikszbli a trendhatst. A ciklikus mozgsokat a trendtl megtiszttott idsoroknl a felhasznl
ltal megadott mozgtlag tagszm alapjn mozgtlagolssal kszbli ki s szmtja valamint brzolja.
Ciklus munkalapon: Vlassza ki a trend tpust, a mozgtlag tagszmt (ha 1 akkor nincs mozgtlagols) a trend s a periodikus hullmzs kapcsolds mdjt: additv vagy multiplikatv. A srga kockkban
lev szmok cserlhetk. Ha a mozgtlag tagszma 1, akkor az eredeti adatok s a trend klnbsgvel
illetve hnyadosval szmol a program.
Ha az Id oszlopba bemsoljuk a tnyleges idt, pl. veket, akkor az bra X tengelye ezt veszi figyelembe, ha az Id oszlop resen marad, akkor a sorszmok jelennek meg az X tengelyen. Ha a kt tengelyt
egyenknt egrmvelettel kijelljk (bal gomb) akkor a jobb gomb lenyomsval a skla mrtke vltoztathat. Az adatok bevitele utn a program kzli a trend paramtereket, az illeszts pontossgt, az R2 t
s elkszti a trend brt. Kzli tovbb az SSE s SST rtkeket is, amibl az R2 t szmtja.
Gyakorl feladatok. Dekompozcis idsormodellek

100

A piacon elrhetk globlis optimumot meghatroz, Excelbe bepl Solverek is, m ezek nem ingyenesek.

79

1. Az IBM 101 rtkestsnek s nyeresgnek prognosztizlsa, a trendszezon-hibaszmts.xls Excel

parancsfjl felhasznlsval.
F

Vlassza ki a kt legjobban illeszked trendfggvnyt a MAPE hibakplet alapjn, ha:

az IBM rbevtelt prognosztizlja: becslsi idszak 1954-1979, teszt idszak 1980-1984:
az IBM rbevtelt prognosztizlja: becslsi idszak 1954-1984, teszt idszak 1985-1990:
az IBM nyeresgt prognosztizlja: becslsi idszak 1954-1979, teszt idszak 1980-1984:
az IBM nyeresgt prognosztizlja: becslsi idszak 1954-1984, teszt idszak 1985-1990:
brzolja:
az IBM rtkestsi rbevtelnek tnyleges alakulst 1985 s 2007 kztt.
az IBM nyeresgnek tnyleges alakulst 1985 s 2007 kztt.
az IBM ltszmnak tnyleges alakulst 1985 s 2007 kztt.
Milyen kvetkeztetseket von le az brk alapjn.
2. Grafikusan brzolja Anglia (UK) rendelkezsre ll hossz idsorait, elemezze a hossztv tendencikat, az vszzados trendeket, s vgezzen trendextrapolcit a legjobban illeszked trend alapjn!
2.1. Az albbi idsorok esetben: a becslsi idszak 1830-2000, teszt idszak: 2001-2006,
trendextrapolci: 2007-2011. 102
1830-2006-ig rendelkezsre ll idsorok:
Nvleges GDP ( milli font)
Rel GDP (2003-as milli font)
GDP deflcis index (index 2003=100%)
Npessg (ezer f)
Nominl GDP/f (forgalomban lv font)
Rel GDP/f
2.2. Az albbi idsorok esetben: a becslsi idszak: 1264-2000, a teszt idszak: 2001-2006,
trendextrapolci: 2007-2011. 103
1264-2006-ig rendelkezsre ll idsorok:
Kiskereskedelmi rindex (1913 = 100 %)
tlagos nominlis nyeresg (1913 = 100 %)
tlagos relnyeresg (1913 = 100 %)
2.3. Az albbi idsor esetben: a becslsi idszak: 1257-2000, a teszt idszak: 2001-2006,
trendextrapolci: 2007-2011. 104
Egy uncia sznarany v vgi ra angol fontban.
2.4. Az albbi idsor esetben: a becslsi idszak: 1265-2000, a teszt idszak: 2001-2006,
trendextrapolci: 2007-2011. 105
A fogyaszti rindex alakulsa az elz vhez viszonytva %-ban.
3. brzolja s elemezze A BUX-index napi zr rtknek alakulst 106 1991.01 s 2008.04.04 kztt.
4. Mutassa ki a trendet s a szezonindexeket Magyarorszg energiafelhasznlsa 1999-2007 (PJ) idsora
(negyedves adatok) alapjn.
5. Az USA lakossgi teljes villamosenergia fogyaszts (millird kwra/hnap) idsora 1973 janur s
2007 november kztt rendelkezsnkre ll. 107 Mutassa ki a szezonlis hatst. Melyik analitikus trend illeszts adja a legjobb eredmnyt. A trend s a szezonkomponens kztt multiplikatv- vagy additv e a
kapcsolat.
F

101

Az adatok forrsa: http://www-03.ibm.com/ibm/history/history/history_intro.html

http://www.measuringworth.com/datasets/ukgdp/result.php.
103
Az adatok forrsa: http://www.measuringworth.com/datasets/ukearncpi/result.php
104
Az adatok forrsa: http://www.measuringworth.com/datasets/ukearncpi/result.php Regionlis belltsokat mdostani kell.
105
Az adatok forrsa: http://www.measuringworth.com/inflation/# Regionlis belltsokat mdostani kell..
106
Az MNB kzli 1991.01.02 tl folyamatosan a BUX-index napi tlagos indexnek alakulst (1991. janur
2.=1000) Excel fjban. http://www.mnb.hu/engine.aspx?page=mnbhu_statisztikak
107
http://www.eia.doe.gov/emeu/mer/elect.html
102

80

6. Grafikusan brzolja az Amerikai Egyeslt llamok (USA) rendelkezsre ll hossz idsorait, elemezze a hossztv tendencikat, az vszzados trendeket, s vgezzen trendextrapolcit a legjobban illeszked trend alapjn Az USA albbi hossz idsoraival rendelkeznk.
6.1 Rvid lejrat kamatlb (%) 1831-2006 kztt. 108
6.2 Fogyaszti rindex (CPI = Consumer Price Index, CPI =1982-84=100) 1774-2007 kztt. 109
6.3 A szinarany $/uncia v vgi r alakulsa 1786 s 2006 kztt. 110
6.4 brzolja s elemezze a Dow-Jones index napi zrrtknek az alakulst 1885.02.17 s 2007.04.03
(33739 adat!) kztt.
6.5 Egy fre jut aranytermels 1860-2005 kztt.
6.6 Egy fre jut kolajtermels 1866-2005
6.7 Egy fre jut kszntermels 1860-2005
6.8 Egy fre jut lomtermels 1830-2005
6.9 Egy fre jut acltermels 1867-2005
6.10 Egy fre jut vasrctermels 1880-2004
6.11 Egy fre jut aluminiumtermels 1896-2004
6.12 USA kolajtermelse naponta 1900-2007
7. Grafikusan brzolja a vilg sszesen rendelkezsre ll hossz idsorait, elemezze a hossztv tendencikat, az vszzados trendeket, s vgezzen trendextrapolcit a legjobban illeszked trend alapjn A
vilg sszesen albbi hossz idsoraival rendelkeznk.
7.1 Egy fre jut aranytermels 1876-2005 kztt.
7.2 Egy fre jut ezsttermels 1870-2005 kztt
7.3 Egy fre jut kolajtermels 1860-2005
7.4 Egy fre jut kszntermels 1860-2005
7.5 Egy fre jut barnaszntermels 1890-2005
7.6 Egy fre jut acltermels 1890-2005
F

3.5 Naiv elrejelzsi technikk. (A naivmdszer-parancsfjl mkdse.)

A naiv szablyok 111 112 113 egyszer, de potencilisan hatkony idsor elrejelzsi mdszerek. Szablyok
abban az rtelemben, hogy elre meghatrozottak, gy nincs szksg paramterrtkek becslsre, mint
pl. a dekompozcis vagy az exponencilis simtsi mdszereknl. A naivits azt a tnyt jelenti, hogy az
idsor brmely naiv elrejelzsnek alapja az idsor nmaga. Az idsort hasznljuk nmaga elrejelzsre, azaz az idsor trtneti rtkeit hasznljuk ugyanazon idsor jvbeni rtkeinek kpzsre vagy ltrehozsra. A naiv szablyok egyszersgkben viszonylag alacsony kltsg elrejelzsi mdszerek, de
ha egy mdszer hatkony, nem kell hezitlni az alkalmazsval egyszersge vagy naivitsa miatt. A naiv
szablyok hatkonyabbak rvidtv, mint hossz tv elrejelzsre. Amint a prognzistv hosszabbodik,
a naiv elrejelzs valsznleg kevsb pontos, s nagyobb az ilyen elrejelzseken alapul dntsek velejr kockzata. Minden idsor vltozst mutat az egyes megfigyelsek s a kvetkezk kztt az idsor
teljes hosszn. Brmely idsor felteheten egy vagy tbb tpus hullmzst tartalmaz, amint korbban
bemutattuk: a trendet, a konjunktra ciklust, a szezonlis hullmzst s a vletlent. Az elemzsi mdszer
megprblja figyelembe venni az idsorban lev hullmzs minden tpust. A kvetkezkben lert egyszer naiv szablyok kszthetk gy, hogy figyelembe vegyk az idsorban lev trend s szezonlis tnyezket, de a naiv szablyok ritkn kpesek figyelembe venni a sorban lev ciklikus viselkedst. Az
egyszer, naiv szablyoknak ngy csoportja van:
1. azok, amelyek sem a trendet, sem a szezonalitst nem veszik figyelembe (alaprtelmezett elrejelzsi szablyok),
F

108

http://www.measuringworth.com/datasets/interestrates/result.php
http://www.measuringworth.com/uscpi/
110
http://www.measuringworth.com/datasets/gold/result.php
111
Farnum Nicholas R., - Stanton LaVerne W. [1989]: 15-17. 105-108.
112
http://facweb.furman.edu/~dstanford/forecast/h3.htm
113
Theiss Ede: szerk. [1958]: 220-221.
109

81

2. azok, amelyek a trendtnyezt figyelembe veszik, de felteszik, hogy a szezonalits nem szignifikns,
3. azok, amelyek figyelembe veszik a szezonlis tnyezt, de felteszik, hogy a trend nem szignifikns,
4. azok, amelyek megprbljk figyelembe venni az idsor trend s szezonlis komponenseit is.
Racionlis emberek gyakran hoznak dntseket anlkl, hogy elszr brmilyen elrejelzsi mdszerrel
foglalkoznnak. Amikor gy tesznek, azt felttelezik, hogy a jvbeli llapot hasonl lesz a jelenhez vagy
a kzelmlthoz. Az alaprtelmezett elrejelzs megfelel lehet a mindennapi let sok minimlis kvetkezmnnyel jr dntsvel kapcsolatban. Ezrt az alaprtelmezett elrejelzs nem szksgszeren irracionlis. Formalizlni lehet az alaprtelmezett elrejelzsi mdszert, amely a kvetkez formban rhat:
1.1 Szably:
y t+1 = y t

ahol:
t = az az idpont, melyen a prognzis alapul, rendszerint a legutbbi elrhet megfigyels,
y t+1 = a kvetkez megfigyels elrejelzse a sorban.
A szably ltalnosthat i prognzistvval, trva a kvetkezkppen:
1.2 Szably:
y t+ i = y t

Az 1.2 szably rtelme az, hogy a sor llapota nhny, i, peridusban a jvben vrhatan hasonl a megfigyelshez, melyen az elrejelzs alapul. Ezek az elrejelzsek azonban sem a trendet, sem a szezonalitst nem veszik figyelembe.
Az 1.1 s 1.2 szably olyan naiv s egyszer, hogy ktelkedni lehet formalizlsuk clszersgben. Hrom clt szolglnak: (a) feltrjk a szimbolikus jellsek hasznlatt a legegyszerbb formban; (b) kiindulpontknt szolglnak a kvetkez szablyok kifejlesztshez; s (c) sszehasonltsi alapszablyt
hoznak ltre, melyhez a tbbi elrejelzsi szably teljestmnynek hatkonysga hasonlthat.
2. Szablyok, amelyek figyelembe veszik a trendtnyezt.
A trend a hossz tv vltozs jelensge egy gyjttt adatsorban ltalban azonos irnyban az idsor teljes hosszban rvnyeslhet. A trend jelenlte lehet, hogy nem felismerhet az idsorban nhny egymst
kvet megfigyelsbl, klnsen ha egyb tpus hullmzs (szezonlis, ciklikus vagy tiszta vletlen) is
van benne. Az idsor brzolsa feltrhatja a trend jelenltt. Felfel emelked trend nvekedsi jelensget mutathat; lefel lejt irny cskkenst jelezhet.
A szablyok 2. osztlyban, melyet a kvetkezkben ttekintnk, az a feltevs, hogy nincs ms tpus (pl.
szezonlis s ciklikus) szignifikns tnyez a sorban, mint a trend. A 2. osztlyban hasznlt elrejelzsi
mdszer ltrehoz egy trendkiigaztsi tnyezt, melyet a megfigyelt sorhoz kapcsol, amely az elrejelzs
alapjt kpezi.
A legegyszerbb mdszer, amely megprblja a vltozst figyelembe venni egy elrejelzsi szablyban,
a legutbbi kt megfigyels kztti abszolt vltozst, a klnbsgkpzst (elsfok differencit) (yt - yt1) hozzadja a sor legutbbi megfigyelshez yt-hez, annak rdekben, hogy ltrehozza a sor kvetkez
yt+1 rtknek elrejelzst. Ezt a prognzis mdszert naiv lineris trendnek is hvhatjuk. Ha az elemz
tbb, peridus rtkt kvnja elrejelezni, a legutbbi megfigyelsen tl, mindssze meg kell szorozni a
szmtott vltozst i-vel, melyet ezutn prognzistvnak neveznk. Ez algebrailag a kvetkezkppen rhat:
2.1 Szably:
y t+i = y t + i(y t y t 1)

Ez nagyon leegyszerstett trenddel foglalkoz mdszer, mivel csak az adatok legutbbi vltozsnak informcijt tartalmazza. Ha ezt a szablyt sszehasonltjuk a tbbivel, gy tekinthet, kielgt eredmnyt adhat. Tegyk fel, okunk van azt felttelezni, hogy a vizsglt idsorban a nvekedsi tem lland, ezrt a relatv vltozs sokkal kifejezbb mint az abszolt vltozs. A 2.2 szably a 2.1 szably m82

dostsa, vagyis a prognosztizlt rtket a legutbbi relatv vltozs yt/yt-1 hozzkapcsolsval kpezi figyelembe vve a legutbbi megfigyelst:
2.2 Szably:
y t+i = y t (y t /y t 1) i

Ez az alkalmazs multiplikatv mveletet tartalmaz, a 2.1 szably additv mvelete helyett. Ha az i prognzistv egy peridusnl nagyobb, a relatv vltozs tnyezt i-szer kell alkalmazni a legutbbi megfigyelsre, ezrt alkalmazzuk az i hatvnykitevt, melyre a relatv vltozst emeljk. A 2.2 szably trenddel kapcsolatos fogalmi nehzsgei azonosak a 2.1 szablyival.
2.3 Szably:
A 2.3 szably kpviseli az erfesztst a hossz tv vltozs kpletbe foglalsa problmjnak megoldsra. A legutbbi abszolt vltozs hasznlata helyett kiigaztsi tnyezknt, 2.3 az sszes egymst kvet megfigyels nvekmny medinjt hasznlja a sorban, s ezltal alkalmazza a teljes adatsorra kiterjed informcit. A szmtani tlag nagysga kizrlag az idsor legrgebbi (k=2) s legjabb (m) adattl fgg, s ha ez a kt adat eltr az ltalnos tendencitl, akkor az tlagos nvekmny nem ad pontos rtket. A medin, mint helyzeti kzprtk alkalmazsa ezrt indokolt, ugyanis a medin mint korbban
mr bemutattuk - egy biztosan kzepes, meglehetsen robusztus (azaz viszonylag rzketlen a kiugr rtkekre) kzprtknek bizonyult. A medin robusztus tulajdonsgt knny megrteni, ha arra gondolunk, hogy a rangsorba rendezett adatok szls rtkei nagysgt nem befolysoljk. A medin, a sz legszorosabb rtelmben kzepes rtk, a mennyisgi ismrvrtkek kzl az az rtk, amelynl ugyanannyi
kisebb, mint nagyobb rtk fordul el.
Meghatrozsa igen egyszer, mivel rtke a rangsorba rendezett ismrvrtkek kzps tagja, teht, ha
az elsrend differencikat jelljk:
k = (y k - y k-1 )
m = a megfigyelsek szma az idsorban.
k=2..m
- pratlan elemszm adathalmaz esetn:
Me = k (m 1) +1

- pros szm adat esetn a medin nem esik egybe egy konkrt megfigyelssel, gy ilyenkor, konvencionlisan a
k (m 1)+1 + k (m 1) +1+1
2

Me = 2
2
kplettel hatrozhat meg.
A szably algebrai formulja:

y t+i = y t + i ( Me )

2.4 Szably
A 2.3 szablyhoz hasonlan a 2.4 szably a teljes adatsorra kiterjed informcit hasznlja. A 2.4 szably
a 2.2 mdostsa gy, hogy a peridusrl peridusra szmtott relatv vltozs medinjt hasznlja a teljes
sorra (a legutbbi egyperidus relatv vltozs helyett) trendkiigaztsi tnyezknt. Az tlagos nvekmnyi vltozst gy szmtjuk, hogy az egymst kvet egyperidus nvekmnyi vltozsok medinjt
hatrozzuk meg. Az elrejelzs kplete: a legutols megfigyelt rtket meg kell szoroznunk a szmtott
trendkiigaztsi tnyez (Me) (i)-ik hatvnyval. Mivel a 2.3 szably a teljes adatsorra kiterjed informcit hasznlja, helyesebben tekinthet trendet becslnek, mint a 2.1 szably.
k = (y k /y k-1 )
m = a megfigyelsek szma az idsorban.
k=2..m
83

- pratlan elemszm adathalmaz esetn:

Me = k (m 1) +1

- pros szm adat esetn a medin nem esik egybe egy konkrt megfigyelssel, gy ilyenkor, konvencionlisan a
k (m 1) +1 + k (m 1)+1+1
2

Me = 2
2
kplettel hatrozhat meg.
A szably algebrai formulja:

y t+i = y t ( Me )

Ennek a ngy egyszer naiv szablynak az a clja, hogy figyelembe vegye a trendvltozst az adatsorban;
ez nem az egyetlen lehetsges md a trendvltozs figyelembevtelre, csak a legegyszerbb.
3. Szablyok, melyek figyelembe veszik a szezonalits tnyezt.
A szezonalits kapcsoldhat a mezgazdasgi munkkhoz, a szezonlis idjrs vltozsokhoz, szoksokhoz s hagyomnyhoz, vallsi vagy vilgi nnepekhez. Fontos megjegyezni, hogy az egyik idsor
szezonlis smja lehet, hogy hasonlt, lehet, hogy nem ms idsorok szezonlis smjhoz.
3.1 Szably.
A 3.1 szably szemllteti a legegyszerbb mdszert a prblkozsra hogy figyelembe vegyk a szezonalitst az idsorban:
havi adatok esetben:
y t+i = y t +i 12
negyedves adatok esetben:
y t+i = y t +i 4
Ez a szably nem tesz erfesztst a trend figyelembevtelre. Alapfeltevse hasonl az alaprtelmezett
szablyokihoz, kis kiigaztssal: a sor rtke az elrejelzett hnapban (negyedvben) valsznleg azonos lesz az elz v azonos hnapjval (negyedvvel). Ha t a legutbbi megfigyelsi rtk hnapja s i
a prognzistv, a t+i peridus elrejelzst az elz v megfelel hnapjnak (negyedvnek) megtallsval (visszaszmolunk a sorban) kapjuk a (t+i-12 illetve t+i-4) peridusnl. Ez a viszonylag egyszer
mdszere a szezonalitsnak a legutbbi tizenkt hnap (ngy negyedv) informciit hasznlja, s valjban elhagy minden korbbi informcit.
4. Szablyok, melyek figyelembe veszik a trendet s a szezonalitst is.
A 3.1 szablyban alkalmazott mdszer, lehetv teheti a 2.3 s 2.4 szably trendkiigaztsi tnyezjnek
mdostst. Ezeket a szablyokat teht trhatjuk a kvetkezkppen.
4.1 Szably:

y t+i = y t +i 12 + i ( Me )

Negyedves adatoknl rtelemszeren a 12 helyett 4-vel szmolunk:

y t+i = y t +i 4 + i ( Me )

4.2 Szably.
Havi adatoknl:

y t+i = y t +i 12 ( Me )

Negyedves adatoknl rtelemszeren a 12 helyett 4-vel szmolunk:

84

y t+i = y t +i 4 ( Me )

A naivmdszer-parancsfjl mkdse. (naivmodszer.xls)

Az i=az elrejelzs peridusa, a szezon= a szezon hossza (maximum=12)

A naiv mdszerek megbzhatsgnak ellenrzse.

A becslsi idszak megadsval a rendelkezsre ll idsort kt rszre bontjuk, becslsi s teszt idszakra. A becslsi idszak felhasznlsval a becslst vgezzk el, a teszt idszak adatai alapjn a becslsek
pontossgt lehet ellenrizni, a MAPE hibakplet felhasznlsval. A MAPE %-os rtkeit a naiv mdszerek szablyai (1.1, 1.2,..4.2) szerint kzli a program. Az idsor hosszt felismeri a program, a srga
mezbe (Ebbl becslsre felhasznlt:) be kell rni a becslsre felhasznlt idsor hosszt, ami az idsor fele vagy annl nagyobb rtk. Ha tesztelni kvnjuk a naiv mdszereket, akkor a becslsre felhasznlt idsor hossznak legnagyobb rtke az idsor hossza mnusz egy. Az idsort s a naiv mdszerekkel elvgzett becslsek brit az bra1 s bra2 munkafzetben kzli a program. Az bra1 azoknak a szablyoknak az brit rajzolja meg, ahol nincs szezonalts (1.1.2.4), az bra2 pedig azokat az brkat kzli,
ahol van szezonalts (3.1, 4.1, 4.2). A hibakpletek munkalapon egy grdl menben megtallhat az
egyes naiv prognzis mdszerek hibi 114, azokban az esetekben, ha nincs szezonalits (1.1..2.4). Az
autokorrelci eredmnyt is kzli a program.
F

Gyakorl feladatok. (naivmodszer.xls)

Az USA lakossgi teljes villamosenergia fogyaszts (millird kWh/hnap) idsora 1973 janur s 2007
november kztt rendelkezsnkre ll. 115 Vgezze el a szmtsokat a naivmodszer.xls parancsfjllal.
F

3.6 Az exponencilis kiegyenlts mdszere (simit.xls s EXPS for Windows)*

F

3.6.1 A simit.xls parancsfjl mkdse.

Az exponencilis kiegyenlts 116 117 a szmtani illetve a mozg tlagols tovbbfejlesztett vltozata. Kikszbli a mozg tlagols azon hibjt, hogy az minden adatot azonos sllyal vesz figyelembe. A legjabb adatok ltalban nagyobb szerepet jtszanak a jvbeli adatok alakulsban, mint a rgebbi adatok.
Ezrt a legfrissebb adatoknak a megelznl relatve nagyobb slyt kell adnunk. Elnye, hogy egyszeren
kezelhet, nem kvn nagyobb matematikai elmlylst. Az alkalmazhatsg feltteleit is meg kell emlteni: megfelel hosszsg idsor [20-90] szksges a kiegyenltshez.
Az alapkplet szerint a legfrissebb rtk -sllyal, mg az sszes korbban megfigyelt rtk (1-) sllyal
jrul hozz a becslt rtk kialaktshoz, gy az becslse alapvet fontossg.
F

Az elrejelzs:

Ft +1 = X t + (1 ) Ft

ahol:
F = az exponencilis kiegyenltssel nyert rtk
X = megfigyelt rtk
t = idszak
= reakciparamter, 0 1
Elrejelzs idszaka: m.

114

Ld. Az elrejelzsek hibinak a mrse.

http://www.eia.doe.gov/emeu/mer/elect.html
116
S. Makridakis-S. C. Wheelwright- V. Mcgee [1983] 84-123. felhasznlsval.
117
Ld.: Kiss Tibor Sipos Bla: ExpS for Windows 1995. szoftver 12 exponencilis simtsi mdszerrel vgez
szmtsokat itercis eljrssal. A szoftver a PTE KTK gptermeiben hasznlhat. A simit.xls ugyanezen mveleteket vgzi el, de csak 4 simtsi mdszer becslst dolgoztuk ki. Az ExpS for Windows lerst s alkalmazst
lsd: Kiss Tibor - Sipos Bla - Szentmiklsi Mikls [1995] s Kiss Tibor Sipos Bla [2000].
115

85

A kezd simtott rtket meg kell adni (inicializls) ami ltalban, az idsor els rtke. Az els simtott
rtk lehet tovbb az els nhny adat valamilyen tlaga, vagy egyb becslssel nyert rtk.
Legyen:
F0 = X 0
Ez utbbi kpletet a szmtsok sorn clszer hasznlni. Ennek alapjn, ha:
F0 = X 0
F1 = X1 + (1 )X 0
F2 = X 2 + (1 )F1 = X 2 + (1 )[X1 + (1 )X 0 ] = X 2 + (1 )X1 + (1 ) 2 X 0
F3 = X 3 + (1 )F2 = X 3 + (1 )[X 2 + (1 )X1 + (1 ) 2 X 0 ] =
= X 3 + (1 )X 2 + (1 ) 2 X1 + (1 )3 X 0
t 1

Ft = [ (1 ) X t i ] + (1 ) t X 0
i

i =0

Lthat, hogy az j rtk kialaktsban a legutols (Xt-0 = Xt) teht t idpontban megfigyelt adat slylyal, az azt megelz, (t-1) idpontban megfigyelt (Xt-1) adat (1-) , mg az i-edik idszakot megelz
adat (X[t-(i-1)]), (1-)i sllyal jrul hozz az Ft rtk kiszmtshoz. Az idsor legrgebbi adatnak (Xt-t =
X0) slya pedig (1-)t. Ha =0 akkor a legrgebbi adat slya 1.
A slyok geometriai sorozat szerint cskkennek, ahol a kt szomszdos tag hnyadosa: q=(1-) s a sorozat els tagja q0= -val. A slyok sszege gy 1-t ad, vagyis a vrhat rtket hatroztuk meg. A geometriai sorozat sszegkplett (s) felhasznlva ugyanis:
qn 1
(1 ) t 1
s = q0
=

+ (1 ) t = 1

(1 ) 1
q 1
A slyok alakulst mutatja az albbi 3-2. tbla s 3-21. bra, ha = 0,1, 0,2, 0,4, 0,6, 0,8.
3-2. tbla: Az slyok vltozsa
Slyok
=0,1
=0,2
=0,4
=0,6
=0,8
Xt
0,1
0,2
0,4
0,6
0,8
Xt-1
0,09
0,16
0,24
0,24
0,16
Xt-2
0,081
0,128
0,144
0,096
0,032
Xt-3
0,0729
0,1024
0,0864
0,0384
0,0064
Xt-4
0,06561 0,08192 0,05184 0,01536 0,00128
Xt-5
0,059049 0,065536 0,065536 0,006144 0,000256
0,9
0,8
0,7
0,6

=0,1

0,5

=0,2

0,4

=0,4
=0,6

0,3

=0,8

0,2
0,1
0
Xt

Xt-1

Xt-2

Xt-3

Xt-4

Xt-5

3-21. bra: Az slyok vltozsa

86

Ha nagy -t vlasztunk [pl . = 0,8], akkor az utols v adatai nagy slyt kapnak [az utols v 0,8, eltte lev 0,8[1-0,8] =0,16 majd: 0,032, 0,0064, 0,00128 stb.]. Ha a vletlen ersen befolysolja ezek nagysgt, az elrejelzs kevsb megbzhat lesz. Ha kis reakciparamtert vlasztunk [pl.: = 0,2], akkor a
rgebbi adatoknak is nagyobb szerepe lesz (a slyok: 0,2, 0,2 [1-0,2]=0.16, majd: 0,128, 0,1024 stb.), a
vletlen hatsokat jobban kikszblhetjk. A legjobb reakciparamtert ksrletezssel lehet meghatrozni felhasznlva a teszt idszak adta lehetsgeket. A megfigyelt idszakot kt rszre bontjuk, az els
idszak alapjn becslnk illetve a msodik teszt idszakra elvgzett becsls alapjn (felhasznlva a hibakpleteket pl. a MAPE-t) vlasztjuk ki a legjobb mdszert, -t kezdrtket stb.
A kvetkez exponencilis simtsi mdszereket programoztuk:

Az els mdszer: SES 118 norml exponencilis simts, amelynek alapegyenlete,

F

Ft +1 = X t + (1 ) Ft

A becslshez az adatok rendelkezsre llnak, kivve az els becslst:

F1 = X 0 + (1 ) F0

Az egyik megolds az, hogy

F1 = X1
A msik mdszer, hogy a felhasznl adja meg az els rtket, pl. az els nhny adat tlagt veszi.
A norml exponencilis simts (SES) mdszert akkor alkalmazzuk, ha sem trend, sem szezonlis hats
nincs az idsorban.

A msodik mdszer: ktszeres simts, a Brown egyparamteres lineris mdszere. Ktszeres exponencilis kiegyenlts, az egyszer mr kiegyenltett rtkeket, S1t mg egyszer kiegyenltjk S 2t , mivel lineris
trendet feltteleznk az idsorban:

S1t = X t + (1- )S1t-1

S2t = S1t-1 + (1- )S2t-1
a t = 2S1t - S2t
bt =
Ft+m

(S1t - S2t )
1-
= a t + bt m

A Brown egyparamteres lineris mdszert akkor hasznljuk, ha lineris trendhats van az idsorban, viszont szezonlis hats nincs az idsorban.

A harmadik mdszer: hromszoros simts, Brown egyparamteres kvadratikus mdszere. Hromszoros

exponencilis kiegyenlts, az egyszer mr kiegyenltett rtkeket, S1t mg egyszer kiegyenltjk S 2t ,
majd a ktszeresen kiegyenltett idsort mg egyszer, teht harmadszor is S3t kiegyenltjk, mivel msodfok parabolikus (kvadratikus) trendet feltteleznk az idsorban:

118

SES: Single Exponential Smoothing.

87

1
1
S t = X t + (1 - )S t -1
2
1
2
S t = S t +(1 - )S t -1
3
2
3
S t = S t + (1 - )S t-1
1
2
3
a t = 3S t - 3S t + S t

[(6 - 5 )S1t - (10 - 8 )S 2t + (4 - 3 )S 3t ]

bt =
2 (1 - ) 2
2
=
( 1 - 2 + S 3t )
ct
2 S t 2S t
(1 - )

Ft+m = a t + b t m + 1/2c t m 2
A Brown egyparamteres kvadratikus mdszert akkor hasznljuk, ha msodfok parabolikus trendhats
van az idsorban, viszont szezonlis hats nincs az idsorban.

A negyedik mdszer: ARRSES 119 adaptv reagls egyszer exponencilis simtsi mdszer. Ennl a
mdszernl t rtke vltozik peridusrl peridusra, amint az adatsma [minta, pattern] vltozik. A mdszer alapegyenlete
Ft +1 = t X t + (1 t ) Ft
F

Ahol:
t+1 =

Et
Mt

E t =e t +(1-)E t-1
M t = e t +(1-)M t-1
e t =X t -Ft
Az s 0 s 1 kz esik, et a hiba Et a simtsi hiba Mt az abszolt simtsi hiba rtke.
Az adaptv reagls egyszer exponencilis simtsi mdszert akkor alkalmazzuk, ha tbb szz vagy
tbb ezer hasonl adatsort kell feldolgozni s az rtk automatikusan vltozik, ahogy vltozik az adat
sma.
Tancsok a gyakorlati alkalmazshoz.
Az igazn megalapozott rvidtv elrejelzs ksztshez az idsor hossza lehetleg legyen legalbb hat
v, ha negyedves vagy havi adatokkal rendelkeznk. Az els hrom v adata lehet a szmtsi idszak, a
msodik hrom v adata pedig a tesztperidus. Ebben az esetben ha van szezonalits az idsorban, akkor
a szezonalits becslsre hrom a tesztelsre szintn hrom v ll rendelkezsre. Ha negyedves adatokkal dolgozunk, akkor ez azt jelenti, hogy 6*4 = 24 megfigyelt adatra van szksg, ha pedig havi adatokat
hasznlnnk, akkor 6*12 = 72. 120 Ez utbbi esetben a tesztperidus kezdete 72/2 + 1, azaz 37, mg a negyedves adatok esetben a tesztperidus kezdete 24/2 + 1, azaz 13. idpontban trtnhet. Keresst krve,
a simtsi paramterek rtkt az Excel program gy szmtja ki, hogy megkeresi azt a paramterkombincit, ahol a hiba (MAPE) a legkisebb.
F

rzkenysgvizsglatok.
Az alkalmazott mdszerek stabilitst ellenrizni kell. Ezt gy vgezhetjk el, hogy a tesztperidus kezdett vltoztatjuk, pl. az idsor -nl hatrozzuk meg, vagy az utols v adatait tekintjk tesztperidusnak. Negyedves adatok esetn az elz pldt folytatva a tesztperidus kezdete az albbi lehet. 6*4=24
megfigyels esetn a hromnegyed-idszak utni els negyedv a 19. negyedv; az utols vtl kezdd
tesztperidus esetn a 21. negyedv. Ha ugyanazt a mdszert vlasztja ki legjobbnak a program, s a paramterek sincsenek nagyon tvol egymstl (az eltrs a 10-20%-ot nem haladja meg) akkor az idsor
119
120

ARRSES: Adaptive Response Rate Single Exponential Smoothing.

A megadott adatszm a minimlisan elvrhat, annl jobb, minl tbb adat ll rendelkezsre.

88

stabilnak tekinthet s a mdszer elemzsre s felttelezheten elrejelzsre is hatkonyan alkalmazhat.

Ha a tesztperidus kezdetnek vltoztatsval a MAPE statisztika alapjn kivlasztott legjobb mdszer
tpusa is vltozik, akkor az idsor nem stabil, az idsorban vizsglt komponensek (trend, szezonalits)
tendencija vltozik.
Gyakorl feladatok. (simit.xls)

Az USA lakossgi teljes villamosenergia fogyaszts (millird kWh/hnap) idsora 1973 janur s 2010
november kztt rendelkezsnkre ll. Vgezze el a szmtsokat a simit.xls parancsfjllal.
F

3.6.2 Az EXPS for WINDOWS szoftver mkdse

Windows Vltozat121 122

INSTALL.EXE Object Wision program installlsa utn az ExpsW knyvtrat be kell msolni, pl:
C:/VISIONR/EXPS
C:/EXPS
D://EXPS
Expswm.ovd
Expswm.exe
ener.dta

- Fprogram (Enter s indul a program)

- Segdprogram
- Pldallomny

Az j adatokat clszer a megfelel C:/VISIONR/EXPS (C:/EXPS D:/EXPS) knyvtrba msolni.

Adatllomny:
El kell kszteni azt az adatllomnyt, amely tartalmazza a vizsgland adatsort. Ennek egyszer szveges adatllomnynak (ASCII) kell lennie, csaknem tetszleges formtumban, szkzzel elvlasztva egymstl. Brmely szvegszerkesztvel, illetve a legtbb adatbzis kezelvel elllthat ilyen llomny a
mr meglv adatokbl is. Amennyiben az eddigi adatllomny Mtrix formban van megadva, ahol a
vltozk az egyes oszlopok, az adatsorok akkor is elemezhetk a program segtsgvel. Az adatsor neve
maximum 8 karakter legyen, kiterjesztse clszeren *.dta.
Az oszlopnak ne legyen neve az els cellban, csak az idsort hasznljuk. Mentsk le mdostott mentssel: Formzott szveg (szkzzel tagolt, kiterjeszts: *.prn) formtumban. Input adatllomny neve: *.prn
vagy *.dta berva felismeri az adatllomnyt, ellenrizni lehet a Bemen adatokra klikkelve. A vesszket
cserljk ki pontokra a TOTAL COMMANDER vagy szvegszerkeszt hasznlatval.
Ha a 12-ik mdszernl kiakad a program, adjunk kezd rtket, pl. az idsor els adatt indul rtknek.
Irodalom:
1. Kiss Tibor - Sipos Bla - Szentmiklsi Mikls [1995]: Az zleti ciklus modellezse s prognosztizlsa EXPS- programmal. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 73. vf. 8 - 9.
sz. 681 - 698. old.
http://www.ksh.hu/statszemle_archive/viewer.html?ev=1995&szam=08-09&old=59&lap=18
2. Bla Sipos- Tibor Kiss [2000]: EXPS for Windows, a software application. Hungarian Statistical
Review. 78. Volume. Special Number. 146 - 164. old.
Az elrejelzs nemzetkzi s hazai irodalmban szmos, tbb kevsb kifinomult, matematika-ignyes
statisztikai mdszer ltezik. Az exponencilis simts mg mindig nagyon npszer. Vilgszerte ismert s
hatkony, klnsen rvid tv elrejelzsekre. Ms mdszerekkel sszehasonltva - mint pldul a BoxJenkins modellek - gyakran jobbnak bizonyulnak. Gyakorlati hasznlhatsgukat a viszonylag egyszer
121

Kiss Tibor-Sipos Bla: EXPS JPTE. 1998.

Spyros Makridakis - Steven C. Wheelwright - Victor E. McGee: Forecasting. Methods and Applications. 2. Ed.
John Wiley & Sons, New York - Chichester - Brisbane - Toronto - Singapore, 1983. felhasznlsval.
122

89

matematikai kpletek s a szmtgpes feldolgozshoz, az adatok trolshoz biztostott kedvez felttelek segtik. Tovbbi elny, hogy, kevs az elmleti feltevs s a frisebb adatoknak nagyobb slyt lehet
adni. Az indul paramterek dnt fontossgak lehetnek. Gyakran jelents mrtkben vltoztathatjk az
eredmnyeket mind pozitv, mind negatv irnyban. A szmtgpek rvid id alatt sok szmtst kpesek
elvgezni, ezrt lehetsgess vlik egy optimlis megolds kiksrletezse. Egy megfelel itercis eljrs
segtsgvel ki lehet vlasztani a legjobban illeszked becslst, azonban meg kell adni a lehetsgt tetszleges paramterek megadsnak is. Az ExpS, exponencilis simtsi program ksrletet tesz arra, hogy
mindt problmra megoldst adjon. Egy megfelel itercis eljrs segtsgvel lehetv vlik tizenkt
mdszer kzl a legjobbnak a kivlasztsa. Az adott mdszeren bell ezutn lehetv vlik a legjobb paramter-egyttes meghatrozsa.
A program futtatsa:
A program futtatsa a kvetkez parancssorral trtnik:
exps Fnev
ahol az "Fnev" az adatbzis neve
Szmos lehetsg van a program paramterezsre.
[/o nev] [/k KE] [/a Alfa] [/lIL][/e] [/t tipus][/p peridus]
[/m peridus] [/1 1. paramter] [/2 2. paramter] [/f oszlop]
ahol :
/o nev = Eredmnyek, alaprtelmezs: *.out
/k KE = Kezd rtk (F1), msklnben kiszmolja
/a Alfa = Alfa, msklnben kiszmolja
/l IL = Az U statisztika javulsnak hatra, %-ban
alaprtelmezs:0.01
/h IH = Az itercik szmnak fels hatra.
alaprtelmezs: 30
/e Az egyedli output a kpernyre rkezik.
alaprtelmezs: Output llomny.
/p A teszt peridus kezdete
alaprtelmezs: 10, ha az esetek szma nem kevesebb mint 11.
/1 Az els, nem alfa paramter rtke. (szezonalits). p2
alaprtelmezs: 0.1, 0.15, 0.2
/2 A msodik, nem alfa paramter rtke. (trend). p1
alaprtelmezs: 0.1, 0.15, 0.2
/m Az elrejelzett rtkek szma
alaprtelmezs: 1, vagy a szezonbeli peridusok szma
/f Az adatbzis neve, ha az mtrixalakban van (szveges file)
oszlop = a vltoz sorszma a mtrixon bell
alaprtelmezs: Csak egy adatsor van
/s A paramterek sklja (szezonalits s trend), amelyek rszt vesznek az iterciban.
1 : (alaprtelmezs) : 0.1, 0.15, 0.2
2 : 19-es skla, 0.05-tl 0.95-ig.
3 : 190-es skla, 0.005-tl 0.95-ig.
/c A szezonalits felttelezett esetszmai (0, 4, 5, 7, 12, 24)
alaprtelmezs : Automatikus keress
/t A simts tpusa
A simts tpusait az albbi Tblzat tartalmazza
Az exponencilis simts alkalmazott tpusai
T- 1 Egyszer exponencilis simts
T- 2 Szezonalits - additv, Trend nincs
T- 3 Szezonalits - multiplikatv, Trend nincs
90

T- 4 Szezonalits - nincs, Trend additv (Holt mdszere)

T- 5 Szezonalits - additv, Trend additv
T- 6 Szezonalits - multiplikatv, Trend additv (Winters mdszere)
T- 7 Szezonalits - nincs, Trend multiplikatv
T- 8 Szezonalits - additv, Trend multiplikatv
T- 9 Szezonalits - multiplikatv, Trend multiplikatv
T-10 Adaptv Reagls Mdszer (ARRSES)
T-11 Brown Egy-Paramteres Lineris mdszere
T-12 Brown Egy-Paramteres Quadratikus mdszere

Az ExpS program fkpernyje

A fkperny als rszn vannak a megfelel paramterek, melyeket ki lehet tlteni. Az Input adatllomny neve mezt felttlenl ki kell tlteni, mivel ezzel trtnik meg az adatllomnyra val hivatkozs.
A program ezutn fogja megtallni a fenti Bemen adatok gombbal az input adatokat. Ez egy ellenrzsi lehetsg is arra, hogy az adatllomny nevt jl adtuk - e meg. Az Eredmnyek llomnyneve mez
automatikusan kitltdik az llomnynv alapjn, amely .out vgzdst kap. Ez a mez trhat, mdosthat, amennyiben az adott adatsor tbb eredmnyt is szeretnnk lementeni. Az eredmnyek szvegfjlban lementhetk.
Az Aktivizls gomb elindtja a segdprogramot, amely a belltott paramtereknek megfelelen ltrehozza az eredmnyeket.
Ezek az eredmnyek az Eredmnyek gombra val rkattintssal tekinthetk meg. Az rzkenysgvizsglat. rsz gyorsabb munkt tesz lehetv a megfelel modell kialaktsa sorn.
Ezutn lehet lltani a megfelel paramtereket.
A Szezon meznl a kperny kzps, als rszn lehet lltani a szezonalits esetszmt (a mozgtlag
tagszmt). Automatikus keress esetn 4-tl 24-ig a feltntetett rtkeknek megfelelen keresi az optimlis mozgtlag tagszmot. Amennyiben tudjuk hogy nincs az adatsorban szezonalits, gy ez az rtk 0-ra
91

llthat. Ha nem akarunk ksrletezni a szezon tagszmmal, akkor azonnal bellthat egy konkrt rtkre, pl. negyedves adatok esetn 4-re.
A Kezd rtk, Alfa, Szezon s Trend paramtereknl amennyiben nem adunk meg konkrt rtket, gy a
program iterl egyet. Az Alfa utni Nv. (nvekmny) mez tartalmazza azt az rtket, hogy az alfa-rtk
milyen lpskzzel menjen 0-tl 1-ig. Az alaprtelmezs 0,05.
A Trend, Szezonparamter-skla azt jelzi, hogy a trend- s szezon-paramterek milyen rtkeket vesznek
fel az iterci sorn, ha nem adunk meg konkrt rtket a trend s szezon paramtereire.
Az eredmnyeknl par1 (p1) a trend paramter, par2 (p2) szezonparamter rtke.
A kperny kzepn lv sor nem ms, mint az a parancssor, melyet a DOS vltozatban kellene kiadni,
hogy a megfelel paramterezst hajtsuk vgre.
A Szerkeszt mez tartalmazza a szvegszerkeszt nevt, amellyel az eredmnyeket illetve az adatokat
elhvjuk. Amennyiben nagy az adatllomny s az alaprtelmezs szerinti Notepad nem alkalmas erre a
clra, gy vltsunk szerkesztt, pl. hasznljuk a WINWORD-t. A bemen adatok szerkesztsnl vigyzzunk, hogy az adatok mentse mindig szveges llomnyba trtnjen!
A Windows vltozat jellegzetessge, hogy a felhasznl kvetni tudja a ngy, taln legfontosabb statisztiknak (U statisztika, D-W statisztika, MAE s SDE, lsd az Elmlet rszt) alakulst. Az Utols s az
Elz gomb mindig cserli az utbbi (legutols modell) s az elz (az elz modell) eredmnyeket,
hogy lehessen kvetni a vltozst. Amennyiben elzleg ms adatsorra kerestnk modellt, gy az Elz
gomb annak az eredmnyeit fogja mutatni!
A felhasznlt mdszerek algoritmusai:
Az egyes mdszerek (t =1, 2, ...12) egyenletei a kvetkezk:
Az exponencilis kiegyenlts ltalnos alakja:
St = P + (1- )Q
Ahol:
Q = a trend
P = a szezonlis tnyez
Q s P a trend s a szezonalits tpusa szerint vltozik.
Ezt mutatja az albbi tblzat:
A szezonalits s a trend sszefggsei.
Szezonalits
nincs

Szezonalits additv

Trend nincs

P=Xt
Q=St-1

P=Xt - Ct-L
Q =St-1

Szezonalits
multiplikatv
P=Xt /Dt-L
Q =St-1

Trend additv

P = Xt
Q = St-1 + At-1

P=Xt - Ct-L
Q = St-1 + At-1

P=Xt /Dt-L
Q =St-1 + At-1

Trend multiplikatv

P = Xt
Q = St-1 Bt-1

P=Xt - Ct-L
Q =St-1 Bt-1

P=Xt /Dt-L
Q =St-1 Bt-1

ahol:
Xt = megfigyelt (tnyleges) adat
St =simtott adat:
St = P + (1- )Q
A Q (trend) s a P (szezonalits) helybe az albbi egyenleteket lehet helyettesteni:
Additv trend:
A t = (St - St-1 ) + (1- )A t-1
Multiplikatv trend:
Bt = (St /St-1 ) + (1- )Bt-1
Additv szezonalits:
C t = (X t - St ) + (1 )C t-L
92

Multiplikatv szezonalits:
D t = (X t /St ) + (1- )D t-L
L = a szezonalits peridusnak a hossza, pl. 4 negyedves adatok esetben, mg havi adatoknl 12.
Az , , ,, (alfa , bta, gamma, delta, thta) paramterek 0 s 1 kz esnek.
A kvetkez tblzat a prognzist (Ft+m) mutatja m idszakra elre
A prognzis kpletei.
Trend
nincs
nincs

Ft+m = St

Szezonalits
additv

Ft+m = St + C t-L+m

multiplikatv

Ft+m = St D t-L+m

additv

Ft+m = St + mA t Ft+m = St + mA t + C t-L+m Ft+m = (St + mA t )D t-L+m

multiplikatv

Ft+m = St Bm
t

m
Ft+m = St Bm
t + C t-L+m Ft+m = St D t-L+m B t

Az elz kt tblzat jellseit felhasznlva, a P s Q helybe behelyettestve az egyenleteket 9 simtsi

eljrs llthat el. Ezen kivl mg 3 mdszer alkalmazst ismertetjk.
Az els mdszer: norml exponencilis simts, SES 123
F

Ft+1 = X t + (1- )Ft

A becslshez az adatok rendelkezsre llnak, kivve az els becslst:
F1 = X 0 + (1- )F0
Az egyik megolds az, hogy
F1 = X1
vagy a tblzat szerinti formban:
St = X t + (1- )St-1
A msik mdszer, hogy a felhasznl adja meg az els rtket, pl. az els nhny adat tlagt veszi. A
harmadik megolds: az ExpsW program megkeresi a legjobb becslst ad kezd rtket, a hibastatisztikk (U-statisztika) alapjn. A norml exponencilis simts (SES) mdszert akkor alkalmazzuk, ha sem
trend, sem szezonlis hats nincs az idsorban.
Prognzis m idszakra elre:
Ft+m = St
A msodik mdszer: additv szezonalits, trend nincs:

St = (X t - C t-L ) + (1- )St-1

C t = (X t - St ) + (1 )C t-L
Elrejelzs m idszakra elre:
Ft+m = St + C t-L+m
A harmadik mdszer: multiplikatv szezonalits, trend nincs:

St = (X t /D t-L ) + (1- )St-1

D t = (X t /St ) + (1- )D t-L
123

SES: Single Exponential Smoothing.

93

Prognzis m peridusra elre:

Ft+m = St D t-L+m

A negyedik mdszer: szezonalits nincs, trend additv (Holt mdszere):

St = X t + (1- )(St-1 + A t-1 )

A t = (St - St-1 ) + (1- )A t-1
Elrejelzs m peridusra elre:
Ft+m = St + mA t
Lthat, hogy az eljrs azonos Holt mdszervel, aki az additv trendet (At) bt -vel jellte s a paramtert -val jellte.

Holt, lineris ktparamteres mdszere kt reakciparamtert [ s ] alkalmaz, additv lineris trendet a

megfigyelsi idszakra:
St = X t + (1- )(St-1 + b t-1)
b t = (St - St-1) + (1- )b t-1
Ft+m = St + b tm
A b1 meghatrozsra a lehetsgek:
b1 = x 2 x 1
b1 =

( x 2 x1 ) + ( x 3 x 2 ) + ( x 4 x 3 )
3

Az tdik mdszer: szezonalits additv, trend additv:

St = (X t - C t-L ) + (1- )(St-1 + A t-1 )

A t = (St - St-1 ) + (1- )A t-1
C t = (X t - St ) + (1 )C t-L
A prognzis m peridusra elre:
Ft+m = St + mA t + C t-L+m
A hatodik mdszer: szezonalits multiplikatv, trend additv (Winters mdszere):
Xt + 1 (
( ) St 1 + b t 1)
I t L
b t = (St St 1) + (1 ) b t 1

St =

X t (1 )
+
I t L
St
F t + m = (St + b t m) I t L + m
It =

ahol b, a trend, I a szezonalitst kiigazt faktor.

A becsls a tblzat alapjn:
St = (X t /D t-L ) + (1- )(St-1 + A t-1 )
A t = (St - St-1 ) + (1- )A t-1
D t = (X t /St ) + (1- )D t-L

94

Elrejelzs m peridusra elre:

Ft+m = (St + mA t )D t-L+m
A mdszer megegyezik Winters eljrsval. aki az additv trendet (At) bt - vel jellte s a szezonalits
Dt jellse helyett az It jellst alkalmazta.
A hetedik mdszer: szezonalits nincs, trend multiplikatv:

St = X t-1 + (1- )St-1Bt-1

Bt = (St /St-1 ) + (1- )Bt-1
A prognzis m peridusra elre:
Ft+m = St Bm
t

A nyolcadik mdszer: szezonalits additv, trend multiplikatv:

St = (X t - C t-L ) + (1- )St-1Bt-1

Bt = (St /St-1 ) + (1- )Bt-1
C t = (X t - St ) + (1 )C t-L
Elrejelzs m peridusra elre:
Ft+m = St Bm
t + C t-L+m

A kilencedik mdszer (t=9) szezonalits multiplikatv, trend multiplikatv:

St = (X t /D t-L ) + (1- )St Bt-1

Bt = (St /St-1 ) + (1- )Bt-1
D t = (X t /St ) + (1- )D t-L
A prognzis m peridusra elre:
Ft+m = St D t-L+m Bm
t

Ezzel a trend s szezonalits tpusok szerint klnbz simtsi mdszereket ttekintettk.

A tizedik mdszer: Adaptv Reagls Egyszer Exponencilis Simtsi Mdszer (ARRSES124).

Ennl a mdszernl t rtke vltozik peridusrl peridusra, amint az adatsma [minta, pattern] vltozik.
A mdszer alapegyenlete:
Ft+1 = t X t + (1- t )Ft
Ahol:
t+1 =

Et
Mt

E t =e t +(1-)E t-1
M t = e t +(1-)M t-1
e t =X t -Ft
124

Adaptive-response-rate single exponential smoothing: ARRSES.

95

Az s 0 s 1 kz esik a | | az abszolt rtk jele, et a hiba Et a simtsi hiba Mt az abszolt simtsi

hiba rtke.
A 11 mdszer: a Brown egyparamteres lineris mdszere.

Ktszeres exponencilis kiegyenlts, az egyszer mr kiegyenltett rtkeket, S1t mg egyszer kiegyenltjk S 2t , mivel lineris trendet feltteleznk az idsorban:

S1t = X t + (1 - )S1t -1
S 2t = S1t -1 + (1 - )S 2t -1
a t = 2S1t - S 2t
bt =
Ft + m

(S1t - S 2t )
1-
= a t + btm

A Brown egyparamteres lineris mdszert akkor hasznljuk, ha lineris trendhats van az idsorban, viszont szezonlis hats nincs az idsorban.
A 12. mdszer: Brown egypramteres kvadratikus mdszere.

Hromszoros exponencilis kiegyenlts, az egyszer mr kiegyenltett rtkeket, S1t mg egyszer kiegyenltjk S 2t , majd a ktszeresen kiegyenltett idsort mg egyszer, teht harmadszor is S3t kiegyenltjk,
mivel msodfok parabolikus (kvadratikus) trendet feltteleznk az idsorban:
1
1
S t = X t + (1 - )S t -1
2
1
2
S t = S t +(1 - )S t -1
3
2
3
S t = S t + (1 - )S t -1
1
2
3
a t = 3S t - 3S t + S t

[(6 - 5 )S1t - (10 - 8 )S 2t + (4 - 3 )S 3t ]

bt =
2 (1 - ) 2
2
=
( 1 - 2 + S 3t )
ct
2 S t 2S t
(1 - )

Ft+m = a t + b t m + 1/2c t m 2
A Brown egyparamteres kvadratikus mdszert akkor hasznljuk, ha msodfok parabolikus trendhats
van az idsorban, viszont szezonlis hats nincs az idsorban.
A kezd rtkek megadsa, az inicializils:

Az 1. s 10. mdszernl:
F1 = X1
A 11. mdszernl:
2
1
St = St = X1

a1 = X1
b1 =

(X 2 - X1 ) + (X 4 - X3 )
2

A 4. mdszernl:
96

S1 = X1
(X 2 - X1 ) + (X 4 - X3 )
2
A 12. mdszernl:
b1 =

S1 = S1 = S1 = X1
2

a1 = X1
(X - X ) + (X3 - X 2 ) + (X 4 - X3 )
b1 = 2 1
3
(X - X )
c1 = 3 1
2
A szezonalitst tartalmaz modellek (Winters s 2. 3. 5. 6. 8. 9.) esetben:
SL+1 = X L+1
Ahol:
L= a szezonalits hossza (negyedves adatok: L=4, havi adatok: L=12, tzsdenapok: L=252)
_

I1 = X1/ X
_

I2 = X 2/ X
_

I3 = X3/ X
.
.
.
_

IL = X L/ X

Ahol:
_

Xi
i=1 L

X=
b L+1 =

(X L+1 - X1 ) + (X L+2 - X 2 ) + (X L+3 - X3 )

3(L)

Tancsok a gyakorlati alkalmazshoz

Az igazn megalapozott rvidtv elrejelzs ksztshez az idsor hossza lehetleg legyen hat v. Az
els hrom v adata lehet a szmtsi idszak, a msodik hrom v adata pedig a tesztperidus. Ebben az
esetben a szezonalits becslsre hrom a tesztelsre szintn hrom v ll rendelkezsre. Ha negyedves
adatokkal dolgozunk, akkor ez azt jelenti, hogy 6*4 = 24 megfigyelt adatra lenne szksg, ha pedig havi
adatokat hasznlnnk, akkor 6*12 = 72 megfigyelt adat az optimlis. Ez utbbi esetben a tesztperidus
kezdete 72/2 + 1, azaz 37, mg a negyedves adatok esetben a tesztperidus kezdete 24/2 + 1, azaz 13.
idpontban trtnhet.
Az alkalmazott mdszer mind a 12 esetben azt felttelezi, hogy a kimutatott sszefggs (trend, szezonalits) stabil a megfigyelsi s az elrejelzsi idszakban. Ha pl. multiplikatv trendet s szezonalitst mutat ki az eljrs, illetve az ilyen modell becslsre alkalmas 9. mdszer adja a legjobb kzeltst, akkor ez
azt jelenti, hogy az emltett sszefggst a teljes megfigyelsi s elrejelzsi idszakra llandnak tekintjk. Ha tegyk fel ez a kapcsolat a tesztperidus msodik felben megvltozik, pl. a multiplikatv trendkapcsolat additvra vltozik, akkor az elrejelzs bizonytalann vlik.
97

rzkenysgvizsglatok.

Az elzekben elmondottak kvetkezmnye az, hogy az alkalmazott mdszerek stabilitst ellenrizni

kell. Ezt gy vgezhetjk el, hogy a tesztperidus kezdett vltoztatjuk, pl. az idsor -nl hatrozzuk
meg, vagy az utols v adatait tekintjk tesztperidusnak.
Negyedves adatok esetn az elz pldt folytatva a tesztperidus kezdete az albbi lehet. 6*4=24 megfigyels esetn a hromnegyed-idszak utni els negyedv a 19. negyedv; az utols vtl kezdd
tesztperidus esetn a 21. negyedv.
Automatikus keresst krve, az alfa, a kezd rtk, a p1 s p2 szezon illetve trend paramterek rtkt meg
nem adva jra futtatjuk a feladatokat. Ha ugyanazt a mdszert vlasztja ki legjobbnak a program, s a
kezd paramterek sincsenek nagyon tvol egymstl (az eltrs a 10-20 %-ot nem haladja meg) akkor az
idsor stabilnak tekinthet s a mdszer elemzsre s felttelezheten elrejelzsre is hatkonyan alkalmazhat. Ha a tesztperidus kezdetnek vltoztatsval az U-statisztika alapjn kivlasztott legjobb
mdszer tpusa is vltozik, akkor az idsor nem stabil, az idsorban vizsglt komponensek (trend, szezonalits) tendencija vltozik. Az elemzs gy bizonytalan, s az elrejelzs sem lesz megbzhat. Ez esetben megfelel elrejelzsi mdszer lehet a CENSUS II program, amely alkalmas a vltoz szezonalits s
trend kvetsre - havi adatok esetn.
Az rzkenysgvizsglat gombot lenyomva megkapjuk a program ltal ksztett rzkenysgvizsglatot.
A legjobban illeszked mdszerre szmtja ki a 12 simtsi eljrs kzl a Theil fle U - statisztikt.
Els tesztperidus kezdete: idsor fele.
Msodik tesztperidus kezdete: idsor ktharmada.
Harmadik tesztperidus kezdete: idsor ngytde.
Ha a nincs nagy klnbsg a hromfle mdn szmolt U-statisztikk kztt, akkor a becsls (a legjobb
paramterkombinci s simtsi mdszer) stabil.

3.7 A SABL-mdszer (szoftver) felhasznlsa adatelksztsre, a trend s a periodikus hullmzs sztvlasztsra *

F

A SABL 125 126 eljrst a Bell Laboratrium munkatrai 1979-ben publikltk 127. A SABL eljrs a szezonlis illetve periodikus idsorok simtst vgzi el. Additv komponensekre bontja az eredeti vagy a
transzformlt adatokat: trend, szezonlis [periodikus] s irregulris [fehr zaj] sszetevket klnbztet
meg, rezisztens [ellenllkpes] lineris vagy nemlineris simtsi mdszerek alkalmazsval. A rezisztens fogalma ebben az sszefggsben azt a tulajdonsgot jelenti, hogy a mdszer nem rzkeny nhny
adat kiugran nagy eltrse [az gynevezett outlierek] ltal okozott ers zavarhatsra, torztsra. Azokat
az rtkeket tekintjk szlssges, extrm rtkeknek, outlier-eknek, amelyek nagyon tvol vannak az eloszls kzeptl, jelentsen klnbznek a tbbi rtkektl. Elklntsk mind elemzsi, mind elrejelzsi illetve modellalkotsi szempontbl fontos feladat. Feltrsukat a grafikus brzols is segti. A szezonlis illetve periodikus illeszts clja ltalban a mltbeli s a jelenbeli adatok szezonlis illetve periodikus hullmzsnak meghatrozsa elrejelzsi clbl. Fontos, pldul rpolitikai s beruhzs-politikai
clbl, hogy az zleti vllalat tisztban legyen azzal, vltozik-e az zleti aktivits adott idszakban s a
F

125

SABL: Seasonal Adjustment Bell Laboratories.

Kiss Tibor Kruzslicz Ferenc - Sipos Bla - Szentmiklsi Mikls [1997]: 844 - 863.
127
Cleveland, W. S.-Dunn, D. M.-Terpenning, I. J. [1979].
126

98

hullmzs kisebb, nagyobb, illetve szezonlis jelleg-e. Az pitanyagipari, a divat, a mezgazdasgi

termkeket feldolgoz, idegenforgalmi stb. vllalkozsok esetben nagy jelentsge van, mert a szezonalits erteljesen rvnyesl. A szezonalts meghatrozsnak clja az ilyen fluktuci eltvoltsa az idsorbl az alapul szolgl trendhats azonostsa rdekben. Szmos mdszer ll rendelkezsre a szezonlis komponens azonostsra, a legtbb azonban rzkeny a fent emltett extrm rtkek torzt hatsra.
A szezonlis illeszts egyik clja olyan szezonlis tnyez elrse, amely stabil, azaz nem vltozik az idszakok folyamn. A SABL nven ismert eljrs 128 lnyegt tekintve simtsi mdszereket alkalmaz, amihez mozgmedinokat, rezisztens medinokat s tlagokat, valamint duplangyzet becslseket hasznl. A
SABL mdszer brmely idsorra alkalmazhat amely tartalmaz periodikus ingadozst s trendet. A mdszer alkalmazshoz legalbb hrom peridus megfigyelt adataira van szksg, napi, heti, havi, negyedves, flves vagy ves bontsban. ves adatsorokat az vszzados trendnl rvidebb (pl. 3, 9, 18, 60
ves) konjunktraciklusok kimutatsra alkalmazunk. A SABL felhasznlsval ellltott trend s szezon (periodikus) sszetevk felhasznlsval megalapozottabb prognzisokat kszthetnk, mivel az
outlierek zavar hatst kiszrtk. A kiszrs illetve a becsls 45 lpsben, egy itercis eljrs eredmnye.
F

Az idsorok SABL dekompozcijn a kvetkez felbontst rtjk:

Y=T+S+I
ahol:
T kpviseli a hossz tv trendet,
S jelli a szezonlis komponenst, rtelemszeren a konjunkturlis komponenst is, teht a periodikus hullmzst,
I az irregulris rszt, azaz a fehr zaj.
ltalban Y alatt az eredeti idsor adatait rtjk, vagy annak transzformlt [pl. ln-transzformci] alakjt.
A SABL mdszer egy iteratv eljrs. Minden itercis lpsben jra szmtjuk, finomtjuk a T, S, I rtkeket. A lpsek sorn kialakult adatsorok klcsnhatsban vannak egymssal.
A mdszer lnyegbl fakadan rendelkezik az albbi tulajdonsgokkal:
A T, S s I komponensek kztti adatthats minimlis. Extrm vagy szokatlan adatok nem befolysoljk
a T s S rtkek meghatrozst illetve becslst. Az ilyen szokatlan adatok hatsa csak az I komponensben tkrzdik. A T s S becslse amennyire lehetsges rzkenyen reagl az idsor szerkezetnek vltozsra. A mdszer csak akkor hasznlhat, ha legalbb 3 peridus adatai ismertek. Sok helyen a zrussal
val oszts elkerlse rdekben s a transzformcis szably alkalmazhatsga miatt ki kell ktni, hogy
az eredeti adatok csak pozitvak lehetnek.
A SABL eljrs els lpse, hogy az eredeti adatsort transzformcinak vetjk al. A transzformci clja, hogy: minimalizlja a szezonalts amplitdjnak fggst a trendkomponens szintjtl, egyszerbb
tegye a szezonlis illesztst, lnyegben az idsor komponenseit additvv alaktsa.
Az Y p adatsor transzformltjt D[0]-lal jelljk, a transzformcis fggvnyt egy p paramter rtknek
megadsval vlaszthatjuk ki. A p paramter az idsor auditivitsnak mrtkt mutatja, szoksos rtkei:
-1; -0,5; -0,25; 0; 0,25; 0,5; 1; A transzformcis fggvny az albbi:
D [ 0] = Y p p > 0
D [ 0] = lgY p = 0
D [ 0] = -Y p p < 0
A p paramter rtknek kivlasztshoz meg kell hatroznunk az idsor komponensei: Y, T, s S kztti
kapcsolat tpust. Additv kapcsolat esetn az Y= T+S sszefggs rvnyes, a multiplikatv kapcsolat az
Y=TS formulval jellemezhet. A multiplikatv kapcsolat logaritmus segtsgvel additvv alakthat,
azaz p=0 vlasztsval. Ekkor ugyanis az lgY=lgT+lgS formhoz jutunk. p=1 esetn az adatsor nem vltozik, p=0,5 esetn az eredeti sor ngyzetgykt, p=0,33 esetn a kbgykt kapjuk. Teht ha p=0,33 akkor harmadfok, ha p=0,5 akkor msodfok parabolikus trendet feltteleznk. Ugyanis: az S s I komponens vrhat rtke ves szinten 0.

128

Levenbach, H. - Cleary, J. P. [1982]: 248-274.

99

Ha p=0,5
Y2 = (T + S + I) = T2
2

Y = ( Y2 )

0.5

= (T + S + I)

) = (T )

2 0.5

2 0.5

=T

Ha p=0,33
Y3 = ( T + S + I ) = T3
3

Y = ( Y3 )

0.33

= (T + S + I)

3 0.33

= ( T3 )

0.33

=T

Ha az eredeti adatok [pl. relatv nvekedsi tem] negatv, akkor a p is negatv (p<0), gy a D[0] pozitv
lesz.
Elszr simtsi eljrst alkalmazunk az els rezisztens simtott trend meghatrozsnak rdekben. A
simtott trendet kivonjuk az adatokbl: [D-T] = [S+I] alapjn gy kapjuk az [S+I] sort. Ezutn az [S+I]
cskken slyozs [tapered] mozgmedinjainak s mozgtlagainak szmtsa kvetkezik, gy nyerjk
a kezdeti rezisztens szezonlis komponenst. Ezutn a kapott kezdeti szezonlis komponens a [mr transzformlt] eredeti adatsorbl trtn kivonsa utn a msodik simtott trendet hatrozzuk meg. Ezt kveti az
irregulris komponens szmtsa: [D-T-S=I].
A SABL eljrs vzlata 129
A cskken slyozs [tapered] mozgtlag s mozgmedin szmtsa sorn hasznlt slyok meghatrozshoz a slyok olyan sorozatra van szksgnk, ahol a slyok az adott idszaktl [hnaptl, vtl,
naptl, stb. attl fggen, hogy milyen adatokkal dolgozunk] val tvolsg arnyban cskkennek. Ilyen
tulajdonsggal rendelkezik a duplangyzet [bisquare] fggvny:
B(u) = (1 u 2 ) 2 u 1
F

B(u) = 0 u > 1

A B[u] fggvny brja a kvetkezkppen nz ki:

3-22. bra: Duplangyzet fggvny

Ttelezzk fel, hogy havi adatokkal rendelkeznk s kis trendsimitsi paramter (nts) hasznlunk, aminek
az rtke: (12/2)+1=7. Legyen teht ht - peridus ablak a duplangyzet slyok [W(t)] meghatrozshoz.
W(t) = B[t/(T+1)] = B(u)
u = t/(T+1)
t = -T,0,T
Pldnkban: t = -3, -2, -1, 0, 1, 2, 3
T+1=4
A slyok W(t):
W(-3)=B(-3/4)=[1-(-3/4)2]2 = 0,191
W(-2)=B(-2/4)=[1-(-2/4)2]2 = 0,563
129

A SABL programozs lpseinek rszletes ismertetstl annak bonyolultsga miatt eltekintnk. Ld.: Levenbach, H. - Cleary, J. P. [1982]: 215-220. s 248-274.

100

W(-1)=B(-1/4)=[1-(-1/4)2]2 = 0,879
W(0)=B(0)=[1-0)2]2 =1,000
W(1)=B(1/4)=[1-(1/4)2]2 = 0,879
W(2)=B(2/4)=[1-(2/4)2]2 = 0,563
W(3)=B(3/4)=[1-(3/4)2]2 =0,191
A tbbi sly 0, pl.: T=5, mert u = 5/4 > 1
Ha u>1 akkor B(u)=0
A cskken slyozs (tapered) tlag szmtst mutatja a 3-3. tblatbla.
3-3. tbla: Cskken slyozs (tapered) tlag szmtsa prilis hnapban

Hnap
Adat
Jan.
5,831
Febr.
5,84
Mrc.
5,849
pr.
5,856
Mj.
5,861
Jun.
5,863
Jl.
5,864
sszesen

Sly
0,191
0,563
0,879
1
0,879
0,563
0,191
4,266

Slyozott
=Adat*Sly
1,114
3,288
5,141
5,856
5,152
3,301
1,120
24,972

rtk Cskken slyozs

tlag=24,972/4,266

5,854

Az egyes lpsek vgrehajtshoz a kvetkez adatok szksgesek:

ndt = az idsor hossza adatokban szmolva;
ndp = egy szezon hossza adatszmban mrve, szoksos rtkei: [ha hnapokkal dolgozunk]: 4 [negyedves], 12 [ves], ), ha hetekkel dolgozunk: 52 (ves szinten). Ha ves adatokkal dolgozunk akkor a
ciklus hosszt kell megadni: pl.: 3, 9, 18, 54.
nss = a szezonlis rsz simtsi faktora, minl nagyobbat vlasztunk, annl simbb adatokat kapunk a
szmts sorn. Szoksos rtkei: [ndt/ndp]+1 [kis], 2[ndt/ndp]+3 [kzepes], 4[ndt/ndp]+7 [nagy], ahol a
szgletes zrjelek az egszrsz fggvnyt jelentik.
Pl.: Ha a havi adatok idsora 68 adatbl ll (ndt=68), akkor: a nss = a szezonlis rsz simtsi faktora
[68/12]+1=5+1=6 (kis), 2[68/12]+3= 13 (kzepes), 4[68/12]+7=27 (nagy).
Ha negyedves adataink vannak s az adatsor 40 adatbl ll (ndt=40) akkor: a nss = a szezonlis rsz simtsi faktora [40/4]+1=10+1=11 (kis), 2[40/4]+3= 23 (kzepes), 4[40/4]+7=47 (nagy).
nts = a trend rsz szmtsakor hasznlt simts foka. Itt is a nagyobb szm nagyobb simtst eredmnyez. Szoksos rtkei: [ndp/2]+1 [kis], ndp+3 [kzepes], 2ndp+7 [nagy], a nagyobb simtsi rtk mindig az elz ktszeresnl eggyel nagyobb.
Pl.: Havi adatoknl, ahol a peridus hossza (ndp) 12, a kis trendsimitsi paramter (nts): (12/2)+1=7, a
kzepes trendsimitsi paramter (nts): 12+3=15, a nagy trendsimitsi paramter (nts): (2*12)+7=31.
Ha negyedves adataink vannak, ahol a peridus hossza (ndp) = 4, a kis trendsimitsi paramter (nts):
(4/2)+1=3, a kzepes trendsimitsi paramter (nts): 4+3=7, a nagy trendsimitsi paramter (nts):
(2*4)+7=15.
A SABL szoftver felismeri az adatllomny hosszt s megadja a trend s szezon komponens kzepes
simtsi fokt.
ndd = a szmts kzben kies adatok ptlsra szolgl becsls tartomnynak hossza: lehetsges rtkei: 1, 2, ndt/[2ndp];
var = ezt a paramtert nem ktelez megadni, de ha megadjuk, akkor az itercis eljrs vgeztvel a
vgeredmnyben az outlierek irregulris rtkeit korriglni lehet. Minden olyan irregulris adat vgsra
kerl, ahol:
|irregulris_adat| var * irregulris_sor_szrsa
101

azaz, ha az irregulris adat nagyobb, mint az irregulris sor szrsnak var-szorosa, akkor azzal az rtkkel helyettestjk. A Var megadsval az outlierek hatst mrskelni lehet.
A Var szoksos rtkei: 2 s 3.
Az eljrs lpseit foglaljuk ssze a kvetkez tblban.
A SABL teht elsdlegesen az adatllomny transzformcijt vgzi el, eredeti formjban kzvetlen elrejelzsre nem alkalmas. A helyesen transzformlt adatok additv kapcsolat trend s peridus [szezon
vagy konjunktra] komponenseket tartalmaznak, az irregulris rszt viszont nem. A SABL ltal transzformlt sor felhasznlhat a klnbz idsorkutatsi mdszerekkel [pl. trend-extrapolci, exponencilis
simts, stb.] trtn becslsekhez. A mdszer alkalmazsra szmtgpes program kszlt 130, amely a
kvetkezkppen mkdik:
F

3-4. tbla: A SABL dekompozcis folyamat 131

F

INPUT
Y=Eredeti adatok

MVELET
OUTPUT
Adatok transzformlsa D [ 0] = Y p p > 0
D [ 0] = lgY p = 0

D[0]=transzformlt adatok

Els trend simts

D[0]-T[1]=nyers szezonali- Szezonalits simtsa

ts
S[1]
Szezonlis trend
simtsa s eltvoltsa
S[2]
Elveszett szezonlis
komponensek becslse

D [ 0] = -Y p p < 0
T[1]=D[0] adatok els trend
simtsa
S[1]=D[0]-T[1] simtott
szezonalitsa
S[2]=S[1] - S[1] trend simtsa

S[3]=a kiegsztett szezonalits rtkek hozzadsa a sor

elejhez s vghez
D[0]-S[3]=nyers trend
Trend simts
T[2]=D[0]-S[3] trend simtsa
D[0]-T[2]=nyers szezonali- Szezonalits simtsa
S[4]=D[0]-T[2] simtott szets
zonalitsa
S[4]
Szezonlis trend simt- S[5]=S[4] - S[4] trend simtsa
sa s eltvoltsa
D[0]-S[5]=nyers trend
Trend simts
T[n]=D[0]-S[5] trend simtsa
D[0]-T[n]=nyers szezonali- Szezonalits simtsa
S[6]=D[0]-T[n] simtott szets
zonalitsa
S[6]
Szezonlis trend simt- S[n]=S[6] - S[6] trend simtsa
sa s eltvoltsa
D[0], T[n], S[n]
Irregulris komponens I[n]=D[0]-T[n]-S[n]
szmtsa,
D[0], T[n], S[n], I[n]
grafikus brk
grafikus brk rtelmezse
ksztse (T, S, I, T+S) s diagnosztizlsa
3-4. tbla folytatsa: SABL szoftver mkdse: megadand paramterek
Paramter Jelentse
neve
in

130
131

Lehetsges rtke

az idsort tartalmaz adatfjl neve, amit a SABL felismer, *.dat

egy oszloban adatsor, egrmvelettel megkereshet, Excel
*.txt
fjlnl, mdsitott ments: formzott szveg szkzzel tagolt, *.prn, majd a , cserje .-ra a Total Commanderben:
*.txt vagy *.dat. Meg kell adni.

Kruzslicz Ferenc-Kiss Tibor-Sipos Bla: SABL Decomposition of Time Series 1997 PTE Version 2.1.
Cleveland, W. S.-Dunn, D. M.-Terpenning, I. J.[1979] Table 1, p. 206.

102

sbl, out

a fjl neve, amelybe az eredmnyeket tesszk, egr- *.sbl *.out

mvelettel megkereshet. Meg kell adni.

ndp

az idsor egy ciklusnak hossza (havi adatoknl 12, ne- 12, 4,

gyedves adatoknl 4, hossz ciklusoknl 9 stb.), amit be stb.
kell rni. Meg kell adni.

nts

a trend simts nagysga, lehet vltoztani: kis, kzepes s Kzepest

nagy, alaprtelmezs kzepes, ndp megadsa utn dupla megadja
kattints.

nss

a szezonlis simts nagysga, lehet vltoztani, kis, kze- Kzepest

pes s nagy, alaprtelmezs kzepes, ndp megadsa utn megadja
dupla kattints.

ndd

az iterciban kies adatok helyrelltshoz hasznland 1..[ndt/

regresszis adatok szma (max. a peridusok szmnak fe- (2ndp)]
le, teht az idsor hossza osztva a peridus hosszval)

Az "in" "out" s "ndp" paramter megadsa ktelez, az sszes tbbi nem, mivel a szoftver a tbbi paramtert becsli az nts s nss rtkekre kzepes simtsi rtket ad.
ndt
niter
p

var
Eredmny

az idsor hossza (az adatok szma), a program kiszmolja, nem kell megadni
az algoritmus sorn vgrehajtand itercis lpsek szma
a be- s kimeneti adatok transzformcis paramtere:
Meg kell adni, 0, 0.5, 0.33 stb.

116384
065535

brmely
vals szm:
1 az alapeset
pozitv vairregulris rsz levgsa, az albbi sszefggs szerint
ls szm:
irregulris adat var szrs (irregulris sor)
2, 3
Alapeset: 1.
az Eredmny munkalapban a szmtsok paramterei s D, T, S, I
eredmnyei lthatk:
D: eredeti adatok
T: trend komponens
S: szezonlis komponens
I: irregulris rsz
A D, T, S, I adatsorokat Excelbe msoljuk, a tizeses .-t
cserljk ,-re s az adatokat pl. T, S, I, T+S brzolhatjuk elemezhetjk.
A SABLSHEL.EXE szoftver alkalmazsnak bemutatsa.

Szmols utn:

103

Az Eredmny: d = eredeti idsor, t = SABL trend, s = SABL szezonalits, i = irregulris rsz.

A SABL szoftvert a fknyvtrba kell msolni: pl. C:/SABL vagy: D:/SABL.

A program a SABLSHEL.EXE fjllal indul. Eltte az adatokat el kell kszteni. Az Excel fjl csak egy
adatsort tartalmazzon, azt amit majd a SABL-lal le kvnunk futtatni. Az oszlopnak ne legyen neve az els cellban, csak az idsort hasznljuk. Mentsk le mdostott mentssel: Formzott szveg (szkzzel
tagolt, kiterjeszts: *.prn) formtumban. Windows Commanderrel szerkesszk, a vesszket cserljk ki
pontokra. Hasznlhatjuk a jegyzettmbt (notepad-ot) is ahol megnyitjuk a *.prn fjlt s a vesszket cserljk ki pontokra s lementjk a szveg llomnyt: *.txt. Ezt a fjlt a SABL felismeri, majd az output
fjlnak nevet kell adni: pl. *.sbl s a peridus hosszt (ndp) mdostani kell az adatsor ismeretben, pl.
havi adatok 12, negyedves adatok: 4, stb. Ezt kveten a szezon s a trend simtsa cellkra klikkelve a
kzepes simts fokt kiszmolja, amitl el lehet trni. Ha a kzepes simtsi fok felt vesszk akkor kis,
ha dupljt akkor nagy simtsi fokkal szmolunk. Erteljes irregullis hullmzs s gyakori kiugr rtkek esetben clszer a nagy simtsi fokot alkalmazni. A tbbi paramtert [Pl.: Adatok transzformcija
(p=), Kiugr rtkek vgsa (var=)] az elzekben lertak szerint lehet megadni. Ha lefutott a program az
Eredmny munkalapban megjelenik a D, T, S s I oszlopvektor, amit Excelbe lehet msolni s a tizedes
pontokat ki kell cserlni vesszkre. Az adatok Excelben (pl.: T, S, I, T+S) brzolhatk s rtkelhetk.
A szmtsokat a Magyarorszg energiafelhasznlsa, negyedves adatok, 1999-2007 (PJ) alapjn mutatjuk be, ahol: D: eredeti adatok, T: trend komponens, S: szezonlis komponens s I: irregulris rsz.
Grafikusan brzolva az eredeti adatokat (D) s a SABL trendet (T), a szezonalitst (S) s az irregulris
rszt (I):
F

104

400

Energia felhasznls (PJ) alakulsa Magyarorszgon s a

SABL szoftverrel vgzett szmtsok eredmnyei

300
D
T
S
I

PJ

200
100
0
2007,01

vek-negyedvek 1991.01-2007.04

2006,01

2005,01

2004,01

2003,01

2002,01

2001,01

2000,01

1999,01

-100

3-23. bra: Energia felhasznls alakulsa Magyarorszgon

Az USA energiafelhasznlsa 132 esetn a szmtsokat elvgezve a T+S az albbi brt mutatja:
F

Millird kWra/hnap

Az USA lakossgi villamosenergia fogyasztsa (millird kwra/hnap)

SABL: T+S
400
350
300
250
200
150
100
50
0
2007,01

2005,01

2003,01

2001,01

1999,01

1997,01

1995,01

1993,01

1991,01

1989,01

1987,01

1985,01

1983,01

1981,01

1979,01

1977,01

1975,01

1973,01

Id1973.01-2007.11

3-24. bra: Az USA villamos energia fogyasztsa

Ha az adatok transzformcija s=0, akkor a trend s szezontnyez kztti multiplikatv kapcsolatot additvv alaktjuk.
Az USA lakossgi villamosenergia fogyasztsa (millird
kwra/hnap)
SABL (p=0): T+S

Millird kWra/hnap

400
300
200
100
0

200

200

200

200

199

199

199

199

199

198

198

198

198

198

197

197

197

197

Id:1973.01-2007.11

3-25. bra: Az USA villamos energia fogyasztsa. A SABL trend

132

Az adatsort a szezonalits vizsglatnl mr bemutattuk.

105

Gyakorl feladatok a SABL-szoftver alkalmazsra*

1. A SABL szoftver felhasznlsval vlassza szt a trend (T), a peridikus (S) s az irregulris (I) tnyezket s brzolja a T+S sszeget az Amerikai Egyeslt llamok (USA) rendelkezsre ll hossz idsorai alapjn. A peridus hossznak vegyen 9 s 18 vet.
1.1 Egy fre jut aranytermels 1860-2005 kztt.
1.2 Egy fre jut kolajtermels 1866-2005
1.3 Egy fre jut kszntermels 1860-2005
1.4 Egy fre jut lomtermels 1830-2005
1.5 Egy fre jut acltermels 1867-2005
1.6 Egy fre jut vasrctermels 1880-2004
3.8 Az ARIMA modellezs menete

George E. Box s Gwilym M. Jenkins npszerstette az autoregresszv/mozgtlag modellek alkalmazst idsor prognosztizlsi feladatokra. Mikzben ezt a mdszert eredetileg az 1930-as vekben fejlesztettk ki, nem volt szleskren ismert, amg Box s Jenkins nem publiklta rszletes lerst knyv formban 1970-ben133. A Box s Jenkins ltal ajnlott ltalnos mdszer, ARIMA modellek alkalmazsa
idsorelemzsre, prognosztizlsra s ellenrzsre az idsorelemzs Box-Jenkins mdszertanaknt lett
ismert.
Az
ARIMA
(AUTOREGRESSIVE-INTEGRATED-MOVING-AVERAGE=
AUTOREGRESSZV INTEGRLT MOZGTLAG) modellezs menett a kvetkezkben foglaljuk
ssze. 134
A szochasztikus idsori modellek integrlt autoregresszv s mozgtlag (rvidtve ARIMA) modellcsaldjnak elnevezsben , az AR az autoregresszv, az MA a mozgtlag jelzre, az I bet
(INTEGRATED) pedig az sszegzsre utal. Az autoregresszv (AR) modell, az idsor jelenlegi rtkt,
sajt elz rtkeinek fggvnyben fejezi ki, termszetesen, mint sztochasztikus modell, kiegszlve a
vletlen ingadozst reprezentl vltozval. Az autoregresszi a regresszi olyan formja, melyben az
eredmnyvltoz ms magyarz vltozk helyett sajt klnbz ksleltets mltbeli rtkeihez kapcsoldik. Statisztikai szempontbl teht egyvltozs idsorelemzst vgznk.
ARIMA (p, 0,0):
Yt = 0 + 1Yt-1 + 2 Yt-2 + ... + p Yt-p + t
vagy:
Yt = 1Yt-1 + 2 Yt-2 + ... + p Yt-p + t
ahol: p az autoregresszivits rendjt jelli.
A mozgtlag (MA) modell az idsor jelenlegi rtkt, a jelenlegi s a mltbeli vletlen vltozk fggvnyben fejezi ki.
ARIMA (0,0,q)
Yt = t + 1 t-1 + 2 t-2 + ... + q t-q
ahol: q a mozgtlag folyamat rendjt jelli.
(thta= , =epszilon, f= )
Mozgtlag. Kt klnbz jelentse van ennek a kifejezsnek. Elszr: idsoroknl a k- tag mozgtlagot k egymst kvet megfigyelsi rtk tlagaknt definilhatjuk. Ezt felhasznlhatjuk simtsra vagy
elrejelzsre. Msodszor: a Box - Jenkins modellezsben az MA a mozgtlag rvidtse az ARIMA-ban,
s az jelenti, hogy az idsor rtkt a t idpontban befolysolja a jelenlegi hibatag s a mltbeli hibatagok
slyozott kombincija.

133

Box, G.E.P. - Jenkins, G.M. [1970]: Time Series Analysis. Forecasting and Control. Holden-Day, San Francisco, CA.
134
Herman-Pintr-Rappai-Rdey: Statisztika II. [1994] Pcs. 8.6. Sztochasztikus idsori modellek. felhasznlsval s kiegsztsvel.

106

ARMA modell Az ilyen tpus idsori modell formja lehet autoregresszv (AR) vagy mozgtlag (MA)
vagy a kett kombincija (ARMA, vagy ms nven vegyes modell).
A vegyes (ARMA) modell az idsor jelenlegi rtkt, sajt elz rtkeinek, s a jelenlegi, illetve a mltbeli vletlen vltozk fggvnyben fejezi ki.
ARIMA(p,0,q):
Yt = 1Yt-1 + ... + p Yt-p + t + 1 t-1 + ... + q t-q
Az autoregresszv integrlt mozgtlag (ARIMA) modell, a differencia- vagy klnbzet- kpzssel stacionriuss transzformlt, n. d-ed rend integrlt [I(d)] idsorokra felrt ARMA modell. Ha pldul az
idsor els differencii (az Yt Yt-1 rtkek) stacionriusak, az eredeti idsor elsrend integrlt [I(1)].
Az ARIMA modellezs kiindulpontja annak megllaptsa, hogy a vizsglni kvnt idsorunk stacionrius-e, illetve, ha nem, akkor az, hogy alkalmas transzformcival stacionriuss tehet-e. Ezzel eldntttk azt, hogy az adott idsorhoz illeszthet-e ARIMA modell, ha igen milyen (d) dimenzival (fokkal)
rendelkezik. A kvetkez krds annak megvlaszolsa, hogy milyen tpus ARMA modell illesztsvel
prblkozzunk, illetve, milyen legyen az autoregresszivts (p) s/vagy, a mozgtlagols (q) rendje. Erre
a krdsre a vlaszt a tapasztalati, vagy a transzformlt idsor ACF s PACF rtkei (autokorrelcis- s
parcilis autokorrelcis egytthatk) alapjn adjuk meg. A modellezs ezen fzist, modell azonostsnak (identifikcinak) nevezi a szakirodalom.
Ezutn a modellezs lpsei alapveten megfelelnek a mr ismert lineris regresszis modellezsnek. A
vlasztott modell paramterbecslse utn a modell ellenrzse kvetkezik. A modell ellenrzse sorn
vizsgljuk azt, hogy paramterei szignifiknsak-e, illetve vletlen vltozik fehr zaj folyamatot kvetnek-e. Specilisan az ARMA modelleknek van stacionartsi (az idsor jellemzi idben llandak, azaz
fggetlenek a t idvltoztl) s invertibilitsi (azaz a becslt paramterek abszolt rtke kisebb mint
egy) felttele is, melyek a modell paramtereinek rtkre vonatkoz megszortsokknt jelennek meg.
Ezutn dntnk arrl, hogy felhasznlhat-e az illesztett modell elemzsre, elrejelzsre, vagy ms modell vlasztsval kell prblkoznunk. A modellkszts menett illusztrlja az albbi folyamatbra.
Az ARIMA modellek dimenziit a kvetkez mdon adjuk meg: ARIMA (p, d, q). A gyakorlati alkalmazsok szerint az idsorok nagy rsze jl kzelthet olyan modellekkel, melyeknl az autoregresszivits
s a mozgtlag folyamat rendje (p s q), illetve a differenciakpzs foka (d) alacsony. ltalban mindhrom dimenzi - a (p), a (d), s a (q) is 0, vagy 1, vagy 2 rtket vesz fel. Olyan idsorok elemzsre, melyek szezonlis ingadozst is tartalmaznak, az n. szezonlis ARIMA modellek alkalmasak, melyekkel pl.
havi adatsorok (s=12), vagy negyedves adatsorok (s = 4) elemezhetk. A szezonlis modellek ltalnos
jellse: ARIMA (p, d, q) (P, D, Q)s.
A paramterek fggvnyben az idsor hossza rvidl, a kies adatok szma=p+d+q+s(P+D+Q)
Az ARIMA modellezs feltevse szerint teht, az idsorok ltal reprezentlt sztochasztikus folyamatok,
viszonylag egyszer lineris modellekkel lerhatk. A modellezsi technika kidolgozsnak alapvet clja, megbzhat rvidtv elrejelzsek ksztse.
A modellezs sorn a megfigyelt idsorban tapasztalhat bels sszefggsek alapjn kvetkeztetnk a
sztochasztikus folyamat jellegzetessgeire. E jellemzk hatrozzk meg a vlasztott modell tpust. A
modell paramtereinek segtsgvel - melyeket a megfigyelt idsorbl becslnk, - lerhat az a "szisztma", aminek alapjn az idsor jelen idszaki rtke elllthat, az idsor mltbeli rtkeinek s/vagy az
elmlt idszakban realizldott vletlen eltrseknek a lineris kombincijaknt. A modellek alkalmazsnak vgs soron az a clja, hogy vlasztott megbzhatsgi szint mellett az idsor jvbeni rtkeire intervallumbecslst tudjunk adni. Az idsorokban tapasztalhat bels sszefggsek megllaptsa az idsorok korrelcis struktrjnak feltrst jelenti, ez indokolja a modellkszts nagy adatignyt. ltalban 100-120 elem megfigyelt idsorra van minimlisan szksg, mivel clszer minl nagyobb ksleltetsig elmenni, ami azt jelent, hogy ltalban a K= 20-25. Az ltalnosan alkalmazott sszefggs K<(n/4)
alapjn 25 idszakkal trtn ksleltetshez legalbb 100 elem idsorra van szksgnk. Nem szezonlis, teht ves adatok esetben a K lehet kisebb, pl. 12 (ez 48 ves adatot ignyel), de szezonalitst tartalmaz, pl. havi adatoknl a tendencia feltrshoz 3*12=36 havi ksleltetsre is szksg lehet, itt az n>144
havi adat. A hossz idtvot tfog, sszehasonlthat adatsor megfigyelse sokszor megnehezti a modellezst, amihez hozzjrul mg az alkalmas, lehetleg ingyenes, szoftverek beszerzse. (pl. JMulti,
[http://www.jmulti.de/] Gretl, [http://gretl.sourceforge.net/] R+ interneten mkd szoftver)
R+ interneten elrhet: Free Statistics Software (Calculator).
107

Adatcsere utn paramtereket be kell lltani s szmol, hibs paramterezs esetben zenetet ad, Excelbe is lehet exportlni, a vesszket ki kell cserlni, ha az adatokkal tovbbi szmtsokat vgznk az Excelben, pl. diagram ksztse.
(Partial) Autocorrelation Function - Free Statistics Software (Calculator):
http://www.wessa.net/rwasp_autocorrelation.wasp#output
ACF s PACF szmtsa s tesztelse.
ARIMA Backward Selection - Free Statistics Software (Calculator)
http://www.wessa.net/rwasp_arimabackwardselection.wasp#output
ARIMA paramtereinek becslse, backward elimincis mdszer alkalmazsa.
ARIMA Forecasting - Free Statistics Software (Calculator) :
http://www.wessa.net/rwasp_arimaforecasting.wasp
Elrejelzs s tesztels (teszt peridus megadsa).
Az elmleti idsort jelent sztochasztikus folyamat jellemzi (vrhat rtke, szrsngyzete s
autokorrelcis egytthati) azonban, csak akkor becslhetk a tapasztalati idsorbl, ha ezek a jellemzk idben llandak, azaz fggetlenek a t idvltoztl. Az ilyen tulajdonsgokkal rendelkez idsorokat stacionrius idsoroknak nevezzk.
Stacionrius idsor az Y1, Y2, . . . , Yt, . . . , YT elmleti idsor ha :
1. E (Yt ) =
3. k =

2. Var (Yt ) = 2
Cov (Y t ,Y t k )
2

k = 1, 2,

ahol: Cov (Yt , Yt k ) = E (Yt )(Yt k )] s

2 = t t k mivel t = t k = (= m)
A stacionrius idsorok nem tartalmaznak idtrendhatst, az idsor rtkei egy lland tlagos szint krl ingadoznak, lland szrssal. Az lland szrs azt jelenti, hogy az ingadozsok intenzitsa idben
nem vltozik (nem nvekszik vagy cskken). Ezenkvl a stacionrius idsorokra jellemz az, hogy az
autokorrelcis egytthati (pk) idben llandak, nem fggnek t-tl, csak a vltozk egyms kztti tvolsgtl, k-tl. Amennyiben idsorunk nem stacionrius folyamatbl szrmazik, alkalmasan megvlasztott transzformcival stacionerr prbljuk alaktani. Ha ez nem sikerl, a folyamatra ARIMA modellek nem illeszthetk.
1.

A stacionarts biztostsa

Az ARIMA modellezs kiindulpontja annak megllaptsa, hogy a vizsglni kvnt idsorunk stacionrius-e, illetve, ha nem, akkor az, hogy alkalmas transzformcival stacionriuss tehet-e. Ezzel eldntttk azt, hogy az adott idsorhoz illeszthet-e ARIMA modell, ha igen milyen (d= DIFFERENCE,
DIFFERENCIA) dimenzival (fokkal) rendelkezik.
1.a Stacionrius idsor. Az elzekben definiltuk a stacionrius idsor kritriumait. Ennek alapjn a sor
stacionrius, ha a statisztikai jellemzi fggetlenek a konkrt idperidustl a megfigyels folyamn.
1.b Nem stacionrius idsor. A tapasztalati idsor nem stacionrius jelleget mutat, ha az alapjul szolgl
folyamat tlaga s/vagy variancija nem konstans. A gyakorlatban az idsor brjnak tanulmnyozsa,
illetve az idsor autokorrelciinak sorozata felhasznlhat annak megllaptsra, hogy az egyik, vagy
mindkt felttel fennll-e. Az els lps teht stacionarts biztostsa.

108

Start

NEM
Stacionrius-e
az idsor?

Transzformcik
(differencia
kpzs,
logaritmizls

IGEN

Modell azonostsa
(identifikci) a p,q rtknek
magllaptsa
ARMA (p,q)

Paramterbecsls

NEM
Modellellenrzs

A modell
mdostsa

IGEN

Elemzs,
elrejelzs
Stop

3.8.1 Az ARIMA modellezs lpsei.

Nem stacionrius idsorok135:

135

Forrs: http://www.google.com/search?q=forecasting+error+definition+filetype:ppt&hl= en&client =netscapepp&rls=com.netscape:en-US&prmd=ivns&ei=QUJKTtGLLYzOswan9Jm UB w&start=40&sa=N Korebl rkez

turistk szma, havi bontsban 1992-2004.

109

16000

12000

14000

10000

12000

10000

9000
8000

8000

7000

8000

6000

6000

10000
6000

5000

8000

4000

4000

4000

6000
4000

2000

2000
92

94

96

98

00

02

04

3000

2000

2000

0
92

94

96

AUSTRALIA

98

00

02

04

1000
92

94

96

CANADA

24000

45000

20000

40000

98

00

02

04

92

94

96

CHINA

98

00

02

04

02

04

00

02

04

00

02

04

00

02

04

00

02

04

GERMANY

50000

7000
6000

40000
35000

16000

5000
30000

30000

4000

12000
25000
8000

3000

20000

20000

2000
10000

4000

15000

1000

10000

0
92

94

96

98

00

02

04

0
92

94

96

HONGKONG

98

00

02

04

0
92

94

96

JAPAN

00

02

04

92

94

96

KOREA

7000

30000

12000

6000

25000

10000

20000

8000

15000

6000

10000

4000

1000

5000

2000

5000

98

98

00

MALAYSIA

60000

50000

40000

4000
3000

30000

2000

92

94

96

98

00

02

04

92

94

96

SINGAPORE

98

00

02

04

20000

10000
92

94

96

TAIWAN

98

00

02

04

92

94

96

UK

98
USA

Stacionrius idsorok, (differencia kpzssel):

8000

6000

4000

6000

6000

4000

3000

4000

2000

2000

2000

1000

-2000

-2000

-4000

-4000

-1000

-4000

-6000

-6000

-2000

4000
2000
0
-2000

92

94

96

98

00

02

04

92

94

96

AUST

98

00

02

04

-6000
92

94

96

CAN

98

00

02

04

92

94

96

CHI

12000

12000

12000

8000

8000

8000

4000

4000

4000

98
GERM

2000

1000

-1000
-4000

-4000

-8000

-8000

-8000

-12000

-12000

-12000

92

94

96

98

00

02

04

-4000

92

94

96

HONG

98

00

02

04

-2000

-3000
92

94

96

JAP

3000

98

00

02

04

92

94

96

KOR

12000

98
MAL

5000

30000

4000
2000

8000

20000

3000

1000

2000
4000

10000

1000

0
0

0
-1000

-1000
-2000

-4000

-2000

-10000

-3000
-8000

-3000
92

94

96

98
SING

00

02

04

-4000
92

94

96

98
TWN

00

02

04

-20000
92

94

96

98

00

02

04

92

94

UKK

96

98
US

I A stacionarts biztostsa ves adatok esetben, nem szezonlis differencia kpzs.136

ltalban megllapthat, hogy a gazdasgi, trsadalmi idsorok tbbsge jelents fejldst mutat, ltalban jellemz rjuk az emelked, vagy cskken tendencia. Ilyen esetekben mondhatjuk, hogy az idsor
vrhat rtkben nem stacionrius, s ezrt kpezzk a sor els differencijt, azaz kpezzk az idsor
(Yt Yt-1) rtkeit. Az els differencik, az eredeti sorbl szmtott vltozsokknt rtelmezhetk.
Yt = Yt - Yt-1
Vegyk az albbi lineris idtrendet:
= b +b t
Y
t
0
1
Az idtrend els differencija:
136

Ramanathan Ramu [2003]: Bevezets az konometriba alkalmazsokkal. Panem. 537-540.

110

dy
Y
Y(t + t) - Y(t)
(Yt - Yt-1 )/(t -[t -1]) = (Yt - Yt-1 )
= lim
= lim
dt t 0 t t 0
t
A lineris trend t-szerinti derivltja:

dY
= b1
dt
Mivel teht a kzeltleg lineris idtrend esetn az egymst kvet tnyadatok kztt konstans rtk a
klnbsg, vagyis a nvekmny vagy cskkens, gy az egysgintervallum szerinti differenciakpzssel a
idtrendhatst tekintve konstans rtken tarthat a folyamat.
Amennyiben az els differencik nem stacionriusak, akkor msodszor is differencilni kell, mgpedig az
els differencikat [(Yt Yt-1) - (Yt-1 Yt-2)]. Ilyenkor az idsor msodrend integrlt [I(2)]. Az elsfok
differencia-sornak n-1, a msodfok differencia-sornak n-2, a mg a tizenketted fok differencia-sornak
[tizenkettedrend integrlt I(12)] pedig n-12 adata lesz.
Yt = ( Yt - Yt-1 )
2 Yt = ( Yt - Yt-1 ) - ( Yt-1 - Yt-2 ) = Yt - 2Yt-1 + Yt-2

A magasabb fok differencia-kpzs szksg estn tovbb folytathat.

3 Yt = ( Yt Yt 1 ) ( Yt 1 Yt 2 ) ( Yt 2 Yt 3 ) = Yt 2Yt 1 + Yt 3
4 Yt = ( Yt Yt 1 ) ( Yt 1 Yt 2 ) ( Yt 2 Yt 3 ) ( Yt 3 Yt 4 ) =
Yt 2Yt 1 + Yt 4
.
.
.
12 Yt = Yt 2Yt 1 + Yt 12
.
.
24 Yt = Yt 2Yt 1 + Yt 24
Ha az idsor exponencilis idtrenddel rendelkezik, vagyis az idsor lland %-os temben, exponencilisan n, logaritmusa lineris idtrendet tartalmaz, ami mr differencilhat.
= b bt
Y
t
0 1
= lnb + tlnb
lnY
t

A msodfok polinomilis idtrend eliminlhat ktszeri- ( 2 Yt ), a harmadfok polinomilis idtrend

pedig hromszori ( 3 Yt ) differencilssal.
= b + b t + b t2
Y
t
0
1
2
2
dY
= (b1 + 2b 2 t)' = 2b 2
dt

Yt = b 0 + b1t + b 2 t 2 + b3 t 3

d3Y
t
= (b1 + 2b 2 t + 3b3 t 2 )' = (2b 2 + 6b3 t)' = 6b3
dt
Y

Trend-stacionarts esetben: Y
t
trend Az idtrend lehet hiperbolikus, hatvnykitevs stb. szmtsa
trend-szezon-hiba.xls parancsfjllal is trtnhet. Az idtrend-stacionarts azt jelenti, hogy a trendtl val
eltrsek stacionriusak. Kiszmtsa esetben, beilleszts utn az I.1 0 nincs transzformcit lehet vlasztani.
A gyakorlati alkalmazsokban a nem szezonlis differenciakpzsnl a differenciakpzs foka (degree of
non-seasonal differencing=d) legtbbszr d=0,1,2.
Ha az az idsor stacionrius, akkor nullad rend integrlt [I(0)] sornak is nevezzk.
111

A Box-Cox transzformci137:
(Y -1) , 0
Y() =
=0
ln(Y),

Y>0

(Lambda) = 1 nincs transzformci

(Lambda) 0 log-transzformci, ugyanis az egyik nevezetes hatrrtk:
a x -1
lim
= ln(a)
x 0
x
esetnkben a=Y s x=
(Y -1)
lim
= ln(Y)
0

Lambda= (-2, -1,9..+1,9,+2)

2 2
A Box-Cox transzformci utn az adatok visszatranszformlsa:
Y = ( Y() +1)

1/

A Box-Cox transzformci rszletes lersa:

Y-t a kijellt hatvnyra emeli s a megadott kplettel szmol:
Y() = (Y -1)
=1 Y
Y(1) = Y-1
= 0 ln Y

= 2 Y 2
Y(2) = (Y 2 -1) 2
1
1
= Y2 = Y
2
Y(1/2) = (Y1/2 -1) (1/2)
1
= 1 Y 1 =
Y
Y(-1) = (Y -1 -1) (-1)

A mintapldk adatbzist s a rszletes szmtsokat a Box-Cox-transzformcik.xls fjl tartalmazza. A

vletlen tnyezt (e) vletlenszm genertorral lltottuk el, nagysga a -1 s +1 intervallumban ingadozik. A szmtsokat az R ARIMA Forecasting - Free Statistics Software (Calculator) felhasznlsval vgeztk. Internetes elrs:
http://www.wessa.net/rwasp_autocorrelation.wasp#output
1.
Nincs transzformci (=1), ha az idsor a stacionartsi feltteleknek (az elzek alapjn az
egyes vltozk vrhat rtke (), variancija (2), valamint a klnbz idpontokhoz tartoz vltozk
(Yt, Yt-k) kapcsolatt kifejez (auto)kovariancia idben lland) eleget tesz.
Legyen Yt = 10 + e
Y(1) = (10 -1) + u
A szmtsok eredmnyei grafikusan:

137

Ramanathan Ramu [2003]: Bevezets az konometriba alkalmazsokkal. Panem. 281.

Time series. 41.

138

Chan N. H. [2002]:

112

2.
Az ln-transzformcit (=0) akkor hasznljuk, ha hibatnyez szrsa () az Y nvekedsvel
szintn n (pl. exponencilis idtrend, amikor az tlagos nvekeds teme lland, mint pldnkban 6
%/v vagy ha nvekv az idtrend s multiplikatv szezonalits, teht az idben elrehaladva az amplitud n) vagy ha a hiba (t) eloszlsa jobbra ferdlt, (jobboldali asszimetria, balra hosszan elnyul
eloszls)
Legyen:
Yt = 10*1, 06 t * ee
ln(Yt ) = ln(10) + t *ln(1, 06) + e
Ebben az esetben ln-transzformcit (=0) hasznltunk, igy a relative (%-os) nvekeds abszolutt
(ln(1,06) vlt s elsfok differencia (d=1) alkalmazsval stacinriuss alakitottuk a sort.

113

3.
Ngyzetes transzformcit (=2) akkor hasznljuk, ha a hibatnyez variancija (2) arnyos a
vrhat rtkkel () vagy ha a hiba (t) eloszlsa balra ferdlt, (baloldali asszimetria, jobbra hosszan elnyul eloszls) Ha az adatsor gyks formt kvet, akkor a =2 transzformcival linearizlhat az
idsor s d=1 differencilssal stacionriuss tehet.
Yt = 1, 05* t
(Yt ) 2 = 1, 052 * t
Y(2) = (1, 052 -1) 2

4.
A ngyzetgyks transzformcit (=1/2) akkor hasznljuk, ha a hibatnyez variancija arnyos
a vrhat rtkkel. Ezt hasznljuk msodfok parabolikus idtrendnl.
A mintaplda:
Yt = 1, 01* t 2
(Yt )1/ 2 = 1, 01* t
Y(1/2) = (1, 011/2 -1) (1/2)
114

5.
A reciprok transzformcit (=-1) akkor hasznljuk, ha a hibatnyez variancija (2) cskken,
amikor a vltoz (Y) rtke cskken. Ezt hasznljuk hiperbolikus idtrendek linearizlsnl.
A mintaplda:
1
Yt = 5500*
t
1
(Yt ) 1 =
*t
5500
Y(-1) = ([1/5500]-1 -1) (-1)

115

II A stacionarts biztostsa havi adatok esetben, szezonlis differencia kpzs.

Egy tovbbi eset, amikor gyakran elfordul a stacionarts hinya: a szezonalits. A peridusid szerinti
differencilssal a szezonlis ideltols mellett tapasztalhat hatsok, a peridikus mozgsok szrhetk
ki. Negyedves s havi idsorokban a stacionarts hinya gyakran eltntethet a megfelel differencilssal.
Negyedves adatoknl:
4 Yt = ( Yt Yt 1 ) ( Yt 1 Yt 2 ) ( Yt 2 Yt 3 ) ( Yt 3 Yt 4 ) =
Yt 2Yt 1 + Yt 4

Havi adatoknl:
12 Yt = Yt 2Yt 1 + Yt 12
Tovbbi problma lehet, hogy az ingadozs intenzitsa lland-e vagy nem, ha nem ln-transzformcit
lehet alkalmazni.
Ha szksges, mindkt transzformci elvgezhet, elszr a logaritmizls illetve Box-Cox transzformci, majd a transzformlt adatok differencia-kpzse. Az ARIMA szmtsok elvgzse utn vissza
kell transzformlni az adatokat. A szoftverek, pl. az ARIMA.xls vagy a GRETL elvgzi a differencilst
s a becslsnl visszaalakitja az adatokat eredeti formtumukba, de pl. az ln transzformlt adatokat nem,
mivel ezekkel szmoltunk. Ilyenkor a becslt rtkeket e hatvnyra kell emelni (Excelben kitev (Y becslt)) Elszr a szezonlis, esetnkben a havi differencilst kell elvgezni, majd ezt kveti ha szksges
az ves adatoknl mr bemutatott differencils.
Szezonlis differencia kpzs:
D=1 (yt-yt-12), az idsor 12 adattal rvidl.
D=2 (yt-yt-24), az idsor 24 adattal rvidl.
Nem szezonlis differencia kpzs:
d=1 (yt-yt-1), az idsor 1 adattal rvidl.
d=2 (yt-yt-2), az idsor 2 adattal rvidl.
3.8.1 Az autokorrelcis- s parcilis autokorrelcis egytthatk s az ACF s PACF rtkek becslse s tesztelse

Az idben lejtszd folyamatok mindegyike sztochasztikus folyamatknt definilhat, mely valsznsgi vltozk sorozataknt jelenik meg. Ezt elmleti idsornak nevezzk.
Y1 , Y2 , . . . , Yt , . . . , YT ,
Az Yt (t = 1, 2, , T) valsznsgi vltozk mindegyikre vonatkozan egy megfigyelssel rendelkeznk, ez a modellezs adatbzist jelent tapasztalati idsor,
y1 , y2 , . . . , yt , . . . , yn

melyet a sztochasztikus folyamatbl vett n elem mintnak tekintnk.

116

Mind az elmleti idsort alkot valsznsgi vltozknak, mind a tapasztalati idsor klnbz idpontokhoz (idtartamokhoz) tartoz megfigyelt rtkeinek a felsorolsa kttt. Az idsori sztochasztikus modellezs ezt, az adatok sorrendisgben rejl informcit hasznlja fel az idsor jvbeni rtkeinek becslsre.
A megfigyelsek sorrendjben rejl informci lersval, a tapasztalati idsorban lv szisztma megllaptsval az elmleti idsor jellegzetessgeire kvnunk kvetkeztetni, azaz arra a sztochasztikus folyamatra, amelybl a mintnk szrmazik.
Az egymst kvet megfigyelsek kztt fennll sszefggsek megllaptsa az idsorok korrelcis
struktrjnak lerst jelenti, mely az autokorrelcis s a parcilis autokorrelcis egytthatk szmtsval trtnik.
A mintbl az autokorrelcis egytthatk becslse k ksleltetssel, a kvetkezkppen trtnik:
nk

rk =

( y t y)( y t k y)

t =1

( y t y)

k = 1,2,..., K

t =1

A k ksleltets klnbz rtkeihez (k= 1,2,3,,K) rendelt autokorrelcis egytthatk, az

autokorrelcis fggvnyt alkotjk:
k
r1

1
r2

2
r3

K
rK

Az autokorrelcis egytthatk becslt rtkei, az Y idsor k idegysggel ksleltetett rtkei kztti lineris korrelcis kapcsolat szorossgt mrik. Az r1 az egymst kvet, az r2 , az egymstl kt idegysgre lv rtkek kztti kapcsolat intenzitst jelenti, stb. Az rk egytthatk a ksleltets fggvnyben
(k = 1, 2, , K), az autokorrelcis fggvnyt, rvidtve az ACF-et (Autocorrelation function) alkotjk.
Az autokorrelcis fggvny rtkeit mtrixba foglalhatjuk:

1
r
1
R k = r2

rk 1

r1
1
r1

r2
r1
1

rk 2

rk 3

rk 1
rk 2

rk 3

Az autokorrelcis egytthatk esetben tesztelhetjk, hogy vajon van-e kapcsolat az yt s az yt-k kztt.
Hipotzisrendszernk:
H 0 : ryt yt-k = 0
H1 : ryt yt-k 0
A nullhipotzis rtelmben az yt s az yt-k vltozk kztt nincs szignifikns autokorrelci, ennek elvetse az autokorrelcis kapcsolat szignifikns voltt igazolja.
A becslt autokorrelcis egytthatra pl prbafggvnynk:
ry y
n2
t = t t-k
1 ry2t yt-k

A nullhipotzis teljeslse esetn (n-2) szabadsgfok ktoldal t-eloszlst kvet.

A kapcsolat nem szignifikns, 5%-os szignifikancia-szinten, teht a H0-hipotzist elfogadjuk, ha:
ry y n 2
t = t t-k
< t 0,025(n 2)
1-ry2t yt-k
A kapcsolat szignifikns, 5%-os szignifikancia-szinten, teht a H1-alternatv hipotzist fogadjuk el, ha:
117

t =

ryt yt-k n 2
1-ry2t yt-k

> t 0,025(n 2)

Az idsor stacionartsnak vizsglata trtnhet a tapasztalati idsorbl szmtott ACF (autokorrelcis

fggvny= autocorrelation function) alapjn, amennyiben a k ksleltets klnbz rtkeihez (k=
1,2,3,,K) rendelt autokorrelcis egytthatk rtkei lassan cskkennek, vagy majdnem linerisan, ez
indokolja a differenciakpzst. A megfelel fok differencik elrst az autokorrelcis egytthatk
gyors cskkense jelzi. Ha az autokorrelcis egytthatk rtkei a szezonlis komponens hatsnak
megfelelen hullmoznak, akkor a szezonhatst elszr ki kell szrni.
A parcilis korrelcis egytthatk becslse:

1.

Mdszer. (Cramer szably)

kk =

R*k
Rk

Ahol:
K=1,2,,K
R*k =gy kapjuk meg, hogy az Rk mtrix utols sort (ld. az albbi mtrixot), vagy oszlopt az (r1,r2,,rk)
sorral (vektorral) helyettestjk.

Rk*

1
r
1
= r2

r1

r1
1
r1

r2
r1
1

r2

r3

rk 1
rk 2

rk 3

rk

A korrelcis egytthatk teht, az R *k s Rk mtrix determinnsnak hnyadosaknt hatrozhatk meg.

A k ksleltets klnbz rtkeihez (k= 1,2,3,,K) rendelt autokorrelcis egytthatk, a parcilis
autokorrelcis fggvnyt alkotjk:
k
kk

1
11

2
22

3
33

K
KK

A parcilis autokorrelcis egytthatk ( k ) az idsor k idegysggel ksleltetett rtkei kztti lineris

korrelcis kapcsolat szorossgt mrik gy, hogy a kzbens, 1, 2, k-1 ksleltetsek hatst kiszrjk. A k egytthatk a ksleltets fggvnyben (k = i, 2, , K), a parcilis autokorrelcis fggvnyt,
rvidtve a PACF-et (Partial autocorrelation function) alkotjk.
Specilisan:
Ha k=1 11 = ryt ,yt 1 = r1
Ha k=2 22 = ryt yt 2 .yt 1 =

R *2
R2

r2 r12
=
1 r12

Ahol: R2=
1
r1
s
1
r1

r1
1
R *2 =
r1
r2
118

A determinns a diagonlisok szorzatnak klnbsge, mivel a mtrix 2*2-es.

2.

Mdszer. (Durbin - fle rekurzv eljrs)

Ha k=1
11 = r1
ha: k > 1
k 1

kk =

rk k 1, j * rk j
j=1
k 1

1 k 1, j * rj
j=1

k, j = k 1, j k,k k 1,k j
j = 1, 2,..., k 1

Pldul:

r2 11 * r1 r2 r12
22 =
=
1 11 * r1 1 r12
ha: k = 2
11 = r1
33 =

r3 ( 21 * r2+ 22 * r1)
1 ( 21 * r1+ 22 * r2)

ha: k = 3
21 = 11 2211 = r1 22 * r1
Lthat, hogy ez az eljrs a parcilis autokorrelcis egytthatkat, az alacsonyabb rend folyamatra
mr kiszmtott parcilis autokorrelcis egytthatk segtsgvel lltja el.

3.

Mdszer. (A Yule-Walker egyenletekkel trtn becsls138:)

1
r
1
-1
= R r = r2

rk 1

r1
1

r2
r1

r1

rk 2

rk 3

rk 1
rk 2

rk 3

r1
r
1
.

.
rk

i=1,2,3k ksleltetett rtkekre kln-kln ki kell szmolni a szorzatokat (R -1 r) s a parcilis

autokorrelcis egytthat (k=1,2.K) a szmtott vektor utols eleme lesz.
Az Excelben mind a hrom mdszer programozhat, de a harmadik a legknyelmesebb s ezrt ezt hasznltuk a parcilis autokorrelcis egytthatk becslsre.
A tapasztalati idsor ACF s PACF rtkei alapjn azonosthat a sztochasztikus folyamat tpusa, amely
egyben kijelli a vlasztand modell tpust. Az EXCEL rendelkezik determinnst meghatroz programmal.
Ha egy stacionrius idsor ACF s PACF rtkei nem klnbznek szignifiknsan nulltl, az idsorban
nem tallhat szisztma, az idsorunk egy olyan egyszer vletlen folyamatknt modellezhet, melyben az idsor rtkei egy konstans vrhat rtk ( ) krl vletlenszeren ingadoznak.
Yt = + t
119

=epszilon
Ha = 0 , akkor a vletlen folyamatot n. fehr zajnak (white noise) nevezzk, mely a legegyszerbb
sztochasztikus folyamat.
Yt = t
A fehr zaj folyamat jellemzi:
1. E ( t ) = 0
2. Var ( t ) = 2
3. k = 0
k = 1, 2,
A fenti hrom kvetelmnyt teljest vltoz teljesen vletlen folyamatot kvet, s a modellezsben
ilyen rtelemben hasznljuk az t vletlen vltozt. A fehr zaj folyamat teht, nulla vrhat rtk, lland szrs s korrellatlan vltozkbl ll stacioner sztochasztikus folyamat. Felttelezzk tovbb,
hogy az idsor adatai normlis eloszlst kvetnek.
Az ACF s PACF rtkek szignifikancijnak tesztelst a fehr zaj folyamat rk autokorrelcis egytthatinak ismert mintaeloszlsa alapjn vgezhetjk el. Elmletileg a teljesen vletlen t , fehr zajt kvet vltozk minden autokorrelcis egytthatjnak nullnak kellene lennie. Vges mintbl becslve,
nem szmthatunk arra, hogy minden ACF s PACF rtk zrus lesz. Bizonythat, hogy a fehr zaj folyamat autokorrelcis egytthatinak mintaeloszlsa nulla vrhat rtk s (1 n ) szrs normlis
eloszlst kvet. Ezrt az ACF s PACF rtkeknek, a ksleltets fggvnyben ksztett grafikus brjn,
melyet korrelogramnak neveznk -, a 95 %-os valsznsgi szinthez tartoz 1,96 n hibahatrt is
fel szoktk tntetni. A gyakorlati szmtsokban ltalban a 2 n kplettel szmolnak. A korrelogram
gy kzvetlenl alkalmass vlik az autokorrelcik zrus voltra vonatkoz nullhipotzis tesztelsre, 5
%-os szignifikancia szinten. A 2 n hibahatr (+2Se: -2Se:) ltal meghatrozott svon belli
autokorrelcis egytthatk 5 %-os szignifikancia szinten, zrusnak tekinthetk. A svon kvli, azaz nulltl szignifiknsan klnbz autokorrelcis egytthatk, szisztma jelenltre utalnak az idsorban,
teht meg kell keresni az alkalmas ARMA modellt.
Ha az idsor els differencia sora egy nem nulla vrhat rtk krl lland variancival ingadozik, s az
ACF s PACF rtkei nem klnbznek szignifiknsan a zrustl, akkor a az idsor n. vletlen bolyongsi folyamatot kvet:
Yt Yt 1 = + t vagy talaktva Yt = Yt 1 + + t
A fenti modell a vletlen bolyongsi folyamat azon vltozata, mely a lineris trend sztochasztikus megfelelje. E szerint az idsor rtke egyik idszakrl a msikra egy lland-, s egy vletlen rtkkel vltozik. A vletlen bolyongsi modell magasabb fok differencikra is felrhat.
A stacionrius, vagy azz transzformlt idsorok ACF s PACF rtkei ltalban tartalmaznak nulltl
szignifiknsan klnbz rtkeket, s ez az idsorban valamilyen szisztma jelenltre utal. A szisztma megkeresse gy trtnik, hogy a klnbz tpus ARMA folyamatok kzl kivlasztjuk azokat,
amelyeknek az ismert elmleti ACF s PACF smjra leginkbb hasonltanak a vizsglt idsor tapasztalati autokorrelcis s parcilis autokorrelcis egytthati. A kivlasztott ARMA folyamatoknak megfelel modellek lesznek azok, melyek illesztsvel megprblkozunk.
A klnbz tpus ARMA folyamatok elmleti ACF s PACF rtkeinek alakulst rendszerezve, - a
gyakorlati alkalmazsokhoz knnyen hasznlhat formban -, a szakirodalom s a szmtgpes szoftverlersok is tartalmazzk. A normalitst ltalban a Jarque-Bera fle teszttel ellenrzik.
Autokorrellt hibk Ha a modell hibatagjai autokorrelcit mutatnak, ez azt jelzi, hogy a modell nem tvoltott el minden smt az adatokbl. Sok hipotzis ellenrzs van az autokorrelcis hibk tesztelsre.
A Box Pierce -, s a Ljung-Box - teszt ellenrzi, hogy az autokorrelcik sorozata szignifiknsan klnbzik-e zrusok sorozattl; a Durbin - Watson teszt csak az elsrend autokorrelcikat ellenrzi a
regresszis modell illesztse utn.
A szoftverek ltalban, gy az XLSTAT-TIME a ler statisztika (Descriptive analysis) menpontban
szmtjk ki az ARIMA modellezshez szksges statisztikkat (ACF, PACF rtkek s brk,
korrelogramok s hibahatrok, Jarque-Bera fle teszt, Box Pierce -, a Ljung-Box - teszt).
Az autokorrelcis egytthatk (Autocorrelation) (rk) esetben a standard hiba (Standard error) (s(rk)) a
kvetkez kplettel kzelthet:
120

1
1 + 2 ( r12 + r22 + r32 + ...rk21 )

n
k = 1, 2,3...., K
A konfidencia-als s fels hibahatr (Lower bound (95%)-Upper bound (95%)) ltal meghatrozott sv
kiszmtsa 5 %-os szignifikancia szinten az albbi kplettel trtnik:
1,96s(rk )
A parcilis korrelcis egytthatknl (pk) (Partial autocorrelation) a standard hiba (Standard error)
(s(pk)) :
s(p k )=1 n
A konfidencia-als s fels hibahatr (Lower bound (95%)-Upper bound (95%)) ltal meghatrozott sv
kiszmtsa 5 %-os szignifikancia szinten az albbi kplettel trtnik:
1,96 n
s(rk ) =

A 1,96 n hibahatr, illetve 2 n (+2Se: -2Se:) ltal meghatrozott svon belli autokorrelcis
egytthatk 5 %-os szignifikancia szinten, zrusnak tekinthetk.

Box - Pierce tesztstatisztika (Q-teszt).

Ez az autokorrellt hibk n. Q-tesztje. Ha a modell hibi fehr zajt alkotnak, akkor a Box - Pierce statisztika kzeltleg 2 eloszls.
Box - Pierce tesztstatisztika kiszmtsa.139
A mintbl a Q-teszt becslse a kvetkezkppen trtnik:
k =K

Q = n rk2
k =1

Ahol:
rk = a t reziduumok k-ad rend autokorrelcis egytthatja,
n = megfigyelsek szma,
K = a szmtott autokorrelcis egytthatk elre megvlasztott szma, pl. 21 vagy tbb.
Ha a reziduumok sora fehr zaj, akkor a Q 2-eloszlst kvet (K-p-q) vagy (K) szabadsgfokkal. Ha a Q
szmtott rtke nagyobb, mint a 2-eloszls kritikus rtke, akkor arra a kvetkeztetsre jutunk, hogy a
reziduumok nem fehr zajok. (Q>K-p-q20,05) Fordtott esetben elfogadjuk a nullhipotzist, hogy a
reziduumok fehr zajok (Q<K-p-q >20,05).
Ennek alapjn a hipotzis rendszer:
H0 =a reziduumok fehr zajok,
H1 =a reziduumok nem fehr zajok,
A H0-t elfogadjuk, ha:
Q<K-p-q20,05
A H1 alternatv hipotzist fogadjuk el, ha:
Q>K-p-q20,05
A szignifikancia-rtk (p-rtk) az a legkisebb szignifikancia szint, amin a H0 mr ppen elvethet a H1gyel szemben. Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a reziduumok fehr zajok.
Hasznlatos a Q-teszt, msik formja is, ahol a d-fokt is figyelembe veszik:
k =K

Q1 = (n d) rk2
k =1

Ahol:
n-d, az idsor d szm differencilsa utn felhasznlhat megfigyelsek szma.
A kritikus rtk: K-p-q20,05
Dnts az elz mdon.
139

Ramanathan Ramu [2003]: Bevezets az konometriba alkalmazsokkal. i. m. 542-543. s Greene, William H.

[2003]: Econometric analysis. 271.

121

A msik teszt a Ljung - Box teszt (Q*), amely a Box Pierce Q-teszt tovbbfejlesztett vltozata.

A Ljung - Box portmanteau-prba (LJB vagy Q*-teszt)140:

k =K
r2
Q* = n(n + 2) k
k =1 n k
Ahol:
k = a szmtott autokorrelcis egytthatk elre meghatrozott szma, pl. 24.
n = a megfigyelsek szma.
H0 =a reziduumok fehr zajok,
H1 =a reziduumok nem fehr zajok,
Q* 2-eloszlst kvet (K-p-q) vagy (K) szabadsgfokkal.
Ennek alapjn a hipotzis rendszer:
A H0-t elfogadjuk, ha:
Q*<K-p-q20,05
A H1 alternatv hipotzist fogadjuk el, ha:
Q*>K-p-q20,05
A szignifikancia-rtk (p-rtk) az a legkisebb szignifikancia szint, amin a H0 mr ppen elvethet a H1gyel szemben. Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a reziduumok fehr zajok.
Hasznlatos az LJB vagy Q*-teszt, msik formja is, ahol a d-fokt is figyelembe veszik:
k =K
rk2
*1
,
,
Q = n (n + 2) ,

k =1 n k
Ahol:
n, = n-d, az idsor d szm differencilsa utn felhasznlhat megfigyelsek szma.
A tesztelsi eljrs az elzhez hasonl mdon trtnik.
Maddala vlemnye szerint a Q-prbknl vannak jobb eljrsok, de nagy K-rtk mellett hasznlata
megfelel eredmnyt adhat.
3.8.2 Az ARIMA modell azonostsa
A kvetkez krds annak megvlaszolsa, hogy milyen tpus ARMA modell illesztsvel prblkozzunk, illetve, milyen legyen az autoregresszivts (p) s/vagy, a mozgtlagols (q) rendje. Erre a krdsre a vlaszt a tapasztalati, vagy a transzformlt idsor ACF s PACF rtkei alapjn adjuk meg. A modellezs ezen fzist, modell azonostsnak (identifikcinak) nevezi a szakirodalom. A mintbl becslt
autokorrelcis s parcilis autokorrelcis egytthatk grafikus brja, a korrelogram (ACF s PACF)
alapjn lehet a legknnyebben az autokorrelcis egytthatk viselkedst - a ksleltets (k) fggvnyben - tanulmnyozni. Ugyanis a rk becslt autokorrelcis egytthatk konfidencia intervalluma alapjn
kzvetlenl megllapthatk a nulltl szignifiknsan klnbz rk rtkek. Ezek a konfidencia svon kvl helyezkednek el.
ARIMA modellek jellemzse
Modelltpus
ARIMA (p,d,q)

(1, d, 0)
AR(1)

Autokorrelcis egytthatk

Parcilis autokorrelcis

ACF (pk)

egytthatk (kk)

Exponencilisan cskken, ha 1 > 0 ,

11 ha k = 1

csillapod szinusz grbe szerint cskken,

0 ha

ha 1 < 0
(2, d, 0)
AR (2)

Exponencilisan s/vagy csillapod

szinusz grbe szerint cskken

k >1

1 1 h a

k =1

2 2

ha

k = 2

ha

k > 2

140

Ramanathan Ramu [2003]: Bevezets az konometriba alkalmazsokkal. i. m. 542-543. s Maddala G. S.

[2004]: 592-594.

122

(0, d, 1)
MA(1), ha d = 0
vagy IMA (d, 1)

(0, d, 2)
MA(2), ha d = 0
vagy IMA (d, 2)

ha k = 1

ha k > 1

1 ha k = 1
2 ha k = 2
0

(1, d, 1)
ARMA (1, 1) ha d = 0, vagy
ARIMA (1, d, 1)

(1, d, 2)
ARMA (1, 2) ha d = 0
vagy ARIMA (1, d, 2)

(2, d, 1)
ARMA (2, 1) ha d = 0
vagy ARIMA (2, d, 1)
(2, d, 2)
ARMA (2, 2) ha d = 0
vagy ARIMA (2, d, 2)

Exponencilisan, vagy csillapod

szinusz grbe szerint cskken

Exponencilisan s/vagy csillapod

szinusz grbe szerint cskken

ha k > 2

Exponencilisan, vagy csillapod

Exponencilisan, vagy csillapod

szinusz grbe szerint cskken a

szinusz grbe szerint cskken a

msodik rtktl kezdden

msodik rtktl kezdden

0 = 1

Exponencilisan s/vagy

s 1 utn exponencilisan cskken

Exponencilisan s/ vagy csillapod
szinusz grbe szerint cskken

csillapod szinusz grbe

szerint cskken

11 = 1 s

22 utn

exponencilisan cskken

0 = 1 utn exponencilisan

11 = 1 utn exponencilisan

cskken

s/vagy csillapod szinusz grbe

szerint cskken

A modellvlasztsban az albbi tblzat is segt:

Modelltpus
ARIMA (p,d,q)

Autokorrelcis egytthatk

Parcilis autokorrelcis

ACF (pk)
ARIMA (0,0,0) Nem szignifikns mindegyik k-ra
ARIMA (0,1,0) Linerisan cskken, mindegyik kra szignifikns

egytthatk (kk)
Nem szignifikns mindegyik k-ra
Csak a k=1 szignifikns

ARIMA (1,0,0) Exponencilisan cskken a k=1 s

esetleg a k=2 szignifikns
1>>0

Csak a k=1 szignifikns

ARIMA (1,0,0) Exponencilisan ktoldalan cskken, ACF(1) a negative cscs

1 < < 0

Csak a k=1 szignifikns

ARIMA (0,0,1) Csak a k=1 szignifikns, negative Exponencilisan cskken, az els kett
k, vagy tbb is szignifikns.
cscs
1>>0

123

ARIMA (0,0,1)
-1< < 0

Csak a k=1 szignifikns, pozitv

cscs

Exponencilisan ktoldalan cskken,

PACF(1) a pozitv cscs

3.8.3 Az ARIMA modellek becslse

Ezutn a modellezs lpsei alapveten megfelelnek a mr ismert lineris regresszis modellezsnek. A
vlasztott modell paramterbecslse utn a modell ellenrzse kvetkezik. A modell ellenrzse sorn
vizsgljuk azt, hogy paramterei szignifiknsak-e, illetve vletlen vltozik fehr zaj folyamatot kvetnek-e. Ezutn dntnk arrl, hogy felhasznlhat-e az illesztett modell elemzsre, elrejelzsre, vagy ms
modell vlasztsval kell prblkoznunk.
A modell ellenrzsre a szoksos eljrsok alkalmazhatk:

a becslt paramterek standard hiba szmtsa s szignifikancia vizsglata (pl. t-prbval),

az et tapasztalati reziduumok alapjn az t vletlen vltozk vletlen jellegnek vizsglata.

Mindezek mellett specilis tesztelsi eljrsok alkalmazsra is sor kerl, amelyeket a szmtgpes programok is tartalmaznak. Amennyiben a vlasztott s szmszerstett modellnk megfelel mindazon feltteleknek, melyekkel az illesztett modell "jsgt" ellenrizhetjk, a modell felhasznlhat elemzsre s a
tulajdonkppeni legfontosabb felhasznlsi terletre, az elrejelzsek ksztsre. Ha modellnk nem felel meg a fenti feltteleknek (nem szignifiknsak a paramterei, vagy az t idsora nem vletlenszeren
alakul) a modellazonosts fzistl jra indulva, ms modelltpusok alkalmazsval prblkozhatunk.
(hasznlhat a regresszio.xls parancsfjl.)
Az ARIMA modellek igen szles vlasztkbl, most csak az alacsonyabb rend tiszta, valamint vegyes
modellek legfontosabb jellemzit ismertetjk.
Az els- (p=1) s msodrend (p=2) autoregresszv modell felrhat az albbi formban:
ARIMA (1, 0, 0) vagy AR (1) modell
Y t = 1 Y t 1 + t
ARIMA (2, 0, 0) vagy AR (2) modell
Y t = 1 Y t 1 + 2 Y t 2 + t
Az autoregresszv folyamat mindenkori rtke kifejezhet sajt ksleltetett rtkeinek lineris kombincija s egy fehr zaj folyamat sszegeknt.
A stacionartsi felttel teljeslse rdekben az autoregresszv paramterekre specilis korltok rvnyesek. p=1 esetn 1 1 , mg p=2 esetn a kvetkez hrom felttelt kell kielgteni:
2 1

2 + 1 1

2 1 1

ltalban az AR (p) folyamatok elmleti ACF rtkei p 2 esetn exponencilis cskkens s/vagy csillapod szinusz grbe szerint alakulnak, a 1 s 2 paramterek eljeltl fggen. Az AR (1) folyamat
elmleti ACF rtkei exponencilisan cskkennek, ha 1 eljele pozitv, s csillapod szinusz grbe szerint cskkennek, ha 1 negatv.
Az AR (p) folyamatok elmleti PACF rtkei p ksleltets utn zrusok, teht p=1 esetn csak az els,
p=2 esetn az els kett parcilis autokorrelci nem nulla.
A kt legegyszerbb sztochasztikus modell, nevezetesen a fehr zaj, illetve a vletlen bolyongsi modell,
az autoregresszv modellek specilis eseteknt is felrhat. Ha 1 = 0 , az Yt rtkei fehr zaj folyamatot
kvetnek, melyet ARIMA (0,0,0) modellnek lehet tekinteni. Ha 1 = 1, az Yt rtkei vletlen bolyongs
szerint alakulnak, akkor a folyamatot ARIMA (0,1,0)-knt lehet osztlyozni.
Az els- (q=1) s msodrend (q=2) mozgtlag modell felrhat az albbi formban:
124

ARIMA (0, 0, 1) vagy MA (1) modell

Y t = t 1 t 1
ARIMA (0, 0, 2) vagy MA (2) modell
Y t = t 1 t 1 2 t 2
A mozgtlag folyamat mindenkori rtke kifejezhet klnbz ksleltets fehr zajok lineris kombincijaknt. A negatv eljelezst konvencionlisan hasznljk a mozgtlag folyamatoknl.
Az invertibilitsi felttel teljeslse rdekben az mozgtlag paramterekre is ugyanazon specilis korltok rvnyesek, mint amelyek az autoregresszv modellek vonatkoznak. q=1 esetn 1 1 , mg q=2 esetn a kvetkez hrom felttelt kell kielgteni: 2 1

2 + 1 1

2 1 1

Az ACF s PACF smja pontosan a fordtottja annak, amit az autoregresszv folyamatoknl lttunk.
Az MA (q) folyamatok elmleti ACF rtkei q ksleltets utn zrusok, teht q=1 esetn csak az els, q=2
esetn csak az els kett autokorrelci nem nulla.
Az MA (q) folyamatok elmleti PACF rtkei q 2 esetn exponencilis cskkens s/vagy csillapod
szinusz grbe szerint alakulnak, a 1 s 2 paramterek eljeltl fggen. Az MA (1) folyamat elmleti
ACF rtkei exponencilisan cskkennek, ha 1 eljele pozitv, s csillapod szinusz grbe szerint cskkennek, ha 1 negatv.
Az AR s MA modellek kombinlsval a modellek igen sok varicija llthat el. Az alacsonyabb
rend vegyes ARMA modellek az albbi mdon rhatk fel:
Yt = 1Yt 1 + t 1 t 1
ARIMA (1, 0, 1)
Yt = 1Yt 1 + 2Yt 2 + t 1 t 1
ARIMA (2, 0, 1)
Yt = 1Yt 1 + t 1 t 1 2 t 2
ARIMA (1, 0, 2)
Yt = 1Yt 1 + 2Yt 2 + t 1 t 1 2 t 2
ARIMA (2, 0, 2)
Az autoregresszv mozgtlag folyamat mindenkori rtke kifejezhet sajt ksleltetett rtkeinek s klnbz ksleltets fehr zajok lineris kombincija sszegeknt.
Amennyiben a vegyes modellek valamelyikt az idsor differenciira rjuk fel, ARIMA (p, d, q) modellhez jutunk. A legegyszerbb ARIMA (1, 1, 1) modell az albbi mdon rhat fel:
Yt Yt 1 = 1 (Yt 1 Yt 2 ) + t 1 t 1
A paramterekre vonatkoz megszortsok s az elmleti ACF, PACF smk ltalnosan a vegyes modellekre vonatkoznak, mivel fggetlenek a differencilis foktl.
A vegyes modellek paramtereire vonatkoz megszortsok megegyeznek a modellek tiszta AR s MA
rszeire megllapthat korltozsokkal.
Az elmleti ACF s PACF smk is nagyon hasonlak a tiszta AR s MA modellekre jellemzkhz.
A szezonlis ARIMA (p, d, q) (P, D, Q)s modellek, a szezonlis ingadozst is tartalmaz idsorokban
meglv ketts fggsgi rendszer lersra kt ARIMA modell ptenek egymsra. Az egyms utn kvetkez idsori rtkek sszefggst a modell (p, d, q) dimenziival rendelkez rsze mutatja, hasonlan
a szezonaltst nem tartalmaz modellekhez. Az egyes vek azonos szezonjai kztti sszefggseket a
modell n. szezonlis rsze kpviseli, (P, D, Q)s dimenzikkal, ahol s a szezonok szmt jelenti. A szezonalts kezelst az egyik leggyakrabban alkalmazott ARIMA (0, 1, 1) (0, 1, 1)12 modell pldjn mutatjuk be. Az egyenlet bal oldaln a ktszeres differenciakpzst gy vgezzk, hogy elszr a D=1
szezonlis els differencikat a klnbz vek azonos hnapjainak adatai alapjn szmtjuk, s gy s=12
adattal (az els v teljes adatsorval) rvidl az adatsorunk. Ezutn jabb d=1 els differencikat szmtunk, most az egyms utn kvetkez szezonlis differencikbl, gy egy tovbbi adattal rvidl az adatsorunk. A ktszeres differenciakpzs kvetkeztben sszesen (d+sD) (estnkben 13) taggal rvidl az
adatsorunk. Az egyenlet jobb oldaln ktszeres mozgtlag folyamatot runk fel az t vletlen vltozra. Elszr a k=1 ksleltetsnek megfelelen a paramterrel, majd ebbl az s=12 szezonlis ksleltets vletlen vltozra paramterrel.
(Yt Yt 12 ) (Yt 1 Yt 13 ) = t t 1 ( t 12 t 13 )
A magasabb rend modellek, s klnsen a szezonlis modellek, a fenti mdon mr igen nehezen kezelhetk, ezrt ltalban az ARIMA modelleket az n. opertor jellsmddal szoks felrni. A ksleltet
(visszalptet) opertort, B-t, a kvetkezkppen hasznljuk: BYt = Yt 1

125

A B mvelet hatsa Yt -re, az adat visszalptetse egy peridussal. A B mvelet ktszeres alkalmazsa Yt re, kt peridussal lpteti vissza az adatot: B (BYt ) = B 2Yt = Yt 2

Havi adatok esetn az elz v azonos hnapjnak adata a B12 jellssel rhet el, B12Yt = Yt 12 .
A differencia kpzs egyszeren lerhat a B opertor segtsgvel. Pldul az elsfok differenciakpzs
a kvetkezkppen jellhet: Yt Yt 1 = Yt BYt = (1 B )Yt , ahol (1-B) jelli az els differencit. Hasonlan a msodfok differencikat (az els differencik differenciit) az albbi mdon jellhetjk:
(Yt Yt 1 ) (Yt 1 Yt 2 ) = Yt 2Yt 1 + Yt 2 = (1 2 B + B 2 )Yt = (1 B )2 Yt

ltalnosan a d-ed fok differencia a kvetkezkppen rhat: (1 B ) Yt .

A szezonlis differencik els differenciinak jellse a kvetkez:
(1 B )(1 B s )Yt = (1 B B s + B s +1 )Yt = Yt Yt 1 Yt s + Yt s 1
Az ARIMA (0, 1, 1) (0, 1, 1)12 modell az opertor jellsmddal felrva a kvetkez:
(1 B) 1 B12 Yt = (1 B) 1 B12 t
d

( )
(
)
(1 B)(1 B12 )Yt = (B) (B12 ) t

Az ltalnos ARIMA (p, d, q) (P, D, Q)s modell opertorokkal:

( )

( )

p (B) P Bs (1 B)d 1 Bs Yt = q (B) Q Bs t

Nhny gyakran alkalmazott szezonlis ARIMA modell elmleti ACF smjt szakirodalmi lers alapjn
kzljk brahm, B. Ledolter, J. (1986) p.
Yt = B12 t
1. modell: (0, d, 0) (0, D, 1)12
Szignifikns ACF a 12 , azaz a k=12 ksleltets autokorrelcis egytthat.

( )

( )

B12 Yt = t
2. modell: (0, d, 0) (1, D, 0)12
Szignifikns ACF a 12 , 24, , exponencilisan, vagy csillapod szinusz grbe szerint cskkenve.

( )

( )

3. modell: (0, d, 0) (1, D, 1)12

B12 Yt = B12 t
A 1 = 1, s szignifikns ACF a 12 , 24, , 36, , exponencilisan, vagy csillapod szinusz grbe szerint cskkenve.
Yt = (B) B12 t
4. modell: (0, d, 1) (0, D, 1)12
Szignifikns ACF a 1 , 11 , 12 , s a 13 , (11 = 13 ) . Eljelk pozitv s negatv is lehet a modell paramterek eljeltl fggen.
5. modell: (0, d, 1) (1, D, 0)12
B12 Yt = (B) t Szignifikns ACF a 1 , 11 , 12 , 13 (13 = 11 ) ;

( )

( )

23 , 24 , 25 , ( 25 = 23 ) ; 35 , 36 , 37 , (37 = 35 ) ; exponencilisan, vagy csillapod szinusz grbe

szerint cskkenve.
6. modell: (0, d, 1) (1, D, 1)12
B12 Yt = (B) B12 t Szignifikns ACF a 1 , 11 , 12 , s a
13 , (11 = 13 ) . Egybknt az 5. modell szerint alakul.

( )

7. modell : (0, d, 2) (0, D, 1)12

( )

( )

Yt = 2 (B) B12 t Szignifikns ACF a

1 , 2 , 10 , 11 , 12 , 13 , (13 = 11 ), 14 , (14 = 10 ) ;

A szezonlis modellek PACF smjrl ltalnosan elmondhat, hogy a szezonlis s nem szezonlis
mozg tlagols komponens behozza az exponencilis s csillapod szinusz grbe szerinti cskkenst, a
szezonlis s nem szezonlis ksleltetsnl is. Az autoregresszv folyamatok PACF-je pedig vges sok
rtket tartalmaz.
JMulti ingyenes, bonyolult sztochasztikus idsorkutatsi mdszereket (ARCH, ARIMA, VAR, VECM,
stb) becsl szoftver:
http://www.jmulti.de/
JMulTi egy nylt forrskd interaktv szoftver, ami az konometriai elemzs s a tbbvltozs idsorok elemzse cljbl kszlt. Ez egy Java grafikus felhasznli fellet.
126

Statisztikai programcsomagok sszehasonltsa:

http://en.wikipedia.org/wiki/Comparison_of_statistical_packages
AdaMSoft ingyenes szoftver:
http://sourceforge.net/projects/adamsoft/files/ADaMSoft/3.16.1/InstallADaMSoft.jar/download
ARIMA-t becsl statisztikai szoftverek
Product
BMDP
EViews
GRETL
JMP
Mathematica
Minitab
NumXL
R
RATS
Sage
SAS
SHAZAM
Stata
Statgraphics
STATISTICA
StatPlus
SPSS
SYSTAT
TSP
UNISTAT
YMulti

r
$1095
$1075
Free
$1895
$1095
$1395
Lite version (Free),
Professional edition ($300)
Free
$500
Free
$6000
$1600
$595
$1495
$695
$150
$1599
$1299
$1200
$895
Free

EXCEL megoldsok
http://forecast.umkc.edu/ftppub/BDS545/

3.8.4 EXCEL-parancsfjlok az ARIMA modellezs tmakrbl.

Az ARIMA modellezs hrom lpsben, hrom Excel parancsfjl hasznlatval trtnik.
Elszr a Stacionarits-biztostsa.xlsm parancsfjl alkalmazsval megvizsgljuk, hogy stacionrius-e az
idsor vagy nem. Ha nem akkor a differencils foknak vltoztatsval illetve Box-Cox transzformcival kivlasztjuk azt a transzformlt idsort, ami grafikusan leginkbb eleget tesz a stacionarits kvetelmnyeinek. Itt csak a grafikus bra megszemllsre illetve vizsglatra van lehetsg, pl. lthat, ha az
eredeti vagy transzformlt idsor tlaga s szrsa konstans-e vagy nem. A kvetkez lps a tesztels.
Msodszor a kivlasztott eredeti vagy transzformlt idsort tmsoljuk az ACF-PACF-Qszmtsa.xlsm
Excel parancsfjl Adatok-Szmtsok munkalapja adatok oszlopba (B3-B1048576) Az ACF s PACF
korrelogramok illetve autokorrelcis- s parcilis autokorrelcis egytthatk vizsglata s a Q* statisztikk alapjn eldntjk, hogy az talaktott idsor valban stacionriusnak tekinthet-e. Ha igen, akkor
elvgezhetjk az ARIMA modellezst.
Harmadik lpsben az ARIMA.xls parancsfjlba bemsoljuk az eredeti vagy a Box-Cox-transzformlt
adatokat. A differencilt idsort nem kell hasznlni, mert az ARIMA.xlsm parancsfjlban a differencils
foka (amit mr ismernk az els lps szmtsai alapjn) bellthat, s a becslsnl ezt figyelembe veszi. A Box-Cox-transzformlt adatok hasznlata esetn a legjobb modell kivlasztsa utn lehetsg van
az eredeti- s becslt adatok visszatranszformlsra. (ARIMA.xlsm Adatok visszatranszformlsa munkalapon). Az ARIMA becsls utn sokoldalan lehet ellenrizni a modellt, pl. a becslsi s fleg a tesztidszak hibinak (pl. MAPE) alapjn, ha megosztottuk az idsort becslsi s teszt idszakra, vizsglhat127

juk a reziduumokat, hogy az ARIMA modell eleget tesz-e a lineris regresszis modell szoksos feltteleinek. A felttelek a vletlen vltozra vonatkoznak, gy a modell ellenrzse az et reziduumok vletlen
jellegnek a vizsglatt jelenti. A kivlasztott ARIMA modell esetben ez azt jelenti, hogy az et vletlen
vltoz fggetlen vletlen folyamatot, fehr zaj folyamatot kvet, normlis eloszlssal, nulla vrhat rtkkel s konstans szrssal. Ezeket a teszteket kzli az ARIMA.xlsm parancsfjl, viszont a fehr zaj
tesztelsre (pl. az autokorrelcis egytthatk nem szignifiknsak) ismt az ACF-PACFQszmtsa.xlsm parancsfjlt kell hasznlnunk.

Stacionarits-biztostsa.xlsm Excel parancsfjl mkdse.

ves illetve egyb (pl. napi adatok) esetben (nincs szezonalts) Eredeti adatok s d=1, d=2 s d=3
szmtsa s grafikus brzolsa. A msik lehetsg Box-Cox transzformci s ebbl d=1 s d=2 szmtsa s grafikus brzolsa. A differencia kpzs az ismert kpletekkel trtnik:
d = 1 = Yt = ( Yt - Yt-1 )
d = 2 = 2 Yt = ( Yt - Yt-1 ) - ( Yt-1 - Yt-2 ) = Yt - 2Yt-1 + Yt-2

d = 3 = 3 Yt = Yt - 2Yt-1 + Yt-3
Box-Cox transzformci. A -t meg kell adni s a clszer intervallum:
(Y -1) , 0
Y() =
Y>0
ln(Y),

=
0

2 2
A Box-Cox transzformci utn az adatok visszatranszformlsa:
Y = ( Y() +1)

1/

Havi adatok esetben: szezonlis s nem szezonlis differencia kpzs.

Szezonlis differencia kpzs:
D=1 (yt-yt-12), az idsor 12 adattal rvidl.
D = 1 = 12 Yt = Yt 2Yt 1 + Yt 12
Ezutn nem szezonlis differencia kpzs:
d=1 s d=2 szmtsa, az idsor tovbbi 1 illetve 2 adattal rvidl.
A msik lehetsg itt is a Box-Cox transzformci elvgzse s utna a szezonlis s nem szezonlis
differencia kpzs.

ACF-PACF-Qszmtsa.xlsm Excel parancsfjl mkdse.141

Tetszleges mret adatllomnyt fel tud dolgozni, amit az Excel megenged. (Maximum: 1048576)
Tetszleges max k ksleltets, a gyakorlatban ez max=60
Az j adatbevitel eltt a rgi adatokat trlni kell, az Adatok trlse ikonra kattintva. A PACF
rtkeket a Yule-Walker egyenletek mdszervel becsli.
ACF,PACF ikonra kattintva szmol (ACF, PACF, Q*-statisztika, p-rtk) s korrelogramokat kszt.
(ACF s PACF munkalap). Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a nullhipotzist, miszerint a reziduumok fehr zajok. Ha nagyobb 0,05-nl a p-rtk, akkor akkor 5
%-os szignifikancia szinten elfogadjuk a nullhipotzist, miszerint a reziduumok fehr zajok.
Az alkalmazott kpletek:
Az autokorrelcis egytthatk becslse k ksleltetssel:

141

Forrs: Kidolgozta Lu Wang PHD 2007. UCDAVIS University of California, Department of Statistics
anson.ucdavis.edu/~luwang1/acf_pacf.xls Mdositotta s kiegszitette Kehl Dniel s Sipos Bla.

128

( T m ) k

rk =

(y
t =1

y )( y t k y )

T m

(y
t =1

y)

k = 1, 2,..., K

T= az adatok szma, a minta nagysga

m= a tesztidszak szma: m
T-m (t=1,2,.T-m) a becslsre hasznlt adatok szma sszesen
K = a szmtott autokorrelcis egytthatk elre meghatrozott szma, pl. 36.
A k ksleltets klnbz rtkeihez (k= 1,2,3,,K) rendelt autokorrelcis egytthatk, az
autokorrelcis fggvnyt alkotjk.
Az autokorrelcis fggvnyt rtkei mtrixba foglalva:

1
r
1
R k = r2

rk 1

r1
1
r1

r2
r1
1

rk 2

rk 3

rk 1
rk 2

rk 3

A parcilis autokorrelcis egytthatk becslse a Yule-Walker egyenletekkel trtnik:

1
r
1
-1
= R r = r2

rk 1

r1
1

r2
r1

r1

rk 2

rk 3

rk 1
rk 2

rk 3

r1
r
1
.

.
rk

i=1,2,3k ksleltetett rtkekre kln-kln kiszmolja a parancsfjl a szorzatokat (R -1 r) s a parcilis

autokorrelcis egytthat (k=1,2.K) a szmtott vektor utols eleme lesz.
A Ljung - Box portmanteau-prba (LJB vagy Q*-teszt):
k =K
r2
Q* = (T m)(T m + 2) k
k =1 n k

Ahol:
k = a szmtott autokorrelcis egytthatk elre meghatrozott szma, pl. 36.
A becslsre hasznlt adatok szma sszesen T-m (t=1,2,.T-m),
H0 =a reziduumok fehr zajok,
H1 =a reziduumok nem fehr zajok,
Q* 2-eloszlst kvet (K) szabadsgfokkal.
Ennek alapjn a hipotzis rendszer:
A H0-t elfogadjuk, ha:
Q*<K20,05
A H1 alternatv hipotzist fogadjuk el, ha:
Q*>K20,05
A szignifikancia-rtk (p-rtk) az a legkisebb szignifikancia szint, amin a H0 mr ppen elvethet a H1gyel szemben. Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a reziduumok fehr zajok.
Az ACF s PACF munkalapokon a tesztels:
A konfidencia als s fels hibahatr ltal meghatrozott sv kiszmtsa 5 %-os szignifikancia szinten
az albbi kplettel trtnik:
1,96 T m
129

A 1,96 T m hibahatr ltal meghatrozott svon belli autokorrelcis- s parcilis egytthatk 5

%-os szignifikancia szinten, zrusnak tekinthetk, klnben nem.
ARIMA.xls Excel parancsfjl mkdse.142
Belltsok Office 2007
Nyisson meg egy res EXCEL fjlt.
Makrk belltsa: Kattintson a Microsoft Office gombra, majd a Programnv belltsai gombra (Excel
Options), ahol a Programnv az ppen hasznlt alkalmazs neve, pldul Az Excel belltsai (alul tallhat). Kattintson az Adatvdelmi kzpont (Trust Center) elemre, majd Az Adatvdelmi kzpont belltsai (Trust Center Settings) gombra vgl a Makrbelltsok (Macro Settings) elemre. Kattintson a kvnt
belltsra, a vlaszts: Az sszes makr engedlyezse. (Enable all macros) Minden vlaszts utn Ok.
Kattintson a Microsoft Office gombra, majd a Programnv belltsai gombra, (Excel Options) ahol a
Programnv az ppen hasznlt alkalmazs neve, pldul Az Excel belltsai (alul tallhat). Kattintson a
Bvtmnyek (Add-Ins) gombra, majd vlassza a Kezels Excel bvtmnyeket alul, az ugrst vlasztva
a Bvtmnyeket bejellheti (Manage: Excel Add-Ins, Go, megjelenik: Analysis Tool Pak, rdemes a
tbbit is bejellni.). A Bvtmnyeket az Excel installlja. A Bvmnyek megjelennek: Adatok - Adatelemzs ikonnl. (Data Data Analysis)
Az ARIMA.xls esetben mg a kvetkez belltsokra van szksg:
Eszkzk Bvtmnykezel - Solver beikszelni, vagy ha be van jellve kiszedni a bejellst, kilpni,
lementeni, belpni s jra bejellni a Solvert. (A tbbi bvtmnyt is clszer bejellni) Tovbb:
Eszkzk Makr - Visual Basic Editor - Tools (fell) - References - Solver legyen bejellve. Megoldhat gy is, hogy Alt+F11 Tools, Preferences, s ki kell jellni (pipa jel) a SOLVER feliratot, ha nem volt
bejellve.
A msik elrsi lehetsg: Kattintson a Microsoft Office gombra, majd a Programnv belltsai gombra,
(Excel Options) ahol a Programnv az ppen hasznlt alkalmazs neve, pldul Az Excel belltsai (alul
tallhat). Jellje be: Fejleszteszkzk lap megjelentse a szalagon. Megjelenik a Fejleszt eszkzk
szalag, azon bell Visual Basic-Tools-References-Solvert be kell jellni. Kilps utn mindig menteni
kell. Elfordulhat olyan hibazenet, hogy Eszkzk Makr - Visual Basic Editor - Tools (fell) References Solvermissing, kijellst (pipa jel) ki kell szedni s a szolvert be kell (pipa jel) jellni.
Krkrs hivatkozs esetn, ha itercit vgez az Excel, az Excel ltal javasolt mdosts: Az Excel belltsai Kpletek - Kzelts engedlyezse.

j adatllomny bevitele:
Az adatsor kivlasztsa. A program elvgzi a differencia-kpzst, de ha ln-transzformcira, vagy BoxCox transzformcira van szksg, azt el kell vgezni s a transzformlt adatokkal kell a tovbbiakban
dolgozni. Erre szolgl a stacionarits - biztostsa Excel parancsfjl. A megfelel ARIMA modell (paramterek belltsa) kivlasztsra szolgl az ACF-PACF-Q* Excel parancsfjl. (Ld. ARIMA modellek
jellemzse tblt) Ellenrizni kell, hogy a transzformlt adatsor stacionrius-e, mert csak ebben az esetben lehet alkalmazni az ARIMA modellt. Ha nem stacionrius az idsor, akkor gyakran valamelyik paramter vagy paramterek 1 vagy -1 rtket vesznek fel.
Az s rtk belltsa. Elszr az ARIMA munkalapon a szezonok (s) szmt kell berni. Lehetsgek: 1,
4, 7, 12. Ha nincs szezonalits, s=1, pl. ves adatok vagy napi tzsdeindexek, ha negyedves a szezonalits, s=4, negyedves adatok, ha havi a szezonalits, s=12 havi adatok, s=4 s s=12 esetben a peridusok
az vek, heti szezonalits, s=7 napi adatok, ahol a peridusok a hetek. Ha rnknti adatok vannak, akkor
s=1 ahol a peridus a nap.
Adatbevitel: Ctrl+a,
Megfigyelsek szmnak mdostsa. ? x
142

Kidolgozta: Mongkol Temrangsitornrat (UMKC, University of Missouri-Kansas City), talaktotta, lefordtotta

s tprogramozta Kehl Dniel s Sipos Bla (PTE KTK).

130

A kvetkez szveg jelenik meg: A munkalap jelenleg . hosszsg adatsort tmogat. Adja meg, hogy
hny megfigyelst kvn illesztsre felhasznlni! (36 megfigyelsnl tbbnek kell lennie!)
Be kell rni az j idsor becslsre felhasznlt adatainak a szmt. Ezt kveten a kvetkez szveg jelenik meg:
A munkalap jelenleg elrejelzsi megfigyelst tmogat. Adja meg, hogy hny elrejelzsi peridust
kvn hasznlni. (Legalbb 1 peridusnl tbbnek kell lennie) Ha nem kzli a korbbi belltsokat, akkor
solver hiba van, s a solvert az elzekben lertak szerint jra be kell lltani.
A Ctrl+a teht kzli a jelenlegi becslsre felhasznlt idsor hosszt, a korbbi szmts alapjn s kri az
j becslsre szolgl idsor adatainak a szmt (az argumentumban, egy oszlopban szerepl cellk maximlis sorszmt, ami elmletileg 1048576 sor lehet. A program akr 35 ezer adat, pl. DJA napi index
1896-2011 esetben is mkdik kb. 10 perc alatt megoldst ad).
Megfigyelsek szmnak mdostsa. ? x
Ezt kveten kri az elrejelzs hosszt, kzlve a jelenlegi, korbbi szmts rtkt, aminek csak szakmai korltja van, ha ex-post ellenrzst illetve ex-ante elrejelzst krnk. Ebben az esetben az idsort
becslsi s teszt idszakokra bontjuk. Lehet pl. ex-post ellenrzsnl a becslsi idszak az idsor fele, (a
teszt idszak akkor szintn az idsor fele) ktharmada, (a teszt idszak akkor az idsor egyharmada)
ngytde (a teszt idszak akkor az idsor egytde) vagy becslsi idszak az idsor hossza mnusz az
utols v, ami havi adatoknl pl. 12, negyedves adatoknl pedig 4. Hibakpleteket akkor szmol a program, ha azt megadjuk, teht az sszes bemsolt adat szmnak s a becslsre szolgl adatok szmnak a
klnbsge egy vagy egynl nagyobb rtk.
Ex-post ellenrzsnl az ARIMA illesztst (becslst) vgzi el a program a becslsi idszak adatainak az
alapjn s kiszmtja az illesztett hibkat a becslsi idszakra, tovbb az ARIMA modell elrejelzseket
kszt, ha megadtuk a megfelel elrejelzsi idszakot, vagyis a teszt idszak adatainak a szmt s mivel
a tnyadatokat is megadtuk a teszt idszakra, a program hibakpleteket tud szmtani, amit az elrejelzett
hibk nven kzl. A hibakpletek az ARIMA munkalapon a szmtsok elvgzse (Ctrl+b s Ctrl+k)
utn a szmsorok utn az O (Illesztett hibk) s R (Elrejelzett hibk) oszlopban jelennek meg.
Az adatok mdostsa (Ctrl+a) utn a rgi adatsort trli a parancsfjl s be lehet msolni az j adatsort.
Ha az idsort megosztjuk becslsi s teszt idszakra, akkor clszer gy megadni az adatokat, pl. a teszt
idszak hossza megegyezik az elrejelzs hosszval. (pl. havi adatok, az idsor hossza 456 hnap adata,
az elrejelzs hossza 12 hnap, akkor az j idsor hossza krdsre a vlasz 444 hnap, s ebbl szmol,
az idsor bevitel elrejelzs celliba be lehet msolni a tesztidszak 12 adatt. Az elrejelzs hossznak
lehet krni 24-t, ebbl 12 adat az ex-post elrejelzs ellenrzshez szksges s 12 lesz az ex-ante elrejelzs, amikor mr tnyadatokkal nem rendelkeznk. A hibakpleteket a program kiszmolja az illesztett
(becslsi) s ebben az esetben az elrejelzett (teszt) idszakokra is.
Hibazenetnl Debug-t kell vlasztani s a srga mezben lv utastsnl shift 1, aposztrfot () kell berni s menteni. A msik lehetsg a solver belltsa az elzekben lertak szerint.
Clszer elszr ex-post elemzst vgezni s a legjobb ARIMA modell ismeretben ex-ante elrejelzseket kszteni.

Az ARIMA munkalapon a kiindul ARIMA modell felrsa (azonostsa, identifikcija) s az

ARIMA modell paramtereinek a becslse.
A felhasznlknak meg kell hatrozniuk a (p-d-q-C-P-D-Q-S) ARIMA vltozk rtkt a srga cellban
(A3:H3). A vltozk felvehet rtkei: d s D: 0-3, p: 0-12, P: 0-2, q: 0-12, Q: 0-2, C: 0-1. S: 1, 4,7,12.
Hibs adat bersa esetn a program hibt jelez, ilyenkor cskkenteni kell a bert rtket 1-gyel, s ha akkor is hibt jelez, mindaddig cskkenteni kell a bert vltoz rtkt, amg hibt nem jelez.
Havi adatok esetn S 12 kell legyen, s ha az adatok negyedvesek, S 4 kell legyen, s heti adatoknl S 7
kell legyen. A szrke cellk szmtsi terletek, gy oda adatokat nem szabad rni, csak a srga cellkba.
Az ARIMA paramter rtknek bersa utn, a paramterek mdostst vgrehajt Solvert futtatni kell.
(Ctrl+b). A koefficiensek rtknek meghatrozshoz a felhasznlknak futtatniuk kell az ARIMA modell becslst vgz Solvert, ami itercikkal (felttelezses maximum likelihood (CML) mdszervel)
elvgzi a szmtsokat. (Ctrl+k)
A vltoz cellk a srga cellk, melyek tartalmazzk szmtsok eredmnyt, rtelemszeren, ha kivlasztsra kerltek, teht nem 0 paramtert jelltnk be.
0 =X28, (112) 2839, S (1-2) 2829, (112) 2839, S (1-2) AM 28-29.
131

A (theta) s (phi) koefficiens korltai, kisebbek, mint 1, de nagyobb, mint 0, kivve a 0-t (theta 0-t)
amely brmely vals szm lehet.
ARIMA modellek jellemzse tbla segt a modell kivlasztsban.
Az ARIMA modell paramtereinek becslse a felttelezses maximum likelihood (ML) (conditional maximum likelihood ~ felttteles legnagyobb eslyessg) mdszervel trtnik. Ennek lnyege, hogy a
becslfggvny ksztje ismerettel rendelkezik az alapsokasg eloszlsra vonatkozan, pontosabban
ismeri az alapsokasgi eloszls tpust, de nem ismeri a konkrt alapsokasgi paramterek rtkt. Ez a
felttelezs az ARIMA modellek esetben az, hogy a megfigyelsek normlis eloszlst kvetnek s eleget
tesznek a stacionaritsi kvetelmnyeknek.143 A kezdrtkek szmtsnl a felttelezses (conditional)
ML mdszert hasznlja, vagyis a kezdrtkek nullk. Pldul a paramter maximum likelihood (ML)
becslse az a = (Y ) paramterrtk, amelyre f (Y ) (teht a likelihood-fggvny) maximlis. Te

ht azt a paramtert vlasztjuk becslsnek, ami mellett az Y minta bekvetkezsnek valszersge a

legnagyobb.
Az ARIMA mukafzeten, a lertak szerint:
Meg kell adni a paramterek szmt. ARIMA (p, d, q). C (konstans, van=1, nincs= 0) Ha van szezonalts: (P, D, Q)s
Ctrl+b mdostja az ARIMA modell paramtereit, amiket a srga cellkba bertunk.
Ctrl+k itercis eljrssal becsli a paramtereket (Ctrl+b utni paramterek szerint) s kiszmtja a becslt paramtereket valamint a kvetkez statisztikkat:
A rendelkezsre ll adatok szma: T
A teszt idszak szma: m
A becslsi idszak szma: T-m
A becslsre hasznlt adatok szma sszesen T-m (t=1,2,.T-m), minimum 36.
Kies adatok szma= Kies adatok szma=p+d+s(P+D)
Felhasznlhat adatok szma= Az adatok szma - Kies adatok szma = (T-m) - [p+d+s(P+D)]
Szabadsgfok (df) szmtsa: df=(T-m)[p+d+s(P+D)] - (p+q+P+Q)
Szmtani tlag (Yt):
1 Tm
Y=
Yt
T m t =1
SzrsP (Yt):

Y =

2
1 T m
Yi Y )
(

T m t =1

Hibangyzet-sszeg (SSE):
Tm

SSE =

( Y Y )
t =1

A rezidulis szrs (s):

T m

s=

( Y Y )

SSE
t =1
=
df
(T-m)-[p+d+s(P+D)] - (p+q+P+Q)

R2 tbbszrs determincis egytthat:

Tm

( Y Y )

t =1

s
(T-m)-[p+d+s(P+D)] - (p+q+P+Q)
R = 1
= 1
2
1 Tm
Y
Yi Y )
(

T m t =1
2
Az R negatv is lehet, ha s > Y , de a megfelel modell kivlasztsa esetn egyhez kzeli rtk, klnsen ha sok magyarzvltoz szerepel a modellben.
2

143

Ld. Pintr-Rappai szerk. Statisztika.PTE, KTK. 2007. 309-313.

132

DW statisztika. (Durbin-Watson d-prba) A prbafggvny:

n

d=

(e
t =2

e t 1 )

e
t =1

2
t

A program, a tbbi szoftverhez hasonlan kzli a DW statisztika rtket, ami nem hasznlhat az AR
modelleknl, ahol a magyarzvltozk valamelyike az eredmnyvltoz egynl tbb ksleltetettje,
vagyis Yt-1, Yt-2 alak.144 Ha a ksleltets 1, (Yt-1) akkor viszont hasznlhat a DW statisztika.

Az ARIMA modellek diagnosztikai ellenrzse.

Az R2 nem alkalmas az illeszkeds mrsre, mert a paramterek szmnak nvekedsvel gyakorlatilag
1-hez tart. A modell alkalmassgnak vizsglatra a legjobb mdszer a mintn kvli elrejelzs, vagyis a
minta egy rszt visszatartjuk (nem hasznljuk fel a becsls sorn, ez a teszt idszak), ezekre ex post elrejelzseket ksztnk, majd sszehasonltjuk az elrejelzett rtkeket (Y^t) az Yt ismert rtkeivel. A
becslsi idszak alapjn ksztjk az elrejelzseket. A mi lett volna ha felttelezs mellett nagy valsznsggel a legjobb modell kivlaszthat. Termszetesen felttelezzk, hogy az ex-ante idszakban jelentsebb tendencia vltozs pl. vlsg nem kvetkezik be. A mintn kvli elrejelzshez az adatbevitelt
(Crtl+a) kell megfelelen belltani.
Az ARIMA parancsfjl az Eredeti s becslt illetve a Reziduum munkalapokon a szmtsok alapjn
a grafikus brkat is kzli.

Az alkalmazott hibakpletek.
Kiszmtja a hibakpleteket a becslt ( t=1,2 T-m) rtkekre minden esetben, a becslsre szolgl
) alapjn.
megadott adatok ( Yt ) s az ARIMA modell alapjn becslt adatok ( Y
t
Kiszmtja tovbb a hibakpleteket az ex-post elrejelzett (T, T-1, T-2,...T-(m+1)) rtkekre is, ha az
idsort megosztottuk becslsi (cellk szma: T-m) s teszt (cellk szma: m) idszakra s megadtuk a
teszt idszak rtkeit.
Ex-ante elrejelzst kszt az M-m idszakra, amikor mr megfigyelsekkel nem rendelkeznk: (T+1,
T+2, T+M-m). Ellenrzse akkor lehetsges amikor az ex-ante idszak bekvetkezik s gy ex-post
idszakk vlik.
Az alkalmazott jellsek:
A hiba (e = Error):

et = Yt Y
t
Yt = az illesztsre (becslsre) felhasznlt megfigyelt rtkek (1,2,.T-m) s az ex-post becslsre (T, T1, T-2,...T-m-1) hasznlt megfigyelt adatok.
= az illesztett (becslt) (1,2,.T-m) s az ex-post elrejelzett (T, T-1, T-2,...T-m-1) rtkek.
Y
t
Az illesztett hibk szmtsa a fenti jellsek felhasznlsval:
t=1,2,3,T-m

tlagos hiba. [ME=MEAN ERROR]

T m

Y Y

ME =

t =1

Tm
A hibk (reziduumok) ngyzetsszege. SSE (SUM OF SQUARED ERRORS)
SSE =

T m

e
t =1

144

2
t

Tm

( Y Y )
t =1

Ramanathan i. m. 406.

133

Relatv [%-os] hiba [PEi = PERCENTAGE ERROR]:

Yt Yt
100
Yt
Relatv [%-os] abszolt hiba [PEi = ABSOLUTE PERCENTAGE ERROR]:
PE t =

PE t =

Yt Yt
100
Yt

A hiba abszolt rtke:

e t = Yt Y
t

tlagos relatv [%-os] abszolt hiba szrsa, [RSE=ROOT SQUARE ERROR of MEAN ABSOLUTE
PERCENTAGE ERROR]:
Yt Yt
100
Yt
t =1
RSE =
(T-m)- p+d+s(P+D)
Tm

tlagos abszolt eltrs [MAD=MEAN ABSOLUTE DEVIATION OF ERROR]

T m

MAD =

Y Y
t =1

Tm
tlagos relatv [%-os] hiba [MPE = MEAN PERCENTAGE ERROR]
Tm
Yt Yt
100

Yt
t =1
MPE =
Tm
tlagos relatv [%-os] abszolt hiba [MAPE = MEAN ABSOLUTE PERCENTAGE ERROR]:
Tm
Yt Yt
100

Yt
t =1
MAPE =
(%)
Tm
Az ex-post elrejelzett (T, T-1, T-2,...T-m-1) rtkek hibaszmtsa hasonl mdn trtnik, csak az indexek klnbznek: T, T-1, T-2,...T-m-1 rtkeket vesznek fel.
Pl. az elrejelzett MAPE szmtsa a teszt peridusra:
m
Yt Yt
100

Yt
t = T (m +1)
MAPE =
(%)
m
Tbb ARIMA modell kzl azt vlasztjuk, amelyre a MAPE, a MAD, RSE hibk kisebbek.

Szelekcis kritriumok alapjn trtn vlaszts. 145

Akaike fle informcis kritrium. (Akaike Information Criterion = AIC)
Schwartz-fle bayesi kritrium (Schwarz Bayesian Criterion = SBC) vagy bayesi informcis kritrium
(Bayesian (Schwartz) Information Criterion = BIC vagy SIC).
Hanan-Quinn kritrium (Hanan-Quinn Criterion = HQC)
Az ARIMA modellek sszehasonltsra szolglnak s egyszerre figyelembe veszik az illeszkeds jsgt s a becslt egytthatk szmt.
A jellsek:
A becslt paramterek szma: P =p+q+P+Q
Az adatok szma, a minta nagysga: T
A tesztidszak szma: m
145

Ramanathan i. m. 173-174..

134

Az illesztsre (becslsre) felhasznlt adatok szma T-m

A hibk (reziduumok) ngyzetsszege.146
SSE =
Rezidulis szrsngyzet (variancia) (s2)

T m

Tm

t =1

t =1

e2t =

Yt Y
t

Tm

s2 =

( Y Y )

t =1

(T-m)

A becslt paramterek szma: P =p+q+P+Q

Az AIC, BIC s HQC mutatk eredeti s logaritmizlt formkban:
2P

AIC(P) = s 2 e T m
LN(AIC(P) ) = LN(s 2 ) +

2P
Tm

BIC(P) = s 2 (T m) T m
LN(BIC(P) ) = LN(s 2 ) +

P
LN(T m)
Tm
2P

HQC ( P ) = s 2 (LN[T m]) (T m)

2P
LN(HQC(P) ) = LN(s 2 ) +
LN(LN[T m])
Tm

Tbb ARIMA modell kzl azt vlasztjuk, amelyre az AIC-, BIC- a HQC - rtk a legkisebb. A szelekcis kritriumok mkdsk elve a kvetkez: a kisebb hibj modellt preferljk, de ezek kzl is azt
vlasztjk, amelyik a kevesebb paramtert hasznl. A ktfle kritrium egymsnak ellentmond eredmnyre is vezethet. A magyarz vltozk szmnak nvekedst a Schwartz-fle bayesi kritrium
(BICp) jobban bnteti. A szelekcis kritriumok kivlasztsa arra vonatkozik, hogy mely koefficienseket
hasznljuk (tartjuk meg) a modellnkben. Minl egyszerbb ARIMA modellel tudunk j prognzist kszteni, annl megbzhatbb prognzist tudunk kszteni.
Az (SSE/T-m), egy megfigyelsi idsor egysgre vettve az tlagos hiba. gy kezddik mind hrom mutat. A hiba minl kisebb annl jobb, teht ez a modell gy fog mkdni, hogy minl kisebb a hiba, annl
jobb a mutat, de a javulst ellenslyozza a paramterek szmnak nvekedse. Ezt fejezi ki az e a (T-m)
illetve ln(T-m) alap hatvny, amit bntetfaktornak neveznk.

A vletlen vltoz, (reziduumok et) vizsglata.

A modell ellenrzse annak a vizsglatt jelenti, hogy a becslt ARIMA modell eleget tesz-e a lineris
regresszis modell szoksos feltteleinek. A felttelek (ld. regresszio.xls parancsfjl lerst) a vletlen
vltozra vonatkoznak, gy a modell ellenrzse az et reziduumok vletlen jellegnek vizsglatt jelenti.
Ezeknek a szmtsoknak egy rszt mr elvgeztk a modell azonostsa munkafzisban, amikor azt ellenriztk, hogy az Yt vltozk illetve azok transzformcijval (Box-Cox-transzformci s differencia
kpzs, d s D) nyert transzformlt vltozk eleget tesznek-e a stacionarits kvetelmnynek illetve,
hogy a vltoz, a megfigyelt idsor (Yt) hibi, vagyis az autokorrelcis egytthatk fehr zajt alkotnake. Ezt Q*-teszttel ellenriztk.
Most viszont becslt ARIMA modellel rendelkeznk s ellenriznnk kell azt, hogy a becslt
reziduumok vletlen jellege igazolhat-e.
A lineris regresszis modell feltteleit az ARIMA modellre felrva: az e t vletlen vltoz fggetlen vletlen folyamatot (fehr zaj folyamatot) kvet, nulla vrhat rtkkel s konstans szrsngyzettel. A
konstans szrsngyzet llandsgra vonatkoz felttel teljeslst ellenrizhetjk a reziduumok grafikus brja alapjn. Ld. Reziduum munkalapot.
146

Msik neve az SSE-nek a nemzetkzi irodalomban: Residual Sum of Squares (RSS)

135

Az ARIMA munkalapon az O oszlopban kzli a program a reziduum (et) rtkeket, ezekbl kell elszr
autokorrelcis egytthatkat szmtani pl. k=36 ksleltetssel.
Tm

rk (e t ) =

(e

t = k +1

t k e)

e)(e

T m

(e
t =1

2
e)

Az a rk (e t ) stadard hibjnak a kzeltse:

1
Tm

s[rk (e t )] =

Az elzek alapjn:
rk (e t ) = ACF

A rezidulis vltoz fggetlensge esetn az autokorrelcis egytthatk rk (e t ) (k=1,2,K) nem szignifiknsak. Clszer, a mr ismertetett Ljung-Box portmanteau-prba (LJB vagy Q*-teszt) hasznlni az
autokorrelcis egytthatk tesztelsre.
k =K
r 2 (e )
Q* = (T m)(T m + 2) k t
k =1 T m k
A reziduumok (et) az ARIMA.xls parancsfjl ARIMA munkalapjn az O oszlopban tallhatk, ezeket a
parancsfjl bemsolja a Modell ellenrzse munkalap B oszlopba, a sorszmokat az A oszlopba. Az
et reziduumokat bemsoljuk az ACF-PACF-Qszmtsa Excel parancsfjlba, a Reziduumok msolsa
cellra kattintva, ami kiszmtja az autokorrelcis egytthatkat a megadott K ksleltetseknek megfelelen, a parcilis autokorrelcis egytthatkat, a Q*-statisztikkat s a p-empirikus szignifikancia rtkeket. A szmitsok eredmnyt visszamsoljuk az ARIMA.xls fjl A modell ellenrzse munkalapjba. A rgi adatokat eltte kitrljk.
A becslt rezidulis vltoz tlagnak [M(et)] nullhoz kzel kell esni. A nullhipotzis ellenrzse:
A reziduumok (et) tlaga, a rezidulis szrsnegyzet [variancia s2(et)] s a rezidulis vltoz (et) standard
hibjnak s(et) becslse:
Tm

e t =

e
t =1

Tm

T m
2
(e t )

e
t =1

2
t

(T m) (p+q+P+Q)

=
s(e)

s (e2 t )
Tm

Az egymints t-prba, nem kveteli meg a sokasgi eloszls szrsnak ismerett, de annak normlis voltt tovbbra is kikti. :
t=

e 0
s(e)

H 0 : M(e t ) = 0
H1 : M(e t ) 0
A prbafggvny a nullhipotzis fennllsa esetn:

t=

e
<t
s(e) (1/ 2)( Tm1)

A prbafggvny a nullhipotzis elutastsa esetn:

t=

e
>t
s(e) (1/ 2 )( Tm1)

A reziduumok (et) Jarque-Bera fle normalitsi-tesztje.

136

A reziduumok szma:
Becslsre felhasznlt adatok szma (T-m)
Kies adatok szma k=p+d+s(P+D)
Reziduumok szma n = (T-m)- [p+d+s(P+D)]
JB =

n 2 1
2
S + ( K 3)
6
4

Ahol:
Reziduumok szma n = (T-m)- [p+d+s(P+D)]
S= a ferdesg mrsre szolgl S mutat:
3

e t et
S=

( n 1)( n 2 ) t =1
A S - mutat rtke 0, ha az eloszls szimmetrikus, pozitv eljel esetn jobb oldali, mg negatv eljel
esetn bal oldali aszimmetrira kvetkeztethetnk.
K = a cscsossg mutatszma:
n

n
4
[ei ei ]
2
n(n +1)
3 (n1)
=
t
1
K=

4
(n1)(n2)(n3)
(n2)(n3)

A (K-3) relatv cscsossg mutat rtke 0, normlis eloszls esetn. Ennl kisebb rtk esetn lapultnak,
nagyobb rtk esetn cscsosnak tekinthetjk az eloszlst.
A szabadsg fok (df) mindig az S s K paramterek miatt = 2
A tesztstatisztika 2 szabadsgfok 2-eloszlst kvet. Minl magasabb az rtke, annl biztosabban (alacsonyabb szignifikancia-szint mellett) tudjuk elutastani a nullhipotzist, miszerint a megfigyelsek normlis eloszlst kvetnek. Normlis eloszls esetn a JB=0, mert S=0 s (K-3) =0, teht alacsony rtke
normalitsra utal. Ha a p-rtk kisebb mint 0,05 akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a megfigyelsek normlis eloszlst kvetnek.
Ennek alapjn a hipotzis rendszer:
H0 = az adatsor normlis eloszlst kvet,
H1 = az adatsor nem kvet normlis eloszlst,
A H0-t elfogadjuk, ha:
2
JB<2 0,05
A H1 alternatv hipotzist fogadjuk el, ha:
2
JB>2 0,05
A szignifikancia-rtk (p-rtk) az a legkisebb szignifikancia szint, amin a H0 mr ppen elvethet a H1gyel szemben. Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a megfigyelsek normlis eloszlst kvetnek.

ACF-PACF-ARIMAszmts144adattal.xlsm Excel parancsfjl mkdse.

Az Adatbevitel munkalapra 144 adat msolhat. Ctrl+a utastssal az adatllomny bvithet, kri az
adatllomny nvekedsnek a nagysgt. Pl. az j adatllomny 200, a rgi 144, a bvls, amit be kell
rni. 200-144=56. Nyomon kvethet az ACF, PACF, Q* szmtsa s tesztelse, az ACF s PACF korrelogramok ksztse. A PACF rtkeket a Yule-Walker egyenletekkel mdszervel becsli. A
szmtsok kpletei a munkafzetekben megtallhatk, maguk a szmtsok nyomon kvethetk s az
elmleti rszben az elzekben lersra kerltek. Az ARIMA munkalap 144 adattal mkdik, a programozs lthat. Ennek a parancsfjlnak az a clja, hogy a szmtsok menett lehessen ltni, az ne legyen fekete doboz. AZ ACF-PACF-Q* szmtst az elzekben bemutattuk. Az ARIMA modellezs
lpseit ismertetjk. A parancsfjllal csak a megadott ARIMA vltozokkal vgzi el a szmtsokat, teht
itercikat nem vgez.
Bevezets:
137

Ez a munkalap bemutatja az ARIMA mdszert, amely kpes kezelni heti, havi negyedves adatokat.
Az ARIMA mdszerrel a modell 3 f komponenst tartalmaz, nevezetesen autoregresszis, differencia s
mozgtlag. Minden komponensnek kt alkomponense van, azaz egyszer s szezonlis alkomponens.
Az autoregresszis komponens ltalnos formja:
a szezonlis
az egyszer
( 1- 1S B1S- 2S B2S- - PS BPS) (1- 1 B1- 2 B2- - p Bp) Yt = et
ahol p-t s P-t az ARIMA paramter p s P rtke hatrozza meg
B jelli a visszalptet opertort s S jelli a szezonalitst
A differencia komponens ltalnos formja:
szezonlis egyszer
(1- BDS) (1- Bd) Yt = et
ahol d-t s D-t az ARIMA paramter d s D rtke hatrozza meg
B jelli a visszalptet opertort s S jelli a szezonalitst
A mozgtlag komponens ltalnos formja:
a szezonlis
az egyszer

konstans

Yt = ( 1- 1S B1S- 2S B2S- - QS BQS ) ( 1- 1 B1- 2 B2- - q Bq ) et + 0

ahol q-t s Q-t az ARIMA paramter q s Q rtke hatrozza meg
B jelli a visszalptet opertort s S jelli a szezonalitst
s 0 jelli a konstanst az ARIMA modelben (ha a C ARIMA paramter 1)
Ezen hrom komponenst egyestve az ARIMA ltalnos formja pdqCPDQS paramterrel az albbi lesz
(1- 1S B1S- 2S B2S- - PS BPS) (1- 1 B1- 2 B2- - p Bp) ( 1- BDS) (1- Bd) Yt
= (1- 1S B1S- 2S B2S- - QS BQS ) ( 1- 1 B1- 2 B2- - q Bq) et + 0
Hogyan hasznljuk a munkatblt?
A felhasznlknak meg kell hatrozniuk a (p-d-q-C-P-D-Q-S) ARIMA paramterek rtkt a srga cellban (A3:H3). A ksleltetsi adatok korltozottsga miatt p s d rtke 0-36 kztt kell legyen. P s D rtke 0-15 kztt kell legyen. q s Q rtke 0-2 kztt kell legyen. C rtke 0 vagy 1 kell legyen. Havi
adatok esetn S 12 kell legyen, s ha az adatok negyedvesek, S 4 kell legyen, s heti adatoknl S 7 kell
legyen. Krem, vegye figyelembe, a szrke cellk szmtsi terlet
Az ARIMA paramter rtknek meghatrozsa utn, a munkalap kivlasztja, milyen konstans s koefficiens vesz rszt a szmtsban a meghatrozott ARIMA paramternek megfelelen. Ha a koefficienset
vagy konstanst kivlasztottk, a mellette lev cella 1-re vltozik. s 0 ha nem vlasztjk ki.
A koefficiensek rtknek meghatrozshoz a felhasznlknak futtatniuk kell a megoldt. A clcellk
lehetnek ME vagy SSE. Ezek az rtkek a D95 illetve a D96-ban vannak. A vltoz cellk a srga cellk,
melyek tartalmazzk a konstanst s phi-t s theta-t azaz M28 a 0 (theta0) konstansot, Q28:Q63 cella a 1
36 (phi1 phi36) autoregresszis koefficienst, V28:V42 a S1 S15 (phiS1 phiS15) szezonlis
autoregresszis koefficienst, Y28:Y29 tartomny a 1 2 (theta1 theta2) mozgtlag koefficienst,
AC28:AC29 tartomny a S1 S2 (thetaS1 thetaS2) szezonlis mozgtlag koefficienst. A theta s phi
koefficiens korltai, kisebb, mint 1, de nagyobb, mint 0, kivve a theta 0, amely brmely vals szm lehet
A havi s negyedves elrejelzsi munkafzet ARIMA modulja kiss klnbzik ARIMA.xls-tl. A klnbsgek a kvetkezk:
1) A havi s negyedves elrejelzsi munkafzet ARIMA modulja csak havi adatokkal tud dolgozni, mivel a Szezonlis MA-t specilisan havi adatok feldolgozsra terveztk. Ugyanez rvnyes a negyedves
munkafzetre
2) Az ARIMA.xls makrja nem regenerlja a munkalapot. Egyszeren nveli a megfigyelsek szmt. A
havi s negyedves elrejelzsi munkafzet ARIMA moduljt regenerltk Ctrl+a megnyomsval.
Ezen munkalap Szmtsi Folyamata
A Szmtsi Folyamatot 6 f modulra osztottuk:
egyszer differencils modul
1.
szezonlis differencils modul
2.
egyszer autoregresszis modul
3.
138

4.

szezonlis autoregresszis modul

5. mozgtlag modul (egyszer s szezonlis kombinlva)
6. sszegz modul
Mindegyik modul szmtsi eredmnyt tovbbtjuk a msik modulba. Az egyes modulok mkdse
1 Egyszer Differencils Modul
Ez a modul az AG - BT oszlopban tallhat a 21. sortl kezdve. Az AG - BQ oszlop tartalmazza a ksleltetett adatokat 1 ksleltetstl kezdve 36 ksleltetsig. s az AD oszlop tartalmazza a mtrixot, amely
megmondja, milyen ksleltetst vlasztunk a d ARIMA paramter rtknek megfelelen. A BS oszlop
tartalmazza mtrix szorzs eredmnyt. Ezeket az eredmnyeket rvnyestjk a BT oszlopban, s DIFFtnek nevezzk
(1- Bd) Yt := DIFFt
A mtrix
Az Yt mtrix
| 1|
| 0|
| : |
| -1 | X [Yt Yt-1 Yt-2 Yt-36 ] : = DIFFt
| 0|
| : |
| 0|
2 Szezonlis Differencils Modul
Ez a modul a BV - CN oszlopban tallhat a 21. sortl kezdve. A BV - BQ oszlop tartalmazza a ksleltetett DIFFt (Yt-t egyszer differencils utn) 1 szezonlis ksleltetstl kezdve 15 szezonlisig. s az AE
oszlop tartalmazza a S mtrixot, amely megmondja, milyen szezonlis ksleltetst vlasztunk a D
ARIMA paramter rtknek megfelelen. A CM oszlop tartalmazza mtrix szorzs eredmnyt. Ezeket
az eredmnyeket rvnyestjk a CN oszlopban, s SDIFFt-nek nevezzk:
(1- BDS) DIFFt : = SDIFFt
the S matrix the DIFFt matrix
| 1|
| 0|
| : |
| -1 | X [DIFFt DIFFt-1S DIFFt-2S DIFFt-15S ] : = SDIFFt
| 0|
| : |
| 0|
3 Egyszer Autoregresszis Modul
Ez a modul a CP oszloptl EQ oszlopig tallhat a 21. sortl kezdve. A CP - DZ oszlop tartalmazza a
ksleltetett SDIFFt-t (Yt-t egyszer s szezonlis differencils utn) 1 ksleltetstl kezdve 36 ksleltetsig. s az N oszlop a 28 sortl kezdve a 63 sorig trolja az autoregresszis koefficiensek rtkeit a 1
36 (phi1 phi36) tartomnyban. Az M oszlop N-tl balra mutatja, melyik koefficienst vlasszuk a p
ARIMA paramter rtknek megfelelen Ez az M s N oszlop kombinlva alkotja az AB oszlopnl tallhat mtrixot. Ez a mtrix mutatja, melyek az autoregresszis koefficiensek (N) ebben a szmtsban. Az EB oszlop tartalmazza mtrix szorzs eredmnyt. Ezeket az eredmnyeket rvnyestjk az EC
oszlopban, s ARt-nek nevezzk
(1- 1 B1- 2 B2- - p Bp) SDIFFt := AR t
a mtrix az SDIFFt mtrix
| 1 |
| - 1 |
| - 2 |
| : |
| - 36 |

X [SDIFFt

SDIFFt-1

SDIFFt-2

SDIFFt-36 ] : = ARt

139

4 Szezonlis Autoregresszis Modul

Ez a modul EE oszloptl EW oszlopig tallhat a 21. sortl kezdve. Az EE - ET oszlop tartalmazza a
ksleltetett ARt-t (Yt egyszer s szezonlis differencils utn) 1 ksleltetstl kezdve 15 ksleltetsig.
s az R oszlop a 28 sortl kezdve a 42 sorig trolja a szezonlis autoregresszis koefficiensek rtkei a
1S 15S (phi1S phi15S) tartomnyban. A Q oszlop N-tl balra mutatja, a p ARIMA paramter rtknek megfelelen melyik koefficienst vlasszuk. Ez a Q s R oszlop kombinlva alkotja az AC oszlopnl tallhat S mtrixot. Ez a mtrix mutatja, melyek az autoregresszis koefficiensek (NS ) ebben a
szmtsban. Az EB oszlop tartalmazza mtrix szorzs eredmnyt. Ezeket az eredmnyeket rvnyestjk az EC, oszlopban, s SARt-nek nevezzk
(1- 1S B1S- 2S B2S- - PS BPS) ARt := SAR t
a S mtrix az ARt mtrix
| 1 |
| - 1S |
| - 2S | X [ARt ARt-1S ARt-2S ARt-15S ] : = SARt
| : |
| - 15S |
5 Mozgtlag Modul
Ez a modul az FU oszloptl FY oszlopig tallhat a 21. sortl kezdve. Az FV oszlop szmtja ki a mozgtlag komponenst szezonlis alkomponens nlkl (MA). Az FW oszlop szmtja ki a mozgtlag komponenst negyedves szezonlis alkomponenssel (SMA4). Az FX oszlop szmtja ki a mozgtlag komponenst heti szezonlis alkomponenssel (SMA7). s az FY oszlop szmtja ki a mozgtlag komponenst
havi szezonlis alkomponenssel (SMA12)
A V oszlop a 28 sortl a 29 sorig trolja az egyszer mozgtlag koefficiensek 1 s 2 (theta1 s theta2)
rtkeit. A Z oszlop a 28 sortl kezdve a 29 sorig trolja a szezonlis mozgtlag koefficiensek 1S and
2S rtkeit (theta1S and theta2S). Az U s X oszlop a V s Y oszloptl balra mutatja, a q s Q ARIMA
paramter rtknek megfelelen melyik koefficienst vlasszuk. Ez U s V oszlop kombinlva s az X s
Y oszlop kombinlva alkotja az FR illetve FS oszlopban tallhat and s S mtrixokat. Pldul ha a q
s Q ARIMA paramter rtke 0 vagy res, ez azt jelenti, a felhasznlk mozgtlag komponens nlkli
ARIMA-t akarnak, akkor ez a kt mtrix ( and S ) 0
A J21 cella trolja 0 (theta0) konstans rtkt mutatja. A I21 cella a J21 celltl balra mutatja, vlasztjuk-e ezt a koefficienst a C ARIMA paramter rtknek megfelelen
SARt = ( 1- 1S B1S- 2S B2S) ( 1- 1 B1- 2 B2) et + 0
[et - 1 et-1 - 2 et-2 - 1S et-S + 11S et-(s+1) +21S et-(S+2) - 2S et-2S + 12S et-(2S+1) + 22S et-(2S+2) ]
a mozgtlag komponens
et = SARt [- 1 et-1 - 2 et-2 - 1S et-S + 11S et-(s+1) +21S et-(S+2) - 2S et-2S + 12S et-(2S+1) + 22S et(2S+2) ] + 0
Az MA szezonlis komponense miatt, SMA4, SMA 7 s SMA12 klnbz. A ksleltetett hiba klnbzkppen jelenik meg. A mozgtlag komponens els tagj (- 1 et-1 ) elszr a 23. sorban jelenik meg, s
folytatdik a kvetkez sorban. A msodik tag ( - 2 et-2 ) elszr a 24. sorban jelenik meg, s folytatdik
a kvetkez sorban. A harmadik s negyedik tag, melynek szezonlis alkomponense van, elszr a 25 s
26 sorban jelenik meg, s folytatdik a kvetkez sorban SMA4-re, a 28 s 29 sorban SMA7-re, s 34
sorban SMA12-re
Kvetkezskppen lesz et minden S-re GB - GE oszlopban But only the one that corresponds to the value
of S in ARIMA parameter will be selected as the final et in column GF
et = SARt MAt + 0
5 sszegz modul. A GA oszloptl a GH oszlopig tart a 21-ik sortl. Az ARIMA paramterek alapjn
becsli a hibt (et), amibl az Y^t becslt rtket hatrozza meg.
Y^t = Yt - et (C oszlop, a kies adatoknl nincs becslt rtk.)
Az A4-I4 cellkban lthatk a kivlasztott ARIMA vltozk. A D5-D14 cellk a szmtott rtkeket s
statisztikkat kzli.
140

Kies adatok szma=

p+d+q+s(P+D+Q)
Megfigyelsek szma (n)
Szabadsgfok (df)
R2
Szmtani tlag(Yt):
Teljes ngyzetsszeg
Hibangyzetsszeg (SSE)
Korriglt rezidulis szrs
(s*e)
Durbin-Watson statisztika
Ksleltetsek szma 36

3.8.5 Spektrlanalizis.xls parancsfjl mkdse.

Az elmleti hatter rszletesebb ismertetstl eltekintnk, az megtallhat Pintr Jzsef tanulmnyban.147
Adatbevitel: Ctrl+a,
(Ctrl+a) a szezonok szmnak, az illesztshez megadott megfigyelsek szmnak, s az elrejelzs hoszsznak a vltoztatsa.
(Ctrl+k) a Fourier modell becslse
(Ctrl+g) a grafikonok jrajarzolsa.
A Ctrl+ utastsokat az els munkalapon kell vgrehajtani!
Ex-post ellenrzsnl az FOURIER illesztst (becslst) vgzi el a program a becslsi idszak adatainak az
alapjn s kiszmtja az illesztett hibkat a becslsi idszakra, tovbb az FOURIER modell elrejelzseket kszt, ha megadtuk a megfelel elrejelzsi idszakot, vagyis a teszt idszak adatainak a szmt s
mivel a tnyadatokat is megadtuk a teszt idszakra, a program hibakpleteket tud szmtani, amit az
elrejelzett hibk nven kzl. A hibakpleteket a program kiszmolja az illesztett (becslsi) s ebben az
esetben az elrejelzett (teszt) idszakokra is. Clszer elszr ex-post elemzst vgezni s a legjobb
FOURIER modell ismeretben ex-ante elrejelzseket kszteni.
A rendelkezsre ll adatok szma: T
Szezonalits (peridikus ingadozs) hossza = s (4 vagy nagyobb szm)
A teszt idszak szma: m
A becslsi idszak szma: T-m
A becslsre hasznlt adatok szma sszesen T-m (t=1,2,.T-m)
A szmtsok menete. Az albbi szmtsokat vgzi el a program:
Yt = a megfigyelt adat a t-edik idpontban
Yt - Yt-s a t-dik megfigyelt rtk s a (t-s) idpontban megfigyelt rtk klnbsge.
Szmtani tlag (Yt):
1 Tm
Y=
Yt
T m t =1
Trend szmtsa s kiszrse:
Tt = a 0 + b 0 t
b0 =

(Yt Yt s )
s
t =s +1
Tm

a 0 = Y b0 t
t=

T m

t
i =1

Trend kiszrve = Yt Tt
147

Pintr Jzsef [2007]: A spektrlanalzisrl. Statisztikai Szemle. 85. vf. 2.

http://www.ksh.hu/statszemle_archive/2007/2007_02/2007_02_130.pdf

141

A program kiszmtja az albbi trigonometrikus fggvnyeket:

cos(t) , sin(t), cos(2t), sin(2t), cos(3t),sin(3t), cos(4t), sin(4t)
ahol:
f = frekvencia,
= krfrekvencia
A = amlitud, a legnagyobb kitrs
Y = a fggvny ltalnos alakja
s = a peridus (rezgsid)
2
2f
=
=
s (T m)
(T m)
f=
s
Y = A sin(t)
Az amplitud megbecslshez a kvetkez lineris regressziszmtst kel elvgezni, konstanssal:
Y= Trend kiszrve = Yt Tt
X vltozk: X1=cos(t), X2= sin(t), X3= cos(2t), X4= sin(2t), X5= cos(3t), X6= sin(3t), X7=
cos(4t), X8= sin(4t)
A kapott regresszis egytthatk: a1, a2, a3, a4, a5, a6, a7, a8.
(Yt Tt ) = a 0 + a1cos(t)+a 2sin(t)+a3 cos(2t)+a4 sin(2t)+a5 cos(3t)+a6 sin(3t)+a7 cos(4t) + a8 sin(4t)
H 0 : a i =0
H1 : ai 0
H 0 : bi =0
H1 : bi 0
A fenti hipotzisrendzert teszteljk.
Ha 5 %-os szignifikancia szinten elutastjuk (p<0,05) azt a H0 hipotzist, hogy az ai (i=1,2,8) paramter
egyenl 0-val, akkor a paramtert felhasznljuk az amplitud szmtshoz, ha a H0 hipotzist fogadjuk
el, (p>0,05) akkor nem szmtunk ampltudt. Az A1 amplitud szmtshoz szksges, hogy az a1 s a
b1 is, szignifiknsan klnbzzn 0-tl. Ugyanez rvnyes az A2, A3 s A4 amplitudkra is. Termszetesen dnthetnk gy is, hogy a szignifikancia szint 10 %-os, akkor ha a p<0,1, elutastjuk a nulhipotzist.
Az elfogads esetn 1-t, az elutasts esetn 0-t kell berni a srga cellkba.
Az amplitudk szmtsa:
A1 = a12 + b12
A 2 = a 22 + b 22
A 3 = a 32 + b32
A 4 = a 42 + b 42

A becslt Fourier egyenlet:

= T + A cos(t)+A sin(t)+A cos(2t)+A sin(2t)+A cos(3t)+A sin(3t)+A cos(4t) + A sin(4t)
Y
t
t
1
2
3
4
5
6
7
8
Az illesztett s az ex-post hibaszmts megegyezik az ARIMA.xls parancsfjlnl lertakkal.
Kidolgozta: Mongkol Temrangsitornrat s Stephen DeLurgio (UMKC, University of Missouri-Kansas City), talaktotta, lefordtotta s tprogramozta Kehl Dniel s Sipos Bla (PTE KTK).
forecast.umkc.edu/ftppub/BDS545/xls/Expos.xls
forecast.umkc.edu/ftppub/BDS545/xls/Fourier.xls
forecast.umkc.edu/ftppub/BDS545/xls/Winters.xls
forecast.umkc.edu/ftppub/BDS545/xls/Decomp.xls
forecast.umkc.edu/ftppub/BDS545/xls/forecast.xls
142

3.8.6 R+ interneten elrhet: Free Statistics Software (Calculator)

Adatcsere utn (DATA trlend, utna be lehet msolni az adatllomnyt, csak szmokat akr 10 ezer
adatot is) paramtereket be kell lltani s szmol, hibs paramterezs esetben zenetet ad, Excelbe is
lehet exportlni, a vesszket ki kell cserlni, ha az adatokkal tovbbi szmtsokat vgznk az Excelben,
pl. diagram ksztse. Az eredmnyeket msolni is lehet Excelbe, ez clszerbb, az brkat egyenknt
menteni kell utna be lehet illeszteni a dokumentumokba.
A szmtsokat hrom lpsben lehet elvgezni:
ACF s PACF szmtsa s tesztelse t-prbval. A stacionarts biztostsa.
1.
(Partial) Autocorrelation Function - Free Statistics Software (Calculator):
http://www.wessa.net/rwasp_autocorrelation.wasp#output
Kldje az eredmnyeket (Send output to:) a kivlasztott paramtereknek megfelelen:
Bngsz kk/fehr, grafikonok fehrek (Browser Blue Charts White) alapbellts, maradhat.
Minta terjedelem, Sample Range: (hagyja resen, hogy tartalmazza az sszes bemsolt adatot)
A ksleltets rtknek (K=Number of time lags) megadsa, alaprtelmezs (default) K=21, legnagyobb
rtk K=60, ves adatoknl clszer ha K=21, havi adatoknl ha K=36.
A stacionarts biztostsa paramterezssel, Box-Cox transzformci, Lambda () lehetsges rtkei: 2
s -2 kztt, =0, logaritmikus transzformci, a tbbi esetben az albbi kplet szerint szmol:
(Y -1) , 0
Y() =
Y>0
=0
log(Y),
Nem szezonlis (d=0,1,2) differenciakpzs (Degree of non-seasonal differencing, d=0,1,2) Ha d=0, az
konvencionlisan azt jelenti, hogy nincs nem szezonlis differenciakpzs, ha d=1, akkor az idsor els
differenciit (yt - yt-1) kpezi, ami az idsor szomszdos adatai kztti klnbsget jelenti. Az idsor egy
adattal rvidl.
Ha d=2, akkor a msodik differencikat [(yt - yt-1)- (yt-1 - yt-2)] szmtja. Az idsor kt adattal rvidl.
A szezonlis (D=0,1,2) differenciakpzs, (Degree of seasonal differencing (D=0,1,2). Ha D=0 az konvencionlisan azt jelenti, hogy nincs szezonlis differencia kpzs, ha D=1 akkor szezonlis differencikat (yt - yt-12) kpeznk, havi adatoknl az idsor 12 adattal rvidl, negyedves adatoknl a differenciakpzs eredmnyekppen (yt - yt-4) az idsor 4 adattal rvidl. Ha D=2, akkor a differencilst [(yt-yt-12) (yt-1 -yt-13)] folytatjuk, s az idsor pldul havi adatok esetben 13 adattal rvidl.
A szezonalits peridusa (Seasonality) (nincs szezonalits, teht ves adatok esetben S=1, havi adatoknl S =12, negyedves adatoknl S =4, fl ves adatok=2, maximlis rtke S=12)
Lehetsgek: s=1,2,3,4,6,12.
A konfidencia intervallumot (CI type) kiszmtja kt mdon (The confidence interval can be computed in
two different ways):

Felttelezzk, hogy a vizsglt idsor fehr zaj folyamatot kvet, (assuming a white noise time series (CI type = White Noise) Ez az alapeset.

Felttelezzk, hogy a vizsglt idsor egy MA (k-1) folyamatot kvet amikor az ACF (k) szmtsa ennek alapjn trtnik (CI type = MA) (assuming that the series is a MA(k-1) process when the CI of
ACF(k) is computed (CI type = MA) Ez flrevezet lehet.

A konfidencia intervallum (Confidence Interval=CI) alapesetben 0,95, teht 5%-os a szigifikancia szint.
Ezt lehet vltoztatni, pl. 0,99, akkor ez 1 %-os szignifikancia szint. A CI nagysgnak nvelsvel, a konfidencia intervallum is n. Az alapmodell esetben, ha nem alkalmazunk transzformcit, csak a CI rtkt vltoztatjuk, az albbi mdon vltozik a konfidencia intervallum, ha CI=0,95, 0,99 s 0,80:

143

Ugyanis: ha szignifikancia - szint () a ktoldal a standard normlis eloszls esetben, akkor, ha megkeressk a Z rtkeket a tblzatban, az albbi konfidencia intervallumokat kapjuk:
=0,05, CI=0,95, Z= 1,96, a konfidencia intervallum: 1,96 n = 1,96 144 = 0,163
=0,01, CI=0,99, Z=2,587, a konfidencia intervallum: 2,587

n = 2,587

144 = 0, 216

=0,2, CI=0,80, z=1,280, a konfidencia intervallum: 1, 280 n = 1, 280 144 = 0,107

Ha nem akarjuk hasznlni a Box-Cox transzformcit, akkor a logaritmus alapjt be kell irnunk, pl. 10, e
alapunl 2.71, a tizedesvessz helyett pontot kell vlasztani.
Kiszmt (Compute) elvgzi a szmtsokat.
Meghatrozza a K rtkeknek megfelelen az ACF s PACF rtkeket, a t-statisztikkat s a p-rtkeket.
A nullhipotzis rtelmben az yt s az yt-k vltozk kztt nincs szignifikns autokerrelci, ennek elvetse az autokorrelcis kapcsolat szignifikns voltt igazolja. Ha a p nagyobb, mint 0,05 akkor 5 %-os
szignifikancia szinten elfogadjuk a nullhipotzist, ellenkez esetben az alternatv hipotzist fogadjuk el. A
stacionarts biztostsa szempontjbl 5 %-os szignifikancia szinten az a kedvez, ha p nagyobb, mint
0,05. A p-rtk az a legkisebb rtk, ami mellett a nulhipotzis elutasthat. Kzli a program az eredeti s
144

transzformlt adatok brit s a korrelogramokat is, ahol feltnteti a vlasztott paramtereket (lambda, d,
D, CI, type). Nem kzli viszont a transzformlt adatokat.
2.
ARIMA Backward Selection - Free Statistics Software (Calculator)
ARIMA becsls, az interneten. Backward elimincis mdszer, visszafel trtn vlaszts.
http://www.wessa.net/rwasp_arimabackwardselection.wasp#output
Kldje az eredmnyeket (Send output to:) a kivlasztott paramtereknek megfelelen:
Bngsz kk/fehr, grafikonok fehrek (Browser Blue Charts White) alapbellts, maradhat.
A paramterek (Lamda, d, D, s, CI type) belltsa, az 1. ponban kiprblt azon paramterek belltsval
trtnik, amelyek esetn a stacionarts legjobban biztosthat. Az ARIMA paramterek belltsnl, ha
a stacionarts biztostott, az ACF s PACF brk alapjn meg kell nzni, hogy milyen modellel [AR(p),
MA(q), SAR(P), SMA(Q)] clszer prblkozni, a lehetsgeket az ARIMA modellek jellemzse tblzat tartalmazza. Meg kell jegyezni az 1. pont legjobb paramtereit, (lambda, d, D, CI, type). s a becslsnl ezeket kell hasznlni.
A msik megolds. rdemes a legnagyobb megadhat paramterekkel indulni s kihagyni a nem szignifikns paramtereket, ahol pl. a p-empirikus rtk nagyobb, mint 0,05.
Minta terjedelem, Sample Range: (hagyja resen, hogy tartalmazza az sszes bemsolt adatot)
Benne legyen az tlag, Include mean? A vlasz alapesetben nem, fehr zajt (white noise) feltteleznk
(False), ha igen True, vletlen bolyongsi folyamatot (random walk) feltteleznk.
A stacionarts biztostsa paramterezssel, Box-Cox transzformci, Lambda () lehetsges rtkei: 2
s -2 kztt, =0, logaritmikus transzformci. (Box-Cox lambda transformation parameter (lambda).
Nem szezonlis (d=0,1,2) differenciakpzs (Degree of non-seasonal differencing, d=0,1,2)
A szezonlis (D=0,1,2) differenciakpzs, (Degree of seasonal differencing (D=0,1,2).
A szezonalits peridusa (Seasonality=s) s=1,2,3,4,6,12
AR(p) = p az autoregresszivits rendjt jelli (Maximum AR(p) order) lehet: 0,1,2,3.
Ha p=0, nem hasznljuk az AR modellt.
Ha p=1, akkor ARIMA (1, 0, 0) vagy AR (1) modellt becslnk:
Yt = 1Yt-1 + t
Ha p=2 akkor ARIMA (2, 0, 0) vagy AR (2) modellt becslnk:
Yt = 1Yt-1 + 2 Yt-2 + t
Ha p=3 akkor ARIMA (3, 0, 0) vagy AR (3) modellt becslnk:
Yt = 1Yt-1 + 2 Yt-2 + 3 Yt-3 + t
MA(q)= q a mozgtlag folyamat rendjt jelli. (Maximum MA(q)=order) lehet: 0,1.
Ha q=0, akkor nem hasznljuk az MA modellt.
Ha q=1 akkor: ARIMA (0, 0, 1) vagy MA (1) modellt becslnk:
Yt = t - 1 t-1
Az AR(p) s MA(q) kombinlsval a modellek igen sok varicija llthat el. Az alacsonyabb rend
vegyes ARMA modellek az albbi mdon rhatk fel:
ARIMA (1, 0, 1)
Yt = 1Yt-1 + t - 1 t-1
Yt = 1Yt-1 + 2 Yt-2 + t - 1 t-1
ARIMA (2, 0, 1)
Yt = 1Yt-1 + 2 Yt-2 + 3 Yt-3 + t - 1 t-1
ARIMA (3, 0, 1)
SAR(P) P az autoregresszivits rendjt jelli a szezonlis modell esetben (Maximum SAR(p) order) lehet: 0,1,2.
SMA(Q) Q a mozgtlag folyamat rendjt jelli a szezonlis modell esetben. (Maximum
SMA(Q)=order) lehet: 0,1.
Az eredmnyeket a kijellt paramterekkel s p-rtkekkel iterciknt adja meg. (ARIMA Parameter
Estimation and Backward Selection) A paramterek szignifikncijt kell vizsglni. Kzli a program a
reziduumokat (Estimated ARIMA Residuals) s az ACF s PACF brkat konfidencia intervallummal.
A paramterek (p, q, P, Q) kombinlsval ellenrizhet, hogy melyik paramter esetben kisebb a prtk pl. 0,05-nl (5 %-os szignifikancia szint), teht a paramter szignifiknsan klnbzik 0-tl, s
amelyik paramternl nem klnbzik szignifiknsan a becslt paramter 0-tl, mert a p-rtk nagyobb,
mint 0,05, ott vltoztatni rdemes s ki kell hagyni a paramtert vagy modstani kell, a megadott lehetsgeken bell. A szmtsok gyorsan elvgezhetk, az elmletileg lehetsges vltozatok szma
145

4*2*3*2=48, teht elmletileg 48 fle modell futathat le. A vals vltozatok szma ennl lnyegesen kisebb, ha figyelembe vesszk azt, hogy klnbz, stb. , d, D paramterek esetben megnzzk az ACF
s PACF kolleogrammokat (1. lps) s kivlasszuk azt a paramterkombincit, ami mellett a
stacionarits biztosthat. Ha nem biztosthat a stacionarits, akkor az ARIMA becslst mr nem clszer elvgezni.
3.
ARIMA elrejelzs, az interneten.
http://www.wessa.net/rwasp_arimaforecasting.wasp
Ugyanazon paramtereket [lambda, d, D, s, AR(p), MA(q), SAR(P) SMA(Q), include MEAN,
FALSE/TRUE] kell megadni, mint az 1 s 2 pontban ismertettnk, rtelem szeren a legjobb vltozatot
kell kivlasztani, ahol az elmleti felttelek biztostottak. Plusz adat a tesztperidus megadsa (Testing
Period=TP) maximlis rtke 24, lehet, clszer havi adatoknl 12-t vlasztani, ez egy v, negyedves
adatoknl 4-t megadni, ami szintn egy v.
A szmtsok elvgzse (compute) utn, kzli a becslt rtkeket, a konfidencia intervallumot, a prtket, a nullhipotzist: (H0: Y[t] = F[t]) s a valsznsgeket az albbi esetekre:
P(F[t]>Y[t-1])
P(F[t]>Y[t-s])
P(F[t]>Y[n-TP]
F a becslt s Y a tnyleges adat.
A teszt peridusra pl. t=1,2,24 megadja a hibakpletek nagysgt. Y(t) az eredeti adatok, F(t), a becslt
adatok.
Kies adatok szma, a korbban megadott kplettel szmol a program=p+d+q+s(P+D+Q)
PE: relatv hiba, PERCENTAGE ERROR:
PE =
Ngyzetes hiba: SQUARE ERROR:

(Y[t]-F[t])
F[t]

ei2 = Sq, E = (Y[t]-F[t]) 2

MSE: tlagos ngyzetes hiba: MEAN SQUARE ERROR:
F

MSE =

e
i =1

2
i

t
e = (Y[t]-F[t]) 2
2
i

RMSE, a hiba szrsa, az tlagos ngyzetes hiba gyke, ROOT MEAN SQUARE ERROR:
t

RMSE =

i =1

2
i

t
e = (Y[t]-F[t]) 2
MAPE, tlagos relatv abszolt hiba, MEAN ABSOLUTE PERCENTAGE ERROR:
2
i

MAPE =

PE
i =1

t
(Y[t]-F[t])
PE t =
F[t]
Kzli vgl az elrejelzs grafikonjt is.
Wessa P., (2009), ARIMA Forecasting (v1.0.5) in Free Statistics Software (v1.1.23-r7), Office for Research Development and Education, URL http://www.wessa.net/ rwasp _arimaforecasting.wasp/
146

The R code is based on :

Borghers, E, and P. Wessa, Statistics - Econometrics - Forecasting, Office for Research Development and
Education, http://www.xycoon.com/
Lers:
http://www.stat.pitt.edu/stoffer/tsa2/R_time_series_quick_fix.htm

4. A korrelci- s regressziszmts
A regresszis modell ksztsnek 148 els lpse a specifikci, amin a jelensget ler, modellben szerepl vltozk, az eredmny- s a magyarz vltozk kivlasztst, valamint a fggvny konkrt formjnak meghatrozst rtjk. Fontos szerepet jtszik a specifikci szakaszban az adatbzis, amelynek
minsge, szerkezete nagymrtkben befolysolja a specifikci eredmnyessgt. A gyakorlati munkban idsoros s keresztmetszeti adatokkal dolgozhatunk, ennek a modell felttelrendszernek ellenrzsekor lesz jelentsge. Panel adatbzisokkal jelen anyagunkban nem foglalkozunk.
A specifikci munkafzisnak lezrsa utn a szmtsokat a regresszio.xls parancsfjllal lehet elvgezni. Ennek fontosabb lpsei a kvetkezk:
A regresszis paramterek becslse a klasszikus legkisebb ngyzetek mdszervel, melynek felttelei:
1. A magyarz vltozk nem sztochasztikusak, teht mrsi hibt nem tartalmaznak s linerisan fggetlenek (multikollinearits hinya), a hibatnyezk (hibatagok, reziduumok) vrhat rtke 0, variancijuk konstans, normlis eloszlsak s nem autokorrelltak.
2. A modell felttelrendszernek ellenrzse. Ez a munkafzis visszahat mind a specifikcira, mind a
paramterbecslsre. Ebben a munkaszakaszban a modellez megllaptja, hogy egy adott megbzhatsg
mellett mennyire fogadhat el a modell. A fontosabb hipotzisellenrzsek: a regresszis modell paramtereinek globlis s parcilis tesztelse (a paramterbecsls pontossgnak vizsglata, a paramterek standard hibja, konfidencia intervalluma stb.), valamint a reziduumok vizsglata: az autokorrelci s a
homoszkedaszticits tesztelse, s a magyarz vltozk kztti kapcsolat szorossga, a
multikollinearits ellenrzse. A prbkkal nyert informcik alapjn dntst lehet hozni a modell esetleges megvltoztatsrl, vagy a becslsi mdszer mdostsrl. Ezek a dntsek termszetesen visszahatnak a specifikcira s indokolt esetben az egsz eljrs (specifikci, becsls, hipotzisellenrzs) megismtlst ignyelhetik.
3. A regresszis modellek felhasznlsa elemzsre s elrejelzsre.
4. A verifikls, aminek sorn a modellt szembestjk valsggal.
F

Az ltalunk vizsglt regresszis modellekben egy eredmnyvltoz s egy vagy tbb magyarz vltoz
van. A modell alapjn megllapthat, hogy a tnyezvltoz(k) milyen mdon s milyen trvnyszersg mellett fejti(k) ki hatst (hatsukat) az eredmnyvltozra.
A tbbvltozs regresszis modell ltalnos formja:
Y = f ( X1 , X 2 ,..., X i ,..., X k , )
ahol :
Y = az eredmnyvltoz,
Xj = az j-edik tnyez (magyarz) vltoz; (j=1,2,...,k),
= a vletlen vltoz ; maradktag ; reziduum,
n = a megfigyelsek szma, i=1,2n
f= fggvny tpusa, alapesetben lineris fggvny.
Felttelek az vletlen vltozra (hibatnyezre, rezidulis vltozra), az Y eredmny- s az Xj tnyezvltozkra vonatkozan:
1. Az vletlen vltoz vrhat rtke nulla, vagyis a modellben szerepl vltozk nem hoznak ltre
szisztematikus hatst a hibatnyezben, a pozitv s negatv rtkek kiegyenltik egymst.
2. A vletlen vltoz rtkei pronknt nem korrellnak egymssal (idsoroknl nincs autokorrelci);
ellenkez esetben autokorrellt a modell, ebben az esetben elemzsre s elrejelzsre nem hasznlhat.

148

Hajdu O. - Herman S. - Pintr J. - Rappai G. - Rdey K. [1994-95]:110-111.

147

3. A vletlen vltoz (hibatnyez) szrsngyzete (variancija) lland, teht a vletlen vltoz

homoszkedasztikus; ellenkez esetben heteroszkedasztikus a modell. Keresztmetszeti adatoknl jelent
elssorban problmt a heteroszkedaszticits, ebben az esetben a modell elemzsre s elrejelzsre
nem hasznlhat.
4. A magyarz vltozk linerisan (sztochasztikusan is) fggetlenek, rtkk rgztett, mrsi hibt
nem tartalmaznak s nem korrellnak a hibatnyezvel. Teht: a magyarz vltozk szma kisebb
mint a megfigyelsek szma (k<n), a magyarz vltozk mtrixnak rangja megegyezik k-val, a tnyez- (magyarz-) vltozk szmval, azaz az X'X mtrix invertlhat, mivel a mtrix rangja 149 s
rendje 150 egyenl, vagyis a mtrix nem szingulris. Ha ez a felttel nem ll fenn, akkor a modellben a
multikollinearits jelenltvel kell szmolni 151, ami zavarja a modell helyes specifiklst s ltalban
cskkenti a modellbl nyerhet informci minsgt. Elemzsre nem, elrejelzsre viszont felhasznlhat a modell, ha felttelezzk, hogy a multikollinearits mrtke, irnya a jvben nem vltozik.
5. Az eredmnyvltoz megfigyelt rtkei (Yi i = 1,2,3,....n) normlis eloszlsak, fggetlenek egymstl, rvnyesl a linearits, vagyis a regresszis paramterek egyrtelmen meghatrozzk a regreszszis egyenest.
F

A fent emltett felttelek teljeslse esetn a regresszis modellt multikollinearitstl mentes standard lineris regresszis modellnek tekinthetjk. Belthat, hogy ezek az igen "szigor" felttelek, a modellpts alapelvt kpezik, amire a munka sorn fokozottan figyelnnk kell. Mindez azt jelenti, hogy a modell konkretizlsa sorn a feltteleket folyamatosan kell ellenrizni, az eredmnyeket hipotetikus jellegeknek kell tekinteni. Amennyiben a mintabeli adatokkal nem igazolhatk empirikusan az elmleti vrakozsok, a specifikci mdostsra, vatos rtelmezsre, illetve sajtos, j becslsi mdszer megvlasztsra van szksg.
A felttelek teljeslse esetn a lineris regresszis modell paramter-becslsre a klasszikus legkisebb
ngyzetek mdszere (KLNM) alkalmazhat.
A modellalkots folyamatt az albbi bra mutatja.
A d a tb z is

E l ta n u lm n yo k

S p e c ifik c i

P a ra m te rb e c sl s

H ip o t z ise lle n rz s

D n t s

E le m z s,
e l re je lz s

D n t s

V e rifik c i

4.1 bra: A regresszis modellezs lpsei

149

fggetlen oszlopvektorainak szma.

a magyarz vltozk szma
151
szlssges esete, ha a mtrix szingulris, teht nem invertlhat.
150

148

4.1 A regresszi.xls parancsfjl mkdse

A program152 a bemutatsra kerl regressziszmtst maximum 16 magyarzvltoz s 2000 megfigyels esetben vgzi el 153. A programban megjelen szneknek kln jelentse van. A halvnysrga cellk vltoztathatk, itt trtnik meg az adatok bevitele, a kvnt szignifikancia-szint belltsa, valamint a
becsls/elrejelzs adatainak megadsa. A tesztek vgeredmnyei sznes szmokkal jelennek meg a fjlban. A modell ellenrzsnl hromfle sznt alkalmaztunk, a modellezst zavar eredmnyek piros, a
megfelel eredmnyek zld, a nem egyrtelm eredmnyek kk sznnel jelennek meg.
Tanulmnyunkban az elmleti httr rszletes ismertetstl eltekintnk (kivve a homoszkedaszticits
tesztjeit, ahol a felsoktatsban kevsb ismert teszteket alkalmazunk), mert ezek az ismeretek az irodalomjegyzkben is felsorolt szak-, illetve tanknyvekben, tanulmnyokban megtallhatk, clunk csupn a
szoftver bemutatsa, gyakorlati, oktatsi clokra val kzreadsa.
F

A fjl nyolc munkalapbl ll, amelyek rendre:

- Adat
- Mtrix
- Maradk
- Multikollinearits
- Autokorrelci
- Homoszkedaszticits
- Idsoros adatok-plda
- Keresztmetszeti adatok-plda
Az albbiakban a fenti munkalapok tartalmt ismertetjk, majd szemlltet pldkon mutatjuk be a fjl
alkalmazst. Mivel a program kpes az autokorrelci s a homoszkedaszticits tesztelsre is, ezrt kt
pldn keresztl szemlltetjk a szmtsokat. Az els plda idsoros adatllomny, a msodik pedig keresztmetszeti, az adatllomnyokat elhelyeztk a regresszio.xls fjlban.

4.1.1 Az Adat munkalap

A munkalap kt nagyobb egysgbl ll. A bal oldali, srgval jellt terlet az adatok trolsra, bevitelre
szolgl, itt kell rgzteni az aktulis adatllomnyt. j adatok bevitele eltt a megjelen mintafeladat
adatllomnyt az adatok trlse gombra val kattintssal trlhetjk. Az j adatok beillesztse a szoksos mdon trtnhet, m szksges az adatok rtkknt val beillesztse, annak rdekben, hogy a parancsfjl formtuma megmaradjon.
A jobb oldali egysg a regresszis modell alapstatisztikit kzli.
Regresszis statisztika:
- R: tbbszrs korrelcis egytthat;
- R 2 : tbbszrs determincis egytthat;
- R 2 : korriglt determincis egytthat;
- s: modell standard hibja;
- n: megfigyelsek szma.
Varianciaanalzis: a tbbvltozs regresszis modell varianciaanalzis tblja.
Regresszis egytthatk:
- egytthatk rtke s standard hibja, t-rtkei, p-rtkei s konfidencia intervallumai (tetszleges
megbzhatsgi szinten);
- vltozk bevonsrl/kihagysrl dnt jellngyzetek.

152

Az alaptletet adta: Kiss Tibor [1988-1992]: REGAL, Szakrti rendszer tbbvltozs regresszi- analzisre
(DOS program). Ld. mg lerst: Kiss Tibor Sipos Bla [1998]: REGAL.
153
A magyarzvltozkra vonatkoz korlt az Excel sajtja. A megfigyelsekre vonatkoz korlt igny szerint
bvthet, a korltozs oka a gyors szmtsi sebessg megtartsa.

149

A formtum teht kveti az Excel adatelemz menpontja ltal hasznltat, azzal a klnbsggel, hogy az
egyes cellk most Excel fggvnyeket tartalmaznak, gy az adatok megvltozsnak hatsa azonnal nyomon kvethet az alaperedmnyeken. Szintn eltrs a beptett funkcihoz kpest, hogy az eredeti adatok meghagysa mellett is kihagyhatunk, illetve jra bevonhatunk vltozkat a paramterek soraiban tallhat jellngyzetek segtsgvel.
A varianciaanalzis tbla segtsgvel a modell globlis prbjt vgezhetjk el. A hipotzisrendszerrl
val dnts didaktikai okokbl kt mdon is elvgezhet: tetszlegesen bellthat szignifikanciaszinthez tartoz kritikus rtk, valamint p-rtk alapjn is.
A gyors parcilis tesztels lehetsget biztost a backward elimincis mdszer alkalmazsra. A mdszer lnyege, hogy az els lpsben olyan regresszis fggvnyt hatrozunk meg, amely az sszes megfigyelt magyarz vltozt tartalmazza, majd az gy meghatrozott regresszi fggvnybl kihagyjuk lpsenknt azokat a vltozkat, amelyek nem jrulnak hozz szignifiknsan a rezidulis ngyzetsszeg
cskkentshez. A vltozk szelektlshoz a p-rtkeket hasznljuk: ha a p-rtk magasabb, mint amit
megengedtnk (pl. 0,05), akkor elfogadjuk azt a nullhipotzist, hogy a regresszis paramter nem klnbzik szignifiknsan a nulltl. Amennyiben tbb vltoz p-rtke is a kvntnl magasabb, gy a legmagasabb rtkkel rendelkez vltozt hagyjuk ki. Az elimincit addig folytatjuk, mg valamennyi bevont paramter szignifikns nem lesz.
A vltozk szelektlst termszetesen elvgezhetjk a multikollinearits, vagy a homoszkedaszticits
parcilis tesztjei, vagy szakmai ismeretek alapjn is.

A felhasznlt kpletek:
R=a korrelcis mtrix 154, amely ngyzetes s mrete (k+1)*(k+1), az els sor s oszlop az eredmnyvltoz, a tbbi sor s oszlop pedig a magyarz vltoz korrelcis egytthatit tartalmazza, a mtrix
szimmetrikus, a mtrix az egyszer, ktvltozs korrelcis egytthatkbl ll, szmtsukat a mtrix
alatt tntettk fel, a diagonlis elemek (adott vltoz nmagval szmtott korrelcija) 1-gyel egyenlk.
F

1
r
1y
R = r2 y

rky

ry1
1
r21

ry 2
r12
1

rk1

rk 2

ryk
r1k

r2k

Az y s xj kztti lineris korrelcis egytthat jele ryj, az xi s xl kztti pedig rjl.

ryj =
rjl =

(x

(x

x )(yi y )

n X Y
j

x ) ( xl x )

n xjxl

R = a tbbszrs korrelcis egytthat:

R = 1

1
q yy

Ahol qyy a korrelcis mtrix inverzbl (R-1=Q) nyerhet:

154

A Mtrix munkalapon tallhat.

150

q yy
q
1y
= Q = q 2y

q ky

q y1

q y2

q11

q12

q 21

q 22

q k1

qk2

q yk
q1k
q 2k

q kk

A tbbszrs korrelcis egytthat (R) azt mri, hogy a magyarz vltozk az eredmnyvltozval
egyttesen milyen szoros kapcsolatban vannak.
R2 = a tbbszrs determincis egytthat (jele: R2) kifejezi, hogy mekkora hnyadban magyarzzk
meg egyttesen a magyarz vltozk az eredmnyvltoz variancijt (szrsngyzett). A kapcsolatok
jellegnek minstsn tl fontos szerepet tlt be a tbbszrs determincis egytthat a regresszis
modell megtlsben. A mutat nagyobb rtke egyben azt is jelenti, hogy jobban illeszkedik a modell.
1
R 2 =1
q yy
~2
R = a korriglt determincis egytthat: a tbbvltozs regresszis modellek esetben gyakran fellphet egy olyan jelensg, amely flreinformlhatja az elemzt. Az R2 ugyanis nagyobb magyarz ervel
br, ha tbb magyarz vltoz hatsa szerepel benne, fggetlenl attl, hogy valban relevns hatst
fejt-e ki mindegyik magyarz vltoz. (Pldul megtveszt lehet az R2 alapjn kt modell sszehasonltsa, ha az egyik hrom, a msik ht magyarz vltozt tartalmaz.) A modellek sszehasonltsa esetben a klnbz szm magyarz vltozbl ered problmt prblja feloldani az n. korriglt vagy a
szabadsgfokokkal korriglt determincis egytthat (jele: R~2):
n 1
R2 = 1
1 R2 )
(
n k 1
Az s = a modell ltalnos standard hibja, jelzi az illeszkeds jsgt, a modell annl pontosabban illeszkedik, minl kisebb az rtke. Meghatrozsra a regresszis paramterek ismeretben kerlhet sor, amikor kiszmtva az y eredmnyvltoz becslt rtkeit ( y ) kpezhetjk a reziduumokat ( e = y y ) .
s=

( y y )
n k 1

n k 1

A regresszis modell egsznek tesztelse, a globlis F-prba

A varianciaanalzis az Adat munkalapon jelenik meg. A varianciaanalzis sszefoglalja az albbi
nullhipotzis ellenrzsre vonatkoz eredmnyt. Nullhipotzisnk az, hogy a magyarz vltozk regresszis egytthati mind 0-k, az alternatv hipotzis szerint ltezik legalbb egy 0-tl eltr egytthat.
H 0 : 1 =2 =...=k =0
H1 : j 0
Az ellenhipotzis elfogadsa esetn azt llthatjuk, hogy van legalbb egy olyan magyarz vltoz,
amely szignifikns hatssal rendelkezik, teht ltezik legalbb egy nulltl eltr rtk paramter. A
nullhipotzis a lineris regresszi fennllsnak tagadst jelenti s amennyiben igaz, gy az eredmnyvltoz kizrlag a vletlen hatsra szrdik; az alternatv hipotzis fennllsa esetn a regresszis modellt elfogadhatnak tljk. A nullhipotzis ellenrzst az albbi varianciaanalzis 4-1. tbla alapjn
vgezhetjk el.

151

4-1. tbla: Varianciaanalzis 155

Ngyzetsszeg
Szabadsg
Szrsngyzet becs(SS)
fok
lse
(df)
(MS)
2
k
S
S = (y i - y)
s y = y
y
k
Se = (y i - y i ) 2
n-k-1
S
s2 = e
( n k 1)
F

sszetev
Regresszi
(SSR)
Maradk
(SSE)

Teljes
(SST)

Sy = (yi - y) 2

n-1

sy =

Sy

( n 1)

A prbafggvny:
F=

Sy / k

Se / ( n k 1)
A tbbszrs determincis egytthat segtsgvel is ellenrizhetjk a modell magyarz erejt, az
albbi mdon:
R2 / k
F=
(1 R 2 ) / ( n k 1)
Ha a szmtott F rtk nagyobb, mint a tblabeli rtk F0,05 [k, (n-k-1)] ahol a szignifikancia-szint 5%, a
szmll szabadsgfoka k, a nevez (n-k-1), akkor a regresszis modellt elfogadhatnak tljk. Ellenkez esetben elvetjk. Az F-prbval az egsz modellt teszteljk, mert arra a krdsre keressk a vlaszt,
hogy rdemes-e a regresszi-szmtst, mint elemzsi mdszert alkalmazni. Ha nem j a modell, teht
esetnkben a modellnk egszben rossz, akkor a regresszis modell alkalmazst elvetjk, s egyszerbb eljrsokkal, pl. tlagszmtssal kell dolgozni. Elfogadjuk teht a regresszis modellt pl. 5%-os
szignifikancia-szinten, ha:
R2 / k
>F
F=
(1 R 2 ) / ( n k 1) 0,05[k,(n k 1)]
Nem fogadjuk el a regresszis modellt pl. 5%-os szignifikancia-szinten, ha:
R2 / k
<F
F=
(1 R 2 ) / ( n k 1) 0,05[k,(n k 1)]
Az F-szmtott rtk nagysga az R2 nagysgtl fgg, pl. ha az R2= 0, az F-rtk is nulla, az R2 nvekedsvel, a szmtott F-rtk is n, ha az R2=1, akkor az F-rtk tart a vgtelenhez. (F)
A varianciaanalzis tbla segtsgvel teht a modell globlis prbjt vgezhetjk el. A hipotzisrendszerrl val dnts didaktikai okokbl kt mdon is elvgezhet: tetszlegesen bellthat
szignifikancia-szinthez tartoz kritikus rtk, valamint p-rtk alapjn is, ezrt mindkt eredmnyt kzljk..

Regresszis egytthatk:
-

egytthatk rtke s standard hibja, t-rtkei, p-rtkei s konfidencia intervallumai (tetszleges

megbzhatsgi szinten)
vltozk bevonsrl/kihagysrl dnt jellngyzetek

Az alkalmazott kpletek:
A regresszis paramterek (egytthat: Ehat) konfidencia-intervallumait (Als 95%) (Fels 95%) kiszmtja a parancsfjl, alapesetben a konfidencia intervallum 95% s tkrit=5%.
155

Az eltrs-ngyzetsszeg angol megfelelje (Sum of Squares) alapjn SS szimblummal jelljk, R=Regression,

E=Error, T=Total, df= degrees of freedom, MS=Mean Square.

152

A bj regresszis paramter konfidencia intervalluma (1 ) 100 valsznsgi szinten %-ban:

b j t(1/ 2)( n k 1) s b j
Ahol:
s b j = a j-ik paramter standard hibja (St hiba),

t (1/ 2)(n k 1) = a Student-fle t-prba kritikus rtke az (n-k-1) szabadsgfoknl, az /2

szignifikancia-szinten.

Az ltalunk elre megvlasztott szignifikancia-szint alapesetben 5%-os (p=0,05) valsznsg (konfidencia intervallum 95%), ami vltoztathat a srga cellban: pl. 1% (konfidencia intervallum 99% s
tkrit=1%., p=0,01), 10 % (konfidencia intervallum 90% s tkrit=10%, p=0,1).
Az szignifikancia-szint valsznsgnek cskkentsvel illetve a konfidencia intervallum valsznsgnek nvelsvel az adott (n-k-1) szabadsgfok esetn a Student-fle t-eloszls kritikus rtkei is nagyobb szmok lesznek s gy a regresszis paramterek konfidencia intervallumai is nvekednek. Pl. ha
az alapeset 95%-os konfidencia intervallum valsznsgt 99%-ra nveljk. Ez fordtva is igaz, az
szignifikancia-szint valsznsgnek nvelsvel illetve a konfidencia intervallum valsznsgnek
cskkentsvel az adott (n-k-1) szabadsgfok esetn a Student-fle t-eloszls kritikus rtkei is kisebb
szmok lesznek s gy a regresszis paramterek konfidencia intervallumai is cskkennek. Pl. az alapeset
95%-os konfidencia intervallum valsznsgt 90%-ra cskkentjk.

A Backward elimincis mdszer

A paramterek szeparlt tesztelsnl teht a nullhipotzisnk az, hogy a j-edik (j=1,2k) regresszis
paramter rtke 0, az alternatv hipotzisnk pedig az, hogy nem, azaz
H 0 : j =0
H1 : j 0
A nullhipotzis elfogadsa azt jelenti, hogy a j-edik magyarz vltoz nem magyarzza az eredmnyvltozt, teht a modellben val megtartsa felesleges, esetleg kros.
A prbafggvny a nullhipotzis fennllsa esetn
bj
<t
t=
s b j (1/ 2 )( n k 1)
A prbafggvny a nullhipotzis elutastsa esetn
bj
>t
t=
s b j (1/ 2 )( n k 1)
Ahol

b j = j-edik regresszis egytthat becslt rtke, (egytthat: Ehat)

s b j = j-edik regresszis egytthat becslt standard hibja, (St hiba)

Ezt a prbt parcilis t-prbnak, vagy rviden csak regresszis t-prbnak hvjuk. A prbt kln-kln
valamennyi regresszis becslt paramterre el kell vgezni, s ennek alapjn kpet kapunk arrl, hogy az
egyes vltozk lnyeges mrtkben jrulnak-e hozz az eredmnyvltoz magyarzathoz, vagyis az
eredmnyvltoz rezidulis variancijnak cskkentshez.
Az els lpsben teht minden vltozt bevonunk, s ha a p-rtkek (szignifikancia-szint 5%) mindegyike 0,05-nl kisebb akkor a regresszis fggvnyt optimlisnak tekintjk. Ha tallunk olyan paramtert,
ahol a p rtk nagyobb, mint 0,05, amit a piros szn is jelez, akkor dnthetnk a vltoz kihagysrl, ha
pedig tbb ilyen paramter tallhat, akkor clszer elszr azt a vltzt kihagyni, amelyiknl a p rtke
a legnagyobb. Ezt addig folytatjuk, amg a p rtkek mindegyike 0,05-nl kisebb lesz s a modell az elmleti feltteleknek is megfelel.

4.1.2 A Mtrix munkalap

153

A Mtrix munkalapon a tbbvltozs regressziszmtssal kapcsolatos mtrixok, valamint az ezekhez

kapcsold statisztikk tallhatak meg. A mtrixok maximlis mrete a magyarz vltozk maximlis
szmval sszhangban van. Az albbi mtrixok jelennek meg a munkalapon:
A B oszloptl kezdden rendre:
- teljes korrelcis mtrix (valamennyi vltozra);
- bevont korrelcis mtrix (a meghagyott magyarz vltozkra, ha valamennyi magyarz vltoz szerepel a vgleges modellben, akkor megegyezik az elz mtrix tartalmval);
- bevont korrelcis mtrix inverze;
- determincis egytthatk a teljes adatmtrixra;
- determincis egytthatk a bevont adatmtrixra;
- bevont vltozk parcilis korrelciit tartalmaz hromszgmtrix;
- X T X mtrix a teljes adathalmazra;
- X T X mtrix a bevont vltozkra;
- (X T X)-1 a bevont vltozkra.
Az U oszloptl kezdden rendre:
- teljes korrelcis mtrixhoz tartoz t-rtkek, szignifikancia alapjn sznezve;
- bevont korrelcis mtrixhoz tartoz t-rtkek, szignifikancia alapjn sznezve;
- bevont magyarz vltozk korrelcis mtrixnak inverze;
- bevont vltozk parcilis korrelciihoz tartoz t-rtk, szignifikancia alapjn sznezve.
Az AO oszloptl kezdden rendre 156:
- teljes adatmtrixra a sajtrtkek s sajtvektorok;
- bevont adatmtrixra a sajtrtkek s sajtvektorok;
- a sajtrtkek megoszlsi s kumullt megoszlsi viszonyszmai;
- fkomponenssly-mtrix;
- fkomponensslyok ngyzete.
F

A fentiekben felsorolt mtrixok kzl tbb nmagban is fontos informcikat hordoz a regresszival
kapcsolatban, nhny kiszmtsa pedig a tovbbi vizsglatok miatt szksges. Didaktikai okokbl mindegyik mtrix bemutatst szksgesnek tartottuk.
Az alkalmazott kpletek:
R(teljes) az sszes vltoz bevonsa esetn kzli a korrelcis mtrixot s a vltozk neveit. Mellette
megtallhat a korrelcis egytthatk felhasznlsval szmtott t-rtkek mtrixa, srga mezben a
szignifikancia-szint, alapeset 5%, amit lehet vltoztatni.
Ha a kapcsolat ltrl kvnunk dnteni, az eredmnyvltoz (y) s brmelyik magyarz vltoz (xj)
kztt, akkor adott szignifikancia-szinten ellenrizhetjk, vajon van-e kapcsolat a kt ismrv kztt. Hipotzisrendszernk:
H 0 : ryj= 0
H1 : ryj 0
Hasonl mdn tesztelhetjk kt magyarzvltoz (xj s xl) kztti kapcsolatot.
H 0 : rjl= 0
H1 : rjl 0
x j xl
A nullhipotzis rtelmben a kt ismrv fggetlen, ennek elvetse a korrelcis kapcsolat szignifikns
voltt igazolja.
A becslt korrelcis egytthatra pl prbafggvnynk:

156

A 4.1.4 pontban (a multikollinearits kikszblse) s az F2 pontban (Mtrix.xls parancsfjl mkdse) trgyaljuk.

154

t =

ryj

n2
1 ryj2

Ahol:
n = mintaelemszm
k = magyarz vltozk szma
ryj = az y s xj kztti ktvltozs lineris korrelcis egytthatt jelli.
A nullhipotzis teljeslse esetn (n-2) szabadsgfok ktoldal t-eloszlst kvet. Ha a szmtott rtk
nagyobb mint a Student-fle t-eloszls tblabeli rtke, akkor adott szignifikancia-szinten a korrelcis
kapcsolat szignifikns.
A kapcsolat nem szignifikns, 5%-os szignifikancia-szinten, teht a H0-hipotzist elfogadjuk, ha:
ryj n 2
t =
< t 0,025(n 2)
1 ryj2
A kapcsolat szignifikns, 5%-os szignifikancia-szinten, teht a H1-alternatv hipotzist fogadjuk el, ha:
ryj n 2
t =
> t 0,025(n 2)
1 ryj2
Az R(bevont) a bevont vltozk esetn kzli a korrelcis mtrixot s a vltozk neveit. Mellette megtallhat a korrelcis egytthatk felhasznlsval szmtott t-rtkek mtrixa, srga mezben a
szignifikancia-szint, alapeset 5%, amit lehet vltoztatni.
Parc. korr. A parcilis korrelcis egytthatk mtrixa a bevont vltozk esetben, mellette a parcilis
korrelcis egytthatk felhasznlsval szmtott t-rtkek mtrixa, srga mezben a szignifikanciaszint, alapeset 5%, amit lehet vltoztatni.
A parcilis korrelcis egytthatk nulltl val klnbzsge, ugyangy, mint a korrelcis egytthatk esetben, t-prbval tesztelhet, br a prbafggvny nmikpp mdosul:
H 0 : ryj.12... j1, j+1,...k = 0
H1 : ryj.12... j1, j+1,...k 0
t=

ryj.12... j1, j+1,...k n k 1

2
1 ryj.12...
j1, j+1,...k

A nullhipotzis teljeslse esetn a prbafggvny (n-k-1) szabadsgfok ktoldal t-eloszlst kvet.

A H0 nullhipotzist elfogadjuk, ha:
t=

ryj.12... j1, j+1,...k n k 1

2
1 ryj.12...
j1, j+1,...k

< t 0,025(n k 1)

A H1 alternatv hipotzist fogadjuk el, ha:

ryj.12... j1, j+1,...k n k 1
t=
> t 0,025(n k 1)
2
1 ryj.12...
j1, j+1,...k
Ha teht a szmtott rtk nagyobb, mint a Student-fle t-eloszls tblabeli rtke, akkor adott
szignifikancia-szinten a korrelcis kapcsolat szignifikns.
XTX (telj) s XTX (bev) a Teljes s a Bevont esetekben az adatmtrix transzponltja szorozva az adatmtrixszal. A mtrix transzponltjnak (az eredeti mtrixot elforgatjuk, az els oszlop lesz az els sor, a msodik oszlop lesz a msodik sor stb.

155

1
x
11
x
XTX= 21
.
.

x k1

1
... x1n
x 2n

... x kn

...

x12
x 22

xk2

n
n
x
1i

i =1
= .
.
.
n
x
ki

i =1

x1i
i =1
n

2
1i

i =1

x ki x1i
i =1

1 x11
1 x
12

.
.

1 x 1n

x 2i

i =2
n

x
i =1

1i

x 2i

ki

x 2i

x
i =1

x 21
x 22

x 2n

... x k1
... x k 2

... x kn

i=k

n
... x1i x ki

i =1

n
2
... x ki

i =1
...

ki

(XTX)-1 az elz mtrix inverze a bevont vltozk esetben.

(XTX)*(XTX)-1=E, ahol E az egysgmtrix.
A fentiekben felsorolt mtrixok kzl tbb nmagban is fontos informcikat hordoz a regresszival
kapcsolatban, nhny kiszmtsa pedig a tovbbi vizsglatok miatt szksges. Didaktikai okokbl mindegyik mtrixok bemutatst szksgesnek tartottuk.

4.1.3 A Maradk munkalap

A Maradk munkalapon az aktulis modell empirikus maradkaibl kpzett oszlopvektorok tallhatak
meg, valamint lehetsg van becsls, elrejelzs elvgzsre is. A munkalapon tallhat oszlopvektorok
az albbiak:
- y: a vizsglt eredmnyvltoz rtkeinek vektora;
- y : az eredmnyvltoz rtkeinek becslt vektora, a bevont magyarzvltozkkal trtnt pontbecsls;
- y 2 : az eredmnyvltoz becslt rtkeinek ngyzete;
- e: empirikus reziduum ( e = y y ) ;
-

et-p: az empirikus maradk p-vel (p=1,2,,12) ksleltetett rtke (p nagysgt az Autokorrelci

munkalapon lehet megadni, jellemzen p = 1 );
e2: a maradk ngyzete.

Elrejelzst (idsorok esetn), illetve pontbecslst (keresztmetszeti adatbzisok esetn) kszthetnk a H

oszloptl kezdden, a srga mezkbe a magyarzvltozk kvnt rtkeit kell berni. Technikai okokbl valamennyi (bevont s be nem vont) vltozhoz meg kell adni rtkeket, ezekbl csak azokat fogja a
program figyelembe venni, amelyek bevont vltozkhoz tartoznak. Egyszerre maximum 20 becsls, illetve elrejelzs hajthat vgre. A helyesen kitlttt magyarz vltoz rtkekhez tartoz becslt eredmnyvltoz rtk a H oszlopban olvashat le.

4.1.4 A Multikollinearits munkalap

A Multikollinearits munkalap a magyarz vltozk sszefggsnek problmjt vizsglja. A
multikollinearits tmakre hatalmas irodalommal rendelkezik, a tma egyik legfrissebb s legtfogbb
156

magyar nyelv sszefoglaljt adja Kovcs Pter 157. Az elvgezhet tesztek kzl nem hasznltuk valamennyit, csupn az oktatsban gyakran alkalmazott, ltalnosan elterjedt prbkat. Az albbiakban
nagyvonalakban bemutatjuk a beptett prbkat:
a multikollinearits globlis tesztelse:
o 2 prba;
o Kondciindex s kondciszm (gyks formula);
o Petres-fle RED mutat 158;
a multikollinarits lokalizlsa:
o parcilis korrelcis egytthatk tesztelse;
o F-prba;
o VIF-mutat (variancia infll faktor);
o tolerancia mutat;
a multikollinarits kikszblse. Fkomponens regresszi 159.
F

Az alkalmazott kpletek:

A multikollinearits globlis tesztelse, a 2 prba 160*

F

A multikollinearits jelenltre kvetkeztethetnk a magyarz vltozk korrelcis mtrixnak determinnsbl is. Igazolhat ugyanis, hogy amennyiben a magyarz vltozk linerisan fggetlenek egymstl a modellt ortogonlisnak (az ortogonlis mtrix kvadratikus, transzponltja egyenl inverzvel, a mtrix s a mtrix transzponltjnak a szorzata az egysgmtrixot adja s determinnsa: 1 ) tekinthetjk. Az
ortogonlis rendszert ler mtrix determinnsa 1-gyel, teljes multikollinearits esetn viszont 0-val
egyenl. Minl kzelebb van a determinns nullhoz, annl nagyobb mrv fggsg van a magyarz
vltozk kztt.
rvnyes teht az albbi relci:
0 Rk 1
ahol R k a magyarz vltozk korrelcis mtrixa determinnsnak abszolt rtke.
A multikollinearits szignifikancija az R mtrix determinnshoz kapcsoldva 2 -prbval tesztelhet.
Az gy kpzett prbafggvny annak a H0 hipotzisnek a tesztelsre szolgl, amely szerint a magyarz
vltozk linerisan fggetlenek.
A 2 -teszt teht azt vizsglja, hogy a vltozk az alapsokasgban korrellatlanok-e (nullhipotzis), azaz
azt teszteli, hogy a korrelcis mtrixnak a ftln kvli elemei csak vletlenl trnek-e el a nulltl.
A prbafggvny az albbi:
1

2 = - n -1- ( 2k + 5 ) log R k
6

A fenti fggvnyben a magyarz vltozk korrelcis mtrixa determinnsnak |Rk| tzes alap logaritmusval szmolunk. A prbafggvny szabadsgfoka:
1
sz.f . = k ( k 1)
2
ahol:
n = a megfigyelsek szma
k = magyarz vltozk szma

157

Ld.: Kovcs Pter [2008a].

Ld. Kovcs-Petres-Tth [2004, 2005]
159
A szmtsok elvgzshez szksg van a mtrix.xls parancsfjlra.
160
Bartlett illetve FarrarGlauber-teszt. A 2 prbafggvny kidolgozsa M. S. Bartlett nevhez fzdik. (Bartlett,
M. S. [1937]: Properties of sufficiency and statistical tests. Proceedings of the Royal Statistical Society Series A
160, 268282. ) A multikollinearits 2-prbn alapul tesztjt Farrar s Glauber publiklta elszr. Farrar D. E. s
Glauber R. R. [1967].
158

157

Adott szignifikancia-szint mellett a 2 tblban megkeressk a megfelel kritikus rtket. Amennyiben a

fenti prbafggvny alapjn szmtott rtk nagyobb, mint a tblbl vett, szmottevnek tarthatjuk a
modellben a multikollinearitst. Ellenkez esetben, H0 hipotzis elfogadsa esetn elfogadjuk a
nullhipotzist, vagyis azt, hogy a magyarz vltozk linerisan fggetlenek. A program kzli, hogy van,
vagy nincs multikollinearits.

Kondciindex s kondciszm szmtsa 161

162

A multikollinearits mrszmnak egy csaldjt alkotjk a tnyezvltozk korrelcis mtrixnak sajtrtkeire pl mutatk. E mutatk htrnya, hogy rtelmezsk szubjektv, azaz nincs egy olyan egyrtelm kszbszm, ami mr ers multikollinearitst jelez. 163 A sajtrtkek meghatrozsnl felhasznljuk azt az sszefggst, hogy a standardizlt magyarz vltozk XX mtrixa egyenl a magyarz
vltozk korrelcis mtrixval. A kondciszm (vagy llapot mutat, CN=condition number) annak
mutatja, hogy milyen kzel van a magyarz vltozk mtrixa (XX), ahhoz, hogy szingulris legyen. A
becslsre vonatkozan, ha a becsl rtkek mtrixa kzel szingulris, teht az adatok kzel kollinerisak,
akkor nehz pontos vagy precz inverzt ellltani, s a lineris regresszi becslt paramtereinek nagy
standard hibja lesz.
A kondciindexek 164 (CI condition index) a magyarz vltozk korrelcis mtrixnak legnagyobb
( max ) s j-dik ( j ) j = 1, 2, , k sajtrtkei alapjn hatrozhatak meg:
F

max
.
j

CI =

Ha a legkisebb sajtrtket min -nel jelljk, akkor a kondciszm (CN condition number):
CN =

max
,
min

azaz a legnagyobb kondciindex neve kondciszm.

Ha a magyarz vltozk linerisan fggetlenek, valamennyi sajtrtk egy, akkor a CN-mutat rtke is
eggyel egyenl. Minl nagyobb a mutat nagysga, annl ersebb a multikollinearits mrtke. A
multikollinearits mrtke, gyenge, ha a 1<CN<5, zavar, ha 5<CN<10, , igen zavar, ha CN>10.

A Petres-fle Red-mutat. Az adatllomny redundancijnak a mrse*

Ha a magyarz vltozk kztt szoros kapcsolat van, akkor a nagymennyisg adatokat tartalmaz llomnyok gyakran kevs informcit hordoznak, szmos felesleges adatot tartalmaznak, teht redundnsak. A multikollinearits a lineris regresszis modellek esetn a redundancia egyik fajtjaknt rtelmezhet.
Mrsre a Petres-fle RED-mutatt hasznljuk 165 166 167:

R ED(%) =
100
k 1
ahol = a magyarz vltozk korrelcis mtrixa (R) sajtrtkeinek () a szrsa s k a magyarz
vltozk szma.
Ha minden sajtrtk egy, akkor RED(%)=0%. Ez azt jelenti, hogy a sajt rtkek szorzata, vagyis a magyarz vltozk korrelcis mtrixnak a determinnsa 1-gyel egyenl. Ebben az esetben a mtrix orF

161

Encyclopedia of Statistical Sciences, 16 Volume Set, [2006] 2nd Edition. 2. ktet: 1239-1240
A SAS programja is gy szmol: http://www.ats.ucla.edu/stat/sas/ webbooks/reg/ chapter2/ sasreg2.htm (2010
01 14)
163
Kovcs Pter [2008]: 49.
164
Encyclopedia of Statistical Sciences, 16 Volume Set, [2006] 2nd Edition. 2. ktet: 1239-1240.
165
Kovcs Pter Petres Tibor Tth Lszl [2004]: 598.
166
Peter Kovacs Tibor Petres Laszlo Toth [2005]: 405-412.
167
Kovcs Pter [2008]: 57-58.
162

158

togonlis, teht nincs multikollinearits, mert a magyarz vltozk fggetlenek egymstl. Amennyiben a sajtrtkek tvolodnak ettl az esettl, akkor a RED-mutat rtke nvekszik.
A redundancia hinya esetn a RED-mutat rtke nulla szzalk, mg maximlis redundancia esetn
szz szzalk. Ha pl. RED(%)=30%, akkor ez azt jelenti, hogy az adott mret s minimlis redundancij adatllomnyhoz kpest a hasznos tartalmat hordoz adatok arnya 70%, azaz az adatok tlagos
egyttmozgsnak a maximlishoz viszonytott mrtke pedig 30%.
A RED-mutat kifejezhet a magyarz vltozk korrelcis mtrixnak ftln kvli elemeinek ngyzetes tlagaknt is. Ez azt jelenti, hogy a mutat nem csak a becslfggvny szempontjbl hasznos tartalmat hordoz adatok arnyt mutatja, hanem a magyarz vltozk egyttmozgsnak tlagos mrtkt
is.
A redundancia kritikus rtke, ha k=1,216 s a sajtrtkek szma 1, akkor a kritikus rtkek:
1
R ED k,1 =
*100
(k 1)(k 1)

120%
100%
80%
60%
40%
20%
0%
2

10

11

12

13

14

15

16

4.2. bra: A RED-mutat kritikus rtkei, mint 1 darab sajtrtk zr voltnak szksges felttele.
A k=a magyarz vltozk szma (k=2-16)
Ha:
RED(%) < RED k,1 (%) (zld szm)
Akkor a lineris regresszis modell illesztse utn kapott becslt paramterek szrsngyzeteinek az szszege illetve tlaga biztosan vges. (zld szm)
Ha:
RED(%) > REDk,1 (%) (piros szm)
Akkor a lineris regresszis modell illesztse utn kapott becslt paramterek szrsngyzeteinek az szszege illetve tlaga nem biztos, hogy vges. Ezrt a hatrpont kritikus rtkknt is rtelmezhet. (piros
szm)

A multikollinearits lokalizlsa
A korrelcis egytthatk vizsglata
A magyarz vltozk (xj s xl) kztti kapcsolat is tesztelhet, az a kedvez, ha nincs szignifikns kapcsolat a kt vltoz kztt, (ld. albb az els egyenltlensget, zld szm) de ha szignifikns a kapcsolat,
(ld. albb a msodik egyenltlensget, piros szm) mg ez mg nem jelenti felttlenl azt, hogy kros a
multikollinearits mrtke.

159

t =
t =

rjl n 2
1 rjl2
rjl n 2
1 rjl2

< t 0,025(n 2)
> t 0,025(n 2)

A parcilis korrelcis egytthatk vizsglata

Szignifikns kapcsolat esetn, normlis eloszlst felttelezve, kros a multikollinearits a kt magyarz
(xj s xl) vltoz kztt ha a parcilis korrelcis egytthatk kztt szignifikns a kapcsolat:
rx jx l .y12...i-1,i+1,...k n - k -1
t=
> t 0,025(n-k-1)
2
1- rx jx l .y12...i-1,i+1,...k
Ha nem szignifikns a kapcsolat, akkor a a multikollinearits mrtke nem kros a kt magyarz (xj s
xl) vltoz kztt ha:
rx jx l .y12...i-1,i+1,...k n - k -1
t=
< t 0,025(n-k-1)
1- rx2jx l .y12...i-1,i+1,...k

F-prba
A magyarz vltoz kztti kapcsolatokrl hasznos informcit nyerhetnk, ha kiszmtjuk az egyes
magyarz vltozknak a tbbi magyarz vltozra vonatkoz tbbszrs determincis egytthatit.
Ez azt jelenti, hogy a k magyarz vltozt tartalmaz regresszis modellben k jabb regresszifggvnyt s tbbszrs determincis egytthatt kell meghatrozni. Ebben az esetben mivel: y=xj ezrt
xj=1,2,k-1, teht a magyarz vltozk szma (k) eggyel cskken.
Regresszi-fggvnyek:
X1 = f ( X 2 , ..., X i, ..., X k , )
X = f ( X1, X3, ..., X i ,..., X k , )
. 2
.
X j = f ( X1, ..., X j-1, X j+1, ..., X k , )
.
.
X k = f ( X1, ..., X j , ..., X k-1, )

Az egyes felsorolt fggvnyek tbbszrs determincis egytthatit (R2j) megbecsljk, majd Fprbval, a varianciaanalzisnl lertaknak megfelelen teszteljk. Ha az F-prba alapjn szignifikns a
kapcsolat az adott magyarz vltoz s a tbbi magyarz vltoz kztti modellben, akkor a
multikollinearitst lokalizltuk.
Nullhipotzisnk az, hogy a magyarz vltozk regresszis egytthati mind 0-k, vagyis nincs
multikollinearits, az alternatv hipotzis szerint ltezik legalbb egy 0-tl eltr egytthat vagyis van
multikollinearits.
H 0 : 1 =2 =... j-1 = j+1 = ...=
. k =0
H1 : j 0
Az F-prba alapjn szignifikns a multikollinearits, ha:
R 2 /(k 1)
F=
>F
(1 R 2 ) / ( n k ) (0,05[k 1,n k ])

Az F-prba alapjn nem szignifikns a multikollinearits, ha:

160

F=

R 2 /(k 1)
<F
(1 R 2 ) / ( n k ) (0,05[k ,n k ])

A variancit infll faktor (variancianvel tnyez VIFj mutat = Variance Inflator Factor)
A magyarz vltozk kztti determincis egytthatkra pl a variancit infll faktor (VIF) mutatja. A mutatszm melyet ltalban kettnl tbb magyarz vltoz esetn hasznlunk azt mri, hogy
a multikollinerits jelenlte milyen mrtkben nveli a becslt paramterek standard hibinak a ngyzett, vagyis a variancijt. Ez a mutat teht azt mutatja, hogy a j-edik vltoz becslt egytthatjnak
tnyleges variancija hnyszorosa annak, ami a multikollinearits teljes hinya esetn lenne kaphat. Kiszmtsa:
A variancit infll faktor (VIF)
1
VIFj =
1 R 2j
ahol R 2j a j-edik magyarz vltoz s a tbbi magyarz vltoz kztti tbbszrs determincis
egytthat.
A VIF mutat, knnyen meghatrozhat a reduklt (csak a magyarz vltozk kztti kapcsolatot mutat) korrelcis mtrix inverzbl, ugyanis az inverz mtrix diagonlis elemei a VIFj mutatkat adjk. 168
Ebbl hatroztuk meg az R 2j rtkeket, ugyanis:
F

R 2j =

VIFj 1
VIFj

A mutat hatrai:
1 VIFj
A j paramter standard hibangyzetnek, variancijnak becslse:
s

2
bj

(x

x)

1 R2
xj
(

Ahol:
s2 =

s2

) (x

( y y )

x)

(1 R )
2
xj

n2

Amennyiben a j-edik magyarz vltoz linerisan fggetlen a tbbitl, a VIF mutat rtke 1, mivel az
Rj2 rtke 0, ha viszont az Rj2 rtke 1, akkor nem lehet rtelmezni a mutatt, mert a vgtelenbe tart. Ha
valamelyik vltoz VIF mutatja 1 s 2 kztt van, akkor gyenge, (zld szm), ha 2-5 kztt van, akkor
ers, zavar, (kk szm) ha pedig 5 felett van, akkor nagyon ers, kros (piros szm) a multikollinearits.
A j paramter standard hibangyzetnek nagysga hrom tnyeztl fgg, akkor lesz nagyobb, ha:
1. s2, teht a rezidulis variancia nagyobb,
2.

(x

x ) az xj vltoz tlagtl val eltrs - ngyzetsszege (az xj vltoz szrsngyzete) ki2

sebb,
3. R 2xj nagyobb.
Ha az s2 rtke kisebb s az

(x

x ) nagyobb akkor, nem lesz problma a magas standard hibkkal,

2

mg akkor sem, ha az R 2xj nagyobb lenne.

A tolerancia mutat
A VIF mutat reciprokt tolerancia mutatnak (jele Tj ) hvjuk, amelynek hatrai:
168

Ld. F2.-t a mellkletben.

161

0 Tj 1
A tolerancia mutat minl kzelebb van az 1-hez, annl kevsb zavar a multikollinearits.
Ha valamelyik vltoz Tj mutatja 0,5 s 1 kztt van, akkor gyenge, (zld szm), ha 0,2-0,5 kztt van
akkor ers, zavar, (kk szm) ha pedig 0 s 0,2 kztt van, akkor nagyon ers, kros (piros szm) a
multikollinearits.

A multikollinearits kikszblse. Fkomponens regresszi 169

F

170 171
F

A fkomponens-elemzs (PCA: Principal Components Analysis) az adatok leegyszerstst teszi lehetv, a kiindulsi adatmtrix dimenzijnak cskkentsvel. A rgi magyarz vltozk lineris kombincijval j vltozkat lltunk el a sajtrtk problma megoldsval. A fkomponenselemzs mgttes
gondolata az, hogy kisszm httrvltoz underlying factor segtsgvel a teljes mtrixot viszonylag
jl (adott hibval) reprezentlni lehet. Az j mestersges vltozk korrellatlanok (ortogonlisak, teht
egymstl linerisan fggetlenek), s cskken sajtrtkek (eigenvalue) sorrendjben szoks sorban rakni ket. Az eljrs az eredeti, egymssal szorosan korrell k szm vltozt azok ugyancsak k szm
fkomponensvel helyettesti, s ezek segtsgvel kszt immron j tulajdonsg becslseket. Az j regresszi az gy kpzett j vltozkra vonatkozik, gy a szoksos becslsi kritriumok nagy rsze (torztatlansg, konzisztencia) nem rtelmezhetk.
Alkalmas lehet becslsre, a fkomponens regresszi, ha:
a kevs szm fkomponens minimlis informci vesztssel kpes helyettesteni a vltozkat,
a mestersges vltozk szakmailag jl rtelmezhet tartalmak,
elssorban nem a regresszis paramtervektorra, hanem az y becslsre vagyunk kvncsiak
A fkomponens regresszi paramtereinek meghatrozsa XTX mtrix sajt rtkeinek () s sajt vektorainak, (faktorslyainak, loadings: a ij ) a meghatrozst jelenti.
ltalban klnbz mrtkegysg vltozkbl lltjuk el a mestersges vltozkat, ezrt a mrtkegysgeket ki kell kszblni. Ezt a standardizls mveletvel lehet biztostani:
x ij = - =

x ij - x

i=1,2n j=1,2,k

Az eredeti regresszi n*k mret X vltozmtrixot egy k*k mret A mtrixszal egy ugyancsak n*k mret Z = XA mtrixsz transzformljuk. E Z mtrix oszlopvektorait fkomponenseknek vagy
fkomponensvektoroknak nevezik. Az A mtrix teht az XTX mtrix sajtvektoraibl pl fel. Az A mtrix elemeit az xj standardizlt vltozk variancia-kovariancia mtrixnak sajt vektorai adjk. A standardizlt vltozk variancia-kovariancia mtrixa az eredeti vltozk korrelcis mtrixval (R) azonos, gy
ebbl a mtrixbl is meghatrozhatjuk a sajt rtkeket s sajt vektorokat. Az A mtrix teht becslhet
a korrelcis mtrixbl szmtott sajt rtkekhez tartoz sajt vektorokkal, s ezrt a program ennek
alapjn vgzi el a szmtsokat. Egy-egy sajt rtk azt mutatja, hogy a vizsglt fkomponens az X mtrix variancijnak hny %-t hatrozza meg. A sajt rtkek sszege a magyarz vltozk szmval (k)
egyezik meg. Ennek alapjn a sajt rtkekbl megoszlsi illetve kumullt megoszlsi viszonyszmokat
kpezhetnk. ltalban nhny fkomponens az X mtrix variancijnak igen jelents hnyadt kpviselheti, ezrt eljrhatunk gy is, hogy nem a multikollinearitst okoz Xj magyarz vltozt zrjuk ki a
modellbl, hanem az alacsony sajt rtkekkel rendelkez fkomponenseket. Arra nincs egyrtelm szably, hogy hny j fkomponens vltozt clszer a modellben tartani. Az egyik megkzelts az lehet,
hogy akkor jelents egy fkomponens, ha a sajtrtke nagyobb mint egy illetve ha nem nagyobb mint
egy, de a figyelembe vett sajt rtkek az sszes variancia legalbb 80% -t megmagyarzzk.
A szmtsokhoz szksges adatokat a Mtrix munkalapon kzljk.
A fkomponensek (sajt vektorok a ij i,j=1,216) s a magyarz vltozk kztti sszefggs 172:
F

169

Mundrucz Gyrgy [1981]: 71-73.

Hunyadi Lszl [2001]: 179-181.
171
Petres Tibor-Tth Lszl [2008]: 245-246.
170

162

z1 = a11x1 + a 21x 2 + ... + a k1x k

z 2 = a12 x1 + a 22 x 2 + ... + a k2 x k
.
..
z k = a1k x1 + a 2k x 2 + ... + a k2 x k
Majd a megtartott j szm komponensre s az y eredmnyvltozkra regresszis sszefggst hatrozunk
meg:
y = b1z1 + b 2 z 2 + ... + b jz j
A becslt bj paramterek segtsgvel az eredeti vltozkra transzformlhatjuk vissza a modellt:
y = b1 (a11x1 + a 21x 2 + ... + a k1x k ) +
+b (a x + a x + ... + a k2 x k ) + ... +
. 2 12 1 22 2
+b j (a1j x1 + a 2j x 2 + ... + a kj x k )

trendezve az egyenletet:

y = (b1a11 + b 2 a12 + ... + b ja1j )x1 +

+(b a + b a + ... + b ja 2j )x 2 + ... +
. 1 21 2 22
+(b1a k1 + b 2 a k2 + ... + b ja kj )x k
A fent lert fkomponens transzformcival felhasznlhatk a fkomponensek kvetkez elnys tulajdonsgai:
a fkomponensek pronknt ortogonlis rendszert alkotnak,
a fkomponensek varianciinak sszege megegyezik az eredeti vltozk varianciinak sszegvel,
1 + 2 + ... + k = 2 ( x1 ) + 2 ( x2 ) + ... + 2 ( xk )
a fkomponensek cskken varianciik szerint vannak sorba rendezve.
2 ( 1 ) 2 ( 2 ) ... 2 ( k )

A fkomponens slyok (loading vltozk) szmtsa

A fkomponens slyok, a sajtvektorok elemeinek s a megfelel sajtrtkek ngyzetgyknek szorzatai:
d ij = a ij j
i,j=1,2,,k
A fkomponensslyokat tartalmaz D mtrix, az n. fkomponenssly-mtrix, dimenzija k*k s az
albbi tulajdonsgokkal rendelkezik:
A fkomponensslyok abszolt rtkei 1-nl nem nagyobbak.
Az oszloponknti ngyzetsszegk a sajt rtk (j), soronknti ngyzetsszegk pedig egy.
A fkomponensslyok megadjk a vizsglt magyarzvltozk s a fkomponensek kztti lineris korrelcis egytthatt.

A kommunalitsi mutatk szmtsa

A fkomponens sly ngyzetek felhasznlsval a kommunalitsi mutatk szmthatk ki:
d ij2 = a ij2 j
A D mtrix k-adik sora els w darab elemeinek ngyzeteit kumulljuk, akkor a k-adik magyarzvltoz
kommunalitshoz jutunk.

172

A szmtsok a mtrix.xls mtrixok szorzsa munkalapon elvgezhet. A sajt rtkeket s a sajt vektorokat a
bevont vltozkra a regresszio.xls parancsfjl a a mtrix munkalapon kzli.

163

h kw = d ij2
j=1

1 w k
A kumullt fkomponenssly-ngyzetek azt fejezik ki, hogy az egyes fkomponenseknek milyen jelentsge, slya van a magyarzvltozk variancijban.

A fkomponensek variancii az adatok kovariancia mtrixnak sajtrtkei ( j ), az egytthati pedig a

megfelel sajtrtkhez tartoz sajtvektor egytthati.

4.1.5

Az Autokorrelci munkalap

Amennyiben egy regresszis modellben nem teljesl a modellekkel szemben megfogalmazhat azon felttel, amely szerint a hibatnyez rtkei pronknt nem korrellnak egymssal, akkor a modell
autokorrellt. Az autokorrelci mrtkt a rezidulis autokorrelcis egytthatval mrhetjk. A p-ed
rend (p idegysggel ksleltetett, a parancsfjl esetben p=1,2,,12) elmleti autokorrelcis egytthatt az egymstl p idegysgnyi tvolsgra ll maradktagok korrelcis egytthatjaknt becslhetjk.
A gyakorlatban az els rend autokorrelcis egytthatt szoktk tesztelni. A fjlban kzltnk tbb ksleltetsre vonatkoz adatokat is, amire pldul szezonalitst mutat adatsorok esetn lehet szksg.
Az ltalunk hasznlt modell:
e t = p e t-p + v t
Ahol:
173 = a p-endrend autokorrelcis egytthat becslt rtke, ami az egymstl p tvolsgra lev rezidulis tagok kztti korrelcis egytthat
vt = 0 vrhat rtk, konstans szrs vltoz
t = 1, 2, n
F

Kpletben:
n

p = re t ;e t p =

(e

t = p +1
n

(e

t = p +1

et ) ( e t p et p )

et )

(e

t = p +1

tp

et p )

ee

t = p +1
n

t = p +1

tp

2
tp

Az Excel parancsfjlban az eredeti, s nem a kzelt p-ed rend rezidulis autokorrelcis egytthatval
szmoltunk. A p-ed rend autokorrelcis egytthatt a Student-fle t-prba felhasznlsval teszteltk.
A hipotzisrendszer az albbi:
H0 : = 0
H1 : 0
A tesztstatisztika szmtsi mdja:
t=

n - p -1

~ t n-p-1
1- 2
azaz a prbafggvny n-p-1 szabadsgfokt t-eloszlst kvet, ennek megfelelen kell a kritikus rtkeket
meghatrozni.
Ha p=1, elsrend rezidulis autokorrelcis egytthatrl beszlnk.
n

e e

t t-1

t =2
n

2
t-1

t=2

173

A grg r betvel jelljk.

164

A fenti autoregresszv modellben, amennyiben a autokorrelcis egytthatnak az rtke eltr nulltl

a regresszis modell autokorrellt, mg ellenkez esetben a regresszis modellben szerepl rezidulis vltoz megegyezik a tiszta vletlen hatssal, teht a modell jl specifiklt s autokorrellatlan. Az
autokorrelci tnynek eldntse tulajdonkppen az albbi hipotzis tesztelsnek felel meg:
H 0 : =0
H1 : 0
Szignifikns autokorrelci esetn (5%-os szignifikancia-szinten, a piros szm jelzi) az albbi felttel teljesl:
n - 2
t =
> t 0,025(n 2)
1- 2
Ha nincs szignifikns autokorrelci (5%-os szignifikancia-szinten, a zld szm jelzi) akkor az albbi
felttel teljesl:
n - 2
t =
< t 0,025(n 2)
1- 2
A nullhipotzis elfogadsa azt jelenti, hogy a rezidulis vltoz vletlen jelleg, a szomszdos rtkek
egymstl fggetlenek. A fenti ktoldal prbval termszetesen tesztelhet pozitv s negatv rtknek szignifikancija is. Az els esetben H1:>0, mg a msodik esetben a H1:<0 a megfelel alternatv
hipotzis.
Az Excel parancsfjl kiszmtja s rtkeli a Durbin-Watson d-prba alapjn az autokorrelcit.
Durbin-Watson teszt: az elsrend D-W-statisztika rtkt szmtja ki s rtkeli (a dntsi lehetsgek:
1. pozitv autokorrelci,
2. negatv autokorrelci
3. bizonytalansg, teht nem lehet dnteni
A prbafggvny ellltshoz els lpsben ki kell szmtani a tapasztalati reziduumokat (e t ), amelyeket a klasszikus legkisebb ngyzetek mdszernek alkalmazsval nyernk. A prbafggvny:
n

d=

(e
t =2

e t 1 )

e
t =1

2
t

A d-prbafggvny rtelmezshez hasznos segtsget ad a p elsrend autokorrelcis egytthat s a

d-mutat kztt - elgg nagyszm megfigyels (n>30) esetn - felrhat albbi kzelt sszefggs.
d 2 2 = 2(1 )
Illetve:
d
12
A fenti sszefggsbl nyilvnval, hogy amennyiben a modell autokorrellatlan ( =0), a kiszmtott
d=2. Pozitv autokorrelci ersdse esetn d rtke kzelt nullhoz, mg ersd negatv
autokorrelci esetn a 4-hez tart. A d-prba elvgzshez a mintbl egy klasszikus legkisebb ngyzetek mdszervel trtnt becsls segtsgvel meghatrozzuk d rtkt, majd az egyenletben szerepl magyarz vltozk s a megfigyelsek szmnak, valamint a prba adott szignifikancia-szintjnek megfelelen megkeressk a Durbin-Watson tblbl a megfelel rtkeket 174. A tblzatban szerepl rtkek
kzvetlenl a pozitv autokorrelci tesztelsre (H1:>0) alkalmasak, amelyeket dL (als) s dU (fels)
rtkekkel valsthatunk meg. A negatv autokorrelci (H1:<0) tesztelse, illetve a ktoldal hipotziF

174

Savin, N. E.-White K. J. [1977]: 1989-1996. alapjn az 1 s 5 %-os szignifikancia szinten meghatrozott kritikus
rtkekkel szmoltunk. Ld.: tovbb Ramanathan Ramu [2003]: Durbin-Watson-prba, az 5 %-os dL s dU rtkek
egyoldali prbhoz. 614-617.

165

sek ellenrzse jabb rtkek kiszmtst ignyli, amelyek d eloszlsnak szimmetrikus jellege miatt
nem okoznak klns gondot:
dL = 4 d U
dU = 4 d L
A prba lehetsges kimeneteleit, a dntsi svokat jl szemllteti az albbi bra:

bizonytalansgi

bizonytalansgi

autokorrelci tartomny

tartomny autokorrelci
elfogadsi
tartomny

4-d

4-d

4-3. bra: A Durbin-Watson d-prba dntsi svjai

A prba alkalmazsnak viszonylagos htrnya az n. bizonytalansgi tartomny meglte, amely a gyakorlatban sok gondot okoz. Az irodalomban tbbfle mdon igyekeztek a problmt feloldani, amelyek
kzl a legegyszerbbnek tn megolds az, amikor a bizonytalansgi tartomnyt az elutastsi tartomnyhoz csatoljk.
Amennyiben egy regresszis modellben nem teljesl a modellekkel szemben megfogalmazhat azon felttel, amely szerint a hibatnyez rtkei pronknt nem korrellnak egymssal, tudjuk, hogy a modell
autokorrellt 175.
ltalnossgban elmondhatjuk, hogy az autokorrelci jelenlte mellett ksztett paramter-, s pontbecslsek ugyan torztatlanok maradnak, de nem lesznek hatsosak. Klnsen vatosan kell kezelni az
autokorrellt modellt, ha segtsgvel elrejelzseket kvnunk kszteni. Autokorrellt modellek esetben
az egytthatk standard hibi torztottak, gy sem a standard hibkhoz kapcsold prbk, sem az elrejelzsekhez kapcsold konfidencia intervallumok nem hasznlhatk fel.
A program brzolja et-p fggvnyben az et alakulst. Az bra alapjn vizulisan is kvetkeztethetnk
az autokorrelci megltre vagy hinyra.
F

4.1.6 A homoszkedaszticits munkalap

Az idsorok esetben, mint azt az elzekben bemutattuk, az autokorrelcit, a keresztmetszeti adatok
esetben viszont a hibatnyez variancijnak llandsgt szoktuk tesztelni. Ha konstans a hibatnyez
variancijnak vrhat rtke, akkor:
E( i2 ) = 2 i = 1, 2,, n .
Keresztmetszeti adatok esetn homoszkedaszticits szempontjbl is tesztelnnk kell a modelleket, hiszen elmleti felttel, hogy a hibatnyez variancija lland. 176
F

A nullhipotzis:
H 0 : 12 = ... = n 2 .
Az alternatv hipotzis:
H1 : i2 2j (i j) ,

ahol i, j = 1, 2, , n .
A nullhipotzis azt fogalmazza meg, hogy a hibatnyez szrsngyzetei (variancii) llandak. A
nullhipotzis teljeslse egyben azt is jelenti, hogy a modell homoszkedasztikus, mg az alternatv hipotzis a heteroszkedaszticits felttelezst szimbolizlja. A heteroszkedaszticits jelensge esetn a regresz175
176

Kovcs Ilona [1977]: 605.

Pintr Jzsef [1991]: 18.

166

szis egytthatk becslse torztatlan, ugyanis tovbbra is feltesszk, hogy a hibatnyez vrhat rtke
nulla. Ugyanakkor a paramterek variancijra vonatkoz becsls nem lesz hatsos 177, a paramterek
standard hibi torztottak lesznek, hasznlatuk megkrdjelezhet, a segtsgkkel elvgzett prbk (pl. ts F-prbk) s becslsek flreinformlhatnak.
F

Globlis (csoportos) Breusch-Pagan-Godfrey (BPG)- s Glejser-prba 178

F

A BPG-prba esetben a nullhipotzis megegyezik az elzekben lertakkal, az alternatv hipotzis pedig

kiss ltalnosabb formban 179:
H 0 : 12 = ... = n 2
F

H1 = E(i2 ) = 2 [ h(Z + v) ] , vagy:

ahol:
h: a rezidulis vltoz fggvnye, a fggvny alakja lehet pl. lineris, hatvnykitevs, vagy exponencilis,
Z: a heteroszkedaszticitst magyarz vltozk n ( k+1) tpus mtrixa,

: a vletlent becsl modell ( k+1) 1 tpus paramtervektora,

v: n1 tpus, vletlen elemeket tartalmaz vektor.

A Glejser-prba esetn a teszt lnyege 180 az, hogy lineris regresszis kapcsolatot ltest a hibatnyez
abszolt rtke s a heteroszkedaszticitst felteheten elidz magyarz vltozk kztt.
ei = 0 + 1x1 + 2 x 2 + ... + k x k + vi
A null- s - alternatv hipotzisek:
H 0 : 1 = 2 = ... = k = 0
F

H1 : j 0
Az F-prbval teszteljk a nullhipotzist, aminek elfogadsa esetn a modell homoszke- dasztikus, elutastsa esetn pedig heteroszkedasztikus.
A globlis prbk az albbiak:
Glejser 181-prba:
F

ei = 0 + 1x1 + 2 x 2 + ... + k x k + vi

A regresszio.xls fjlban a ptllagos regresszi tbbszrs determincis egytthatjt

R 2 ( e ; x ) jellssel lttuk el.

Breusch-Pagan-Godfrey (BPG)- prba:

ei2 = 0 + 1x1 + 2 x 2 + ... + k x k + vi
A regresszio.xls fjlban a ptllagos regresszi tbbszrs determincis egytthatjt
R 2 ( e 2 ; x ) jellssel lttuk el.

o Harvey 182-Godfrey 183-prba, ahol exp(), az ex exponencilis fggvnyt jelli:

F

177

Ez azt jelenti, hogy a klasszikus legkisebb ngyzetek mdszere (KLNM, angolul Ordinary Least Squares: OLS)
alkalmazsa esetn a becslsek ebben az esetben nem lesznek hatsosak, vagyis tallhat egy msik torztatlan lineris becsls, aminek kisebb a variancija, mint az KLNM (OLS)-becslsnek. Ld.: Ramanathan Ramu [2003]:
365-366. s 397-398.
178
Ld.: Glejser H. [1969]: 316-323. Godfrey, L. [1978]: 227-236. Breusch, T. S.; A. R. Pagan [1979]: 1287-1294.
tovbb: Ramanathan R. [2003]: 367-369. Pintr Jzsef [1991]: 21-24. Gujarati Damodar N. [2003]: 411-412.
Maddala G. S. [2004]: 244-246.
179
Ld.: Pintr Jzsef [1991]: 21.
180
Mundrucz Gyrgy [1998]: 178.
181
Glejser H. [1969]: 316-323.
182
Harvey A. C. [1976]: 461-466.
183
Godfrey, L. [1978]: 227-236.

167

ln(ei2 ) = 0 + 1x1 + 2 x 2 + ... + p x p + vi

ei2 = exp( 0 + 1x1 + 2 x 2 + ... + p x p + vi )
o A Park 184-prba, ahol a fggvny (h) hatvnykitevs:

ei2 = 0 x11 x 2 2 ...x p p e vi

F

ln(ei2 ) = ln 0 + 1 ln x1 + 2 ln x 2 + ... + p ln x p + vi

Koenker-Bassett (KB) 185- prba:

F

ei2 = 0 + 1 y i2 + vi
A regresszio.xls fjlban a ptllagos regresszi tbbszrs determincis egytthatjt
R 2 ( e 2 ; y 2 ) jellssel lttuk el.
A fenti kpletekben:
k = az eredeti regresszis fggvnyben a magyarz vltozk szma;
i=1,2,,n a megfigyelsek szma;
ei = az eredeti modell rezidulis vltozjnak abszolt rtke;

ei2 = az eredeti modell rezidulis vltozjnak ngyzete;

y i2 = az eredeti fggvnnyel becslt eredmnyvltoz ngyzete;

a becslt paramterek ( j ,

j = 0,1, 2,, k ) szma: k+1

vi : a ptllagos regresszi rezidulis vltozja.

A regresszi paramtereinek egyttes szignifikancija a globlis F-prba segtsgvel mindegyik bemutatott teszt esetben vizsglhat. Ha a szmtott F-rtk nagyobb, mint a tblabeli rtk, akkor az alternatv hipotzist fogadjuk el, teht a modell heteroszkedasztikus, ellenkez esetben homoszkedasztikus.

A heteroszkedaszticits lokalizlsa Glejser-, s Breusch-Pagan-Godfrey (BPG)-prbval.

A Glejser- s a BPG-prba lehetv teszi a heteroszkedaszticits lokalizlst. Amennyiben felttelezzk, hogy a magyarz vltozk fggvnyei a rezidulis vltozk abszolt rtkei vagy a variancii, akkor felrhat magyarz vltoznknt egy-egy ptllagos regresszis egyenlet.
A ptllagos, j. magyarz vltozra vonatkoz regresszis egyenletek az albbiak 186:
Glejser-prba esetn:
e i = 0 + 1x ji + vi
F

BPG-prba esetn:
ei2 = 0 + 1x ji + vi

ahol x ji a j-edik magyarz vltoz i-edik rtke.

A regresszis egytthatt (meghatroz szerepe az 1 egytthatnak van) a Student-fle t-prbval teszteljk, ha a szmtott rtk nagyobb, mint a tblabeli rtk, akkor az alternatv hipotzist fogadjuk el, teht a modell heteroszkedasztikus, (piros szm jelzi) ellenkez esetben homoszkedasztikus (zld szm jelzi).

4.2 Gyakorlati alkalmazsok bemutatsa idsoros s keresztmetszeti adatok alapjn

184

Park R. E. [1966]: 888.

Gujarati Damodar N. [2003]
186
A szmtsokat hatvnykitevs (log-log) s exponencilis (log-lin) fggvnyek esetben is elvgezhetjk, ha a
vltozkat linearizljuk. Park s Harvey-Godfrey-prba.
185

168

A regresszio.xls parancsfjl minden esetben kzli az Autokorrelci s a Homoszkedaszticits munkalapokon a szmtsokat. Az autokorrelci idsoros adatok esetn jelentkezik, ebben az esetben az adatok
sorrendje kttt. A keresztmetszeti adatok sorrendje vltoztathat, ebben az esetben a
homoszkedaszticitst szoktuk vizsglni. Megjegyezzk, hogy keresztmetszeti adatoknl is elfordul, hogy
a szomszdos hibatagok korrellnak egymssal, amit trbeli korrelcinak neveznek. Az autokorrelci
vizsglatnl az konometriai szakirodalomban 187 ettl eltekintenek s kizrlag az idsorok hibatagjainak vizsglata tartozik e tmakrbe. A maradkvltoz (rezidulis vltoz) vizsglatnl teht lnyeges
krds, hogy idsoros vagy keresztmetszeti adatokkal dolgozunk-e. Idsoros adatbzis esetn az
autokorrelcit, mg keresztmetszeti adatoknl a homoszkedaszticitst teszteljk. Ennek megfelelen kt
pldt mutatunk be, mindkt plda vals magyarorszgi adatokat tartalmaz.
F

1. Idsoros plda.
A cementtermels s a cementtermelst befolysol tnyezk vizsglata Magyarorszgon 1985 s 2008
kztt 188.
A regresszis modell vltozi:
F

Cementtermels (ezer tonna)

x1

GDP volumenindexe (1985=100)

x2

ptett laksok szma (darab)

x3
x4

pitanyagipar
(1985=100)

volumenindexe

Npessg szma (ezer f)

A rendszervlts idejn a hazai cement elllts megkzeltette a ngymilli tonnt, ezt kvetn azonban
drasztikusan visszaesett s 2000-ig kzel egymilli tonnval alatta maradt a cscsvek termelsnek,
majd 2001-tl emelkedett ugyan a kibocsts, de 2008-ban is kzel flmilli tonnval maradt el az 1990es szinthez kpest.
A szmtsok megkezdse eltt clszer az adatokat brzolni, hogy feltrjuk az adatok tendenciit. A
cementtermels s a vizsglt magyarz vltozk alakulst az albbi bra mutatja, az brakszts sorn
a vizsglt mutatk arnyossgnak biztostsa rdekben mindegyik mutatt (teht a cementtermelst, az
ptett laksok szmt s a npessgszmot is) 1985-s bzison szmtottuk.

187

Ld.: Maddala G. S. [2004]: 273-274. Ramanathan Ramu [2003]: 361-363. s 399-400. Gujarati Damodar N.
[2003]: 401-403. s 441-443.
188
Az adatok forrsai: Polt Rita [2005]: 996. Hunyadi Lszl Vita Lszl [2008] II. ktet 204. Ipari s ptipari
statisztikai vknyv. KSH 1985-2005. Magyar statisztikai vknyv. KSH. 1985-2008.

169

180
160
140
1985=100%

120
100
80
60
40
20
0
2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

1996

1995

1994

1993

1992

1991

1990

1989

1988

1987

1986

1985

vek
y=Cementtermels

x1=GDP volumenindexe

x3=pitanyagipar volumenindexe

x4=Npessg szma

x2=ptett laksok szma

4.4. bra: A cementtermels s a cementtermelst befolysol tnyezk alakulsa Magyarorszgon

1985 s 2008 kztt.
Az brbl lthat, hogy a cementtermels s a vizsglt magyarz vltozk sok tekintetben hasonlan
mozognak, a mlypont a rendszervltst kvet vekben volt. A kivtel a npessgszm alakulsa. Magyarorszgon a vizsglt idszakban a npessgszm folyamatosan cskkent, aminek mrtke 24 v alatt 5,2% volt. Eltrst mutat rszben az ptett laksok szmnak alakulsa is, mert 1985 ta cskken tendencit mutat, kivve az 1995-1997 s 2000-2003 kztti idszakot.
Vizsglhatjuk a ciklusok fordulpontjait is, az tlagos peridushossz 189 a cementtermelsnl 3 v, a GDP
volumenindexnl 10 v, az ptett laksok szmnl 6 v, az ptanyagipar volumenindexnl 5 v. A
npessgszm esetben nem voltak fordulpontok.
A termels elemzse s elrejelzse a regressziszmts felhasznlsval a cementipar esetben arra
plt 190, hogy az ptanyagok, s ezen bell a cement termelse szorosan kveti a GDP vltozst, valamint fgghet az ptett laksok szmnak, az ptanyagipar teljestmnynek s a npessg szmnak
alakulstl is. A npessgszm vltozsa s az ptett laksok szma kztti kapcsolatot USA adatbzison elszr Kuznets modellezte, kidolgozva a rla elnevezett 1525 ves ptsi ciklus elmlett 191. Az
ptanyagok s ezen bell a cement felhasznlst az elml vekben elsdlegesen az ptsi piac alakulsa, s ezen bell az infrastruktra- (autplyk) s a lakspts befolysolta.
A szmtsok eredmnyei.
F

Varianciaanalzis
df
SS
MS
Regresszi
4 4845009,2 1211252,3
Maradk
19 1347194,2
70905,0
sszesen
23 6192203,3

F
17,1

p-rtk
0,000004

A varianciaanalzis tbla alapjn a nullhipotzist elutastjuk, teht van legalbb egy olyan magyarz vltoz, amely szignifikns hatssal rendelkezik, ltezik legalbb egy nulltl eltr rtk regresszis paramter.

189

A ciklusfordulpontok szmtsa Excel parancsfjl felhasznlsval.

Polt Rita [2005]: 996-1000.
191
Kuznets, S. [1930].
190

170

Regresszis egytthatk
Ehat
St hiba
-54913,67 22223,78
b0
49,15
20,68
b1
-0,01
0,01
b2
1,23
6,91
b3
5,16
2,04
b4

t-rtk
-2,47
2,38
-0,89
0,18
2,54

p-rtk
Als 95% Fels 95%
0,0231 -101428,57 -8398,77
0,0281
5,88
92,42
0,3820
-0,04
0,02
0,8606
-13,24
15,70
0,0201
0,90
9,43

A regresszis paramterek parcilis tesztelse: a backward elimincis mdszer alkalmazsa alapjn elszr mind a ngy magyarz vltozt bevontuk a modellbe, majd az gy meghatrozott
regresszifggvnybl szelektltuk azokat a vltozkat, amelyek nem jrulnak hozz szignifiknsan a
rezidulis ngyzetsszeg cskkenshez. 192 A vltozk szelektlshoz a p-rtkeket hasznltuk. Ennek
alapjn elszr az x3 = pitanyagipar volumenindexe vltozt, majd az x2 = ptett laksok szma magyarz vltozt hagytuk ki a modellbl. Meg kvnjuk jegyezni, hogy szakmailag indokolt lenne a kt
kihagyott vltoz modellben val szerepeltetse.
F

Regresszis egytthatk
Ehat
St hiba
-37518,27
5884,69
b0
38,65
4,62
b1
3,56
0,53
b4

t-rtk
-6,38
8,36
6,67

p-rtk
Als 95% Fels 95%
0,0000 -49756,15 -25280,39
0,0000
29,03
48,27
0,0000
2,45
4,67

A becslfggvny teht:
y = -37518, 27 + 38, 65x1 + 3,56x 4 .
A multikollinearits tesztjei:
A 2 globlis prba alapjn 5%-os szignifikancia szinten van multikollinearits.
Khi-ngyzet
8,18
Khi-szf
1
Khi_krit (5%)
3,84
p-rtk
0,0042

A parcilis korrelcis egytthatk alapjn szmtott t-statisztika rtke -11,66, a kritikus rtk pedig
2,08, a kt magyarz vltoz kztt van multikollinearits.
A p-rtkek is a multikollinearits ltt igazoljk. A VIF mutat rtke 2-5 kztt van, teht ers, zavar
a multikollinearits mrtke.
y

R2

p-rtk

VIFj

Tj

R2x

(x1)

0,584

30,86

0,0000

2,40

0,42

(x4)

0,584

30,86

0,0000

2,40

0,42

Rx

Esetnkben a kondciszm 2,734, azaz a mutat szerint gyenge multikollinearitst tapasztalunk a kt

magyarz vltoz kztt.
A Petres-fle RED mutatt is szmszerstettk:
Petres-fle RED Kritikus rtk (REDk,1)
Red(%)

76,4%

100,0%

Ha minden sajtrtk egy, akkor Red ( % ) = 0% . Ez azt jelenti, hogy a sajtrtkek szorzata, vagyis a
magyarz vltozk korrelcis mtrixnak a determinnsa eggyel egyenl. Ebben az esetben a mtrix
ortogonlis, nincs multikollinearits, a magyarz vltozk fggetlenek egymstl. Amennyiben a sajtrtkek tvolodnak ettl az esettl, akkor a Red-mutat rtke nvekszik. A maximlis redundancia esetn a mutat rtke szz szzalk.
Ha a szmtott rtk a kritikusnl kisebb, akkor a lineris regresszis modell illesztse utn kapott becslt
paramterek szrsngyzeteinek az sszege illetve tlaga biztosan vges. Ellenkez esetben a lineris
regresszis modell illesztse utn kapott becslt paramterek szrsngyzeteinek az sszege illetve tlaga
nem biztos, hogy vges, az adatllomny redundns.
Esetnkben az adatllomny nem redundns a Petres-fle RED mutat alapjn.

192

Mundrucz Gyrgy [1981]: 117-118.

171

Az autokorrelci tesztelse:
Az elsrend rezidulis autokorrelcis egytthat alapjn nincs szignifikns autokorrelci a modellben:
Autokorrelci rendje

tkrit

p-rtk

0,342 1,707 2,074 0,1018

A npessg a vizsglt idszakban vgig cskkent, a GDP volumenindexe pedig a rendszervltst kvet
veket leszmtva nvekv trendet mutat, ezrt a kt magyarz vltoz egyttes alkalmazsa
multikollinearitst okoz. Az optimlis regresszis egyenes meghatrozshoz ezrt ms megoldst kereshetnk.
Szakmai indokok alapjn ptettnk j modellt, s azt kaptuk, hogy a modell globlisan s parcilisan is
elfogadhat, ha az x2 s x3 vltozkat vonjuk be a modellbe. Nyilvnval, hogy az ptett laksok szmnak s az ptanyagipar volumenindexnek vltozsa (nvekedse vagy cskkense) a cementfelhasznlst s gy a termelst is jelentsen befolysolja. Termszetesen befolysol tnyez a cement import volumene, de ennek vizsglattl az adatok hinya miatt eltekintettnk. Megllapthat tovbb, hogy a
multikollinearits mrtke s az autokorrelci nem zavar.
A varianciaanalzis F-prbjhoz tartoz p-rtk ebben az esetben 0,000002, teht a nullhipotzist elutasthatjuk.
Regresszis egytthatk
Ehat
St hiba
1476,00
285,95
b0
0,0204
0,00
b2
10,2928
2,58
b3

t-rtk
5,16
4,86
4,00

p-rtk Als 95% Fels 95%

0,0000
881,33
2070,67
0,0001
0,01
0,03
0,0007
4,94
15,65

y = 1476 + 0, 0204x 2 +10, 2928x 3

A multikollinearits mrtke ebben a modellben nem zavar, a prbk a kvetkezk:
A 2 globlis prba alapjn 5%-os szignifikancia szinten nincs multikollinearits.
Khi-ngyzet
Khi-szf
Khi_krit (5%)
p-rtk

0,49
1
3,84
0,4821

A parcilis korrelcis egytthatk alapjn szmtott t-statisztika -1,77. 5%-os szignifikancia szinten a
kritikus rtk 2,08, teht a kt magyarz vltoz kztt nincs multikollinearits.
Az F-prba s a p-rtkek is a multikollinearits hinyt igazoljk. A VIF mutat rtke 1-2 kztt van,
teht nem zavar a hats.
y

R2

p-rtk

VIFj

Tj

R2x

(x2)

0,052

1,20

0,2860

1,05

0,95

(x3)

0,052

1,20

0,2860

1,05

0,95

Rx

A kondiciszm esetnkben 1,26, ami gyenge multikollinearitsra utal.

A Petres-fle RED mutat:
Petres-fle RED
Red(%)

Kritikus rtk (REDk,1)

22,7%

100,0%

A modell nem redundns. Re d ( % ) = 22, 7% , ami azt jelenti, hogy az adott mret s minimlis redundancij adatllomnyhoz kpest a hasznos tartalmat hordoz adatok arnya 77,3%, azaz az adatok tlagos egyttmozgsnak a maximlishoz viszonytott mrtke 22,7%.
Az autokorrelci tesztelse:
Az elsrend rezidulis autokorrelcis egytthat alapjn nincs szignifikns autokorrelci a modellben:
Autokorrelci rendje
1

tkrit

p-rtk

0,365 1,837 2,074 0,0797

Ezt mutatja a grafikus bra is.

Reziduumok brja.

172

600

400

200

et

0
-600

-400

-200

200

400

600

-200

-400

-600

e t-1

A Durbin-Watson-fle teszt eredmnye: 1,27 ami a bizonytalansgi tartomnyba esik mindkt krhet
szignifikancia-szinten.
Durbin-Watson
D-W
dL (5%)
dU (5%)
dL' (5%)
dU' (5%)

1,271
1,188
1,546
2,454
2,812

Durbin-Watson
D-W
dL (1%)
dU (1%)
dL' (1%)
dU' (1%)

1,271
0,959
1,298
2,702
3,041

A kivlasztott modell az elmleti feltteleknek megfelel, elemzsre s elrejelzsre felhasznlhat.

2. Keresztmetszeti adatokon alapul plda.
A keresztmetszeti adatok alapjn trtn regressziszmtst egy tapasztalati rindex modellen keresztl
mutatjuk be.
Az konometriai modellek egyik specilis fajtja a tapasztalati (hedonikus) rindex modell 193 (hedonic
price index model), amelyben egy rucikk ra a jellemzitl fgg, plda erre a gpkocsi ra s tulajdonsgai kztti sszefggs. A vizsglatba a 10 milli forintnl olcsbb hazai forgalmazs autkat vontuk
be. A gpkocsik rt nem csak sajt, mrhet tulajdonsgai befolysoljk, hanem minsgi tnyezk is,
mint pldul a mrka, a biztonsg stb.
A minta feladat:
119 aut adata, 2008-os rak, forrs: http://www.auto2.hu/.
y = a termk, az j autk alaprai (ezer Ft).
xj = a termk, az j autk tulajdonsgai, az autk rt befolysol tnyezk.
A megfigyelt magyarz vltozk a kvetkezk:
4-2. tbla: Az j autk tulajdonsgai
F

193

x1

KBCM

hengerrtartalom (cm3)

x2

TELJ

teljestmny (LE)

x3

NYOM

maximlis nyomatk (Nm)

x4

GYORS

0-rl 100 km/h-ra gyorsuls ideje (sec)

Ramanathan Ramu [2003]: 23.

173

x5

VMAX

vgsebessg (km/h)

x6

TMEG

sajt tmeg (kg)

x7

MTMEG

megengedett ssztmeg (kg)

x8

HOSSZ

hosszsg (mm)

x9

SZLES

szlessg (mm)

x10

MAGAS

magassg (mm)

x11

FOGYV

fogyaszts vrosban (liter/100 km)

x12

FOGYVK

fogyaszts vroson kvl (liter/100 km)

A multikollinearits kikszblse. Fkomponens regresszi 194

F

195 196 197

F

Az autrak s az autrakat befolysol 12 magyarz vltoz, az autk tulajdonsgai kztti regresszis kapcsolat vizsglata alapjn az albbi fontosabb megllaptsokat tehettk:
A modell minden szmtott teszt alapjn homoszkedasztikus.
A modellben minden szmtott teszt alapjn kros mrtk a multikollinearits. Ennek oka az,
hogy az autk tulajdonsgai kzl a teljestmny erteljesen befolysolja a tbbi magyarz vltozt, pl. a sebessget, a fogyasztst, a gyorsulst, a vgsebessget, a tmeget, stb.
A multikollinearits miatt a regresszis paramterek standard hibi nagyobbak (a VIF-mutat
pldul 10 magyarz vltoz esetben a kritikus rtknl nagyobb) s csak a b0 s b3 regresszis
paramter klnbzik a t-prba alapjn 5%-os szignifikancia szinten szignifiknsan 0-tl.
Figyelembe vve, hogy mind a 12 magyarz vltoznak a modellben val megtartsa indokolt,
clszer a fkomponens-elemzst (PCA: Principal Components Analysis) elvgezni.
A regresszio.xls program kzli a bevont vltozkra vonatkoz s a szmtsokhoz szksges sajtrtkeket s sajtvektorokat, tovbb a sajtrtkek megoszlsi s kumullt megoszlsi viszonyszmait.
A szmtsok lpsei:
1. A regressziszmts elvgzse a 12 magyarz vltoz bevonsval, konstans becslse nlkl. A regresszis paramterek:
b1
0,629

b2
b3
13,055 6,716

b4
b5
b6
-10,012 -0,112 2,317

b7
0,191

b8
b9
b10
b11
b12
0,499 -2,280 -0,404 68,313 39,852

2. Az eredeti regresszi n k mret X magyarz vltoz mtrixot egy k k mret A mtrixszal egy
ugyancsak n k mret Z = XA mtrixsz transzformljuk. E Z mtrix oszlopvektorait fkomponenseknek nevezik. Az A mtrix becslhet a magyarz vltozk korrelcis mtrixbl szmtott sajtrtkekhez tartoz sajtvektorokkal. A b0-t elhagyva az X magyarz vltozk 119 12 tpus mtrixt kell
szorozni, a magyarz vltozk korrelcis mtrixbl szmtott sajtvektorok 12 12 tpus A mtrixval. A szmtsokat a mtrix.xls program mtrixok szorzata munkalap felhasznlsval vgezhetjk el. A
szorzs eredmnyekppen megkapjuk a 119 12 tpus Z mtrixot.
3. A modellbe bevont fkomponensek kivlasztsa. Az egyik megkzelts az lehet, hogy akkor jelents
egy fkomponens, ha a sajtrtke nagyobb, mint egy, illetve ha nem nagyobb egynl, de a figyelembe
vett sajtrtkek az sszes variancia 198 legalbb 80%-t megmagyarzzk. A szmtsok eredmnyekpF

194

Mundrucz Gyrgy [1981]: 71-73.

Hunyadi Lszl [2001]: 179-181.
196
Sipos Bla [1982]:195-204.
197
Petres Tibor-Tth Lszl [2008]: 245-246.
198
A sajtrtkek kumullt megoszlsi viszonyszma ebben az esetben 100%.
195

174

pen azt kaptuk, hogy az els hrom sajtrtk nagyobb, mint egy s ez a hrom sajtrtk kumullt megoszlsi viszonyszma alapjn az sszes variancia 87,84%-t megmagyarzza.
Az els hrom sajtrtk 199: 1 = 7, 44 2 = 1, 75 3 = 1,35
F

A sajtvektorok ( a ij i = 1, 2, ,12 j = 1, 2,3) :

z1
0,348
0,348
0,280
-0,267
0,327
0,326
0,308
0,322
0,301
0,005
0,238
0,219

z2
-0,034
-0,126
0,273
0,310
-0,190
0,260
0,332
0,127
0,251
0,452
-0,429
-0,362

z3
-0,008
-0,030
-0,294
0,262
-0,254
0,084
0,093
-0,031
-0,026
0,579
0,390
0,524

4. A megtartott j = 3 szm fkomponensre s az y eredmnyvltozkra regresszis fggvnyt becsltnk:

y = b1z1 + b 2 z 2 + b3 z3
A szmtsokat a regresszio.xls programmal vgezzk el, a regresszis paramterek:
b1
b2
b3

5,476
-5,215
-1,656

5. A becslt bj paramterek segtsgvel az eredeti vltozkra (4. egyenlet) transzformlhatjuk vissza a

modellt:
A visszatranszformls:
.
y = ( b1a1,1 +b 2 a1,2 +b1a1,3 ) x1 + ( b1a 2,1 +b 2 a 2,2 +b1a 2,3 ) x 2 ++ ( b1a12,1 +b 2 a12,2 +b1a12,3 ) x12
Az eredeti vltozkra transzformlt regresszis paramtereket megkapjuk, ha a (3) mtrixot s (4) vektort
sszeszorozzuk:
Vltozk

Transzformlt paramterek

x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12

2,099
2,615
0,597
-3,513
3,204
0,290
-0,196
1,151
0,382
-3,290
2,894
2,218

A backward regresszival az albbi optimlis fggvnyt kaptuk, ahol az aut ra kt magyarz vltoztl (teljestmny s sajt tmeg) fgg. A becslfggvny:
y = -2793,878 + 28, 492x 2 + 3,877x 6
199

A sajtrtkek sszege a magyarz vltozk szmval (k=12) egyenl.

175

sszefoglals
A regresszio.xls program felhasznlsa nagymrtkben segti a modellezst. Igen gyorsan ki lehet rtkelni a klnbz magyarz vltozk kombinlsa, illetve a vizsglt adatllomny vltoztatsa (kiegsztse vagy cskkentse) esetn elll regresszis modelleket, teht azt, hogy az elmleti s szakmai
feltteleknek melyik vltozat felel meg leginkbb. Nem csak a modell globlis s parcilis tesztelsnek
az eredmnyt ltjuk azonnal, hanem idsorok esetn az autokorrelci tesztjeit, keresztmetszeti adatoknl pedig a homoszkedaszticits tesztjeit is rtkelhetjk, valamint a reziduum brkat is elemezhetjk.
Multikollinearits esetn, ha rtelemszeren kt vagy tbb magyarz vltoz van a modellben, akkor
tbb teszt elemzsre van lehetsg. A bevont vltozkat mint bemutattuk cserlhetjk a paramterek soraiban a Bevonjuk oszlopban a pipa jel bersval vagy trlsvel. A vltozk cserjnek hatsra azonnal
mdosulnak a teszt eredmnyek s azokat gyorsan ki lehet rtkelni. Klnsen segti a vizsglatot, ha
hrom vagy tbb magyarz vltozval rendelkeznk. Az sszes modellvarinsok szma ismtls nlkli
kombincik szmval hatrozhat meg, ahol k nagysgtl fggen a kombincikat ssze kell adnunk.
Hrom magyarz vltoz esetn a lehetsges modellvarinsok szma: 7, mert a k lehet, 1, 2 s 3. de
ngy vltoznl mr 15. Az idsoros plda ismertetse arra is alkalmas volt, hogy nem lehet mechanikusan alkalmazni a backward regresszit, a szakmai ismereteket, felttelezseket s a klnbz pl.
autokorrelci, multikollinearits tesztjeinek az eredmnyeit is rtkelni kell.
Vgl megemltjk, hogy a klnbz specilis regresszis modellalkalmazsokra, figyelembe vve a
tma szakirodalmt, szmos Excel parancsfjlt dolgoztunk ki 200, pl. Cochrane-Orcutt transzformci,
autokorrelci esetn, ksleltetett regresszi esetn ksleltetett mtrix elksztse (12 fle lag-modell, pl.
Koyck, Almon, Fisher s Alt mdszerei esetn), aminek felhasznlsval a becsls a regresszio.xls-sel
mr elvgezhet. Logisztikus regresszis fggvnyek becslse kt mdszerrel, CES-fggvnyek becslse
hrom mdszerrel, Cobb-Douglas termelsi fggvny paramtereinek, az tlag s hatrmutatknak 201 a
kiszmtsa. Homoszkedaszticits egyb tesztjei: Goldfeld-Quandt-prba s a Szroeter-Harrison-Kingfle prba.
F

4.3 Cochrane-Orcutt itercis eljrs, a COtranszformci.xls parancsfjl mkdse*

Szignifikns autokorrelci esetn, az elzek alapjn a klasszikus legkisebb ngyzetek hagyomnyos
mdszervel nyerhet elrebecslsek flreinformlhatnak. Amennyiben az autokorrelci eredete a modellben a nem megmagyarzott rszben tallhat, a modell mdostsa helyett egy iteratv paramterbecslst clszer elvgezni. Ez a mdszer felttelezi az autokorrelcis egytthat elzetes a priori ismerett.
Az autokorrelcis egytthat segtsgvel egy egyszer transzformcit hajtunk vgre, amelynek eredmnyeknt a "kros" hats mrtke cskkenhet, illetve az megsznhet. Az eljrst az albbiakban foglalhatjuk ssze:
A tbbvltozs regresszis modell egyenlete, idsoros adatok (t=1,2..n s j=1,2k) esetn:
y t = b 0 + b1x1t + b 2 x 2t + ... + b k x kt + e t
202 203
(CORC) itercis eljrs a regresszis modell talaktst gnyli oly mdon,
A Cochrane-Orcutt
hogy az LNM-eljrs alkalmazhat legyen. A fenti tbbvltozs regresszis egyenlet (t-1) idszakra trtn trsval kapjuk:
y t-1 = b0 + b1x1(t-1) + b 2 x 2(t-1) + ... + b k x k(t-1) + e t-1
A fenti egyenlet minden tagjt beszorozva p-vel, majd kivonva az eredeti egyenletbl kapjuk:
t-1 = b0 (1- ) + b1 ( x1t - x
1(t-1) ) + b 2 ( x 2t - x
2(t-1) ) + ... + b k ( x kt - x
k(t-1) ) + v t
y t - y
F

t-1 = c0 + b1 ( x1t - x
1(t-1) ) + b 2 ( x 2t - x
2(t-1) ) + ... + b k ( x kt - x
k(t-1) ) + v t
y t - y

ahol kihasznltuk, hogy az elsrend autokrrelcis egytthat s a konstans tag:

t-1 + v t s c0 = b 0 (1- )
e t = pe
200

Megtallhat az MSC.zip-ben, lersuk a kziknyvben.

Ld.: Kdas Klmn [1944].
202
Cochrane - Orcutt. [1949]: 3261.
203
Ramu Ramanathan[2003]: 412-413.
201

176

Ezt az egyenletet trhatjuk a kvetkezkppen:

y*t = c0 + b1x*1t + b 2 x *2t + ... + b k x *kt + v t
ahol:
t-1 , x1t* = x1t - x
1(t-1) s gy tovbb: x *kt = x kt - x
k(t-1)
yt* = y t - y
t=2 204,3,n s j=1,2,k.
F

A Cochrane-Orcutt eljrs lpsei:

1. lps: Becsljk LNM-sel az eredeti egyenletet s szmtsuk ki az e t vletlen (eltrs) - vltozkat.
y t = b 0 + b1x1t + b 2 x 2t + ... + b k x kt + e t
2. lps. Becsljk az elsrend autokrrelcis egytthatt ( p ) a fenti egyenletbl, az albbi mr ismert
mdon:
n

p =

e e

t t-1

t=2
n

2
t-1

t=2

3. lps: Alaktsuk t a vltozkat a kvetkezkppen:

t-1 , x1t* = x1t - x
1(t-1) s gy tovbb: x *kt = x kt - x
k(t-1)
yt* = y t - y
A megcsillagozott vltozk csak t=2-tl n-ig definilhatk a (t-1)et tartalmaz tag (reziduum e t-1 ) jelenlte miatt.
4. lps. Magyarzzuk yt* -ot egy konstans [ c0 = b 0 (1- ) ] s x1t* , x *2t ..., x*kt , segtsgvel s szmoljuk ki
az talaktott egyenlet LNM-becslseit.
5. lps. Hasznljuk ezeket a becslseket az eredeti egyenlet paramtereinek ( b j -ihoz) becslshez s
szmtsuk ki az j e t becslseket.
y t = b 0 + b1x1t + b 2 x 2t + ... + b k x kt + e t
Ezutn trjnk vissza a 2. lpshez, s az j rtkekkel ismteljk meg az eljrst, amg az albbi lellsi
szably letbe nem lp.
lps.
6. Az iteratv eljrst akkor llthatjuk le, ha teszt alapjn autokorrelcit kiszrtk, akkor elfogadjuk a
modellt. 205 Ha van autokorrelci akkor folytatjuk az eljrst addig, ameddig kt egymst kvet iterci
becslt -ja kztti eltrs nem nagyobb egy elre megadott rtknl, pl. 0,001-nl. Az utols -t hasznljuk az albbi egyenletben a CORC-becslsek kiszmtshoz.
y*t = c0 + b1x*1t + b 2 x *2t + ... + b k x *kt + v t
F

A konstans tag talaktsa az eredeti egyenletben:

c0 = b 0 (1- )
c0
(1- )
A fenti eljrst ltalnostott differencik mdszereknt is ismerik, ami ms megfogalmazsban a klaszszikus legkisebb ngyzetek mdszernl ltalnosabb paramterbecslsi eljrsnak az n. az ltalnostott legkisebb ngyzetek mdszernek felel meg, s a becslshez szksges ellltsa trtnik az iteratv
mdszerrel.
b0 =

A COtranszformci.xls parancsfjl mkdse:

Kri az adatmtrixot s az elzleg megbecslt - rtket, amit a regresszi.xls fjllal megbecslhetnk,
ha az autokorrelci rendje: 1. Ezt kveten az Adat munkalapba bemsolt adatokkal szmolva a CO1
munkalapon kiszmtja a transzformlt mtrixot. A transzformci:
204
205

A reziduumok ksleltetse (et-1) miatt a legrgebbi t=1 adat kiesik.

Mundrucz Gyrgy [1981]: 133.

177

 t-1 = ( x1t - px
1(t-1) )( x 2t - px
2(t-1) ) ... ( x kt - px
k(t-1) )
y t - py
Az iterci indtsa parancs a CO1 munkalapon kiszmtott (transzformlt) mtrixot az Adat munkalapra
msolja s a CO1 munkalapon elvgzi a msodik CO transzformcit. Az idsor minden transzformci
utn egy megfigyelssel (a legrgebbi adattal) cskken. A transzformlt adatsorral elvgezzk a regreszszi szmtst a regresszi.xls fjllal, s ha teszt alapjn autokorrelcit kiszrtk, akkor elfogadjuk a
modellt. Ha van autokorrelci, akkor folytatjuk a szmtsokat. Az itercikat akkor fejezzk be, amikor
a paramterek az egyik itercirl a msikra gyakorlatilag mr nem vltoznak.

4.4 A Szroeter-Harrison-King-fle prba. (Szroetertesz.xls parancsfj mkdse) s a GoldfeldQuandt-prba (Goldfeld-Quandt-prba.xls parancsfj mkdse)*
4.4.1 A Szroeter-Harrison-King-fle prba
A heteroszkedaszticits felismersnek a Szroeter-fle prba 206 207 egy olyan eljrsa, amely ktdik
tbbek kztt az autokorrelcinak a d-statisztika segtsgvel trtn tesztelshez.
1. alternatv hipotzis. 208
A Szroeter-fle prbnl a szoksos lineris regresszis modellnl a H0 nullhipotzist, azaz:
H 0 : 12 = ...=n 2
F

H1 : 12 ... n 2
H1 alternatv hipotzissel szemben ellenrizzk, ahol legalbb egy esetben teljesl az egyenlsg. Ebben
az esetben egy nvekv szrs (variancij) alternatv hipotzist tesztelnk, de a hipotzis cskken sorozat esetre is felrhat. 209
A prbafggvny az albbi mdon definilhat:
F

h=

h e
i =1
n

i i

e
i =1

2
i

ahol a hi slyszmokat az albbi kplet segtsgvel hatrozhatjuk meg:

h i = 2 1 cos ( i /(n + 1) ) , i = 1, 2....n.
vagy :
h i = 2 1 + cos ( i /(n + 1) ) , i = 1, 2....n

A hi rtkekbl ll sor fbb jellemzi:

lim h i = 4 s lim h i = 0
i

i 0

2. alternatv hipotzis. 210

Ha egy cskken szrs (variancij) alternatv hipotzist tesztelnk, akkor a null-, illetve alternatv hipotzis:
H 0 : 12 = ...=n 2
F

H1 : 12 ... n 2
A prbafggvny az elz mdon definilhat:
n

h=

h e
i =1
n

e
i =1

i i
2
i

206

Szroeter Jerzy [1978]: 1311-1327.

Pintr Jzsef [1991]: 16-36.
208
King Maxvel L. [1981]: 315-321.
209
Ebben az esetben a hi kifejezsben a cos-fggvny eltt + jelet runk.
210
King Maxvel L. [1981]: i. m. 316.
207

178

ahol a hi slyszmokat az albbi kplet segtsgvel hatrozhatjuk meg s ahol a cos-fggvny eljele
vltozik + lesz:
h i = 2 1 + cos ( i /(n + 1) ) , i = 1, 2....n.
Vlaszts az 1. s 2. alternatv hipotzis (teszt) kzl.
Termszetesen felmerl a krds, hogy a kt alternatv hipotzis kzl melyiket vlasszuk. Ha brzoljuk
a rezidulis vltzk ngyzeteit (ei2 i=1,2n) az egyes magyarzvltozk (xj j=1,2 k) fggvnyben,
akkor lehet kvetkeztetseket levonni az brk alakulsbl. Amennyiben a rezidulis vltozk ngyzetei
sztnyl (n a rezidulis vltozk ngyzete a magyarz vltozk fggvnyben, teht valsznsthetjk az els alternatv hipotzist), vagy sszezrd (cskken a rezidulis vltozk ngyzete a magyarz
vltozk fggvnyben, teht valsznsthetjk a msodik alternatv hipotzist) svot mutatnak, gy
vrhatan a heteroszkedaszticits tnye ll fent. Amennyiben az brn a sv nem vltozik, gy valsznsthetjk, hogy a nullhipotzis igaz, s homoszkedasztikus a modell.
Figyelembe vve az Excel ltal nyjtott lehetsgeket, mindkt alternatv hipotzissel clszer a szmtsokat elvgezni. A H0-rl trtn dntsnl (elfogadom vagy elvetem) mindig meg kell fogalmazni, hogy
ez a dnts milyen alternatv hipotzissel szemben trtnt. Pl. ha az els esetben a nullhipotzist elfogadom, akkor lehetsges, hogy a rezidulis szrsngyzetek azonosak, de lehet az is, hogy cskkennek,
ugyanis a meghatrozott szignifikancia-szinten, ami ltalban 5%, csak azt az alternatv hipotzist utastottuk el, hogy a rezidulis szrsngyzetek nnek. Ha viszont a msodik esetben a nullhipotzist elvetjk, vagyis feltelezzk, hogy heteroszkedasztikus a modell, akkor azt felttelezzk, hogy a rezidulis
szrsngyzetek cskkennek. Ha mindkt alternatv hipotzist a Szroeter teszt elutastja pl. 5%-os
szignifikancia-szinten, akkor a homoszkedaszticitsra vonatkoz nullhipotzist elfogadjuk.
A Durbin-Watson tblzat felhasznlsa
A Szroeter-prbnl, teht elzen brzolni s vizsglni kell azt, hogy a rezidulis szrsngyzetek nvekv vagy cskken sorozatot alkotnak-e. A prba kritikus rtkeinek meghatrozsra tbbfle eljrs
ismert, amelyek kzl egyszersge miatt a Durbin-Watson tblzaton alapul mdszer rdemel els helyen emltst. A kt kritikus rtk, amely egy bizonytalansgi tartomnyt definil az albbi mdon hatrozhat meg:
h L = 4 d (Un +1,k +1)
h U = 4 d (Ln +1,k +1)

ahol k a magyarzvltozk szma.

Egyrtelmen heteroszkedasztikusnak tekintjk a modellt, ha h>hU, s homoszkedasztikusnak ha h<hL.
Amennyiben az empirikus adatok alapjn kiszmtott h rtk a kt kritikus rtk kz esik, az albbi
korbban mr bemutatott brnak megfelelve dntsnk bizonytalan.

elfogadsi
tartomny
bizonytalansgi
tartomny

hL

visszautastsi
tartomny

hU

4-6. bra: A heteroszkedaszticits dntsi svjai D-W mdszer alapjn

A prba hasznlatt rontja a bizonytalansgi tartomny ltezse. A kritikus rtket azonban a Btaeloszlsbl () illetve az F-eloszls segtsgvel is fel lehet rni.

Becsls a Bta-eloszls 211 felhasznlsval

A prbafggvny az elzekbl ismert:
F

211

A Bta eloszlsrl rszletesebben a Wikipediban tallhatk magyarzatok: http://hu.wikipedia.org /wiki/

B%C3%A9ta-eloszl%C3%A1s (2009 szept. 3.)

179

h=

h e
i =1
n

i i

e
i =1

2
i

Ha nincs konstans a lineris regresszis modellben (b0=0), akkor a Bta-eloszls alapjn szmtott kritikus rtk:
h = 4(1 )
Ahol a szignifikancia-szint, ltalban 5%
Ha h > h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h < h homoszkedasztikus.
Ha van konstans a lineris regresszis modellben 212 (b00), akkor a Bta-eloszls alapjn szmtott kritikus rtk:
h = 4
Ha h < h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h > h homoszkedasztikus.
F

A kvetkezkben kzljk a Harrison M. J. ltal kidolgozott Bta-eloszls kritikus rtkeit a Szroeter

teszthez, 5%-os szignifikancia-szinten, ha a lineris regresszis egyenes konstanst is tartalmaz. 213 A Bta-eloszls kritikus rtkeit, 5 %-os szignifikancia szinten a tblzat (szroeterteszt.xls parancsfj munkafzetben Bta 5%) a mintaelemszm (n=8-100) s a regresszis paramterek fggvnyben kzli
(m=k+1=2, 3, 4, 5, 6.).
F

Becsls az F-eloszls felhasznlsval

A prbafggvny az elzekbl ismert:
n

h=

h e
i =1
n

e
i =1

i i
2
i

A hipotzis tesztelshez, teht a Bta-eloszls hasznlhat, azonban a kritikus rtkeket az F-eloszls

segtsgvel is fel lehet rni. A kritikus rtk meghatrozsnak lpsei:
1. Az F-eloszls szabadsgfoka (r):
3(n k 1)(n k + 2)
r=
1
2(n k 1)
2. A Bta-eloszls kritikus rtkt kzvetett mdn az F-eloszlsbl szrmaztatjuk:
1
=
1 + F(r,r )
Ahol:
= a Bta-eloszls kritikus rtke szignifikancia-szint mellett
F(r,r ) = az F-eloszls kritikus rtke szignifikancia-szint mellett, ahol a szmll s a nevez szabadsgfoka egyarnt r.
3. Meg kell hatrozni a Bta-eloszls kritikus rtke ismeretben a h * rtket 214, vagyis a prbafggvnyhez rendelhet kritikus rtket. Ezt az elzekben lertak szerint kt mdon tehetjk meg 215:
F

212

Ez az ltalnosabb s gyakoribb eset.

M. J. Harrison [1982]: 165.
214
A * azt jelli, hogy az F-eloszls felhasznlsval becsltk a Bta-eloszls kritikus rtkeit, teht nem az eredeti Bta-eloszlst hasznltuk fel.
215
M. J. Harrison [1982]: i. m. 161.
213

180

3.1 Ha nincs konstans a lineris regresszis modellben (b0=0), akkor a Bta-eloszls alapjn szmtott
kritikus rtk:
h * = 4(1 )
Vagyis az elzek alapjn:

h * = 4 1
1 + F(r,r )

*
Ha h > h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h < h* homoszkedasztikus.
3.2 Ha van konstans a lineris regresszis modellben 216 (b00), akkor a Bta eloszls alapjn szmtott
kritikus rtk:
h * = 4
Vagyis az elzek alapjn:
1

h * = 4
1 + F(r,r )

*
Ha h < h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h > h * homoszkedasztikus.
F

Elszr a regresszszmtst kell elvgezni, eszkzk-adatelemzs-regresszi, kri az Y vektort, utna az

X mtrixot, a maradkokat be kell jellni, majd a szmts eredmnyekppen kapott maradkokat msoljuk az 1 munkalapon lev maradk oszlopba (szroeter szrs n), elszr trljk a srga jelzs oszlopot, utna msoljuk a reziduumot. Vltoztatni a srgamezs cellkban lehet, a tbbi esetben a program
elvgzi a szmtsokat.
A tesztelst (Szroeter-Harrison-King-fle prba) az elzekben lertak szerint vgzi el s rtkeli szvegesen is az eredmnyeket.
A Szorsngyzetbra-Glejser-adat munkalapon kzli a reziduumok (maradkok) abszolt rtkeit s
ngyzeteit. A globlis s loklis Glejser-Park prbkat az Adatelemzs - regresszszmts felhasznlsval el lehet vgezni, mivel megvan az eredmnyvltoz (reziduum ngyzete illetve abszolt rtke) s a
magyarzvltozk rtkei is ismertek. Elvgezve a szmtsokat a globlis Park prba esetben a variancia-analizis eredmnyei (F-prba) alapjn dnthetnk arrl, hogy van-e heteroszkedaszticits vagy
homoszkedasztikus-e a modell. Ha szignifikns a kapcsolat, akkor heteroszkedasztikus a modell, ellenkez esetben homoszkedasztikus. A Glejser-Park loklis prbk alkalmazsa esetben az adatllomnyt
(magyarzvltozk) el kell kszteni. Pl. logaritmizls, ngyzetgykvons stb. az ismertetett kpletek
szerint. A tesztelst F-prbval, vagy t-prbval vgezzk, az eredmnyek rtelmezse hasonl, mint a
globlis prba esetben.
Elfogadjuk teht a nullhipotzist, s nem lteznek tekintjk a modellt, ha az F-statisztika szmtott rtke kisebb, mint egy adott szignifikancia-szinthez tartoz F-eloszls tblabeli rtke. Elvetjk a
nullhipotzist, vagyis a modellt lteznek, relevnsnak tekintjk, ha a prbafggvny rtke meghaladja a
tblabeli rtket. Homoszkedasztikus a modell, ha elfogadjuk azt a nullhipotzist, hogy a paramterek kztt van legalbb egy nulla, vagy ha egy paramter van, akkor az nulla. Vgl is az a kedvez, ha a modellnk nem j, hiszen akkor homoszkedasztikus a regresszis modell, ha a reziduum abszolt rtke
illetve ngyzete (vagy logaritmusai Park-prba) s a magyarzvltozk (a magyarzvltozk klnbz csoportjai s transzformlt rtkei) kztt nincs szignifikns kapcsolat.

4.4.2 A Goldfeld-Quandt-prba

A Goldfeld-Quandt-prba217 azon alapszik, hogyha a rezidulis vltozk variancija ( ei2 ) azonos a klnbz megfigyelsek (xi i=1,2n) esetn, teht ha homoszkedasztikusak, akkor ez a minta egyes rszeire
216

Ez az ltalnosabb s gyakoribb eset.

Goldfeld S. M. Quandt R. E. [1965]: 539-547. ld.: tovbb: Mundrucz Gyrgy [1981]: 139-140. Ramanathan
R. [2003]: 371-372. Pintr Jzsef [1991]: 20-21. Gujarati Damodar N. [2003]: 408-409. Maddala G. S. [2004]: 247.

217

181

is igaz. Ezrt tesztelhet a rezidulis vltozk varianciinak egyenlsge F-prba segtsgvel. A tesztstatisztika a kt becslt variancia hnyadosa. A megfigyelt rtkeket (n), hrom rszre osztjuk s a kzps
megfigyelseket elhagyjuk. Ezutn a kt szls adathalmazra kln-kln elvgezzk a regresszis becslst s meghatrozzuk a reziduumok varianciit. F-prbval most mr tesztelhetjk azt, hogy ezek a variancik egyenlk-e (homoszkedasztikus a modell) vagy nem (heteroszkedasztikus a modell). Felttelezzk
tovbb, azt, hogy a magyarzvltoz rtknek nvekedsvel a reziduumok variancii nem vltoznak
vagy nvekednek. A teszt keresztmetszeti adatok esetn alkalmazhat.
A Goldfeld-Quandt-prba Excel parancsfjlt ktvltozs modellre dolgoztuk ki.
A hipotzisrendszer:
y = b0 + b1x j + e
H 0 : E(ei2 )=2
H1 : E(ei2 )=2 x 2j
A nullhipotzis azt fogalmazza meg, hogy a hibatnyez szrsngyzete (variancija) lland. A
nullhipotzis teljeslse egyben azt is jelenti, hogy a modell homoszkedasztikus, mg az alternatv hipotzis a heteroszkedaszticits felttelezst szimbolizlja, amely szerint a hibatnyez variancija arnyosan
vltozik a j-edik magyarz vltoz ngyzetvel. A k a magyarzvltozk szma, esetnkben 1.
A prba menete az albbi:
1. A heteroszkedaszticitsban felteheten meghatroz szerepet jtsz x1 magyarz vltoz nvekv sorrendbe rendezett rtkei szerint rjuk fel az eredmnyvltozt s a reziduumokat.
2. Kivlasztunk c szm kzpen elhelyezked rtket, amelyeknek megfelel vltozk megfigyelt rtkeit kihagyjuk a tovbbi szmtsokbl. (A kihagyand megfigyelsek szma nknyes, legalbb 0, ebben
az esetben kt rszre osztjuk az adatllomnyt s nem hagyunk ki megfigyelt rtkeket, a gyakorlatban
minimum a mintaelemszm (n) egyhatoda illetve maximum az egy harmada. Kisebb minta esetn, pl. ha
n=30, akkor clszer, hogy a c ne legyen nyolcnl nagyobb)
3. A klasszikus legkisebb ngyzetek mdszere segtsgvel az els (n-c)/2 s az utols (n-c)/2 megfigyelshez kln-kln regresszis fggvnyt illesztnk.
4. Kiszmtjuk a kt regresszis fggvny rezidulis ngyzetsszegt s elosztjuk a
nc
n-c-2(k+1)
(k + 1) =
2
2
szabadsgfokkal:
( n-c ) /2

(n-c-2k-2)
2
i=1
n
(n-c-k-2)
22 = ei 2 /
2
n+c
i=
+1

=
2
1

ahol i kveti az x1 nvekv sorrendjt.

Esetnkben k=1, teht:
( n-c ) /2

(n-c-4)
2
i=1
n
(n-c-4)
22 = ei 2 /
2
n+c
i=
+1

12=

182

5. A prbafggvny:
22
F= 2
1
ahol mind a szmll mind a nevez szabadsgfoka egyarnt:
(n-c-2k-2) (n-c-4)
=
2
2
Amennyiben a szmtott F-rtk nagyobb, mint egy szignifikancia szinthez tartoz F rtk a
nullhipotzist (homoszkedasztikus a modell) elvetjk, a modellt heteroszkedasztikusnak tekintjk.
A Goldfeld-Quandt-prba Excel parancsfjl adatok trlse ikonjra kattintva az adatok trldnek, majd az
j adatbzis bemsolsa utn meg kell adni a c-rtket.

A mintafeladat 218:
x=GDP/f 2005-es $-ban 2007-ben
y=Egy fre jut sszes energiafelhasznls olaj kg egyenrtkben kg/f
n=128, k=1
! Nvekv Excel paranccsal)
Az adatokat x szerint nvekv sorrendbe helyeztk. ( A
Z
F

Az adatok grafikus brjt az albbiakban mutatjuk be.

A c rtk megadsa utn a srga mezben lv szmok azt mutatjk, hogy melyik megfigyelseket hagytunk ki, a kk az els, a barna a msodik megfigyelt s a szmtsok sorn figyelembe vett rtkek adatait
mutatja, amibl a program kiszmtja a 12 s 22 rtkeket. A c vltoztatsval igen gyorsan sok szmts elvgezhet. A mintaelemszm cskkentsvel is elvgezhetk a becslsek, pl. megllapthat az, ha
heteroszkedasztikus a modell, van-e olyan mintaelemszm amikor a modell homoszkedasztikuss vlik.
A program kzli a nullhipotzis eredmnyt az F-prba alapjn, tovbb a p-empirikus szignifikancia rtkt. Ha p kisebb, mint 0,05, akkor 5 %-os szignifikancia szinten heteroszkedasztikus a modell, ha 0,05nl nagyobb akkor homoszkedasztikus.
Energiafelhasznls s az egy fre jut GDP kapcsolata
(128 orszg)
14000
12000
Luxemburg
10000
USA

kg/f

8000
6000
4000

Magyarorszg

2000
Zimbabwe
0
90000

80000

70000

60000

50000

40000

30000

20000

10000

$/f

A szmtsok eredmnye, a teljes minta esetben heteroszkedasztikus, ha a mintaelemszmot 76-ra cskkentjk, teht csak az els 76 adattal dolgozunk, akkor homoszkedasztikus lesz a modell. Ez jelzi, hogy a
218

Az adatok forrsa:
http://earthtrends.wri.org/searchable_db/index.php?step=countries&ccID%5B%5D=0&allcountries=checkbox&the
me=6&variable_ID=351&action=select_years
http://www.ers.usda.gov/Data/Macroeconomics/

183

lineris regresszi helyett ms tpus regresszival kell becslni, vagy a mintaelemszmot cskkenteni
kell.
c minimum 1/6 c maximum 1/3
n
c
2
1

128,00
21,00
360855,82

22

5759193,68

15,96

p
Fkrit

0,00
1,59

21,33

42,67

legalbb
2,00

0,05
Heteroszkedasztikus modell
c minimum 1/6 c maximum 1/3
n
c
2
1

76,00
13,00
230282,54

22

427074,77

1,85

p
Fkrit

0,05
1,86

12,67

25,33

legalbb
2,00

0,05
Homoszkedasztikusmodell

4.5 A regresszis egytthatk sszefggsei (Az telemzs)

A parcilis regresszis egytthat a lineris regresszis modellben szerepl tbbi tnyezvltoz hatst
kiszri. Ezzel szemben az egyszer ktvltozs regresszis egytthat rtkben ms tnyezvltozk hatsa is kifejezdsre juthat. A parcilis s a ktvltozs regresszis egytthatk sszefggsei alapjn tovbbi elemzseket vgezhetnk. Ebben hasznljuk fel a kvetkez kpleteket:
b y1 = b y1.2 + b 21b y2.1
b y2 = b y2.1 + b12 b y1.2

Fenti sszefggs szzalkosan is kifejezhet, ha b y1 -val illetve b y2 -val vgigosztjuk az egyenlet mindkt oldalt s szorzunk szzzal.
Ahol :
b yi = az y s x i (i = 1, i = 2) vltozkra vonatkoz egyszer ktvltozs totlis regresszis egytthat;
meghatrozsa az albbi kt fggvnybl trtnik:
y = b 01 + b y1x1 + e
y= b 02 + b y2 x 2 + e

A b y1.2 s a b y2.1 parcilis regresszis egytthatk, meghatrozsa az:

y = b y0 + b y1.2 x1 + b y2.1x 2 +e
fggvnybl trtnik.
184

A b12 = x1 s x2 vltozk egyszer ktvltozs regresszis egytthatja (x1=eredmnyvltoz s x2 a tnyezvltoz)

A b21 = x2 s x1 vltozk egyszer ktvltozs regresszis egytthatja (x2 = eredmnyvltoz, x1 = tnyezvltoz) teht:
x1 = b10 + b12 x 2 + e
x 2 = b 20 + b 21x1 +e
A fenti kt sszefggsbl lthat, hogy az egyszer ktvltozs totlis regresszis egytthat ( b yi i = 1,
2) kt rszbl tevdik ssze: az adott vltoz kzvetlen hatsbl ( b y1.2 s b y2.1 ) s a kzvetett, ms vltozn keresztl rvnyesl hatsbl. Az sszefggsbl kitnik, hogy az egyszer ktvltozs totlis, s
a parcilis regresszis egytthatk csak akkor egyeznek meg, ha a b21 (illetve b12) s a b y2.1 (illetve b y1.2 )
rtkek valamelyike nullval egyenl. Ha b21 (illetve b12) nulla, akkor a tnyezvltozk kztti kapcsolat
elhanyagolhat. Ha az els sszefggsben b y2.1 nulla, akkor az x2 tnyezvltoz bevonsa a modellbe
felesleges. Ugyangy a msodik sszefggsben az x1 tnyezvltoz bevonsa a modellbe felesleges, ha
b y1.2 = 0 .
A kt sszefggsbl az is kiderl, hogy a legkisebb ngyzetek mdszervel levezetett becslfggvny
csak akkor ad a regresszis paramterekre torztatlan becslst, ha a modell specifikcija sorn nem kvetnk el n. specifikcis hibt, vagyis minden lnyeges tnyezvltozt szerepeltetnk a modellben. A
felsorolt regresszis modelleket le kell futtatni s a megfelel regresszis egytthatk felhasznlsval
igazolhatk a fenti sszefggsek.

x1

b y1.2
b 21

b12
x2

b y2.1

4-7. bra: Az telemzs smja

4.6 Ksleltetett regresszis modellek. (Ksleltetettmtrix.xls parancsfjl mkdse)*
A gazdasgi letben gyakran tapasztaljuk, hogy egy esemny (folyamat) vagy dnts hatsa csak nmi
ksssel, idben elhzdva szlelhet. Tipikus plda erre a beruhzs s a termels, illetve az rtkests
kapcsolata, az import s az export (vagy belfldi) r kztti sszefggsek stb. A gazdasgi jelensgek
elemzsre, lersra szolgl modellek egyik csoportja adott idpontban vagy idszakban fennll bonyolult klcsnkapcsolatok lersra, elemzsre szolgl, teht egy adott (vagy felttelezett) llapotot kvn lerni. (pl. az optimalizlsi feladat, egy adott idszak rgztett kltsg- s rviszonyai mellett keres
optimlis termelsi programot, rgztett erforrs s kereslet korltok mellett). Ezeket a modelleket statikus modelleknek szoktk nevezni. A modellek msik csoportja a gazdasgi folyamatok mozgstrvnyeit
vizsglja (pl. a gazdasgi nvekeds tnyezit) s arra ad vlaszt, hogy hogyan befolysoljk az egyes jelensgek pillanatnyi llapott sajt vagy ms jelensgek korbbi llapotai. Az ilyen krdseket vizsgl
modelleket dinamikus modelleknek hvjuk. Dinamikus sszefggs alatt azt rtjk, hogy klnbz idponthoz, vagy idszakhoz tartoz vltozk kztti sszefggseket vizsglunk. Statikus modellel csak
stabil vgllapotot lehet modellezni. Stabil viszonyok csak rvid ideig lteznek a gazdasgi letben. A
klasszikus newtoni fizika szerint a mozgs folytonos s gy folytonos fggvnnyel lerhat. A newtoni fizika szerint a mozgst meghatroz erk hatsukat ksleltets nlkl fejtik ki. Pl. a rezgmozgs esetn a
nyugalmi irnyba hat er minden idpontban arnyos a nyugalmi helyzettl val eltrs (a kitrs) tvolsgval. Gazdasgi mozgsok lersval ez az eszkz nem hatkony, mert:
a megfigyels diszkrt s rgztett idpontokhoz kapcsoldik. A mrs eredmnye gy eltr lehet,
ha napi, ha heti, ha havi, ha negyedvi vagy ha vi adatokkal dolgozunk.
185

 nem vgtelen kicsi, hanem vges, st gyakran igen hossz reakciidvel kell szmolni.
A modern fizika (Plank, Einstein, Heisenberg stb.) az id s mozgs fogalmt trtkelte s nem tekinti
folyamatosnak sem a mozgst, sem az idt.

A ksleltets okai (akci s reakci idben sztvlik):

1. A felismersi kss. A megfigyels, regisztrls, sszegzs, feldolgozs idt ignyel. (pl. tarts
fogyasztsi cikkeket ritkbban vsrolunk)
2. Dntsi kss. Idre van szksg a dntsek meghozatalra s vgrehajtsra.
3. A technolgiai kss (oka a gyrtsi id).
4. A folyamatok tehetetlensgbl add kss.
5. Spekulcis kss, amikor pl. az eladk remelkedsre szmtanak, s ezrt kszleteznek.
6. Egyb okok, pl. szervezeti ksleltets, a brokrcia tehetetlensge s lasssga stb.

4.6.1 A ksleltets modelljeinek rvid trtnete

A folyamatok kztti kapcsolatok vizsglatban korn, mr az 1930-as vekben felmerlt az a krds,
hogy egy hatsnak milyen idbeli lefutsa van, illetve az, hogy adott okok rvid s hossz tv hatst milyen mdon lehet sztvlasztani. A korszak jeles kpviseli pldul F. L. Alt s I. Fisher, akik megalapoztk elmleteikkel a ksbbi kutatsokat. Fisher dolgozta 219 ki 1937-ben az n. naiv osztott ksleltets
modellt, ami a cskken slyszmok (short-cut) elvn alapul, ahol a cskkens szmtani sor szerint trtnik. A megosztott ksleltets modellek, az n. DL 220 modellek alaposabb kutatsa az 50-es vekben kezddtt, elssorban L. M. Koyck, P. D. 221 Cagan, M. Nerlove, 222 S. Almon 223 s R. Solow 224 kutatsi
eredmnyeit lehet kiemelni. Eltrbe kerlt a vgtelen oszts ksleltets alkalmazsa, mgpedig gy,
hogy a slyok cskkense exponencilis mdon trtnik. Az elmlet fejldsvel klnbz modellek jttek ltre: pl. fordtott V-ksleltets, Almon-fle polinom eloszls osztott ksleltets modellek.
F

Az irodalom alapveten kt fajta modellt klnbztet meg a ksleltets szempontjbl:

1. egyszer ksleltets modellek: adott jelensg egy msik jelensg meghatrozott idej ksleltetstl fgg csak, azaz
Yt = + X t i + t ;
2. sszetett (vagy elosztott) ksleltets modellek 225: a vizsglt jelensg a msik jelensg tbb (akr
vgtelen darabszm) mltbeli rtktl is fgg, vagyis a hatsok eloszlanak az idben, azaz:
Yt = + 0 X t + 1X t 1 + 2 X t 2 + + k X t k + t
Az elz kt modell-egyenletben szerepl jellsek 226:
Yt eredmnyvltoz, vagy magyarzott vltoz a t. idpontban,
X t magyarz vltoz a t. idpontban,
i a ksleltets mrtke egyszer ksleltets esetn,
k a ksleltets maximlis mrtke k (1, ) ,
t hibatnyez,
, t regresszis egytthatk, paramterek.
A 0 regresszis egytthat az Xt-hez tartoz sly s egyben parcilis lineris regresszis egytthat megmutatja, hogyha Xt egy egysggel n, akkor Y 0 rtkkel n, a tbbi ksleltetett magyarzvltoz hatsnak kiszrse mellett. A 0-t egyidej multipliktornak is nevezik a nemzetkzi szakirodalomban,
F

219

Fisher I. [1937]
Distributed Lag
221
Koyck, L. M. [1954]
222
Nerlove, Marc, [1972]: 221-251
223
Almon, S. [1965]: 178-197.
224
Solow R. M.[1960]: 393-406.
225
Ramanathan Ramu [2003]: 452-456.
226
A klsleltetett regresszis modelleknl a nagy x s y betket hasznljuk a vltozk megnevezshez.
220

186

ugyanis ez nem ms, mint X marginlis hatsa Y-ra ugyanabban t. idpontban. A i regresszis egytthatt
i-ed rend ksleltetett multipliktornak nevezik, mivel azt mutatja meg, hogy az Xt-i vltoz egy t eltti i
idpontban bekvetkezett egysgnyi nvekedsnek hatsra mennyivel vltozott az Yt rtke, vagyis a foly idszaki eredmnyvltoz nagysga. Ha a gazdasg nyugalmi llapotban van, teht ms megfogalmazsban hossz tv egyenslyi llapot felttelezhet, akkor a regresszis paramterek sszegt hossz tv
multipliktornak hvjk, mivel megmutatja azt, hogy X vltoz egysgnyi nvekedse esetn, az Y menynyivel vltozik, a ksleltets idszaka alatt. Az gy megbecslt kumullt hats teht 227:
F

dY/dX = i = 0 + 1 + 2 X t 2 + k =
i=0

A standardizlt ksleltetett multipliktor ( *i ) megmutatja egy i regresszis egytthat rszesedst a

hossz tv multipliktor kumullt hatsbl:
*i =

i =0

Mivel a paramterek nehezen becslhetk, illetve gyakori a multikollinearits s az autokorrelci jelensge, ezrt rjuk vonatkozan megszortsokat (ilyen lehet pl. a slyok ( t ) geometriai sor szerinti cskkentse) kell tennnk. Ebbl az tletbl, felismersbl szlettek meg a fent emltett osztott ksleltets
modellek.
A naiv osztott ksleltets modellek.

A Fisher-fle megolds. 228

F

Fisher szmtani haladvny szerint cskken slyokat alkalmazott. Az alapjn, hogy hny idszakra viszszamenleg szmszerstette a hatst, beszlhetnk az ltala megalkotott egyenletekrl. A Fisher 1 egyenlet teht a magyarz vltoz jelenlegi, s eggyel ksleltetett rtkt veszi figyelembe, a Fisher 2 s Fisher
3 modellek pedig egyre hosszabb ksleltetst tteleznek fel.
Ennek alapjn Fisher 1. modellje:
Yt = + 1 ( 2X t + X t 1 ) + t ,
ahol F1 = ( 2X t + X t 1 )
helyettestst alkalmazva kapjuk a kvetkez egyenletet:
Yt = 1 + 1F1 + t
Hasonl mdon kpezhet a Fisher 2. s Fisher 3. egyenlet is:
Yt = 2 + 2 F2 + t
valamint
Yt = 3 + 3 F3 + t
ahol
F2 = ( 3X t + 2X t 1 + X t 2 ) s F3 = ( 4X t + 3X t 1 + 2X t 2 + X t 3 )
A Fisher egyenletek megoldsa utn az eredeti egyenletben a magyarz vltozk paramterei knnyen
szmszersthetk.
Alt mdszere. 229 230 231
Alt szintn tbb egyenletet llaptott meg, melyek sorszma az elzekhez hasonlan a ksleltets mrtkt mutatjk. A klnbsg Alt s Fisher mdszere kztt abban rejlik, hogy Alt nem alkalmazott megktst a magyarz vltozk rtkeire vonatkozan. Alt elszr az Yt rtket csak Xt rtkvel magyarzza,
majd a msodik becslsnl az Xt-1-t is bevezeti, s gy tovbb, mindaddig, amg az eredmnyl kapott regresszis egytthatnak rtelme van. Szmszerstsk a kvetkez Alt modellt:
F

227

Gujarati Damodar N. [2003]: 658.

Fisher I. [1937]. 323-328.
229
Alt F. F. [1942]: 113-128.
230
Vet Istvnn [1980]: 28-29.
231
Gujarati Damodar N. [2003]: 663-664.
228

187

Yt = + 0 X t + t
Yt = + 0 X t + 1X t 1 + t
Yt = + 0 X t + 1X t 1 + 2 X t 2 + t
Yt = + 0 X t + 1X t 1 + 2 X t 2 + 3 X t 3 + t
.......
Alt azt javasolta, hogy folytatni kell a ksleltetst mindaddig, amg a regresszis modell az elmleti feltteleknek eleget tesz. A tovbbi ksleltetett tag bevonsa feleslegess vlik pldul, ha a bevont regresszis
paramter nem klnbzik szignifiknsan a 0-tl.

4.6.2 A fordtott V-ksleltets modellek.

A fordtott V-ksleltets modellek esetn ltalban kezdetben emelked, majd cskken slyokat tapasztalunk, innen szrmazik elnevezsk is. Az n. Pascal (negatv binomilis) eloszts ksleltetett modellek kidolgozsa R. M. Solow 232 nevhez fzdik. Az ilyen eloszls specilis eseteknt rtelmezhet a
szles krben elterjedt Koyck mdszer, ami a paramterek megfelel megvlasztsval llthat el.
Az osztott ksleltets modell alapegyenlete a kvetkez:
Yt = + ( 0 X t + 1X t 1 + 2 X t 2 + + i X t i + ) + t
F

ahol 0 i 1 s i = 1 .
i=0

A slyok Pascal eloszls esetn az albbiak:

r + i 1
r i (r + i 1)!
r i
(1 )
(1 ) =
i!(r 1)!
i

=
i

ahol:

i a ksleltets relatv slyrendszere,

r az eloszls rendje r Z+ pozitv egsz szm: 1,2,3.

i a ksleltets mrtke, 0, 1, 2,.k..
a becslend paramter, 0 < < 1
Figyelembe vve, hogy n elem k-ad osztly kombincija:

n
n!
=
k k!(n k)!

Pl. i=2 esetn:

r + 2 1
r 2
=
(1 ) =

2
r 2
(r + 1) r
(1 )
2!

r 2
(r + 2 1)!
(1 ) =
2!(r 1)!

Az eredeti egyenlet az albbi formban irhat fel:

r

Y =+(1) {X + rX
t

t1

r(r +1)(r + 2)...(r + k 1) k

r(r +1) 2
Xtk +...}+ t =
Xt2 +... +
k!
2!

r r + 1 i
+(1) i X + t

t i
k=0
i

A slyok alakulst mutatja az albbi kt bra 233, ha =0,4 s =0,6, az eloszls rendje mindkt esetben r
= 1,2,3,4,5,6.
F

A nvelse =0,4-rl =0,6-ra a kvetkez vltozsokat eredmnyezi: r=1 esetben n a ksleltets hoszsza, az r= 2,3,4,5,6 eseteiben pedig a fordulpont amikor a nveked szakasz cskkenbe megy t ksbb kvetkezik be. Az r nvekedsvel a fordulpont ksbb kvetkezik be, teht n az emelked szakasz idtartama.
232
233

Solow R. M.[1960].
A fordtottW.xls felhasznlsval.

188

Slyok a fordtott V-ksleltets modellek esetn, ha lamda=0,4.

0,30
0,25

Sly

0,20
0,15
0,10
0,05
0,00
1

9 10 11 12 13 14 15 16 17 18 19 20

i=a k sle lte t s m rt ke

r=1

r=2

r=3

r=4

r=5

r=6

4.8. bra: Slyok alakulsa, ha ha = 0,4

Slyok a fordtott V-ksleltets modellek esetn, ha lamda=0,6.
0,30
0,25

Sly

0,20
0,15
0,10
0,05
0,00
1

9 10 11 12 13 14 15 16 17 18 19 20

i=a ksleltets mrtke

r=1

r=2

r=3

r=4

r=5

r=6

4.9. bra: Slyok alakulsa, ha = 0,6

Ha az eloszls rendje 1, akkor knnyen belthat, hogy
( r + i 1)! 1 r i = i! 1 i = 1 i
i =
( )
( ) ( )
i!( r 1) !
i!
Teht geometriai ksleltets lesz a Pascal-ksleltets eloszls. Ha r rtke n akkor az emelked szakasz
fordul pontja nagyobb ksleltetsnl kvetkezik be.

4.6.3 Koyck mdszerei

Ha r = 1 , akkor teht a Pascal-eloszls geometriai ksleltets eloszlsra redukldik. 234 235 A slyok
(i) alakulst =0,1 s =0,9 a kvetkez kt brn mutatjuk be. A kt brn jl lthat, hogy rtke
tulajdonkppen azt mutatja meg, hogy mennyire rgi adatoknak van mg hatsa a jelenre, azaz milyen
gyors a felejts. Az els brn, ahol = 0,1 a slyok 6 ksleltets utn tnnek el, ekkor lesz a sly=
0,00000, mg ugyanez a helyzet a = 0,9 esetben a 94 idszakkal ksleltetett adatok esetben kvetkezik be. ltalnossgban elmondhatjuk, hogy minl nagyobb egy modellben rtke (de 0 < < 1 ), anF

234
235

Koyck, L. M. [1954]
Gujarati Damodar N. [2003]: 665-667.

189

nl lassabb a rendszer felejtse. Ha 0, akkor nincs ksleltets, 1, ha viszont 1 akkor vgtelenl

nagy a ksleltets, teht 0.
Koyck javaslata: r=1 s : 0,1
0,10
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
1

2 3

4 5

6 7

8 9 10 11 12 13 14 15 16 17 18 19 20

Koyck javaslata: r=1 s : 0,9

0,10
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93

4.10. bra. Koyck javaslatai

Ha az eloszls rendje 1, akkor, ahogy mr bemutattuk:
i = (1 ) i i=1,2,3.k.
Ezt az osztott ksleltets modell alapegyenletbe visszahelyettestve az albbi sszefggs addik:
Yt = + 0 ( 0 X t + 1X t 1 + 2 X t 2 + + k X t k + ) + t =
= + 0 (1 ) ( 0 X t + 1X t 1 + 2 X t 2 + + k X t k + ) + t =

= + 0 X t + 0 X t 1 + 0 2 X t 2 + + 0 k X t k + + t
Ezt az sszefggst Yt 1 -re felrva, -val beszorozva s a kt egyenletet egymsbl kivonva, az albbi modellt kapjuk, ami Koyck els mdszereknt ismert a szakirodalomban:
Yt Yt 1 = (1 ) + 0 X t + ( t t 1 ) .

Az egyenlet rendezse utn a becslsre alkalmas fggvnyt kapjuk, ahol az eredmnyvltoz Yt, a magyarz vltozk Xt s Yt-1:
Yt = (1 ) + 0 X t + Yt 1 + ( t t 1 )
Yt = + 0 X t + Yt 1 + v t
Az eredeti konstans paramter az albbi sszefggsbl nyerhet:

(1 ) =
=

(1 )

Az 0 ismeretben az eredeti Koyck ksleltetett regresszis fggvny felrhat:

Yt = + 0 X t + 0X t 1 + 0 2 X t 2 + + 0 k X t k + + v t
Y = + X + X + X + + X + + v
t

t 1

t 2

t k

190

A paramterek kztti sszefggs:

0 = 0
=
1

2 = 0 2
= 3
3

k = 0 k

Lthat, hogy kt egymst kvet paramter hnyadosa lland s -val egyenl.

=

i
i 1

A paramterek sszegt felhasznlva meghatrozhatjuk a hossz tv multipliktort, teht a kumullt

hatst is, vagyis, ha pl. a magyarz vltoz az zembe helyezett beruhzsok sszege, akkor a kumullt
hats 1, mivel a beruhzsok sszege egy id utn zembe helyezsre kerl. Az albbi kpletben a regresszis paramterek sszegt (kumullt hats) gy rtelmezhetjk, hogy az X magyarz vltoz egysgnyi vltozsa hossz tvon mennyivel nveli tlagosan az Y eredmnyvltoz rtkt. 236 237
F

1
i =0 (1+ + 2 +3 + ....) =0

i =0
1

Ugyanis:
A mrtani sorozat sszege legyen s, q0 a kezdrtk (esetnkben q0= 0), s q a kt szomszdos tag hnyadosa (esetnkben q= ), ami lland:
qn 1
n 1
1
1
s = q0
= 0
= 0
=1
= 0
1
1
1
q 1
0 = 1

Mivel:
lim n = 0

A hossz tv (kumullt) ksleltetett hats teht:

0
1

A kumullt ksleltets tlagos hosszt i az albbi kplettel hatrozhatjuk meg, ahol az tlagoland rtk a
ksleltets hossza (i=1,2,.) a sly pedig a regresszis paramterek becslt rtke i 238:

( )

i=

i
i =0

i =0

236

Mundrucz Gyrgy [1981]: 176-177.

Greene, William H. [2003]: 560-561.
238
Gujarati Damodar N. [2003]: 668.
237

191

A fenti kpletben az elzek alapjn a nevezben lv szmnak, a paramterek sszegnek a kzgazdasgi jelentse az, hogy X tnyezvltoz egysgnyi nvelse k idszakon t mennyivel nveli tlagosan
az Y eredmnyvltoz rtkt.
A Koyck modell esetben a kumullt ksleltets tlagos hossza 239:
F

i=

tlagos ksleltets annak az idnek az tlagos hosszt jelenti, amg az X magyarz vltoz (egysgnyi)
vltozst tvisszk az Y fgg vltozra.
A Koyck modell esetben a kumullt ksleltets medinjt ( Mei ) az albbi kplettel lehet meghatrozni 240:
F

Mei =

log 2
log

A medin ksleltets az az id, ami az Y vltoz teljes vltozsa els felnek vagy 50%-nak X egysgnyi
tarts vltozsnak kvetshez szksges.
Az tlagos ksleltets (medin s szmtani tlag) a Koyck modell esetben klnbz rtki fggvnyben vltozik, a nvekedsvel az tlagos ksleltets idtartama is n, amit az albbi tblzat szemlltet.
A medin s az tlag =0,5 rtknl egyezik meg, nagysga 1.

0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9

Mei
0,3010
0,4307
0,5757
0,7565
1,0000
1,3569
1,9434
3,1063
6,5788

i tlag
0,1111
0,2500
0,4286
0,6667
1,0000
1,5000
2,3333
4,0000
9,0000

Koyck msodik modellje 241 242abban klnbzik az elstl, hogy az Xt s az Xt-1 vltozknak tetszleges
slya van 243 a cskken geometriai sorozat tulajdonsg slyrendszer csak ezt kveten kezddik el. A
knnyebb rthetsg rdekben a Koyck 1. mdszernek lersnl alkalmazott jellstechnikt clszer
hasznlni. Koyck 2. mdszernek geometriai ksleltets alapkoncepcija miatt
F

Yt = + 0 X t + 1 ( X t 1 + X t 2 + 2 X t 3 +

+ k 1X t k ) + t

alakban keressk a kzeltst. Feladatunk az , 0, 1, s a paramterek meghatrozsa. Vgezzk el a

kijellt szorzsi mveletet, majd kpezzk az Yt - Yt-1 kifejezst!
Yt = + 0 X t + 1X t 1 + 1X t 2 + 1 2 X t 3 +
Yt 1 = + 0 X t 1 + 1X t 2 + 1X t 3 + 1 2 X t 4 +
Yt 1 = + 0 X t 1 + 1X t 2 + 1 2 X t 3 + 1 3 X t 4 +

+ 1 k 1X t k + t
+ 1 k 1X t k 1 + t 1
+ 1 k X t k 1 + t 1

239

Gujarati Damodar N. [2003]: 668.

Gujarati Damodar N. [2003]: 668.
241
Griliches Z. : Distributed Lags: A survey. Econometrica. 1967. vi 1. sz. 16-49. p.
242
Sipos Bla [1982]: 40-45.
243
Kiss Tibor [1985]: 1001-1011.
240

192

Yt Yt 1 = (1 ) + 0 X t + ( 1 0 ) X t 1 + ( t t 1 )

Rendezs utn a becslsre alkalmas fggvny:

Yt = (1 ) + 0 X t + ( 1 0 ) X t 1 + Yt 1 + ( t t 1 )
Yt = + 0 X t + 1' X t 1 + Yt 1 + v t

= (1 )

(1 )

1' = 1 0
1 = 1' +0

Az egyenlet rendezse utn teht a becslsre alkalmas fggvnyt kapjuk, ahol az eredmnyvltoz Yt, a
magyarz vltozk Xt, Xt-1 s Yt-1
Pascal eloszls esetn a becsls,

244 245
F

ha r=2

Yt = 2Yt 1 2 Yt 2 + (1 ) 2 X t + e t
Pascal eloszls esetn a becsls,

246 247
F

ha r=3

Yt = 3Yt 1 3 2 Yt 2 + 3 Yt 3 + (1 )3 X t + e t

4.6.4 Almon-fle polinom eloszls osztott ksleltets modellek

Tekintsk248

249
F

a kvetkez vges szm ksleltetst figyelembe vev egyenlet becslst:

Yt = + 0 X t + 1X t 1 + 2 X t 2 + + k X t k + t

sszevont formban:
k

Yt = + i X t i + t
i =0

A nyilvnval multikollinearits miatt nem kapunk megbzhat becslst a paramterekre, ezrt ismtelten
szksgnk van feltevsekre. Almon azt felttelezte, hogy a ksleltetett modell slyknt szerepl paramterei elre adott fokszm polinom szerint alakulnak. Az Almon-fle ksleltets jele PDL(k,r) 250, ahol k
(i=1,2,,3.k) a ksleltetsek hossza, mg r (r=2,3,m) a polinom felttelezett fokszma.
ltalnos formban:
i = 0 + 1i + 2i 2 + ... + mi m
gy r = 2 esetn:
i = 0 + 1i + 2i 2
Ekkor eredeti egyenletnk a kvetkez alakra mdosul:
F

i =0

i=0

Yt = + i X t i + t = + ( 0 + 1i + 2i 2 ) X t i + t
A zrjel felbontsa utn, valamint az X t sszegszer tagjainak megfelel helyettestsvel a kvetkez
egyenletet kapjuk:

244

Solow R. M.[1960]:397.
Kiss Tibor [1985]: 1004.
246
Solow R. M.[1960]:397.
247
Kiss Tibor [1985]: 1004.
248
G. S. Maddala [2004]: 465-472.
249
Gujarati Damodar N. [2003]: 687-693.
250
Polynomial Distributed Lag
245

193

Yt = + ( 0 + 1i + 2i 2 ) X t i + t =
i =0
k

i =0

i=0

i=0

= + 0 X t i + 1 iX t i + 2 i 2 X t i + t =
= + 0 Z0t + 1Z1t + 2 Z2t + t

Ugyanis:
k

Z0t = X t i
i=0
k

Z1t = iX t i
i =0
k

Z2t = i 2 X t i
i=0

Legyen r=2, s k=5 akkor:

5

Z0t = X t-i = ( X t + X t-1 + X t-2 + X t-3 + X t-4 + X t-5 )

i =0
5

Z1t = iX t i = ( X t-1 + 2X t-2 + 3X t-3 + 4X t-4 + 5X t-5 )

i =0

Z2t = i 2 X t i = ( X t-1 + 4X t-2 + 9X t-3 + 16X t-4 + 25X t-5 )

i=0

A msodfok polinomlis ksleltets smjt az albbi bra mutatja, ahol lthat, a ksleltets nvekedsvel (i=1,2,3,k) a regresszis paramterek egy ideig nnek, majd a cscspont elrse utn cskkennek.
Gyakran alkalmazott mdszer az n. vgpontfelttelek alkalmazsa, amelyek azt ktik ki, hogy a ksleltetsnl figyelembe vett rtkek eltti s utni slyok 0 rtket vegyenek fel, ekkor a becsls tovbb egyszersdik.
A paramterek eloszlsa msodfok parabola esetben

4.11. bra. A msodfok polinomlis ksleltets smja

A ksleltetettmtrix.xls parancsfjl kri: a megfigyelt idpontokat, az eredmnyvltoz (Yt) s magyarzvltoz (Xt) adatsorokat melyek kztt ksleltetett hats felttelezhet. Ennek alapjn elkszti a grafikus brt, ahol mr ellenrizhet, hogy a magyarzvltoz s az eredmnyvltoz kztt van-e ksleltetett kapcsolat, ugyanis pl. ebben az esetben, az X nveked szakaszt az Y nveked szakasza ksbb kveti s fordtva, az X cskken szakaszt az Y ksve kveti. Ezt kveten kzli a program az adatsorok
ksleltetett rtkeit, a ksleltetett munkalapon, s elkszti kln-kln munkalapokon a 12, az elzekben
bemutatott ksleltetett modell adatmtrixt (ezek: Fisher1, Fisher2, Fisher3, Alt1, Alt2, Alt3, Alt4,
Koyck1, Koyck2, Almon, Pascal2, Pascal3) kszti el, tovbb kzli a regresszis egytthatkat s a viszszatranszformlt egytthatkat. Az adattranszformci utn a regresszio.xls parancsfjl felhasznlsval
lehet ellenrizni a ksleltetett regresszis modelleket.

194

4.7 A hatvnykitevs, Cobb-Douglas termelsi fggvny (A termelsi fggvny tlag s hatrmutati.xls parancsfjl mkdse)*
F

Az egy egyenletbe srtett regresszis modelleknek az gazati s a vllalati gyakorlatban egyarnt hasznlt formi a termelsi fggvnyek, melyek nagy szerepet jtszanak a termelsi folyamatok lersban. 251
252
A termelsi folyamat eredmnye (volumene) nagyszm mszaki, gazdasgi, termszeti s trsadalmi
tnyeztl fgg. Kzgazdasgi s mszaki elemzs tjn hatrozhatk meg azok a termelsi tnyezk,
melyek az adott gazdasgi egysgnl a legnagyobb hatssal vannak a kibocstsra. A matematikai, statisztikai elemzs e hatsok modellezsvel s mrtknek szmszerstsvel foglalkozik. A termelsi rfordtsokat termelsi tnyezknek hvjuk. A termelsi tnyezkhz tartozik pldul a fld, a tke, a
nyersanyag, az energia s a munkaer. A munkaer szemlyi termelsi tnyez, mg a tbbi termelsi tnyez trgyi tnyez. A tkejavakhoz tartoznak a termel- s szllt berendezsek, pletek, szmtgpek s egyb gpek. A tke fogalmt gyakran egy zleti vllalkozs beindtshoz vagy fenntartshoz
szksges pnzsszeg meghatrozsra hasznljk, amit mi pnztknek hvunk, mg a termelsben ellltott tnyezket fizikai tknek nevezzk. A fizikai tkt holt munknak is hvjuk megklnbztetve a
munkaertl, az lmunktl. A termelsi fggvnyek teht, valamely gazdasgi egysg termelsnek volument fejezik ki a vizsglt idszakban az lmunka rfordtsok, a fizikai tkerfordtsok s egyb
termelsi tnyezk fggvnyben. A termels eredmnye s a termelsi tnyezk kztti sszefggst
sztochasztikus formban, technikai (technolgiai) egyenletekkel rjk le. Az alapvet kt termelsi tnyez, az lmunka s holtmunka rfordtsok mellett, a termelsi fggvnyek tartalmazhatjk az anyag-, s
energiarfordtsokat s egyb tnyezket is. A termelsi fggvnyek segtsgvel a vllalat (ltalban a
gazdasg) viselkedsnek technolgiai korltait rhatjuk le. A technolgiai korltok azt jelentik, hogy egy
adott mennyisg kibocsts csak bizonyos rfordts (input) kombincik rvn valsthat meg, a vllalat a technolgiailag megvalsthat termelsi tervekre knytelen korltozni a tevkenysgt, vagyis mr
dnttt az optimlis termksszettel s technolgia krdsben.
A termelsi fggvnyek felrsnl felttelezik, hogy:
a vizsglt trvnyszersg idben lland, vagy csak lassan vltozik, vagy ismert a vltozsa;
az elemzs trgya, a termelsi eredmny kzvetlenl vagy kzvetve mrhet;
az elemzs trgyra lnyeges hatst gyakorl tnyezk elhatrolhatk azoktl a tnyezktl, amelyeknek szerepe elhanyagolhat;
az adatok hozzfrhetk s sszehasonlthatk.
F

A termels, a kibocsts (output) mrse

A termels eredmnye esetben a legmegfelelbb megolds az lenne, ha azt termszetes mrtkegysgben
figyelnnk meg. A termszetes mrtkegysgben trtn szmbavtel sorn olyan mennyisgi egysgeket
alkalmazunk, amelyek a termk fizikai tulajdonsgaival, a hasznlati rtkkel vannak kapcsolatban. A
termszetes mrtkegysgben val szmbavtel jelentsgt az hzza al, hogy ez kifejezi az adott idszakban ellltott hasznlati rtkek tmegt s ez kpezi az sszes tbbi szmbavteli md; az rtki
szmbavtel, a munkamrtkegysg, a termksoros volumenindex stb. alapjt. Pldul, a cementzem
esetben a termels viszonylag homogn, s gy az zem kibocstsa, amit az adott idszak folyamn
termeltek, tonnban mrhet. ltalban a gazdasgi egysgeknl ellltott termkek szma igen nagy,
gy a termels eredmnyt legtbbszr valamilyen rtki mutatszmmal mrjk.
A termels rtki mutatszmai tbbek kztt az albbiak lehetnek:
Brutt termelsi rtk, egyenl az rtkestett termkek s szolgltatsok alapjn keletkezett rbevtelnek, a sajt elllts eszkzk aktivlt (llomnyba vett) rtknek 253 s a sajt termels
kszletek llomny vltozsnak az sszegvel.
F

251

Cobb, C.W. Douglas, P.H. [1928] volt az els publikci a termelsi fggvnyek tmakrben, a szerzk feltteleztk, hogy a kt magyarzvltozs, hatvnykitevs regresszis fggvnyben a kitevk sszege 1.
252
Kdas Klmn [1944] publikcija volt Magyarorszgon az els, amelyik a Cobb-Douglas termelsi fggvny
gazati alkalmazsval foglalkozott.
253
A sajt elllts eszkzk aktivlt rtkt mindig az elllts tnyleges kltsgeinek sszegvel kell szmtsba venni.

195

 Anyagmentes termelsi rtk, vagyis a hozzadott rtk, (GDP vllalkozs szint megfelelje) a
brutt termelsi rtkbl kivonjuk az anyagkltsget s az ignybe vett anyagjelleg szolgltats
kltsgt.
Nett termelsi rtk, az anyagmentes termelsi rtkbl kivonjuk az lleszkzk rtkcskkensnek a kltsgt.

A brutt jelleg mutatszmok kzs jellemzje, hogy ha az egymst kvet termel folyamatok rtkeit
sszegezzk, akkor az sszegzett termelsi rtk tbbszrs szmbavtelt tartalmaz, ezt halmozdsnak
nevezzk. A nett jelleg termelsi mutatszmok a ltrehozott termkeknek csak azon rtkrszt tartalmazzk, melyet a vizsglt idszakban a megfigyelt termelegysg hozott ltre. gy a nett termelsi rtk az tvitt munka egyetlen elemt sem tartalmazza. A nett termelsi rtk megbzhatan jellemzi a
termelegysgnl ellltott j rtket, nagysga nem fgg sem az ipar szervezeti felptstl, sem az
egyes iparvllalatok bels tagozdstl. A nett termelsi rtk kiszmtsnl sok esetben problmt
okoz a vizsglt idszak termelst terhel amortizci megllaptsa, melyhez a fizikai kops mellett, az
erklcsi kops figyelembevtele is szksges lenne. Ezrt kerl sor a gyakorlatban az anyagmentes termelsi rtk meghatrozsra, mely a teljes termels, valamint az sszes anyagkltsg s egyb anyag jelleg kltsg klnbsge. Az anyagmentes termelsi rtk alkalmazsa leegyszersti a termelsi fggvnyt,
mivel a nyersanyag vltozkat nem szksges explicit mdon belefoglalni. Vllalati szinten vgzett elemzseknl ltalban megfelel a brutt termelsi mutatszmmal trtn mrs. Az gazati szint termelsi
fggvnyszmtsoknl viszont a jelents halmozds kikszblse rdekben clszerbb a nett termels mutatjt alkalmazni. A termels volumennek rtkbeli mrsekor, mivel a termelsi rtk idsorai
kpezik a vizsglat adatbzist nagyon fontos az sszehasonlthatsg biztostsa. Ez trtnhet rindexek
felhasznlsval. Az gy nyert idsorok, a termels volumennek vltozst mutatjk. gazati szinten alkalmazzk a termksorok alapjn szmtott indexeket, amely a termels mennyisgi vltozst jelzi. A
termksoros volumenindex valamely gazat termelsi volumennek vltozst, az adott gazat termel
tevkenysgt leginkbb jellemz termkek mennyisgi adataibl szmtott egyedi indexek slyozott tlagval mri. Slyknt ltalban a br s amortizci egyttes sszegt alkalmazzk. A termksoros volumenindexszel kzelthetjk a brutt termels alakulst, ha a brutt rtkkel slyozunk. Ha a munksok
teljestett rival slyozunk, akkor a nett termelst, ha a br plusz amortizcival slyozzuk, akkor az
anyagmentes termelst kzeltjk. A termksorok alapjn szmtott kzelt volumenindex eltrhet a termelsi mdszer alapjn szmtott nett termelsi indextl. Ennek okaknt a kvetkezk emlthetk meg: a
kzelt index nem tkrzi a fajlagos anyagfelhasznls vltozst; a szmts sorn alkalmazott slyok
arnya eltr a nett rtkek arnytl; eltekint bizonyos minsgi jellemzktl; reprezentatv jellege miatt
nem vesz minden termket figyelembe; s az j termkek ksve kerlhetnek be a mintba; eltekint a szolgltatsoktl, a flksz s befejezetlen termels llomnyvltozstl, stb.

A rfordtsok (inputok) mrse

Az lmunka rfordts az albbi mutatszmokkal mrhet:
Ltszmadatokkal (az sszes foglalkoztatottak, fizikai foglalkoztatottak, szakmunksok stb.
ltszmval).
Teljestett munkanapok vagy teljestett munkark szmval.
Munkabr s kzterhei adatokkal.

Az lmunka-rfordtst az sszes foglalkoztatottak ltszmval mrve az lmunkt egynemnek tekintjk, br ez nyilvnvalan egyszerstst jelent. Ezt a megkzeltst az indokolja, hogy a termels volument nemcsak a fizikai foglalkozsak szma befolysolja, hanem kzvetetten a nem fizikai (alkalmazotti)
appartus is pl. a mszaki fejleszts, az irnyts sznvonala ltal. A fizikai foglalkozsak ltszmt tekintve, a termels s a kzvetlenl termel munkt vgz dolgozk kztti kapcsolat ltalban szorosabb,
mint a termels s a kzvetve termel munkt vgz dolgozk kztt. A kzvetve termel munkt vgzk
tevkenysge a kzvetlen termel munkhoz kapcsoldik, azt irnytja, ellenrzi, kiszolglja, elltja, pl.
kzvetlen termelsirnytk, anyagmozgatk, karbantartk. Clszer ezrt kln adatsorral kzelteni a

196

fizikaiak emltett kategriit. A foglalkoztatottak adatsorai s a munkanapokra vonatkoz megfigyelsek

htrnya, hogy nem tkrzik az egy munkanapra jut tlagos munkara szmot illetve annak vltozst.
Az lmunka-rfordts legjobb kzeltsnek a teljestett munkark szma tekinthet, mivel ez tkrzi a
leginkbb a munkarfordtsok nagysgt. Problmt az jelent, hogy a teljestett munkark szma a
munkahelyen eltlttt idt jelenti, mely nem minden esetben azonos a munkban eltlttt tnyleges idvel. Teljestett raknt jelentkezik ugyanis az llsid, amikor a fizikai dolgoz pl. anyag, energiahiny,
gphiba miatt nem vgez termel munkt. Teht, amennyiben az adatok rendelkezsre llnak, clszer a
teljestett, a blyegzett munkarkbl az llsidt levonni.
A fizikai tkerfordts, azaz az lleszkz-felhasznls kzeltsre a kvetkez megoldsok lehetsgesek:
Az sszes termel lleszkz nyit, zr vagy tlagos llomnya.
A termel lleszkzkn bell a gpek, berendezsek, felszerelsek nyit, zr vagy tlagos llomnya.
Ha az v folyamn jelents beruhzst helyeztek zembe, akkor clszer a zr vagy tlagos llomnyt
megfigyelni. Idsoros vizsglat esetn az sszehasonlthatsg biztostsa cljbl, lehetleg sszehasonlt rakon kell az lleszkzket rtkelni. Az lleszkzk szmbavtelekor problmt jelent, hogy nett vagy brutt rtkben trtnjen a mrs. Elvileg a nett rtk tkrzi az lleszkz-llomny mszakigazdasgi llapott, de figyelembe kell venni, hogy a lineris lersi kulcsok ltalban nem tkrzik az lleszkz-llomny tnyleges elhasznldsi fokt, azaz torztanak. a magyar iparvllalatoknl magas a
nullra lert, de a termelsben tovbbra is rsztvev gpek arnya, melyek csak "eszmei" rtkkel szerepelnek a vllalati nyilvntartsban, hatkonysguk azonban megkrdjelezhet. Figyelembe kell venni a
kapacits kihasznlst is, tovbb azt, hogy az lleszkzk klnbz vjratak, s gy teljestkpessgk, mszaki jellemzik is msok.
Az anyag s energiarfordtst a mszaki sajtossgoknak megfelelen rtkben s naturlis mutatkkal
lehet kzelteni.

A termelsi fggvny rtelmezse

A termelsi fggvny azt mutatja meg, hogy a klnbzfajta termelsi tnyezk kombinciinak felhasznlsval, milyen maximlis kibocstsi szint rhet el. 254
F

Az egyetlen kibocstst ltrehoz termeltevkenysg az albbi explicit fggvnnyel rhat le:

y=f ( x1 , x 2 , , x k )

ahol:
y = a termels, a kibocsts, az output, mint eredmnyvltoz,
x1 , x 2 , , x k = a termelsi tnyezk (szemlyi s trgyi) 255, a rfordtsok, az inputok, mint magyarz
vltozk.
F

Ttelezzk fel, hogy a termels becslt volumene [ y ] kt tnyeztl; az lmunka (x1) s a holtmunka
(x2) tnyezktl fgg.
y =f ( x1 , x 2 )
Ttelezzk fel tovbb, hogy a fggvny (f) hatvnykitevs 256, vagyis az eredeti vltozk logaritmusai
kztt lineris kapcsolat van:
F

254

Barancsuk Jnos [2008]: 135.

FP=Termelsi tnyezk (Factors of Production). A termelsi folyamatban rsztvev, illetve abban felhasznlt
szemlyi s trgyi tnyezk, krnyezeti adottsgok, a termelshez szksges emberi, szellemi, fizikai, termszeti,
anyagi, technolgiai s pnzgyi felttelek. Neoklasszikus rtelemben a termelsi folyamatban kzremkd termszeti tnyez (fld) valamint a munka s a tke.
256
A hatvnykitevs fggvnyeket, mivel az eredmnyvltoz s a tnyezvltozk logaritmusai kztt van lineris kapcsolat log-log modelleknek is hvjk az konometriai szakirodalomban. Ld. Ramu Ramanathan [2003]: 519520.
255

197

y = b 0 x1 1 x 2 2
ln y = ln b0 + b1 ln x1 + b 2 ln x 2
A modellspecifikci gy mg hinyos, mert a regresszis modell sztochasztikus, vagyis vletlen hatsok
is jelentkeznek, (olyan hatsok, amelyeket a modellbe bevont vltozkkal, x1 s x2 nem tudunk magyarzni). A vletlen hatst a rezidulis vltoz [u] testesti meg.
A modell ekkor 257:
F

b1

b2

y = b 0 x1 x 2 u
ln y = ln b 0 + b1 ln x1 + b 2 ln x 2 + ln u
A termelsi fggvny jellemzi, tlag- s hatrmutatk kt tnyezvltozs s hatvnykitevs fggvny esetn 258 259
F

A termelsi fggvny rtelmezsi tartomnya s rtkkszlete

A termelsi fggvny rtelmezsi tartomnynak s rtkkszletnek meghatrozsakor figyelembe kell
venni, hogy mind a termelsi tnyezk, mind a kibocsts csak pozitv rtkeket vehetnek fel. Mivel a kibocsts ltrehozshoz az x1 s x2 tnyezkre egyarnt szksg van, ezek nulla rtket nem vehetnek fel.
Ha valamelyik tnyez rtke nulla lenne, akkor az eredeti fggvnyben nem szerepelne, s az egy tnyezs termelsi fggvnny alakulna t, ami rendszerint csak rszleges vizsglatokat tesz lehetv. A termelsi tnyezk pozitv intervallumnak fels hatrt elmletileg a rendelkezsre ll tnyezk mennyisge,
gyakorlatilag termszetesen a rendelkezsre ll termelsi tnyezknek az a mennyisge szabja meg,
ameddig a termels mg hatkony. Felttelezzk, hogy a termelsi fggvny folytonos. Ez azt jelenti,
hogy az x1 s x2 termelsi tnyezk kismrtk megvltoztatsra az y kibocsts is csak kismrtkben
vltozik.

Hatrtermelkenysg
Felttelezzk tovbb, hogy a termelsi fggvny x1 s x2 szerinti elsrend parcilis derivltjai lteznek
s a hatrtermelkenysgek 260 pozitvak, azaz
F

dy
>0
dx1
dy
MPx 2 =
>0
dx2
MPx1 =

Az elsrend parcilis derivlt pozitv volta azt fejezi ki, hogy a termelsi tnyezk nvekedsvel a kibocsts is n. Ez azt jelenti, hogy a munkatnyez vagy az lleszkz-tnyez rgztsvel mindig tallunk olyan befektetsi lehetsget vagy foglalkoztatsi lehetsget, amellyel az lleszkz-felhasznls
vagy a munkarfordts utols nvekmnye is elsegti a kibocsts nvekedst. Valamely termelsi tnyez hatrtermelkenysge teht megmutatja, hogy mennyi tbbletkibocstst hoz ltre a felhasznlt
termelsi tnyez tbbletkltsge, mikzben a termelsi fggvnyben szerepl msik termelsi tnyez
mennyisge vltozatlan marad. Termszetesen ezekkel a tulajdonsgokkal tbb termelsi tnyez esetn
is rendelkezik a termelsi fggvny, itt csak az egyszersg s a knnyebb rtelmezhetsg miatt rtuk fel
a kt tnyezvltozs fggvnyt. A termelsi fggvnyek kzgazdasgi-matematikai vizsglata lehetv
teszi szmos, a termels fggvny tartalmval s formjval sszefgg mutat felrst. Ezekbl a mutatkbl fontos kvetkeztetseket lehet levonni a tnyezk kztti sszefggs jellegrl.

A termelsi fggvny alapjn meghatrozhat tlagmutatk 261:

F

257

A regresszio.xls Excel parancsfjllal elszr ellenrizni kell, hogy a modell eleget tesz-e a matematikaistatisztikai elmleti feltteleknek.
258
Ld.: Krist Zoltn [1979]: 13-23.
259
Ld.: Sipos Bla [1982]: 30-43.
260
MP=Hatrtermelkenysg (Marginal Productivity). Hasznlatos fogalom mg: hatrtermk: MP: Marginal
Product.

198

tlagtermelkenysgek (y/x1 s y/x2) 262:

F

Valamely termelsi tnyez tlagtermelkenysgn a megfelel termelsi tnyez egysgre vonatkoz

kibocstst rtjk. ltalban az tlaghatkonysgok amelyek a t idpontbeli vagy i trbeli tlaghatkonysgokat jellik, a termelsi tnyezk fggvnyei. Az x1 s x2 termelsi tnyezk tlagtermelkenysgei a
munka termelkenysge s az eszkzhatkonysg:
y
y1 =
x1

y2 =

y
x2

Technolgiai koefficiensek (x1/y s x2/y):

Az tlagtermelkenysg reciprokt technolgiai koefficiensnek nevezzk. Valamely tnyez technolgiai
koefficiense az egysgnyi kibocstshoz szksges termelsi tnyez tlagos mennyisgt adja meg:
1 x1
=
y1 y
1 x2
=
y2
y

Technikai felszereltsg (F=x2/x1):

Az albbi (F) hnyadost technikai felszereltsgnek nevezzk.
F=

x2
x1

Az elzekbl kvetkezik ugyanis, hogy a technikai felszereltsg s az eszkzhatkonysg szorzata a

munka termelkenysgvel egyenl.
y1 =

y
y x2
=
x 1 x 2 x1

Az tlagmutatkon kvl a hatrmutatk is lnyeges szerepet jtszanak a termelsi fggvnyek elemzsben.

Hatrtermelkenysg (dy/dx1 s dy/dx2):

Hatvnykitevs kt tnyezvltozs termelsi fggvny esetben a hatrtermelkenysgek:
b
dy
y
b 1
MPx1 =
= b0 x 2 2 b1x11 = b1 = b1 y1
dx1
x1
MPx 2 =

b
dy
y
b 1
= b 0 x1 1 b 2 x 2 2 = b 2
= b 2 y2
x2
dx 2

Ugyanis:
b

y = b 0 x1 1 x 2 2
b 1
b
b 1
1
x11 = x11 x1 = x11 x

261

A zrjelben feltntettk azt, hogy az adott mutatt hogyan jelltk: a C-Dtermelsifggvnytlag s hatrmutati.xls Excel parancsfjlban.
262
tlagtermelkenysg (Average Productivity) vagy tlagtermk: Average Product, jele AP.

199

Az lmunka hatrtermelkenysge az lmunka vltoz (x1) kitevje (b1) s az tlagtermelkenysg ( y1 )

szorzatval egyenl. Hasonl mdon a holtmunka hatrtermelkenysge a holtmunka vltoz (x2) kitevje (b2) s az eszkzhatkonysg ( y2 ) szorzatval egyenl.

Az x1 s x2 termelsi tnyez parcilis rugalmassga (elaszticitsa) 263:

F

y dx
dy y
dy
e1 = d : x 1 = d x : x = x : y1 = MPx1 : y1
y
d
1
1
1
1
y dx
dy y
dy
e1 = d : 2 = x : x = x : y 2 = MPx 2 : y2
y x2 d 2 2 d 2

Lthat, hogy a parcilis elaszticits a termelsi tnyezk hatr- s tlagtermelkenysge hnyadosval is

kifejezhet. Az e1 az lmunka parcilis elaszticitsa azt mutatja meg, hogy hny szzalkkal n a kibocsts az lmunka-rfordts egy szzalkos nvekedse mellett, mikzben a holtmunka-rfordts vltozatlan marad. Hasonl mdon rtelmezzk az e2-t, amely a holtmunka parcilis elaszticitst jelli. A
parcilis elaszticits reciprokt parcilis flexibilitsnak (rszleges rzkenysgnek) hvjuk. Megmutatja,
hogy hny szzalkkal n pl. a munkaer-felhasznls, ha a termelst egy szzalkkal nveljk, mikzben a holtmunka-rfordts vltozatlan marad. A gazdlkod egysg szmra hasznos lehet megtudni, hogyan n a termels, ha minden termelsi tnyez felhasznlst nveli. A parcilis elaszticits csak egy
termelsi tnyez vltozsa esetn adja meg a termels relatv vltozst. Hosszabb tvon azonban az szszes termelsi tnyez vltozik.
A hatvnykitevs regresszis fggvny esetben a parcilis rugalmassgi egytthat a b1 s b2 paramterekkel egyenl:
e1 = (b1 y) /(y) = b1
264

e 2 = (b 2 y) /(y) = b 2

A volumenhozadk (ev)
A volumenhozadk (volumenelaszticits) megmutatja, hogy hny szzalkkal n a termels a termelsi
tnyezk egy szzalkos nvekedse mellett. Ez a mutat teht az sszes termelsi tnyez egyidej arnyos relatv nvekedsnek hatst mri. A volumenhozadk az egyes termelsi tnyezk parcilis elaszticitsainak sszegvel egyenl:
e v = e1 + e 2
F

A volumen hozadk ev azt fejezi ki, hogy a termels relatv nvekedse nagyobb ( e v > 1) , vagy kisebb
( e v < 1) , mint a rfordtsok relatv nvekedse, illetve azzal egyenl-e e v = 1 . A gazdasgi fejlds

szempontjbl az elnys, ha e v > 1 .

Ha a termelsi fggvny k-ad fok homogn, akkor
y a = f ( ax1 , ax 2 ) = a k f ( x1 , x 2 )
vagyis a termelsi tnyezk a-szoros nvekedse a kibocsts ak-szoros nvekedst idzi el. A k-t a
homogenits foknak nevezik. A termelsi fggvny segtsgvel vizsglhatjuk a termelsi tnyezk arnyainak, helyettestsnek s klcsnhatsnak alakulst is. Ha k=1, akkor a termelsi tnyezk kszoros nvekedse a kibocsts szintjn szintn k-szoros nvekedshez vezet. ( y a = ay ). Ha k>1, akkor a
termelsi tnyezk k-szoros nvekedse a kibocsts szintjn tbb mint k-szoros nvekedshez vezet.
( y a > ay ). Ha 0<k<1, akkor a termelsi tnyezk k-szoros nvekedse a kibocsts szintjn kevesebb,
mint k-szoros nvekedshez vezet. ( y a < ay ).
A k-ad fok, vagyis a homogenits foka azonos a volumen hozadkval.
Euler-ttel alapjn: a termelsi tnyezk hozadkt hatrtermelkenysgk s mennyisgk szorzata hatrozza meg:

263

ME=Marginal Elasticity (marginlis rugalmassg).

Hasznlatos kifejezsek: volumenhozadk, volumenrugalmassg (volumenelaszticits), sklahozadk, nvhozadk, mrethozadk, Return to Scale.

264

200

y = MPx1 * x1 + MPx 2 * x 2 / y
x1
x
+ MPx 2 * 2
y
y
Az Euler ttelbl kvetkezik, hogy elsfok homogn termelsi fggvny esetn a tnyezk parcilis rugalmassgainak sszege 1, ugyanis az tlagtermelkenysgek s a hatrtermelkenysgek szorzata egyenl eggyel.
1 = MPx1 *

A helyettestsi hatrarny 265 (s1 s s2)

F

A termelsi fggvnyben szerepl tnyezk bizonyos hatrokon bell helyettesthetik egymst. A helyettestsi hatrarny azt fejezi ki, hogy az egyik termelsi tnyez egysgnyi cskkentse esetn mennyivel
kell megnvelni a msik tnyezt ahhoz, hogy a kibocsts vltozatlan szinten maradjon.
s1 =

dy dy
y
= b1
:
dx1 dx 2
x1

s2 =

x
dy dy
= ( b 2 b1 ) 1
:
dx 2 dx1
x2

b2

x
y
= ( b1 b 2 ) 2
x1
x2

A helyettestsi hatrarny a termelsi tnyezk hatrtermelkenysgnek a hnyadosval hatrozhat

meg. Az s1-gyel jelltk annak a szksges beruhzsnak a nagysgt, amely egysgnyi munkaer lleszkzkkel trtn helyettestshez szksges a kibocsts vltozatlansga mellett. Az lmunka helyettestsnek gy kifejezett nagysga egyenesen arnyos az lmunka hatrtermelkenysgvel, s fordtottan arnyos a holtmunka hatrtermelkenysgvel. Az s1 vltozsa a vizsglt fggvny esetben a technikai felszereltsg vltozstl fgg. Az s2-vel jelltk a kibocsts vltozatlansga esetn az egysgnyi
lleszkz munkaervel val kivltsnak nagysgt. Ez egyenesen arnyos a holtmunka hatrtermelkenysgvel, s fordtottan arnyos az lmunka hatrtermelkenysgvel.

Helyettestsi rugalmassg 266

A helyettestsi rugalmassg a technikai felszereltsg relatv vltozsnak s a helyettestsi hatrarny
relatv vltozsnak hnyadosval egyenl. Kzgazdasgi szempontbl fontos ez a mutat, mert rtktl
fgg pldul az, hogy a beruhzsok milyen mrtkben terjeszthetk ki gazdasgosan valamely termelsi
egysgnl.
A helyettestsi rugalmassg kplete:
F

d(x 2 / x1 ) ds1
:
x 2 / x1
s1

Kedvez az, ha > 1 , ugyanis ebben az esetben a helyettestsi hatrarny 1%-os nvekedse esetn a
technikai felszereltsg 1%-nl nagyobb temben n. A helyettestsi rugalmassgra rvnyes, hogy:
0 .
Hatvnykitevs regresszis fggvny esetben a =1.

Akcelertorok.
Kzvetlen akcelertor (akc1 s akc2)
Valamely termelsi tnyez hatrtermelkenysgnek vltozst, valamint a termelsi tnyezk vltozsnak a kapcsolatt jellemz mutatkat akcelertoroknak nevezzk. A termels akcelertora az egyik termelsi tnyez hatrtermelkenysgnek a vltozsa, ha ennek a termelsi tnyeznek felhasznlt menynyisgt egysggel nvelik (kzvetlen akcelertor), vagy a msik termelsi tnyez felhasznlt mennyi265

A helyettestsi hatrarny jele MRS=Marginal rate of Substitution.

A helyettestsi rugalmassg angolul: ES=Elasticity of substitution. A fogalmat John Hicks (1932) s Joan
Robinson (1933) hasznlta elszr.
266

201

sgt egy egysggel nvelik (keresztakcelertor). Valamely termelsi tnyez kzvetlen akcelertort a
termelsnek a megfelel termelsi tnyez szerinti msodrend parcilis derivltja adja meg. A vizsglt
termelsi fggvnyhez a kvetkez kzvetlen akcelertorok tartoznak:
,
d 2 y
b 2
b2
b1 1
b (b 1)
b
x
b
x
y
=
= b0 x 2b2 b1 (b1 1)x1 1 = 1 12
(
)
0 2
1 1
2
x1
dx1
,
b
d 2 y
b 2
b 2 1
b1
b (b - 1)
=
b
x
b
x
= b0 x11 b 2 (b 2 1)x 22 = 2 22
y
(
)
0 1
2 2
2
dx 2
x2
A kzvetlen akcelertorok eljeltl fggen a hatrtermelkenysgek viselkedsnek hrom esete klnbztethet meg:
1. A termelsi tnyez hatrtermelkenysge n a termelsi tnyez nvekedsvel, ha a kzvetlen
akcelertor pozitv. Felttele: b1>1 illetve b2>1
2. A termelsi tnyez hatrtermelkenysge vltozatlan marad a termelsi tnyez nvekedsvel,
ha a kzvetlen akcelertor nulla. Felttele: b1=1 illetve b2=1
3. A termelsi tnyez hatrtermelkenysge cskken a termelsi tnyez nvekedsvel, ha a kzvetlen akcelertor negatv. Felttele: 0< b1<1 illetve 0< b2<1

Keresztakcelertor (keresztakc)
A kzvetett akcelertor, a keresztakcelertor, amely megadja az egyik termelsi tnyez hatrtermelkenysgnek vltozst a msik termelsi tnyez egysgnyi vltozsa esetn. A differencils szablyai
szerint, elszr az x1, majd az x2 szerint vgezzk el a derivlst:
b
b 1
dy dy
b 1
bb
= b 0 x 2 2 b1x11 b 2 x 22 = y 1 2
dx1 dx2
x 1x 2
ami azt jelenti, hogy az egyik termelsi tnyez vltozsa ugyangy befolysolja a msik termelsi tnyez hatrtermelkenysgt, mint ez utbbi termelsi tnyez vltozsa az elbbinek a hatrtermelkenysgt. A fenti sszefggs azt mutatja, hogy a kt keresztakcelertor mindig egyenl egymssal, mivel a derivls szablyai szerint mindegy, hogy a parcilis derivlsokat milyen sorrendben vgezzk el. Mindegy teht, hogy a termelsi fggvnyt elszr az lmunka s azutn a holtmunka szerint, vagy elszr a
holtmunka s utna az lmunka szerint derivljuk.
A keresztakcelertorok felhasznlsval eldnthetjk, hogy kt termelsi tnyez helyettesti, vagy kiegszti egymst a termelsben. Ha kt termelsi tnyez keresztakcelertora pozitv, vagyis az egyik termelsi tnyez nvelse nveli a msik hatrtermelkenysgt, akkor a kt tnyez kiegszti egymst. Ha
kt termelsi tnyez keresztakcelertora negatv, vagyis az egyik mennyisgnek nvelse cskkenti a
msik hatrtermelkenysgt, akkor a kt tnyez egymst helyettesti. Ha kt termelsi tnyez
keresztakcelertora nulla, akkor fggetlenek egymstl. A helyettestsi viszonyban lev tnyezk jellegzetessge, hogy ezekbl tbbfle mennyisgi kombinci hasznlhat fel ugyanazon termkmennyisg
ellltshoz, azaz bizonyos keretek kztt az egyik a msikat helyettestheti a termelsben. Az egyik tnyez nvelse, a msik cskkentst vonja maga utn. Feltteleztk, hogy a termelsi fggvny parcilis
derivltjai pozitvak, gy a b1 s b2 egytthatk is pozitvak, teht a keresztakcelertorok is pozitvak.
Hozadkok, az tlagtermelkenysgek derivltjai (hozadkx1 s hozadkx2)
1 ) x1 szerinti derivltjt, felhasznlva a trtfggvnyekre vonatkoz derivlsi szablyt:
Kpezzk az (y/x
y
dy
y
d x1
x1

dy1
dx1
1 dy y 1 dy

=
=
=
=
y1
2
dx1
dx1
x1
x1 dx1 x1 x1 dx1

A holtmunka hozadka hasonl mdon vezethet le:

y
dy
y
d x2
x2

dy 2
dx 2
1 dy
y 1 dy

=
=
=

y
2

dx 2
dx 2
x 22
x 2 dx2 x 2 x2 dx 2

Lthat, hogy a hozadk nagysga a hatrtermelkenysg s az tlagtermelkenysg viszonytl fgg:

202

A termelsi tnyez hozadka n, ha a hatrtermelkenysg nagyobb, mint az tlagtermelkenysg, nem

vltozik, ha a hatrtermelkenysg s az tlagtermelkenysg egyenl s cskken, ha a hatrtermelkenysg kisebb, mint az tlagtermelkenysg.
A vizsglt hatvnykitevs regresszis fggvny esetben az lmunka s a holtmunka hozadka:
y
d
x1
dy1
1 dy y 1 y y 1 y
= =
= b1 =
[ b1 1]
dx1
dx1
x1 dx1 x1 x1 x1 x1 x1 x1
y
d x2
dy 2
1 dy
y 1 y
y 1 y
= =
=
b2
=
[ b2 1]

dx 2
dx 2
x 2 dx 2 x 2 x 2 x 2 x 2 x 2 x 2

A termelsi tnyez hozadka n, ha b1>1 illetve b2>1, nem vltozik, b1=1 illetve b2=1 s cskken, ha
0<b1<1 illetve 0<b2<1.
A termelsi fggvnyek becslhetk kettnl tbb magyarz vltoz esetben is, az elzekben bemutatott parcilis tlag s hatrmutatk hasonl mdn rtelmezhetk:
b
b
b
b
y = b 0 x1 1 x 2 2 x 3 3 ....x k u
ln y = ln b0 + b1 ln x1 + b 2 ln x 2 + b3 ln x 3 ....b k ln x k + lnu

A nem lineris regresszis fggvnyek jellemzi

A trendszmtsnl bemutatott mdon (ebben az esetben t=x) linearizlhatk az albbi nem lineris regresszis fggvnyek is, a fggvnyek jellemzit a 4-3. tblban foglaljuk 267 ssze.
F

267

Ld. Ramu Ramanathan (2003): 258. s Pintr Jzsef Rappai Gbor (2007): 464.

203

4-3. tbla: Linerisra visszavezethet nem lineris regresszi fggvnyek jellemzi

Fggvnytpus

A
fggvny
meredeksge

A fggvny

Lineris

y = b0 + b1x

(lin-lin)

(log-log)

b1

ln y = ln b0 + b1 ln x

y = b0 b1x

Exponencilis
(log-lin)
Fllogaritmikus

y = b0 + b1 ln x

(lin-log)
Hiperbolikus

y = b0 + b1

(reciprok)

Msodfok parabolikus

b1

1
x

ln y = b0 + b1

Log- reciprok

y
x

1
x

x ln b1

1
x

b1

1
y

b1

1
x2

b1

1
xy

b1

y
x2

b1

1
x

y =b0 + b1x + b 2 x 2

b1 + 2b 2 x

(b1 + 2b 2 x)x
y

lny =b0 + b1x + b 2 x 2

y (b1 + 2b 2 x)

x(b1 + 2b 2 x)

(kvadratikus)
Log- kvadratikus

x
y

b1

y ln b1

ln y = ln b0 + x ln b1

elaszticitsa
b1

b1

y = b0 x b1

Hatvnykitevs

A fggvny

C-Dtermelsifggvnytlagshatrmutati.xls parancsfjl mkdse 268

F

A program kiszmtja elszr a hatvnykitevs (Cobb-Douglas) termelsi (regresszis) fggvny paramtereit a logaritmizlt fggvny alapjn, majd kzli a transzformlt b0 s ev volumenhozadk rtkeket, tovbb a becslt y vektort logaritmizlt (lny_becslt: ln y ) s termszetes formban (y_becslt: y ) Ezt
kveten kiszmtja az tlag- s a hatrmutatkat, a megfigyelseknek s a magyarzvltzknak (x1 s
x2) megfelelen a kvetkez sorrendben: tlagtermelkenysgek, technolgiai koefficiensek, technikai
felszereltsg, hatrtermelkenysgek, parcilis rugalmassgok, helyettestsi hatrarnyok, kzvetlen akcelertorok, keresztakcelertor, hozadkok. Az brk munkalapon pedig brzolja is a kiszmtott tlags hatrmutatkat. mutatkat.
A jellsek:
y/x1

y/x2

x1/y

x2/y

F=x2/x1

dy/dx1

dy/dx2

s1

s2

akc1

akc2

keresztakc

hozadkx1

hozadkx2

A mintaplda a kvetkez adatllomny (cipgyr adatai) alapjn kszlt:

268

A regresszio.xls Excel parancsfjllal elszr ellenrizni kell, hogy a modell eleget tesz-e az elmleti statisztikai
feltteleknek. Regressziocipohatvanykitevos.xls parancsfjl tartalmazza a tesztels eredmnyeit. A modell eleget
tesz az elmleti feltteleknek, csak a multikollinearits zavar, viszont a b1 s b2 paramterek szignifiknsan klnbznek a nulltl. Az empirikus szignifikancia szint a p rtke: 0,0000231. A b1 s b2 paramter pozitv, teht a hatrtermelkenysg is pozitv, gy a modell a kzgazdasgi felttelnek is eleget tesz, elemzsre s elrejelzsre felhasznlhat.

204

vek (t)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Ahol:

y
1009
1099
1476
1488
1522
1568
1570
1701
1699
1667
1681
1594
1557
1560
1562
1589
1601
1588
1592
1538
1330
1208
1000

x1
1787
2178
2627
2611
2740
2723
2746
2882
2506
2792
2681
2559
2483
2403
2146
2098
2032
2010
1949
2032
1844
1651
1568

x2
1008
1111
1253
1218
1219
1208
1300
1647
1499
1741
2126
2544
2766
2654
2695
3702
4042
3930
4074
5278
4976
5314
5346

y = a termels volumene [ezer pr]

x1 = a fizikai foglalkozsak teljestett munkari [ezer ra]
x2 = a gpek berendezsek amortizcija [milli Ft]
A szmtsok eredmnyei:
lnb0=
-2,3616
b0=
0,0943
b1=
1,0416
b2=
0,2071
ev=b1+b2
1,2487

205

y/x1

y/x2

x1/y

0,564633
0,504591
0,561858
0,569897
0,555474
0,575835
0,571741
0,590215
0,677973
0,597063
0,627005
0,6229
0,627064
0,649189
0,727866
0,757388
0,787894
0,79005
0,816829
0,75689
0,721258
0,731678
0,637755

1,000992
0,989199
1,177973
1,221675
1,248564
1,298013
1,207692
1,032787
1,133422
0,957496
0,790687
0,626572
0,562907
0,587792
0,579592
0,429227
0,396091
0,404071
0,390771
0,291398
0,267283
0,227324
0,187056

1,77106
1,981802
1,77981
1,754704
1,800263
1,736607
1,749045
1,694297
1,474985
1,674865
1,594884
1,605395
1,594733
1,540385
1,37388
1,320327
1,269207
1,265743
1,224246
1,321196
1,386466
1,366722
1,568

dy/dx1

dy/dx2

s1

s2

akc1

akc2

0,588115
0,525576
0,585223
0,593597
0,578575
0,599783
0,595518
0,61476
0,706167
0,621893
0,65308
0,648804
0,653142
0,676186
0,758135
0,788885
0,82066
0,822905
0,850798
0,788366
0,751253
0,762106
0,664277

0,207296
0,204854
0,243947
0,252997
0,258566
0,268806
0,250102
0,21388
0,234721
0,198288
0,163744
0,129757
0,116573
0,121726
0,120028
0,088889
0,082027
0,083679
0,080925
0,060346
0,055352
0,047077
0,038737

2,837077
2,565614
2,398978
2,346257
2,23763
2,231282
2,381102
2,874318
3,00854
3,136307
3,988427
5,000138
5,602871
5,554978
6,316322
8,874954
10,00479
9,834033
10,51343
13,06414
13,57234
16,18861
17,14818

0,352475
0,38977
0,416844
0,426211
0,446901
0,448173
0,419974
0,347909
0,332387
0,318846
0,250725
0,199994
0,17848
0,180019
0,15832
0,112677
0,099952
0,101688
0,095116
0,076545
0,073679
0,061772
0,058315

1,37E-05
1E-05
9,26E-06
9,45E-06
8,78E-06
9,16E-06
9,02E-06
8,87E-06
1,17E-05
9,26E-06
1,01E-05
1,05E-05
1,09E-05
1,17E-05
1,47E-05
1,56E-05
1,68E-05
1,7E-05
1,82E-05
1,61E-05
1,69E-05
1,92E-05
1,76E-05

-0,000163
-0,000146
-0,000154
-0,000165
-0,000168
-0,000176
-0,000153
-0,000103
-0,000124
-9,03E-05
-6,11E-05
-4,04E-05
-3,34E-05
-3,64E-05
-3,53E-05
-1,9E-05
-1,61E-05
-1,69E-05
-1,58E-05
-9,07E-06
-8,82E-06
-7,02E-06
-5,75E-06

x2/y
0,999009
1,010919
0,848916
0,818548
0,80092
0,770408
0,828025
0,968254
0,882284
1,044391
1,264723
1,595985
1,776493
1,701282
1,725352
2,329767
2,524672
2,474811
2,559045
3,43173
3,741353
4,399007
5,346

F=x2/x1
0,564074
0,510101
0,47697
0,466488
0,444891
0,443628
0,473416
0,571478
0,598164
0,623567
0,792988
0,994138
1,113975
1,104453
1,255825
1,764538
1,989173
1,955224
2,090303
2,597441
2,698482
3,218655
3,409439

keresztakc
0,000120826
9,79674E-05
9,67232E-05
0,000100926
9,82915E-05
0,000102822
9,48662E-05
7,72987E-05
9,75588E-05
7,39737E-05
6,36155E-05
5,28149E-05
4,89007E-05
5,27625E-05
5,8257E-05
4,41304E-05
4,20462E-05
4,33628E-05
4,3248E-05
3,09328E-05
3,12655E-05
2,96998E-05
2,57324E-05

hozadkx1
1,314E-05
9,63465E-06
8,89448E-06
9,07702E-06
8,43078E-06
8,79437E-06
8,6587E-06
8,51668E-06
1,12509E-05
8,89322E-06
9,72586E-06
1,01228E-05
1,05024E-05
1,1235E-05
1,41051E-05
1,5013E-05
1,61249E-05
1,6346E-05
1,7429E-05
1,54904E-05
1,62661E-05
1,84301E-05
1,69146E-05

hozadkx2
-0,000787397
-0,000705981
-0,000745432
-0,000795302
-0,00081214
-0,000851993
-0,000736608
-0,000497211
-0,000599534
-0,000436075
-0,000294893
-0,000195289
-0,000161364
-0,000175609
-0,000170525
-9,19337E-05
-7,77002E-05
-8,15247E-05
-7,60544E-05
-4,37765E-05
-4,25907E-05
-3,39193E-05
-2,77438E-05

Gyakorl feladatok: C-D-termelsi fggvny tlag s hatrmutati Excel parancsfjl.xls alkalmazsa.

Nem lineris, de linearizlhat regresszis fggvnyek becslse regresszio.xls Excel parancsfjllal*
A knyv adatai: termelsi fggvny alknyvtrban tallhatk az adatok.
206

1. A cipgyr adatainak felhasznlsval (cipogyar.xls) vgezzen Backward regresszi szmtst, a

regresszio.xls Excel parancsfjllal gy, hogy egy lmunka s egy holtmunka vltoz maradjon a modellben. Az idsor els 17 adatval dolgozzon. rtkelje matematikai-statiszikai szempontok alapjn a modellt, majd hatrozza meg az tlag s hatrmutatkat a C-D termelsi fggvny tlag s hatrmutati Excel parancsfjl felhasznlsval.
2. Bvtse az 1. feladatban definilt termelsi fggvny magyarz vltozit az anyagfelhasznls (d=
felsbr felhasznls) vltozval. A szmtsok elvgzse utn rtelmezze az tlag s hatrmutatkat.
3. Vgezze el a szmtsokat a Cobb s Douglas ltal elvgzett szmtsok eredeti adatllomnyval.
(Cobb-Douglaseredetiadatok1899-1922.xls)
4. A knyv adatai: Egy fre jut GDP s kapcsold mutatk orszgonknt alknyvtrban tallhat: szszes mutat feldolgozva Excel fjl. A feladat felhasznlva a lineris s linerisra visszavezethet, de nem
lineris regresszi-analzis mdszereit az, hogy az orszgonknti egy fre jut GDP $-ban mrt nagysga
s az egyes kivlasztott gazdasgi-demogrfiai s trsadalmi mutatk kztt milyen kapcsolatot modellezzk. Vizsglja meg, hogy hogyan vltozik a gazdasg nvekedsvel a szletskor vrhat lettartam,
az letminsg, a jlt, a fiatalok kiltsait jellemz humn fejlettsg mutatja (HDI), a munkanlklisg
arnya, illetve bizonyos termkek esetben a fogyaszts, gy az egy fre jut gpkocsik szma, a fajlagos
energia, illetve a villamos energia felhasznls. A regresszio.xls parancsfjl hasznlata eltt az adatok
transzformciit el kell vgezni. A grafikus bra alapjn kell eldnteni, hogy a fggvnytpus vlts krlbell mekkora GDP/f rtknl kvetkezik be.

4.8 A CES-fggvny becslse. (CES1.xls, CES2.xls CES3.xls)*

A hatvnykitevs regresszis (Cobb - Douglas tpus) termelsi fggvnyek szleskr elterjedse,
npszersge a fggvny egyszer s knnyen kezelhet matematikai alakjnak tulajdonthat. Problma
viszont az, hogy a helyettestsi rugalmassg () rtke elre rgztett, eggyel egyenl rtk lehet csak.
Ezt a korltot oldottk fel a CES (lland helyettestsi rugalmassg) termelsi fggvny kidolgozi. A
CES fggvnynl a helyettestsi rugalmassg rtkt a konkrt termelsi fggvny eredmnyeknt hatrozzk meg. Ebben az esetben a helyettestsi rugalmassg lland, de nem felttlenl egyenl eggyel, viszont rtke nem lehet negatv. A CES fggvny t becslt paramtervel sokoldalbban rja le a fejldst, mint a hrom paramteres Cobb-Douglas termelsi fggvny. Ugyanakkor a CES fggvny becslse
bizonyos problmkat vet fel. Szksg van a munkaer s az lleszkz "ra" becslsre s ez sok bizonytalansgot visz a modellbe. Itercis eljrssal viszont a munkaer s az lleszkz "ra" ismerete
nlkl is meghatrozhat az a fggvny, ami mellett a tbbszrs determincis egytthat (R2) rtke a
legnagyobb.
A CES 269-fggvny becslse. 270 271 272
A CES-fggvny kplete eredeti s logaritmizlt formban:
F

y = h A 2 x 2

+ (1 A 2 )x

P
1

ev
P

eu

ln y = ln h + e v [ ]ln A 2 x 2 -P + (1 A 2 )x1-P + u
p

1
p = 1

1
=
p +1
=

d(x 2 / x1 ) ds1
:
x 2 / x1
s1

270

Arrow, K. J. - Chenery, H. B. - Minhas, B. S. Solow, R. M.[ 1961]: 225-250. A szerzk vezetknevnek kezdbeti alapjn a CES - fggvnyt ACMS vagy SMAC fggvnynek is hvjk. Az lland helyettestsi rugalmassg fggvny angol rvidtse CES. (Constant Elasticity of Substitution).
271
Pintr Jzsef: [1987]: 187-206.
272
Mtys Antal [1973]: 305-310.

207

s1 =
Ahol:

dy dy
:
dx1 dx 2

h>0; 0< A 2 <1; p 1 ; 0 ,

y = a termels (kibocsts, output),
x1 = a munkatnyez (az lmunka-rfordts, input) 273,
x2 = az lleszkz-tnyez (a holtmunka-rfordts, input),
e v = a volumenhozadk, azt fejezi ki, hogy hny szzalkkal n a termels (a kibocsts) a termelsi tnyezk (x1 s x2) egy szzalkos nvekedse mellett.
A 2 = az elosztsi paramter, a kt termelsi tnyez rszesedst fejezi ki a termels [ y ] ltrehozsban, ahol az A 2 a holtmunka, mg (1- A 2 ) az lmunka rszesedse.
= a helyettests rugalmassga (a technikai felszereltsg relatv vltozsnak s a helyettestsi
hatrarny relatv vltozsnak a hnyadosa)
s1 = a helyettestsi hatrarny (hatrrta) a vizsglt termelsi fggvny esetben az lmunka
parcilis derivltjnak s a holtmunka parcilis derivltjnak a hnyadosa.
F

p = a helyettestsi paramter, amely a helyettestsi rugalmassg () transzformcija, ha p=0,

akkor =1, ez a Cobb-Douglas fggvny esete, ha: -1<p<0, akkor >1, vgl ha 0<p< , akkor
<1.
h = a semleges hatkonysgi paramter, amelynek vltozsa meghatrozott rfordtsok esetn
azonos arnyban vltoztatja a termelst.

Ha ismernnk az A 2 s a p rtkt, akkor egy hromvltozs lineris modellre vezetnnk vissza a CESfggvnyt s akkor a becsls megoldhat lenne. A CES-fggvny paramterei ugyanis csak a p s A 2 ismeretben becslhetk meg:
1

ln y = ln h + e v [ ]ln A 2 x 2 -P + (1- A 2 )x1-P + u

p

Legyen:
1
W = [- ]ln A 2 x 2 -P +(1-A 2 )x1-P
p
A2 s p ismeretben a kt hinyz (lnh illetve h s ev) paramter becslhet:
lny = lnh + e v W + u
A CES becslsnek hrom mdszere ismert.

1. Mdszer CES1.xls
Keress gombra kattintva az Opt W vektorban megkeresi azt a helyettests rugalmassg, illetve az ebbl
szmtott helyettestsi paramter rtket s az elosztsi paramtereket, A2 illetve az ebbl szmtott A1
rtket, amelyek esetben az illeszts a legjobb, teht a tbbszrs determincis egytthat (R2) a legnagyobb. Ha A2 s p ismert, amit az Excel parancsfjl kiszmt az elzekben lert mdon a hinyz
lnh s ev paramterek az albbi regresszis fggvnnyel becslhetk:
lny = lnh + e v W + u
Az optimlis regresszit, teht ahol az adott A 2 s p rtkek mellett az R 2 a legnagyobb, elfogadva a
CES-fggvny paramtereit a logaritmizlt egyenletbl (lnybecs) megkapjuk.

273

A munkatnyezt a nemzetkzi irodalomban ltalban L-vel, (Labor, munkaer) a holtmunka tnyezt K-val
(Capital assets, lltke) jellik. A feladatot regresszis modellknt rtelmezzk, ezrt a megfigyelt magyarzvltozkat xi-vel jelljk, az lmunka indexe 1, a holtmunk 2.

208

ln y = ln h + e v [ ]ln A 2 x 2 -P + (1- A 2 )x1-P + u

p

ln h
h = e transzformcival az eredeti fggvny (ybecs) felrhat, mert p, A 2 s e v paramterek ismertek.
Az bra munkalapon az eredeti s a becslt (CES) adatok brjt is meg lehet tekinteni.
A feldolgozhat legnagyobb adatllomny esetben a megfigyelsek szma 500.

2 Mdszer CES2.xls
A CES fggvny kidolgozi, abbl indultak ki, hogy a munka tlagos termelkenysge s a munkabr
kztti empirikus sszefggs magban foglal egy hatvnykitevs regresszis fggvnyt. Az albbi szszefggsbl kiindulva, mindkt oldalt logaritmizlva, a munkabr (v) kitevjt c-vel jellve, a kvetkez segd fggvnyhez jutottak.
y
x1
ln

= b1v c eu
y
x1

= ln b1 + c ln v + u

Ahol:
v = az egysgnyi munkaer-tnyez ra (pl. az sszes munkabr [vagy brkltsg, vagy relbr stb.]
osztva a figyelembe vett munkatnyez [x1] mennyisgvel)
A fenti sszefggsekben a b1 s c paramterek, a legkisebb ngyzetek mdszervel, az ln[y/x1] s lnv
idsorbl meghatrozhatk. Bizonytottk, hogy c lland volumenhozadk (ev) esetn a helyettestsi
rugalmassggal egyenl. A fenti sszefggsekben lthat, hogy a munkabr kitevje (c) azt fejezi ki,
hogy a munkabr (v) 1 szzalkos nvekedsvel a termelkenysg c %-kal vltozik. A c= sszefggst
felhasznlva a helyettestsi paramter (p) is meghatrozhat. Az egyenlet becslst gy vgezhetjk el,
hogy az A2 rtkt vltoztatjuk, s azt a vltozatot fogadjuk el, ahol az R2 a legnagyobb s a regresszis
modell, az elmleti feltteleknek eleget tesz. A p teht ismert, gy az A 2 rtkt kell vltoztatni a 0 s 1
intervallumban, s mindegyik A2 rtk esetben meg kell hatrozni a tbbszrs determincis egytthat (R2) rtkt, felhasznlva az albbi, korbban mr megismert determincis egytthat (R2) rtkt,
felhasznlva az albbi, korbban mr megismert sszefggseket. Amelyik A2 rtknl a legnagyobb a
tbbszrs determincis egytthat rtke (R2), azt a fggvnyt fogadjuk el. A szmts teht hasonlt az
1. mdszerhez, a klnbsg az, hogy csak az A 2 rtkt vltoztatjuk, a p viszont mr ismert. Az adatllomny viszont bonyolultabb, szksg van a munkaer rra is, hogy a p rtkt megbecsljk.
y = h A 2 x 2 -P + (1- A 2 )x1-P

ev
P

eu

lny=lnh +e v [ ]ln A 2 x 2 -P + (1- A 2 )x1-P + u

p

A p ismeretben a hinyz az A2 vltoztatsval paramterek megbecslhetk. A ces2.xls fjl kzli az A2

= 0,1: A2 = 0,2: A2 = 0,3: A2 = 0,4: A2 = 0,5: A2 = 0,6: A2 = 0,7: A2 = 0,8: A2 =0,9: s az optimlis A2 (az
A2 brmilyen rtket felvehet 0 s 1 kztt, s ahol az R2 a legnagyobb) esetben a kvetkez mutatkat:
R2, lnh, h, ev.
A W a megadott A2 (A2 = 0,1: A2 = 0,2: A2 = 0,3:. =0,9: s az optimlis) rtkek szerint vltozik:
1
W = [ ]ln A 2 x 2 -P + (1-A 2 )x1-P
p
A megadott A2 felhasznlsval a hinyz paramterek a mr ismert regresszis fggvnnyel becslhetk.
lny=lnh + e v W + u
A program kzli az A2 megadott rtkei (A2 = 0,1: A2 =0,9:) kzl a legjobb becslst (ahol az R2 a
legnagyobb) ad CES fggvny logaritmizlt (lny_becs) s transzformlt, eredeti (y_becs) rtkeit, az
eredeti adatok s a CES-fggvny alapjn szmtott reziduum ngyzet rtkeket. A K oszlopban elszr a
CES paramtereket sorolja fel.
209

A program kzli az A2 optimlis rtkt is, (ahol az R2 a legnagyobb) s ezt *-gal jelli, CES fggvny
logaritmizlt (lny_becs*) s transzformlt, eredeti (y_becs*) rtkeit, az eredeti adatok s a CESfggvny alapjn szmtott REZIDUUM NGYZET* rtkeket. A K oszlopban a CES paramtereket *
megjellssel msodikknt sorolja fel.
A feldolgozhat legnagyobb adatllomny esetben a megfigyelsek szma 500, ezrt a szmtott paramterek egy rsze az 501. sorban tallhat.
Az bra munkalapon az eredeti, s a becslt (CES) adatok brjt is meg lehet tekinteni.

3 Mdszer CES3.xls
A mdszer alkalmazshoz szksg van a munkaer (v) s az lleszkz (r) rra is. Felttelezzk, hogy
a CES fggvny folytonos s ltezik az elsrend s msodrend parcilis derivltja. Az elsrend parcilis derivlt [a hatrtermelkenysg] pozitv, ami azt jelenti, hogy a megfelel termelsi tnyez nvelsvel a termels is n. Ez a felttel a termelsi fggvny nvekv jellegre utal. A parcilis derivltakat
meghatrozva, bizonythat, hogy a CES termelsi fggvnynl, az lmunka s a holtmunka hatrtermelkenysgnek hnyadosa, a helyettestsi hatrarny s1:
p +1

1 A2 x 2
v
= s1 =

r
A 2 x1
A helyettestsi hatrarny nyeresg maximum esetn a tnyezvltozk rnak arnyval v/r egyenl.
Ahol a mg nem ismert jells:
r = az egysgnyi lleszkz-tnyez ra, ami pl. az lleszkz llomny megtrlsi rtja, annak a kamatlbnak a meghatrozsra szolgl, amely egyszeri megtrlst biztost az lettartamon bell, ez a bels kamatlb. A bels kamatlb megmutatja, hogy mekkora az a kalkulatv kamatlb, amely mellett a beruhzs egyszeri s a mkds folyamatos kltsgei a bevtelekbl ppen egyszer trlnek meg az lettartam alatt. Helyettesthetjk a bels kamatlbat az eszkzhatkonysg vagy a kibocsts (termels) nvekedsi temvel, vagy az lleszkzk nett rtkre jut amortizcival, vagy az lleszkzk nett
rtkre jut amortizcinak az egyb tiszta jvedelmi elemekkel nvelt tmegvel.
E felttelek mellett a CES termelsi fggvnyre a kvetkez segd fggvnyt rhatjuk fel. A fenti egyenletet logaritmizlva:
x
v
1 A2
ln = ln
+ ( p + 1) ln 2
r
A2
x1
az A2 s a p meghatrozhat.
Legyen:

1 A2
A2
e1 = p + 1

e0 = ln
Ekkor:

1
1 + e e0
p = e1 1

A2 =

Az A2 s p ismeretben a CES fggvny becslhet.

Lthat, hogy a becslshez szksg van a munkaer s az lleszkz r adatokra is.
1

lny=lnh +e v [ ]ln A 2 x 2 -P + (1- A 2 )x1-P + u

p

1
W = [ ]ln A 2 x 2 -P + (1-A 2 )x1-P
p
lny = lnh + e v W + u
210

h = eln h transzformcival az eredeti fggvny felrhat, mert p s A 2 az els segdfggvnybl, mg e v

a fenti, logaritmizlt CES regresszis fggvny becslsbl meghatrozhatk:
y = h A 2 x 2 -P + (1- A 2 )x1-P

ev
P

A program automatikusan minden paramtert kiszmt a fenti egyenletek felhasznlsval.

A feldolgozhat legnagyobb adatllomny esetben a megfigyelsek szma 500.
Az bra munkalapon az eredeti s a becslt (CES) adatok brjt is meg lehet tekinteni.

Gyakorl feladatok CES1.xls, CES2.xls s CES3.xls*

A cipgyr adatai felhasznlsval vgezze el a CES fggvny becslst a 3 mdszerrel. Az lleszkz
ra sort az eszkzhatkonysggal becslje. Vgezze el a CES fggvnyek, mint regresszis fggvnyek
tesztelst, felhasznlva az Excel Adatelemzs-Regresszi programjt. (elsrend autokorrelci,
homoszkedaszticits Gleiser prba)

4.9 Logisztikus regresszis fggvnyek*

A logisztikus regresszis fggvnyek kezdetben konvex, ksbb konkv fggvnygrbt rnak le. A kvetkezkben a logisztikus, s az ltalnostott Richards-fle regresszis-fggvnyeket mutatjuk be. A
becsls hasonl a trendfggvnyeknl bemutatott eljrssal, csak itt a magyarz vltoz (x) tetszleges
rtket vehet fel, mg a trendbecslsnl az x=t=1,2,n. A fggvnyek tulajdonsgai is azonosak, csak a t
vltoz helyett az x keresztmetszeti adatokbl ll magyarz vltoz nvekv sorrendbe rendezett rtkeit hasznljuk a becslseknl. Ezrt a tulajdonsgok ismertetstl itt eltekintnk, azok azonosak a trendfggvnyeknl lertakkal. A fjlban a cellk sznezse jelentsggel br: a halvnysrga cellk szabadon
vltoztathatk, a zld cellk az egyes paramterek javasolt kezdeti rtkeit adjk meg, mg a fehr cellk
szmtsi (rsz)eredmnyeket tartalmaznak. A sznezs alapjn lthat, hogy a fjl maximlisan 1000
hosszsg idsor feldolgozsra kpes. Az indul paramterek termszetesen nem minden esetben adnak tkletes javaslatot, gy lehetsg van a paramterek kzi vezrlsre is. Valamennyi munkalap tartalmaz olyan parancsgombokat, melyek a paramterek finomhangolst vgzik el (Opt. mind). A parancsgombok az Excel beptett Solver funkcijt hvjk meg, a clfggvny pedig az R 2 maximalizlsa
az egyes paramterek iteratv vltoztatsval. Lehetsg van arra is, hogy a Solver a (kzzel, szakrti
becsls alapjn belltott) teltdsi paramter rtkn ne vltoztasson, ekkor csupn a tbbi paramter
nagysgt fogja a program meghatrozni (Opt. K nlkl). Az Excel beptett Solver csomagja nem kpes
minden esetben globlis optimumot tallni, gy rdemes az illesztst tbb klnbz, kzzel belltott indulrtkkel elvgezni. A Solver ebben az esetben a tlsgosan nagy paramtert nem mozdtja el kezdeti
rtkrl. A megolds az eredeti adatsor dimenzijnak vltoztatsa (pl. 1000-rel val oszts). A fjl
2
( y t y t )

SSE
R2 = 1 t
= 1
2
SST
( yt yt )
t

mdon szmt, ahol SSE (Sum of Squared Errors) a reziduumok ngyzetsszege; SST (Sum of Squares
Total) a teljes eltrs ngyzetsszeg.

A PearlReed-fle logisztikus regresszis fggvny

A fggvnyt ler formula:
y =

K
,
1 + be-cx

ahol:

y az eredmnyvltoz becslt rtke

x magyarz vltoz
rezidulis vltoz
211


K a teltettsgi szint, ha K > 0 ;

b a helyzetparamter, ha b > 0 ;

c nvekedsi sebessget jellemz paramter, ha c > 0 logisztikus nvekedsrl, ha c < 0 , akkor

logisztikus cskkensrl van sz.
y
K

y =

K
2

K
1+ b
tw =

K
1 + be-cx

lnb
c

4-8. bra: A Pearl-Reed-fle logisztikus regresszis fggvny

Az ltalnostott Richards-fle logisztikus regresszis fggvny

y = A +

(K A)

(1 + ve

c( x m )

1/ v

Ahol

y az eredmnyvltoz becslt rtke

x magyarz vltoz
rezidulis vltoz
v szablyozza az inflexis pontban felvett fggvnyrtket, v > 0 ;
c nvekedsi sebessget jellemz paramter, c>0;
m az inflexis pont, m>0.
y
K

y = A +

( K A)
ytw = A +
(1 + v )1/ v

y 0 = A +

(K A)

(1 + ve

c( x m )

1/ v

( K A)

(1 + ve )
cm

1/ v

tw = m

4-9. bra: Az ltalnostott Richards-fle regresszis fggvny

A tbbszrs determincis egytthat segtsgvel ellenrizhetjk a modell egszt 5 %-os

szignifikancia szinten a 4.1 pontban bemutatott mdon, gy ennek ismertetstl itt eltekintnk. A p rtk
zld rtke jelzi, hogy a modell ltezik, a piros szm pedig a nullhipotzis elfogadst vagyis a modell
elvetst jelenti.

212

A homoszkedaszticits tesztelst a Glejser-prba alkalmazsval vgzi el a program, a korbban bemutatott mdon. A p-rtk zld rtke jelzi, hogy homoszkedasztikus a modell, a piros szm pedig a
heteroszkedaszticits jelenltre utal.

4.10 A sztochasztikus kapcsolat elemzse, az asszocicis egytthatk Excel parancsfjl mkdse

A sztochasztikus kapcsolatok tpusai274 (az ismrvek tpusa szerint):
Asszocici: a minsgi (vagy terleti) ismrvek kztti kapcsolat
Vegyes kapcsolat: az ok szerept minsgi (terleti) az okozat szerept mennyisgi ismrv tlti be
Korrelci: a mennyisgi ismrvek kztti sztochasztikus kapcsolat
A sztochasztikus kapcsolatok tpusai (a vltozk szma szerint):
ktvltozs kapcsolat
tbbvltozs (hrom-, ngy-, stb.) kapcsolat
A minsgi (terleti) ismrvek kztti sztochasztikus kapcsolatot asszocicinak nevezzk. Ilyen pldul
a nemhez val tartozs s a beoszts, az iskolai vgzettsg, vagy a szakkpzettsg s az alkalmazs minsge kztt lv sszefggs.
Az asszocici statisztikai elemzsnek mdszerei:
a kombincis (kontingencia) tbla elemzse viszonyszmokkal,
kapcsolat-szorossgi mrszmok szmtsa.
A ktvltozs asszocici vizsglatakor a sokasg egysgeit egyidejleg, a kt ismrv szerint kombinlt
mdon csoportostjuk. A kombinlt csoportosts eredmnye egy ktdimenzis kontingencia tblba
foglalhat. Nevezzk a vizsglatban szerepl kt ismrvet A-nak (ok, X) s B-nek (okozat, Y). Rendelkezzen az A ismrv s , a B ismrv o ismrvvltozattal. Brmely egyed egyidejleg mindkt ismrv
egy-egy konkrt vltozatval jellemezhet, vagyis valamely megfigyelsnk ltalnossgban az ( a, b )
F

ismrvvltozat-prral rhat le ( a=1,2, ,s ; b=1,2, ,o ) .

4-4. tbla: A ktdimenzis kontingencia tbla ltalnos smja

A ismrv

B ismrv vltozatai

vltozatai:
fab

B1

A1
A2

B0

f11

f1b

f1o

S1

f 21

f 2b

f 2o

S2

f ao

Sa

Aa

sszesen

Bb

f a1

f ab

As

f s1

f sb

fso

Ss

sszesen

O1

Ob

Oo

Ahol:
n az sszes elemszm,
f ab az A ismrv a-dik s a B ismrv b-edik vltozathoz rendelt gyakorisga,
Sa az a-dik sor (az A ismrv els vltozathoz tartoz) gyakorisgnak sszege,
O b az b-dik oszlop (a B ismrv els vltozathoz tartoz) gyakorisgnak sszege.
Belthat az albbi sszefggs:
274

Pintr Jzsef Rappai Gbor (szerkeszt) [2007]: Statisztika. 227-235.

213

f
a =1 b =1

ab

= S1 + S2 + + Ss = O1 + O 2 + + Oo = n

A sorok s oszlopok sszegeit peremgyakorisgoknak is hvjk. A tbla belsejben a ktszeres csoportosts eredmnyeknt keletkezett gyakorisgok, a tbla szlein kln-kln, az egyik, illetve a msik ismrv szerinti csoportostssal nyert gyakorisgok tallhatk, mg a tbla utols rovatban a gyakorisgok
sszege szerepel, mely a sokasg elemszmt mutatja.
Az adatokat az fab srga mezbe lehet berni, a maximlis mret s=15 s o=15, teht 15x15 mtrix, amelyik lehet nem szimmetrikus is. Az sszesen rtkeket (Sa s Ob s n) a program kiszmtja.
A kvetkez kt tbla amit a program kiszmt, a fggetlensg esetre felttelezett gyakorisgok ( f ab )
tblja, majd a 2 -rtkek szmtsi tblja. Ehhez a kvetkez lpsekben jutunk el.
A fenti kontingencia tbla belsejben lv gyakorisgok elhelyezkedse mr szolgltat bizonyos informcikat a sztochasztikus kapcsolat megltrl. Megllapthat ugyanis, hogy a kt ismrv mely vltozatai
jrnak gyakrabban egytt (vonzzk egymst), s melyek fordulnak el ritkbban (tasztjk egymst).
Ugyanez mg jobban ltszik, ha a 4.4 tbla gyakorisgaibl megoszlsi viszonyszmokat szmtunk.

4-5. tbla: Megoszlsi viszonyszmokat tartalmaz ktdimenzis kontingencia tbla smja

A
ismrv

B ismrv vltozatai

vltozatai

B1

Bb

B0

A1

p11

p1b

p1o

S1 / n

A2

p21

p2 b

p2 o

S2 / n

pao

Sa / n

Aa

pa 1

pab

As
szszesen

szszesen

ps 1

psb

pso

Ss / n

O1 / n

Ob / n

Oo / n

pab =
o

pab = Ob / n
b =1
s

p
a =1 b =1

ab

f ab
n
s

p
a =1

a =1

b =1

ab

= Sa / n

= Sa / n = O b / n = 1

Egy ktdimenzis kombincis tbla (4.4 tbla) gyakorisgaibl msmilyen, n. feltteles megoszlsi viszonyszmokat is szmolhatunk.

214

4-6. tbla: Feltteles megoszlsi viszonyszmok (oszlop szerint)

A
ismrv

B ismrv vltozatai

vltozatai

B1

Bb

B0

A1

f 11 / O1

f 1b / Ob

f 1o / Oo

S1 / n

A2

f 21 / O1

f 2b / Ob

f 2 o / Oo

S2 / n

f ao / Oo

Sa / n

f so / Oo

Ss / n

Aa

f a 1 / O1

f ab / Ob

As
szszesen

f s 1 / O1
1

szszesen

f sb / Ob
1

Feltteles megoszlsi viszonyszmok (sor szerint)

A
ismrv

B ismrv vltozatai

vltozatai

B1

Bb

B0

A1

f 11 / S1

f 1b / S1

f 1o / S1

A2

f 21 / S 2

f 2b / S2

f 2o / S2

f ao / Sa

Aa

f a 1 / Sa

f ab / Sa

As
szszesen

szszesen

f s 1 / Ss

f sb / Ss

f so / Ss

O1 / n

Ob / n

Oo / n

A fenti viszonyszmok segtsgvel mr jellemezhetek az ismrvek kztt kapcsolatok. Amennyiben a

megoszlsi viszonyszmok homognek, egyenletes eloszlsak, vagy a feltteles megoszlsi viszonyszmok soronknt, illetve oszloponknt azonosak, akkor nincs szmottev kapcsolat az ismrvek kztt.
A sztochasztikus kapcsolat vizsglathoz a legclravezetbb az, ha a felttelezsnk szerint ok szerept jtsz ismrv szerinti csoportokban az okozat szerinti megoszlst vizsgljuk. Ha az oknak tekinthet
ismrv vltozatait a tbla oldalrovatban, az okozatnak tekinthett a fejrovatban helyezzk el, akkor a
tbla sorai fogjk mutatni az ok szerinti csoportokban, az okozat szerinti megoszlst.
A sztochasztikus kapcsolatot a tbla utols, sszesen sorban, illetve a felette lv sorokban szerepl
megoszlsok sszehasonltsval mutathatjuk ki. Ha az ok szerinti csoportokban (a tbla soraiban) szmtott megoszlsok klnbznek egymstl, s ilyenkor termszetesen az egsz sokasgra jellemz (az sz215

szesen sorban szerepl) megoszlstl, akkor megllapthat a sztochasztikus kapcsolat meglte. Ha a tbla minden sorban (s gy az sszesen sorban is) ugyanolyan lenne a megoszls, az a kt ismrv fggetlensgt jelezn. Ha a tblnak csak egyik tljban tallnnk nulltl klnbz gyakorisgot, s gy
minden sorban csak egy, 1 rtk, illetve 100% -os megoszlsi viszonyszmot, akkor a kt ismrv fggvnyszer kapcsolatban lenne. Termszetesen ez csak olyan tblval reprezentlt sszefggsek esetn
lehetsges, amikor a kt ismrv vltozatainak a szma megegyezik, azaz kvadratikus a tbla (pldul 22es, 33-as).
Termszetesen az elsknt bemutatott 4.4 tbla tbla logikjnak megfelelve is elemezhetjk a sztochasztikus kapcsolat megltt. A megoszlsi viszonyszmok segtsgvel tulajdonkppen az albbi azonossgokat vizsgljuk:
f ab Sa
=
Ob n
illetve

f ab O b
=
Sa
n
Amennyiben a fenti sszefggsek teljeslnek, a kt ismrv fggetlennek tekinthet. Ezzel eljutottunk tulajdonkppen az asszocicis kapcsolat mrsnek alapgondolathoz. A valsznsg-elmletbl ismeretes az a megfogalmazs, amely szerint a fggetlensg felttele, hogy a feltteles valsznsg legyen
egyenl a felttel nlkli valsznsggel. Mindezt reprezentljk a fenti azonossgok. Az ismrvek fggetlensgt megkzelthetjk abbl a kzismert valsznsgelmleti sszefggsbl is, amely szerint kt
esemny fggetlen, ha egyttes bekvetkezsi valsznsgk megegyezik a kt esemny valsznsgnek szorzatval:
P ( A B) = P ( A ) P ( B)
Mindez empirikus statisztikai jellsekkel is lerhat:
f ab O b Sa
=

n
n n
A tovbbiakban azt a gyakorisgot keressk, amely a fenti feltteleknek megfelel. Jelljk f ab* -gal a fggetlensg esetn felttelezett gyakorisgot. A fenti sszefggsbl kiindulva az ismrvek fggetlensgnek esetre felttelezett gyakorisgokat szmthatjuk ki az albbi mdon:
O S
OS
f ab* = n b a = n Pb(o) Pa(s) = b a
n n
n
ahol:
Ob
Sa
= Pb(o) s
= Pa(s)
n
n
a kt ismrv szerint kln-kln szmtott (a tbla peremn szerepl) megoszlsi viszonyszmok.
A felttelezett gyakorisgok szmtsa teht azt jelenti, hogy a sokasgot a peremeloszlsok alapjn osztjuk szt. Ha a tblt a felttelezett gyakorisgokkal tltjk ki, minden sor megoszlsa ugyanolyan lesz,
ami megfelel a kt ismrv fggetlensgnek. A sztochasztikus kapcsolat ltezst jelzi teht az, ha a tnylegesen megfigyelt s a fggetlensg esetre felttelezett gyakorisgok nem egyeznek meg. sszehasonltsukat a ngyzetes kontingencia mutatjval az n. 2 -rtkkel vgezhetjk el.
Kplete:
s

2 =
a =1 b =1

(f

ab

f ab* )

f ab*

Ha a tnyleges s a felttelezett gyakorisgok megegyeznek, azaz az ismrvek fggetlensge esetn,

2 = 0 .
A 2 -rtket felhasznlva a kapcsolat szorossga a Cramer-fle asszocicis egytthatval mrhet.
Kplete:
C=

2
n min [s 1, o 1]
216

A min jelli, hogy az s s o kzl a kisebbiket kell vlasztanunk, pl. s=3, o=2, akkor min=2.
A Cramer-egytthat rtke 0, ha a kt ismrv fggetlen egymstl, s 1 rtket vesz fel, ha fggvnyszer a kapcsolat. Az egytthat 0 s 1 kztti rtkeit hagyomnyosan hrom rszre osztjuk: gyenge, kzepes s szoros kapcsolatot mutat tartomnyra. (ltalban a 0,3 s 0,7 kztti rtket tekintjk kzepes rtknek, m meg kell jegyeznnk, hogy a feloszts inkbb csak tjkoztat jelleg, a mrszm megtlse
fgg pl. a sokasg nagysgtl, vagy a tbla mrettl is.) Az egytthat eljele (hiszen gykvonssal keletkezett) mindig pozitv, trgyi rtelme nincs.
A msik hasonl asszocicis mutatszm a Csuprovegytthat:
Csuprov-egytthat=

2
n

( s 1)( o 1)

rtelmezse azonos a Cramer-egytthatval.

A Csuprovegytthat a kvetkez intervallumban helyezkedik el:
1/ 4

s-1
0 Csuprov-egytthat

o 1

ahol : s o.

A Csuprovegytthat rtke az ismrvek fggetlensge esetn nulla lesz. Maximlis rtke egy, amit csak akkor
vehet fel, ha az ismrvek vltozatainak a szma azonos, teht s=o. Ebben az esetben minden oszlopban s minden
sorban csak egy helyen tallunk gyakorisgot (fab). A mrszm rtke minl kzelebb van a maximlis rtkhez,
annl ersebb, intenzvebb az asszocici.
Ha az ismrvek vltozatainak a szma klnbz, a Csuprovegytthat csak akkor veszi fel a maximlis rtket ha
vagy minden sorban, vagy minden oszlopban csak egy helyen tallunk gyakorisgot. A Csuprovegytthat ebben
az esetben:
1/ 4

s-1

o 1

ahol : s o

vagy:
1/ 4

o-1

ahol o s :
s 1
A Cramer-fle asszocicis egytthatt inkbb akkor hasznljuk, amikor az asszocicis sszefggsek
trbeni vagy idbeni sszehasonltsnl valamelyik ismrv vltozatainak szmban eltrs mutatkozik.
A Cramer-fle asszocicis egytthat tulajdonkppen a Csuprovegytthatt annak maximlis rtkhez viszonytja, vagyis a Csup rov Cramer . Ha az ismrvek vltozatainak a szma azonos, teht s=o, akkor a Cramers a Csuprov- egytthat rtke azonos lesz.
Cramer - egytthat =

Csuprov - egytthat
1/ 4

s-1

o 1

Vagy:
Cramer - egytthat =

Csuprov - egytthat
1/ 4

o-1

s 1

Tovbb:
1/ 4

s-1
Cramer - egytthat *

o 1

= Csuprov - egytthat

Vagy:
1/ 4

o-1
Cramer - egytthat *

s 1
A fggetlensg-vizsglat mdszere

= Csuprov - egytthat

217

A kapcsolat szignifikns voltra vonatkoz feltevsnket a fggetlensg-vizsglat mdszervel vlaszolhatjuk meg. A teszteljrs a ngyzetes kontingencia 2 mutatjra pl. A vizsglat sorn alkalmazott hipotzis-rendszer:
H 0 : 2 = 0
H1: 2 > 0

Teht a nullhipotzis szerint az ismrvek fggetlenek, mg az alternatv hipotzis elfogadsa a sztochasztikus kapcsolat szignifikns voltt jelenti.
A nullhipotzis teljeslse esetn a ngyzetes kontingencia 2-eloszlst kvet, (s-1)(o-1) szabadsgfokkal.
Vagyis:

2
empirikus

(f

a =1 b =1

ab

f ab* )

f ab*

Ennek ismeretben a hipotzisellenrzs knnyen elvgezhet:

1) Meghatrozzuk az empirikus 2 rtket (2empirikus).

2) Kikeressk a 2 -eloszls vlasztott szignifikancia-szinjhez (alapeset 5%, 0,0500) tartoz
( s 1)( o 1)

2
kritikus

kritikus rtket,

ahol a szabadsgfok: (s-1)(o-1) vagy meghatrozzuk a p-rtket, az empirikus szignifikancia rtket.

3) Amennyiben az ltalunk szmtott rtk kisebb mint a kritikus rtk,

2
2
empiriku
< ( s 1)( o 1) kritikus
s
gy a nullhipotzist, ellenkez esetben:
2
2
empiriku
> ( s 1)( o 1) kritikus
s
az alternatv hipotzist fogadjuk el.
A p-rtk, az empirikus szignifikancia rtk azt a legkisebb valsznsget mutatja, ami mellett mg a H0
nulhipotzist elutasithatjuk. Ha a tesztelshez ha a p-rtkeket hasznljuk, akkor: ha a p-rtk magasabb,
mint amit megengedtnk (pl. 0,05), akkor elfogadjuk azt a nullhipotzist, vagyis azt, hogy az ismrvek
fggetlenek, ha kisebb a p-rtk mint pl. 0,05, akkor az alternatv hipotzist fogadjuk el, vagyis a sztochasztikus kapcsolat szignifikns.

A Yule-mutat.
Az els ksrletek az asszocicis kapcsolat szorossgnak meghatrozsra abbl az egyszerstsbl indultak ki, hogy a vizsgland mindkt ismrv alternatv, azaz csak kt ismrvvltozattal rendelkezik. A
vltozk minden esetben alternatvv transzformlhatk az ltalunk legfontosabbnak tartott ismrvvltozat
kivlasztsval s a tbbi vltozat sszevonsval; m ez lnyeges informcik elvesztshez vezet. (Plda
lehet erre a tantrgyak minstse: az t fokozat skla (jeles, j, kzepes, elgsges, elgtelen - alternatvv alakthat - megfelelt, nem felelt meg.)
Alternatv ismrveket tartalmaz kombincis tbla smja

A/B
A1
A2

B1
f11
f21
O.1

B2
f12
f22
O.2

S1.
S2.
n

A ktllapot (binris) vltozk kztti kapcsolat elemzse sorn hasznlhat els mutatszm kidolgozsa G. U. Yule nevhez fzdik. Mivel fggetlensg esetn:
Ha nincs kapcsolat, akkor
f11
f
= 21 ,
f12
f 22

azaz
f11f22 f12f21 = 0,
ha van kapcsolat, akkor
f11f22 f12f21 0
218

A Yule-fle asszocicis egytthat:

f11 f 22 f12 f 21
f11 f 22 + f12 f 21
Y rtke minl kzelebb van a 0-hoz, a kapcsolat annl lazbb, gyengbb s minl kzelebb van az 1-hez,
annl szorosabb, ersebb. Ha a kapcsolat olyan, hogy az A1 tulajdonsggal inkbb B1 tulajdonsg s az A2vel inkbb B2 jr egytt, az Y rtke "+" lesz, ellenkez esetben "" lesz. A Yule-fle asszocicis egytthat eljelre nem fordtunk kln figyelmet, ugyanis eljele attl fgg, hogy a a vizsglt ismrvek vltozatait milyen sorrendben rtuk fel, azaz melyik lesz az A- illetve B- vltozat, ezrt abszolt rtknek
nagysga a kapcsolat ersgt jellemzi.
A bemutat plda:
A szakmunkskpzt s szakiskolt, illetve kzpiskolt vgzett magyarorszgi foglalkoztatottak megoszlsa nemek szerint:
4-7. tbla: A foglalkoztatottak megoszlsa iskolatpus s nemek szerint (ezer f)
Yule - mutat =

Nem
fab

Szakmunkskpz s szakiskola

Kzpiskola

sszesen

Frfi

876

561

1 437

362

704

1 066

sszesen

1 238

1 265

2 503

Forrs: Magyar Statisztikai vknyv 2000

A tbla adatai alapjn lthat, hogy az iskolatpus s a nemhez val tartozs kztt van sszefggs,
mivel a frfi nemhez val tartozs s a szakmunkskpz s szakiskola ismrvvltozat, illetve a ni
nemhez val tartozs s a kzpiskola ismrvvltozat jrnak gyakrabban egytt. Ha kiszmtjuk a
nemhez val tartozs (az ok) szerinti csoportokon bell az iskolatpus (az okozat) szerinti megoszlst, akkor a kvetkez tblban szerepl megoszlsi viszonyszmok megerstik az elz megllaptst.

4-8. tbla: A foglalkoztatottak megoszlsa iskolatpus s nemek szerint (%)

Nem

Szakmunkskpz s szakiskola

Kzpiskola

sszesen

Frfi

61,0

39,0

100,0

34,0

66,0

100,0

sszesen

49,5

50,5

100,0

A frfiak s nk csoportjban az iskolatpus szerinti megoszlsi viszonyszmok jelentsen klnbznek egymstl s az sszes foglalkoztatottra jellemz megoszlsi viszonyszmtl. Mg a frfiak
39%-a vgzett kzpiskolt, a nknl ez az arny 66%, az sszes foglalkoztatottnl pedig, az elbbiek valamilyen kztes rtke, 50,5%. A kapcsolat szorossgnak mrsre a Cramer-egytthatt
hasznljuk, ezrt a kvetkez tblban az ismrvek fggetlensge esetre felttelezett gyakorisgokat szmtjuk ki.

4-9. tbla: A fggetlensg esetre felttelezett gyakorisgok, f ab* (ezer f)

219

Szakmunkskpz s szakiskola

Nem

Kzpiskola

sszesen

Frfi

711

726

1 437

527

539

1 066

sszesen

1 238

1 265

2 503

Pldaknt a szakmunkskpzt s szakiskolt vgzett frfiak felttelezett gyakorisga illetve a kzpiskolt vgzett nk felttelezett gyakorisga:
f11* = n

O1 S1
1238 1437
= 2503

= 711
n n
2503 2503

f12* = n

O 2 S1
1265 1437
= 2503

= 726
n n
2503 2503

f 21* = n

O1 S2
1238 1066
= 2503

= 527
n n
2503 2503

f 22* = n

O 2 S2
1265 1066
= 2503

= 539
n n
2503 2503

Vegyk szre, hogy korbbi megllaptsainkbl kvetkez mdon a peremgyakorisgok rtke

a tnyleges, illetve fggetlensg esetre felttelezett kontingencia tblban azonos.
A kvetkez tblban a 2 -rtk szmtst kzljk:

4-10. tbla: A 2 rtk szmtsa

*
ab

(f

*
ab

) (f

f ab* )

Megnevezs

f ab

Frfi-szakm.isk.

876

711

165

38,42

Frfi-kzpisk.

561

726

-165

37,6

N-szakm.isk.

362

527

-165

51,79

N-kzpisk.

704

539

165

50,69

sszesen

2 503

2503

178,5

ab

ab

f ab*

A Cramer-egytthat (C) rtke:

C=

2
=
n min [s 1, o 1]

178,5
= 0, 267 0,3
2503 ( 2 1)

ahol: s = o = 2

A szakmunkskpzt s szakiskolt, illetve kzpiskolt vgzett magyarorszgi foglalkoztatottak nemhez val tartozsa s a vgzettsgnek megfelel iskola tpusa kztt kzepesnl gyengbb sztochasztikus kapcsolatot szmszerstettnk.
A Csuprov-egytthat rtke ebben az esetben megegyezik a Cramer-egytthat rtkvel, mivel s=o=2:

220

Csuprov-egytthat=

2
n

( s 1)( o 1)

178,5

2503

( 2 1)( 2 1)

= 0, 267 0,3

A fggetlensg vizsglata:
s

2
empiriku
=
s

(f

ab

f ab*

a =1 b =1

( 2 1)( 2 1)

f ab* )

0,05 = 3,841

= 178, 5

A szmtott empirikus 2 rtk (178,5) nagyobb mint a 2 eloszls kritikus rtke (3,841) az 1
szabadsgfoknl s 5 %-os szignifikancia szinten, gy 5 %-os szignifikancia szinten a Ho hipotzist elutastjuk, az alternatv hipotzist fogasdjuk el, teht a kapcsolat szignifikns.
A p-rtk is ezt mutatja: 0.0000 275
F

A Yule-mutat.
A bemutatott pldban:
A1
A2
ssz.

Y=
Yule

B1
876
362
1 238

B2
561
704
1 265

ssz.
1 437
1 066
2 503

f11f 22 f12 f 21 876*704 362*561

=
= 0,505
f11f 22 + f12 f 21 876*704 + 362*561
0,505

4.11 Kendall-fle rangkonkordancia-mutat

Ha kettnl tbb brl illetve dntshoz (m>2) llapt meg rangsort, akkor a konkordancia-mutat segt
megvlaszolni azt a krdst, hogy milyen az sszhang a brlk vlemnye kztt. Tegyk fel, hogy m
szm brl rangsorol n darab objektumot, (egysget, rtkelsi tnyezt). Az egysgek vgs rangsort
kialakthatjuk gy, hogy sszeadjuk az m brl adott egysgre vonatkoz rangszmt, s ezen sszegek
alapjn rangsoroljuk az egysgeket.
Rangszmnak nevezzk azt a pozitv egsz szmot, amely megmutatja, hogy egy konkrt adat hnyadik
az adathalmaz emelked rangsorban, vagyis Ri = k ha x i = x ( k ) Knnyen belthat, hogy a minimlis rF

tk rangszma 1; a maximlis pedig n, a rangszmok pedig a termszetes szmokkal egyenlk 1-tl n-ig.
Ordinlis (sorrendi) skln sorrendisgre vonatkoz relcik alapjn rangsorba rendezzk a megfigyelt
objektumokat, egyedeket. A sorrendi skln az egyes egyedek egymstl nem felttlenl egyenl tvolsgban helyezkednek el. Ez mg nem tekinthet tiszta kvantitatv sklnak, habr hasznlja a numerikus
rtkeket, s gyakran tovbbi mveletek is vgezhetk a rangszmokkal.
Ha teljesen azonos a brlk vlemnye, gy az els egysghez 1m, a msodikhoz 2m, ...az n-ikhez nm
rangsszeg fog tartozni. Ha nem teljes az sszhang, ugyanahhoz az egysghez az egyik kisebb, msik nagyobb sorszmot rendel, gy az sszegek egyms kztt kiegyenltettebbek lesznek. Az egysgek kzti
vgs sorrend is kialakthat a rangszmsszegek segtsgvel, de ez akkor lesz megbzhat, ha nagy az
sszhang a brlk kztt (azaz m-hez kzeli a rangsszegek klnbsge).
Az egyes rangszmsszegek ( C j ) tlaguktl (C ) vett eltrs ngyzetsszege teljes sszhang esetn lesz a
legnagyobb:
m 2 (n 3 n)
12
Egymssal ellenttes sorszmozs, vagy sokfle sorszmozs esetn elfordulhat a sorsszegek kiegyenltdse, gy az tlagtl val eltrs 0 is lehet. Ebben az esetben a teljes egyet nem rts esete fordul el276.
C max =

275

Az asszocicisegytthatk.xls parancsfjlal szmthat ki.

221

Az egyetrtsi - mutat:
A dntst hozk vlemnyegyezst a W-mutatval jellemezhetjk.
0 W 1

12 (C j C )
m

W=

C
= j =21 3
Cmax
m n n

Az egyetrtsi mutat rtke teljes egyetrts esetn 1, teljes egyet nem rts esetn pedig nulla.
A rszleges egyetrts esetben a mutat nulla s egy kztt vesz fel rtkeket s minl kzelebb
van az egyhez, annl nagyobb az egyetrts a brlk kztt.
A Kendall-fle rangkonkordancia-mutat (W) szignifikanciavizsglata 277
F

A W szignifikancia vizsglata sorn a W=0 nullhipotzist vizsgljuk, vagyis azt, hogy nincs korrelci a
vizsglt rangsorok kztt. Az alternatv hipotzis esetn nem a vletlennek tekintjk a W adott s nullnl
nagyobb rtkt, hanem az egyetrtsnek.
A teszteljrs a W-mutat ngyzetes khi-ngyzet mutatjra (2) pl. A vizsglat sorn alkalmazott hipotzis-rendszer:
H 0 : 2 = 0
H1: 2 > 0

A nullhipotzis teljeslse esetn a W-mutat 2-eloszlst kvet, (n-1) szabadsgfokkal. Vagyis:

2
empiriku
= m( n 1)W
s

Ennek ismeretben a hipotzisellenrzs knnyen elvgezhet:

1) Meghatrozzuk az empirikus 2 rtket (2empirikus).

2) Kikeressk a 2 -eloszls vlasztott szignifikancia-szinjhez (alapeset 5%, 0,0500) tartoz kritikus rtket,
( n 1)

2
kritikus
ahol a szabadsgfok: (n-1) vagy meghatrozzuk a p-rtket, az empirikus szignifikancia rtket.

3) Amennyiben az ltalunk szmtott rtk kisebb mint a kritikus rtk,

2
empiriku
<
s

( n 1)

2
kritikus

gy a nullhipotzist, ellenkez esetben:

2
empiriku

( n 1)

2
kritikus

az alternatv hipotzist fogadjuk el.

276

Kerkgyrt Gyrgyn Mundrucz Gyrgy [1995]: Statisztikai mdszerek a gazdasgi elemzsben. 2. tdolgozott kiads. Aula Kiad. Budapest. 65-67.
277
Kindler Jzsef-Papp Ott [1977]: Komplex rendszerek vizsglata. sszemrsi mdszerek. Mszaki Knyvkiad. 180-181.

222

Fggelk
F.1 Internetes ingyenes szoftverek s adatbzisok
Az Excel parancsfjlok s a kziknyv letlthet:
http://www.gmi.ktk.pte.hu/index.php?mid=33#SiposB
Ingyenes matematikai s statisztikai szoftverek.
http://www.statisticalconsultants.co.nz/links.html
http://www.statisticalconsultants.co.nz/statssoftware.html
Microsoft Mathematics 4.0
http://www.microsoft.com/downloads/en/details.aspx?FamilyID=9caca722-5235-401c-8d3f9e242b794c3a
Gnu Regression, Econometrics and Time-series Library:
http://gretl.sourceforge.net
Ycas:
http://yacas.sourceforge.net/homepage.html
Maxima:
http://maxima.sourceforge.net/
http://maxima.sourceforge.net/download.html
JMulti ingyenes sztochasztikus idsorkutatsi mdszereket (ARCH, ARIMA, VAR, VECM) becsl
szoftver:
http://www.jmulti.de/
Wessa P., (2009), ARIMA Forecasting (v1.0.5) in Free Statistics Software (v1.1.23-r7), Office for Research Development and Education, URL http://www.wessa.net/ rwasp _arimaforecasting.wasp/
The R code is based on :
Borghers, E, and P. Wessa, Statistics - Econometrics - Forecasting, Office for Research Development and
Education, http://www.xycoon.com/
Lers:
http://www.stat.pitt.edu/stoffer/tsa2/R_time_series_quick_fix.htm
(Partial) Autocorrelation Function - Free Statistics Software (Calculator):
http://www.wessa.net/rwasp_autocorrelation.wasp#output
ARIMA Backward Selection - Free Statistics Software (Calculator)
http://www.wessa.net/rwasp_arimabackwardselection.wasp#output
ARIMA elrejelzs, az interneten, R code:
http://www.wessa.net/rwasp_arimaforecasting.wasp

Magyar adatbzisok.
A Statisztikai Szemlben megjelent tanulmnyok 1923-tl letlthetk:
http://www.ksh.hu/statszemle_archive/
Adatok keresse az interneten:
Nv filetype:xls (vagy doc, ppt, pdf stb.)
Plda: gold production statistics filetype:xls
A ROPStat prbaverzija letlthet: http://www.ropstat.com/
A statisztikai tevkenysg sszefogst s irnytst a legtbb modern llamban egy kln e clra szervezett hivatal ltja el. Ez Magyarorszgon az 1867 ta mkd Statisztikai Hivatal.
A fontosabb KSH adatok letlthetk a Kzponti Statisztikai Hivatalnak honlapjrl:
http://portal.ksh.hu/
Startlap: http://statisztika.lap.hu/
ECOSTAT Kormnyzati Gazdasg- s Trsadalom-stratgiai Kutat Intzet adat szolgl -tatsa:
http://www.ecostat.hu/
Magyar Nemzeti Bank (MNB):
http://www.mnb.hu/
223

- Statisztika:
BUX (A BUDAPESTI RTKTZSDE HIVATALOS INDEXE) (1991. janur 2.=1000)
Magyar tzsdeindexek, Bux s ms indexek:
http://www.mnb.hu/Statisztika/statisztikai-adatok-informaciok/adatok-idosorok
XII rtkpapirok-BUX
A jegybanki alapkamat s a monetris politikai eszkzkhz kapcsold kamatlbak idsora (2002. janur 1-jtl, szzalkpontban)
- Statisztika-statisztikai adatok-idsorok
Fogyaszti rindex
Klkereskedelem
Hztartsoknak nyjtott fogyasztsi hitelek
A lakscl hitelek llomnya szektor, lejrat s deviza szerinti bontsban
http://www.bet.hu/
Magyar tzsdeindexek, Bux s ms indexek:
Kereskedsi adatok-statisztikk
Historikus adatok letltse indexek historikus rtkei (visszafel lehet menni az idben, a napra r kel
klikkelni.) stb.
MTA KTI (MTA Kzgazdasgtudomnyi Intzet) adatbankja:
http://adatbank.mtakti.hu
Gazdasgi versenyhivatal:
http://www.gvh.hu:80/gvh/alpha?do=2&st=1&pg=54&m5_doc=5635&m251_act=4
Hazai szakirodalom, keressi lehetsg, ltalban pdf fjlban letlthet
http://www.matarka.hu/

Nemzetkzi adatbzisok.
Nominlis s rel GDP, GDP/f, npessgi, fogyaszti rindex, $rfolyama adatok 1969-2010 tnyadatok, 20112030-ig prognzis. Folyamatosan frisstik. 228- 230 orszg illetve rgi.
http://www.ers.usda.gov/Data/Macroeconomics/

Egyeslt Nemzetek Szervezete Statisztikai Hivatala:

http://unstats.un.org/
Nemzetkzi Valutaalap (The International Monetary Fund; IMF):
http://www.imf.org/
Vilgbank (The World Bank):
http://web.worldbank.org/
Eurpai Uni statisztikai szervezete az EUROSTAT:
http://epp.eurostat.ec. europa.eu/
Demogrfiai adatok, startlap:
http://demografia.lap.hu/
USA Cenzus Hivatal:
http://www.census.gov/
A vilg orszgainak korfa adatai (nemek s kor szerinti, valamint venknti [ltalban 1990-2050] bontsban) valamint a npessgi mutatk letlthetk:
http://www.census.gov/ipc/www/idb/summaries.html
Az adatok forrsa s letltse.
Az interneten szmos fontos adat megtallhat a korfk elksztsvel kapcsolatban. A vilg orszgainak
(224 orszg s a vilg) korfinak az adatai (korvek, nemek: frfi - n s sszesen bontsban s az vek
ltalban 1990-2050 kztt, 2005 utn extrapolci) s adatok forrsa:
A vilg npessgre vonatkoz adatok forrsa:
http://www.census.gov/cgi-bin/ipc/idbagg
http://www.census.gov/ipc/www/idb/summaries.html
Country Summary-Vlasszuk ki a vizsglni kvnt orszgot s klikkeljnk a krdv elkldsre (go-ra).
Dinamikus brzols (Dynamic) mutatja a vltozsokat grafikusan 2050-ig. Az eredmny tpusa: (Type
of output) mutatja a korft, 2000-ben, 2025-ben s 2050-ben, vlasszuk a tbb npessg korfn (More
population pyramids) bell az sszegzst (Summary). Az adatsorok letltshez: vlasszuk a legrdl
menben a 094 a npessg szma az v kzepn kor s nem szerint adatsort (094 Midyear Population by
224

age and sex) s az sszes vet (All years), utna kvetkezik, krdv elkldse (go) s megkapjuk szvegfjlban az adatokat ltalban 1990-tl 2050-ig venknti bontsban korfa s nemek szerint, korfnknt
sszestve s venknt sszestve is. (Egyes esetekben 1990 eltti adatokat is letlthetnk, pl. az USA-nl
1950-tl, Brazlinl 1970-tl, Pakisztnnl 1981-tl, Afganisztnnl 1979-tl, Nigritl 1953-tl tallhatk meg pldul az adatok.) A vilg sszesen adatai az albbi mdn rhetk el: World population World population by age and sex-select year (a lehetsgek: 1996-2050) - submit query. Ahhoz, hogy az
USA eredet DOS-os adatfjlokat (a szmoknl minden ezer utn vessz van) az Excel kezelni tudja a
kvetkez lpseket kell megtenni. Mentsk le a fjlt txt szvegfjlknt, gy, hogy jelljk ki az sszes
adatot (CTRL A) s utna: Szerkeszts - Az sszes kijellse - Msol) s msoljuk be a jegyzettmbbe
(notepad-ba) mentsk le text fjknt, a kiterjeszts txt. A Vezrlpult-Dtum-id-nyelvi s terleti belltsok-on bell a szmok, dtumok s az id formtumnak mdostsnl a magyart vltoztassuk angolra
(egyeslt llamokbelire). Ezt kveten a lementett fjlt nyissuk meg az Excelben: az Excel felismeri a
Fjl tpust: Fix szles s a Fjl eredett: Kzp-eurpai (DOS), vlasszuk a Tovbb-t s ahol szksges a
Trsvonal thelyezsvel jelljk ki a szmoszlopokat, ellenrizzk a legrdl sv oldalirny s lefel
val mozgatsval azt, hogy a szmoszlopok kijellse pontos volt-e, ha szksges mosstsunk, majd
tovbb. Az oszlop adattpusnl a korfa beosztsnl vlasszuk a szveget, a tbbinl maradjon az ltalnos adattpus s vlasszuk a befejezst. Ezt kveten a regionlis belltst (angol) vltoztassuk vissza
magyarra. Az adatllomnnyal most mr lehet Excelben dolgozni, le lehet menteni a Microsoft Office
Excel munkafzet formtumban. Angol windows esetn a lpsek: A Control Panelben a nyelv s regionlis (Regional and Language Options) belltsokat Hungary-rl vltoztassuk meg English (United
States) - re, majd, az excel fjl megnyitsa utn lltsuk vissza Hungary-ra.
2009 10 24 utn az adatszolgltats egyszerbb vlt: Country ki kell vlasztani az orszgot, Ctrl lenyomsval az sszes v kivlaszthat, utna Population Pyramids-t vlasztva, mindegyik orszgra elkszti
a korft s az utols korfa utn az adatok letlthetk Excel/CSV formtumban.
A korfk elmleti krdsei:
http://termtud.akg.hu/okt/10/2/103.htm
A vilg orszgainak klnbz statisztikai adatai:
http://www.nationmaster.com/graph/peo_pop-people-population
Napi s az idei v statisztikinak alakulsa pl.: npessgi adatok folyamatosan: szlets, hallozs, npessg abszolt nvekedse, megtermelt s elfogyasztott energia mennyisg vltozsa folyamatosan, a jelenlegi v adatai: kltsg adatok: oktatsi s fegyverkezsi- kiadsok milli dollrban, termelsi adatok:
aut- s kerkpr- termelse darabban, eladott szmtgpek darabszma, megsznt erdterlet nagysga
hektrban, egszsggyi statisztikk, stb. nyomon kvetse:
http://www.worldometers.info/
http://www.peterrussell.com/Odds/WorldClock.php
Regionlis adatok (Regional and Country Links:):
http://www.internetworldstats.com/
Az USA kormnynak hivatalos energiastatisztika szolgltat honlapja: Energy Information
Administration (EIA) a vilg orszgainak energiagazdlkodssal kapcsolatos adatai, idsorok, stb.:
http://www.eia.doe.gov/
USA hossz idsorok: (Excel fjlok letltsekor a regionlis belltst meg kell vltoztatni: angol USA
utna, ha megnyitottuk az Excel fjlt visszalltani Magyarra):
http://stats.bls.gov/data/home.htm
http://minerals.usgs.gov/minerals/pubs/
http://www.measuringworth.com/
http://www.economagic.com/
USA konjunktra ciklusok 1853-tl
http://www.nber.org/cycles/cyclesmain.html
Economic Report of the President. 278 Az amerikai elnk rszre ksztett gazdasgi jelents, vente kszl el, 1959-tl tallhatk meg az idsorok. A gazdasgi jelentsek (az Excel fjlok s szveges jelentsek pdf formtumban) megtallhatk 1997-tl 2008-ig vente, a gazdasg minden terletrl:
http://www.gpoaccess.gov/eop/download.html
F

278

The Economic Report of the President is an annual report written by the Chairman of the Council of Economic
Advisers.

225

Az amerikai elnk rszre ksztett gazdasgi jelentsek az 1947-1996 vekben megtallhat:

http://fraser.stlouisfed.org/publications/ERP/
A Dow-Jones index elrhet az albbi internet cmen 1896-tl.
http://djindexes.com/mdsidx/index.cfm?event=showavgIndexData
http://globaledge.msu.edu/resourceDesk/_statisticalDataSources.asp
Az egyes statisztikai fogalmak felfedezirl, az els publikcikrl az albbi internetcmrl szerezhetnk
adatokat:
http://jeff560.tripod.com/mathword.html
HDI-index. Az emberi fejlds indexe (angolul: Human Development Index, rvidtse: HDI) egy mutatszm, amely a vilg orszgainak sszehasonltst teszi lehetv a vrhat lettartam, az rstuds, az
oktats s az letsznvonal alapjn. ltalnosan elfogadott eszkze a jlt mrsnek, klnsen a gyermekjltnek. A Human Development Report orszgonknti adatai megtallhat az interneten:
http://hdrstats.undp.org/indicators/
http://hdr.undp.org/en/statistics/data/
Nemzetkzi adatbzis, idsorok Excelben
http://www.economicswebinstitute.org
Nemzetkzi szakirodalom, keressi lehetsg, ltalban pdf fjlban letlthet
http://www.oxfordjournals.org/
Gujarati Damodar N. [2003]: Basic econometrics. McGraw-Hill Higher Education.
http://highered.mcgraw-hill.com/sites/0072335424/
USA elnknek a blogja: Economic statistics briefing room
http://www.whitehouse.gov/fsbr/esbr.htm
Federal Reserve System
http://www.federalreserve.gov/
The Institute For International Economics. A private research institution devoted to the study of
international economic issues .
http://www.iie.com/
Penn World Table 6.2 (188 countries, 1950-2004, 2000 as base year)
http://datacentre.chass.utoronto.ca/pwt/
World Development Indicators.
http://www.helsinki.fi/WebEc/WebEc.html
BEA. Bureau of Economic Analysis. International Economic Accounts. International Accounts Data,
Comprehensive international accounts data from the Survey of Current Business.
http://www.bea.gov/international/index.htm#bop
Szmos adatszolgltat elrhet:
http://personal.ashland.edu/jgarcia/links.htm

F.2 A matrix.xls parancsfjl mkdse

A szmtsok cljra felhasznlt mtrix (nxn) minimum 2x2 maximum 15x15 kvadratikus (ngyzetes)
mtrix. A mtrix jellse esetnkben: X=[xij]. A kvadratikus (ngyzetes) mtrix esetben a mtrix n sorbl s n oszlopbl ll, ahol az n a mtrix rendje. A mtrix.xls fjl a kvetkez szmtsokat vgzi el a
mtrix munkalapon:
Inverz mtrix (X-1)
Transzponlt mtrix (X) s az Inverz mtrix (X-1) szorzata egyenl az egysg mtrixszal (E), X X-1=E,
ami a szmtsok ellenrzsre szolgl.
A mtrix megfelel sorainak s oszlopainak felcserlsvel keletkezett mtrixot nevezzk egy mtrix
transzponltjnak, jellse ltalban: X, XT, X*.
Kt mtrix szorzata akkor rtelmezhet, ha az els tnyeznek annyi oszlopa van ahny sora a msodiknak. Ekkor a szorzat mtrix i-dik sor j-edik elemt gy kapjuk meg, hogy az els tnyez i sornak s a
msodik tnyez j oszlopnak megfelel elemeit sszeszorozzuk s az rtkeket sszeadjuk.
Az inverz mtrix (X-1): egy X=[xij]. ngyzetes mtrix inverze az a X-1= [x-1ij] mtrix amelyre XX-1 = X1
X = E.
226

Egysgmtrix (E): egy ngyzetes mtrix egysgmtrix ha a ftljban csak 1, ms helyeken a 0 szm
tallhat.
A kvadratikus mtrix rangjt definilhatjuk gy, mint az X mtrix linerisan fggetlen oszlopainak maximlis szmt. Igazolhat, hogy ez egy jl definilt termszetes szm s megegyezik a mtrix linerisan
fggetlen sorainak maximlis szmval (a sorrang teht egyenl az oszlopranggal). A lineris algebrban
vektorok egy halmazt linerisan fggetlennek nevezzk, ha egyikk sem fejezhet ki a tbbi vektor
lineris kombincijaknt. Ellenkez esetben linerisan sszefgg vektorokrl beszlnk. Ha egy kvadratikus mtrix rendje s rangja azonos, a mtrix nem szingulris, ebben az esetben van inverze. Ha egy
kvadratikus mtrix rangja kisebb a rendjnl a mtrix szingulris, s nincs inverze.
A kvadratikus mtrixokhoz egy olyan skalrt (szmot) rendelnk, amelynek az rtke fgg a mtrix elemeinek nagysgtl. Ezt a skalrt az adott mtrix determinnsnak nevezzk s az X mtrix esetben a
|X| szimblummal jelljk. Ha egy kvadratikus mtrix oszlopai (sorai) linerisan fggetlenek, a mtrix
nem szingulris (rang=rend) s ebben az esetben a mtrix determinnsa klnbzik nulltl. Ha egy
kvadratikus mtrix oszlopai (sorai) linerisan nem fggetlenek, a mtrix szingulris (rang <rend), akkor
a mtrix determinnsa nulla.
A program kzli a mtrix sajtrtkeit (a sajtrtkek szorzata a determinnssal egyenl) s a sajt vektorokat.
Az ltalnos sajtrtk problma:
Legyen az A s B kt kvadratikus (n,n) tpus mtrix. A feladat, a szmok s az x 0 hozztartoz
vektorok meghatrozsa.
Ax = Bx
Fejezi ki, az ltalnos sajtrtk problmt. A szmot sajtrtknek, az x vektort sajt vektornak nevezzk.
A B=E specilis eset, ahol E egy n-ed rend egysgmtrix, azaz:
Ax = x
(A E)x = 0
Legyen A=XX
Az albbi sajtrtk feladat Excelben megoldhat:
(X 'X)x = x
[(X 'X) E]x = 0
A magyarz vltozk korrelcis mtrixnak a determinnsa egyenl a sajtrtkek szorzatval.
R k = 1 2 .... k
Az Xmtrix munkalapon a mtrix 2000x15 (n=2000, x=15) tpus lehet. Az adatok trlse utn bemsolhat az X mtrix. Az Xmtrix standardizls munkalapon a kvetkez transzformcit vgzi el a
program:
A magyarz vltozkat (i=1,22000: j=1,215) standardizljuk az albbi mdn:
x ji x j
x ji =
j n
Az Xmtrix mveletek munkalapon kzljk az XX mtrixot s annak inverzt (XX)-1. Az XX mtrix
a tnyezvltozk korrelcis mtrixt adja. Az inverz mtrix diagonlis elemei pedig a VIFj mutatkat
adjk.
Ebben az esetben:
XX = R
A standardizlt magyarzvltozk esetn (XX)-1jj = R -1jj = VIFj
Teht az ismertetett mdn standardizlt magyarz vltozk XX mtrixa egyenl a magyarz vltozk korrelcis mtrixval, ugyanis az xi s xj vltozk kztti korrelcis egytthat:

rij =

( xi x ) ( x j x )
n i j

227

F3 Tudomnytrtneti sszefoglal

A matematikai statisztika (mathematical statistics) fogalma elsszr a kvetkez publikcikban jelent279 280 281 meg:
Nmet nyelven 1867-ben tallhat meg elszr a matematikai statisztika (mathematische statistik) kifejezs: T. Wittstein [1867]: Mathematische Statistik und deren Anwendung auf National-Oekonomie und
Versicherungs-Wissenschaft Forrs: (David, H. A. [1995]:"First (?) Occurrence of Common Terms in
Mathematical Statistics," The American Statistician 49:2, May.) Angol nyelven a matematikai statisztika
(mathematical statistics) fogalma elszr 1918-ban fordult el: a kvetkez knyvben: C. J. West [1918]:
Introduction to Mathematical Statistics Forrs: (David, H. A. [1998]: "First (?) Occurrence of Common
Terms in Probability and Statistics -- A Second List, with Corrections," The American Statistician 52:1,
February).
Statisztikai sokasg (population) s minta (sample) elszr Francis Galton and W. F. R. Weldon
munkjban 1877-ben jelent meg. Francis Galton and W. F. R. Weldon [1877]: "Typical laws of heredity," Nature, 15,, April 19th, p. 532.
Galton (1822-1911) 282
F

Maximum s minimum kifejezsek, mint rtkek sszehasonltsa elszr 1743-ban tallhatk meg: W.
Emerson, [1743]: Doctrine of Fluxions c. munkjban.
Mdusz (mode) fogalmt Karl Pearson (1857-1936) angol kutat vezette be 1895-ben. Karl Pearson
[1895]: "Contributions to the Mathematical Theory of Evolution. II. Skew Variation in Homogeneous
Material," Philosophical Transactions of the Royal Society of London, Ser. A, 186, 343-414.
Grbe illesztse (curve fitting) Karl Pearson emlti elszr [1902]: On the Mathematical Theory of
Errors of Judgment, with Special Reference to the Personal Equation. Philosophical Transactions of the
Royal Society of London. Series A, 198, 235-299.
Karl Pearson [1902]: On the Systematic Fitting of Curves to Observations and Measurements.
Biometrika, 1, 265-303.
Karl Pearson fiatalkori kpe 283
F

279

Forrs: http://members.aol.com/jeff570/mathword.html (2008. februr 7.) Earliest Known Uses of Some of the
Words of Mathematics. Azokban az esetekben amikor ms internetes forrsokat hasznltunk azt kln jelljk.
280
A szoftverek (mg a magyar nyelv Excel is sok esetben) ltalban az angol nyelv kifejezseket hasznljk.
281
http://www.maths.tcd.ie/pub/HistMath/People/RBallHist.html ttekintst ad a XVII.-ik s XVIII.-ik szzad neves matematikusainak a munkssgrl. (2008. februr 7.)
282
Forrs: http://galton.org/ (2008. februr 7.)
283
Forrs: http://en.wikipedia.org/wiki/Karl_Pearson Kzli letrajzt s publikcis jegyzkt. (2008. februr 7.)

228

Karl Pearson idskori kpe 284

F

Medin (median) fogalmt elszr Cournot (Antoine Augustin Cournot (1801 1877) francia kzgazdsz, filozfus s matematikus) emlti 1843-ban. Antoine A. Cournot [1843]: Exposition de la thorie
des chances et des probabilits (pp. 119-20). David, H. A. [1998]: "First (?) Occurrence of Common
Terms in Probability and Statistics -- A Second List, with Corrections," The American Statistician 52:1,
February).
A. Augustin Cournot 285
F

tlag (mean) Thomas Little Heath (1861 -1940) angol matematikus 1921-ben A History of Greek
Mathematics (Oxford: Clarendon Press, 1921, p. 85) c. mvben azt rta, hogy Pythagoras grg matematikus (i. e. 580-572 500-490) fedezte fel szmtani, a mrtani s a harmonikus tlagokat. Az tlagok
kztt a geometriai tlag (geometric mean) angol nyelven elszr megtallhat egy 1450 krl kszlt
kziratban, Mark Dunn [1450]: The Art of Numbering. A szmtani tlag (arithmetical mean) megtallhat 1697-ben a kvetkez publikciban: E. Halley "A Most Compendious and Facile Method for
Constructing the Logarithms, Exemplified and Demonstrated from the Nature of Numbers, without any
Regard to the Hyperbola, with a Speedy Method for Finding the Number from the Logarithm Given,"
Philosophical Transactions of the Royal Society of London, Vol. 19. (1695 - 1697), pp. 58-67.
Pythagoras 286
F

Az tlag hibja. (mean error) a XIX.-ik szzadban elfogadott kifejezs volt a hiba elmletben. Johann
Carl Friedrich Gauss (1777 - 1855) vezette be az tlag hibja fogalmat 1821-ben Theoria combinationis
observationum erroribus minimis obnoxiae (Theory of the combination of observations least subject to error) (1821, p. 7), c. munkjban.
Gauss fiatal korban. 287
F

284

Forrs: http://www-groups.dcs.st-and.ac.uk/~history/PictDisplay/Pearson.html (2008. februr 7.)

Forrs: http://www.spock.com/Antoine-Augustin-Cournot (2008. februr 7.)
286
Forrs: http://www.google.hu/search?q=Pythagoras++picture&ie=utf-8&oe=utf-8&aq=t&rls=org. mozilla: hu:
official&client=firefox-a (2008. februr 7.)
287
Forrs: http://www-groups.dcs.st-and.ac.uk/~history/PictDisplay/Gauss.html (2008. februr 7.)
285

229

Gauss ids korban.

Ngyzetes hiba (mean square) megtallhat 1838 ban a Augustus De Morgan An Essay on Probabilities, and Their Application to Life Contingencies and Insurance Offices cm knyvben.
Asszocicis kapcsolat vizsglata. (association relationship) W. R. Hamilton 288 [1848]: Researches
respecting Quaternions: First Series. (Transactions of the Royal Irish Academy, 21. 199-296). Dolgozatt
felolvasta a Felolvasta az r Kirlyi Akadmin 1843. nov. 13-n, de csak 1848-ban publiklta.
William Rowan Hamilton 289 (1805-1865)
F

Variancia (variance, mean square deviation) Ronald Aylmer Fisher (1890 - 1962) 290 1922 ben megjelent munkjban fordul el elszr. Ronald Aylmer Fisher [1922]: "On the mathematical foundations of
theoretical statistics" Philosophical Transactions of the Royal Society, A, 222: 309-368. Fontos knyve,
ami befolysolta a XX.-ik szzadi statisztikai irodalmat: Ronald Aylmer Fisher [1925]: Statistical Methods for Research Workers 291 Kiad: Edinburgh, Oliver s Boyd.
R. Aylmer Fisher 292
F

Leontine Tintner festmnye 293

F

288

http://www.maths.tcd.ie/pub/HistMath/People/Hamilton/ (2008. februr 7.)

W. R. Hamilton publikcis jegyzke: ld.: http://www.maths.tcd.ie/pub/HistMath/People/ Hamilton/Papers.html
(2008. februr 7.)
290
letrajzt ld.: J. C. Gower, Ronald Aylmer Fisher 1890-1962, Mathematical Spectrum 23 (1990-91), 76-86.
291
R. Aylmer Fisher knyve az interneten elrhet: http://psychclassics.yorku.ca/ Fisher/ Methods/ (2008. februr
7.)
292
http://www-groups.dcs.st-and.ac.uk/~history/Mathematicians/Fisher.html (2008. februr 7.)
293
http://www-groups.dcs.st-and.ac.uk/~history/PictDisplay/Fisher.html (2008. februr 7.)
289

230

R. Aylmer Fisher 294

F

Kvantilis. (quantile) mint ltalnos fogalom, ami magban foglalja a kvartilist (negyedelt), percentilist
(szzadolt) stb. 1940-ben jelent meg elszr.
David, H. A. [2001]: First (?) Occurrence of Common Terms in Statistics and Probability, Appendix B
pp. 219-228. hivatkozott M. G. Kendall munkjra [1940 - 1941] "Note on the Distribution of Quantiles
for Large Samples," Supplement to the Journal of the Royal Statistical Society, 7, 83-85.
Kvartilis (quartile). Als s fels kvartilis elszr 1879-ben fordul el. Donald McAlister, The Law of
the Geometric Mean, Proc. R. Soc. XXIX, p. 374.
Als s fels kvartilis megjelenik ksbb 1881-ban F. Galton, [1881] "Report of the Anthropometric
Committee," Report of the 51st Meeting of the British Association for the Advancement of Science, p.
245-260 .
Maurice George Kendall (1907 - 1983) angol statisztikus.
M. G. Kendall 295
F

Momentum (moment) a mechanikban Newton hasznlta elszr 1704-ben. Isaac Newton [1704]: De
Quadratura Curvarum: "Momenta id est incrementa momentanea synchrona".
Momentum (moment) fogalmat a statisztikban a Karl Pearson vezette be, tvve a mechanikbl 1893ban, Karl Pearson [1893]: "Asymmetrical Frequency Curves," Nature October 26th
Cscsssg (kurtosis) fogalmt elszr Karl Pearson hasznlta 1905-ben: Karl Pearson [1905]: "Das Fehlergesetz und seine Verallgemeinerungen durch Fechner und Pearson. A Rejoinder, Biometrika, 4, 169212.
Ferdesg (skew curve) 1895-ben Karl Pearson munkjban jelenik meg elszr: Karl Pearson [1895]:
Contributions to the Mathematical Theory of Evolution. II. Skew Variation in Homogeneous Material,
Philosophical Transactions of the Royal Society A, 186, 343-414.
Kumulls (cumulation) R. A. Fisher hasznlta elszr 1929-ben s 1931-ben Wisharttal: R. A. Fisher
[1929]: Moments and Product Moments of Sampling Distributions," Proceedings of the London Mathematical Society, Series 2, 30, 199-238. s R. A. Fisher s J. Wishart, [1931]: "The Derivation of the Pattern Formulae of Two-Way Partitions From Those of Simpler Patterns," Proceedings of the London
Mathematical Society, Ser. 2, 33, p.195. Harold Hotelling (J. Amer. Stat Assoc., 28, 1933, 374).
Koncentrci (concentration) mrsre Lorentz dolgozta ki a Rla elnevezett grbt. Lorenz, M. O.
[1905]: Methods of measuring the concentration of wealth Publications of the American Statistical
Association. 9: 209-219.
Max Otto Lorenz (1880 1962) amerikai kzgazdsz. A Lorentz grbt elszr a kvetkez knyvben
publikltk: King, W. I. [1912]:. The Elements of Statistical Method. New York: Macmillan.
Lorenz, M. O. 296
F

294
295
296

http://www-groups.dcs.st-and.ac.uk/~history/Mathematicians/Fisher.html (2008. februr 7.)

http://www-gap.dcs.st-and.ac.uk/~history/Mathematicians/Kendall_Maurice.html (2008. februr 7.)
http://www.spock.com/Max-O.-Lorenz (2008. februr 7.)

231

Durbin - Watson teszt (Durbin - Watson test) kidolgozi: Durbin, J., and Watson, G. S., [1950]: Testing
for Serial Correlation in Least Squares Regression, I. Biometrika 37.
Benjamin Gompertz 297 (1779-1865)
F

A Gompertz logisztikus trend felfedezje. 298 Benjamin Gompertz 299 biztostsi matematikus 1825-ben
flfedezte azt a halandsgi trvnyt, amit az llatokon vgzett vizsglatok is megerstenek. Az emberi
halandsgi rta a nemi rettsg elrse idejn a legkisebb, utna exponencilisan emelkedik. Gompertz
ttele szerint az ember elhallozsi eslye harminc s nyolcvanves kora kztt ht vente megduplzdik, nyolcvanves kora fltt viszont jra cskkenni kezd. Az jabb vizsglatok alapjn a halandsg erejnek alakulst ler grbe csak a szletstl a korai kamaszkori mlypontjig s felnttkori monoton
jelleg emelkedsnek a legfiatalabb letkortl kezdden alakul gy, ahogyan azt Gompertz lerta. 300
Az egyre nvekv tapasztalati anyag elemzse kapcsn az is egyrtelmv vlt, hogy az orvostudomny
fejldse, az egszsggyi rendszablyok s a morbiditst s mortalitst befolysol egyb tnyezk a klnbz letkorakat eltr arnyban rintik, ezrt a klnbz nem s kor npessg halandsgnak
egymshoz viszonytott nagysga llandan vltozik. A nyolcvanvesnl idsebb korosztlyokban a nk
mr tlnyom tbbsgbe kerltek, gy a Gompertz - egyenlet 301 302 lnyegben csak a nket tmogatja.
F

Marion King Hubbert. (1903-1989)

303 304 305

F

A texasi San Saba-ban szletett. 306 Tanulmnyait Chicagoi Egyetemen folytatta, ahol geolgit, matematikt s fizikt tanult. B. S fokozatot 1926-ban, M. S.-t 1928-ban, PhD-t pedig 1937-ben szerzett. PhD tanulmnyai alatt az Amerada olajtrsasg geolgus asszisztenseknt dolgozott. 1943-tl 1964-ig a Shell
F

297

http://en.wikipedia.org/wiki/Benjamin_Gompertz
Gompertz, B., [1825].
299
http://en.wikipedia.org/wiki/Benjamin_gompertz
300
Ld. Valkovics Emil [2001] 121-141.
301
Gompertz, B., [1825]: 513-585.
302
Bartlett M. S. Cox F. R. S. [1975] 16.
303
http://hu.wikipedia.org/wiki/M._King_Hubbert
304
http://rsparlourtricks.blogspot.com/2005/10/m-king-hubbert.html
305
http://www.hubbertpeak.com/hubbert/
306
http://hu.wikipedia.org/wiki/M._King_Hubbert
298

232

Oil Company alkalmazottja, ezutn 1976-os nyugdjba vonulsig a United States Geological Survey kutat fizikusa volt. A Stanford Egyetemen geolgit s geofizikt tantott 1963-tl 1968-ig, a Berkeley
Egyetemen pedig 1973-tl 1976-ig. A technokrata mozgalom aktv tagja, a 30-as vekben alakult
Technocracy Incorporated szervezet egyik alaptja volt. Tbb fontos eredmnyt rt el a geolgia s a
geofizika terletn. Nevhez fzdik az olajtermels idbeli alakulst egy adott terleten modellez
haranggrbbe, az n. Hubbert-grbe, az olajhozam-cscs elmletnek egyik kzponti eleme.

F.4. Tblzatok
A Bta-eloszls kritikus rtkei 307 a Szroeter teszthez, 5 %-os szignifikancia szinten, ha a lineris regresszis egyenes konstanst is tartalmaz.
F

307

M. J. Harrison [1982]: Table 4. 165.

233

n
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100

m=k+1=2 m=k+1=3 m=k+1=4 m=k+1=5 m=k+1=6

0,873
0,758
0,583
0,326
0,025
0,962
0,873
0,758
0,583
0,326
1,033
0,962
0,873
0,758
0,583
1,091
1,033
0,962
0,873
0,758
1,140
1,091
1,033
0,962
0,873
1,181
1,140
1,091
1,033
0,962
1,217
1,181
1,140
1,091
1,033
1,248
1,217
1,181
1,140
1,091
1,276
1,248
1,217
1,181
1,140
1,301
1,276
1,248
1,217
1,181
1,324
1,301
1,276
1,248
1,217
1,345
1,324
1,301
1,276
1,248
1,363
1,345
1,324
1,301
1,276
1,381
1,363
1,345
1,324
1,301
1,397
1,381
1,363
1,345
1,324
1,411
1,397
1,381
1,363
1,345
1,425
1,411
1,397
1,381
1,363
1,438
1,425
1,411
1,397
1,381
1,450
1,438
1,425
1,411
1,397
1,461
1,450
1,438
1,425
1,411
1,471
1,461
1,450
1,438
1,425
1,481
1,471
1,461
1,450
1,438
1,491
1,481
1,471
1,461
1,450
1,500
1,491
1,481
1,471
1,461
1,508
1,500
1,491
1,481
1,471
1,516
1,508
1,500
1,491
1,481
1,524
1,516
1,508
1,500
1,491
1,531
1,524
1,516
1,508
1,500
1,537
1,531
1,524
1,516
1,508
1,542
1,538
1,531
1,524
1,516
1,547
1,545
1,538
1,531
1,524
1,551
1,551
1,545
1,538
1,531
1,555
1,557
1,551
1,545
1,538
1,575
1,585
1,580
1,574
1,569
1,593
1,608
1,603
1,599
1,594
1,608
1,627
1,623
1,620
1,616
1,622
1,644
1,641
1,637
1,634
1,635
1,659
1,656
1,653
1,650
1,646
1,671
1,669
1,666
1,664
1,656
1,682
1,681
1,679
1,676
1,666
1,692
1,692
1,690
1,688
1,675
1,699
1,701
1,699
1,698
1,683
1,706
1,710
1,709
1,707
1,690
1,712
1,718
1,716
1,715
1,697
1,718
1,726
1,724
1,723

234

Standard normlis eloszls srsgfggvny rtkei

z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0

0
0,500
0,460
0,421
0,382
0,345
0,309
0,274
0,242
0,212
0,184
0,159
0,136
0,115
0,097
0,081
0,067
0,055
0,045
0,036
0,029
0,023
0,018
0,014
0,011
0,008
0,006
0,005
0,003
0,003
0,002
0,001

1
0,496
0,456
0,417
0,378
0,341
0,305
0,271
0,239
0,209
0,181
0,156
0,133
0,113
0,095
0,079
0,066
0,054
0,044
0,035
0,028
0,022
0,017
0,014
0,010
0,008
0,006
0,005
0,003
0,002
0,002
0,001

2
0,492
0,452
0,413
0,374
0,337
0,302
0,268
0,236
0,206
0,179
0,154
0,131
0,111
0,093
0,078
0,064
0,053
0,043
0,034
0,027
0,022
0,017
0,013
0,010
0,008
0,006
0,004
0,003
0,002
0,002
0,001

3
0,488
0,448
0,409
0,371
0,334
0,298
0,264
0,233
0,203
0,176
0,152
0,129
0,109
0,092
0,076
0,063
0,052
0,042
0,034
0,027
0,021
0,017
0,013
0,010
0,008
0,006
0,004
0,003
0,002
0,002
0,001

4
0,484
0,444
0,405
0,367
0,330
0,295
0,261
0,230
0,200
0,174
0,149
0,127
0,107
0,090
0,075
0,062
0,051
0,041
0,033
0,026
0,021
0,016
0,013
0,010
0,007
0,006
0,004
0,003
0,002
0,002
0,001

5
0,480
0,440
0,401
0,363
0,326
0,291
0,258
0,227
0,198
0,171
0,147
0,125
0,106
0,089
0,074
0,061
0,049
0,040
0,032
0,026
0,020
0,016
0,012
0,009
0,007
0,005
0,004
0,003
0,002
0,002
0,001

6
0,476
0,436
0,397
0,359
0,323
0,288
0,255
0,224
0,195
0,169
0,145
0,123
0,104
0,087
0,072
0,059
0,048
0,039
0,031
0,025
0,020
0,015
0,012
0,009
0,007
0,005
0,004
0,003
0,002
0,002
0,001

7
0,472
0,433
0,394
0,356
0,319
0,284
0,251
0,221
0,192
0,166
0,142
0,121
0,102
0,085
0,071
0,058
0,047
0,038
0,031
0,024
0,019
0,015
0,012
0,009
0,007
0,005
0,004
0,003
0,002
0,001
0,001

308
F

8
0,468
0,429
0,390
0,352
0,316
0,281
0,248
0,218
0,189
0,164
0,140
0,119
0,100
0,084
0,069
0,057
0,046
0,038
0,030
0,024
0,019
0,015
0,011
0,009
0,007
0,005
0,004
0,003
0,002
0,001
0,001

9
0,464
0,425
0,386
0,348
0,312
0,278
0,245
0,215
0,187
0,161
0,138
0,117
0,099
0,082
0,068
0,056
0,046
0,037
0,029
0,023
0,018
0,014
0,011
0,008
0,006
0,005
0,004
0,003
0,002
0,001
0,001

Kritikus rtkek klnbz szignifikancia-szintek esetn

Szignifikancia-szint ()

308

Egyoldal
Ktoldal

0,1000
0,2000

0,0500
0,1000

0,0250
0,0500

0,0225
0,0450

0,0100
0,0200

0,0050
0,0100

1,280

1,645

1,960

2,000

2,330

2,587

Pintr Jzsef Rappai Gbor (szerkeszt) [2007]: 489.

235

Student-fle t-eloszls kritikus rtkei klnfle szignifikancia-szint mellett 309

Szabadsg- Szignifikancia-szint
0,1
0,05
0,025
0,01
0,005
fok
F

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
150
200

309

3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,294
1,292
1,291
1,290
1,287
1,286

6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,667
1,664
1,662
1,660
1,655
1,653

12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,994
1,990
1,987
1,984
1,976
1,972

31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,381
2,374
2,368
2,364
2,351
2,345

63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,648
2,639
2,632
2,626
2,609
2,601

Ramanathan Ramu [2003]: 609.

236

310

2 -eloszls kritikus rtkei klnfle szignifikancia-szintek mellett 310

F

Szabadsgfok

Szinifikancia-szint
0,9900
0,9500

0,9000

0,1000

0,0500

0,0100

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
50
60
70
80
90
100
150
200
250

0,000
0,020
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256
14,953
15,655
16,362
17,073
17,789
18,509
19,233
19,960
20,691
21,426
22,164
29,707
37,485
45,442
53,540
61,754
70,065
112,668
156,432
200,939

0,016
0,211
0,584
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,041
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
21,434
22,271
23,110
23,952
24,797
25,643
26,492
27,343
28,196
29,051
37,689
46,459
55,329
64,278
73,291
82,358
128,275
174,835
221,806

2,706
4,605
6,251
7,779
9,236
10,645
12,017
13,362
14,684
15,987
17,275
18,549
19,812
21,064
22,307
23,542
24,769
25,989
27,204
28,412
29,615
30,813
32,007
33,196
34,382
35,563
36,741
37,916
39,087
40,256
41,422
42,585
43,745
44,903
46,059
47,212
48,363
49,513
50,660
51,805
63,167
74,397
85,527
96,578
107,565
118,498
172,581
226,021
279,050

3,841
5,991
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
32,671
33,924
35,172
36,415
37,652
38,885
40,113
41,337
42,557
43,773
44,985
46,194
47,400
48,602
49,802
50,998
52,192
53,384
54,572
55,758
67,505
79,082
90,531
101,879
113,145
124,342
179,581
233,994
287,882

6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588
50,892
52,191
53,486
54,775
56,061
57,342
58,619
59,893
61,162
62,428
63,691
76,154
88,379
100,425
112,329
124,116
135,807
193,207
249,445
304,939

0,004
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
19,281
20,072
20,867
21,664
22,465
23,269
24,075
24,884
25,695
26,509
34,764
43,188
51,739
60,391
69,126
77,929
122,692
168,279
214,392

Aczel A. D. [2002]: Table 4 alapjn.

237

F-eloszls kritikus rtkei 5%-os egyoldal (10%-os ktoldal) szignifikancia-szint mellett 311
F

Nevez
szf
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
75
100
200

311

Szmll szabadsgfoka
1
2
3
4
5
18,5 19,0 19,2 19,2 19,3
10,1 9,55 9,28 9,12 9,01
7,71 6,94 6,59 6,39 6,26
6,61 5,79 5,41 5,19 5,05
5,99 5,14 4,76 4,53 4,39
5,59 4,74 4,35 4,12 3,97
5,32 4,46 4,07 3,84 3,69
5,12 4,26 3,86 3,63 3,48
4,96 4,10 3,71 3,48 3,33
4,84 3,98 3,59 3,36 3,20
4,75 3,89 3,49 3,26 3,11
4,67 3,81 3,41 3,18 3,03
4,60 3,74 3,34 3,11 2,96
4,54 3,68 3,29 3,06 2,90
4,49 3,63 3,24 3,01 2,85
4,45 3,59 3,20 2,96 2,81
4,41 3,55 3,16 2,93 2,77
4,38 3,52 3,13 2,90 2,74
4,35 3,49 3,10 2,87 2,71
4,32 3,47 3,07 2,84 2,68
4,30 3,44 3,05 2,82 2,66
4,28 3,42 3,03 2,80 2,64
4,26 3,40 3,01 2,78 2,62
4,24 3,39 2,99 2,76 2,60
4,23 3,37 2,98 2,74 2,59
4,21 3,35 2,96 2,73 2,57
4,20 3,34 2,95 2,71 2,56
4,18 3,33 2,93 2,70 2,55
4,17 3,32 2,92 2,69 2,53
4,12 3,27 2,87 2,64 2,49
4,08 3,23 2,84 2,61 2,45
4,03 3,18 2,79 2,56 2,40
4,00 3,15 2,76 2,53 2,37
3,97 3,12 2,73 2,49 2,34
3,94 3,09 2,70 2,46 2,31
3,89 3,04 2,65 2,42 2,26

6
19,3
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,37
2,34
2,29
2,25
2,22
2,19
2,14

7
19,7
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,29
2,25
2,20
2,17
2,13
2,10
2,06

8
19,4
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,22
2,18
2,13
2,10
2,06
2,03
1,98

9
19,3
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,16
2,12
2,07
2,04
2,01
1,97
1,93

10
19,4
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,11
2,08
2,03
1,99
1,96
1,93
1,88

15
19,4
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,96
1,92
1,87
1,84
1,80
1,77
1,72

20
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,88
1,84
1,78
1,75
1,71
1,68
1,62

25
19,6
8,63
5,77
4,52
3,83
3,40
3,11
2,89
2,73
2,60
2,50
2,41
2,34
2,28
2,23
2,18
2,14
2,11
2,07
2,05
2,02
2,00
1,97
1,96
1,94
1,92
1,91
1,89
1,88
1,82
1,78
1,73
1,69
1,65
1,62
1,56

30
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,79
1,74
1,69
1,65
1,61
1,57
1,52

50
19,5
8,58
5,70
4,44
3,75
3,32
3,02
2,80
2,64
2,51
2,40
2,31
2,24
2,18
2,12
2,08
2,04
2,00
1,97
1,94
1,91
1,88
1,86
1,84
1,82
1,81
1,79
1,77
1,76
1,70
1,66
1,60
1,56
1,52
1,48
1,41

100
19,5
8,55
5,66
4,41
3,71
3,27
2,97
2,76
2,59
2,46
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,91
1,88
1,85
1,82
1,80
1,78
1,76
1,74
1,73
1,71
1,70
1,63
1,59
1,52
1,48
1,44
1,39
1,32

200
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,12
4,08
4,03
4,00
3,97
3,94
3,89

Aczel A. D. [2002]: Table 5A alapjn.

238

F-eloszls kritikus rtkei 2,5%-os egyoldal (5%-os ktoldal) szignifikancia-szint mellett

Neve
z
szf
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
75
100
200

Szmll szabadsgfoka

10

15

20

25

30

50

100

200

38,5
17,4
12,2
10,0
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,92
5,87
5,83
5,79
5,75
5,72
5,69
5,66
5,63
5,61
5,59
5,57
5,48
5,42
5,34
5,29
5,23
5,18
5,10

39,0
16,0
10,6
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,77
4,69
4,62
4,56
4,51
4,46
4,42
4,38
4,35
4,32
4,29
4,27
4,24
4,22
4,20
4,18
4,11
4,05
3,97
3,93
3,88
3,83
3,76

39,2
15,4
9,98
7,76
6,60
5,89
5,42
5,08
4,83
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,82
3,78
3,75
3,72
3,69
3,67
3,65
3,63
3,61
3,59
3,52
3,46
3,39
3,34
3,30
3,25
3,18

39,3
15,1
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,48
3,44
3,41
3,38
3,35
3,33
3,31
3,29
3,27
3,25
3,18
3,13
3,05
3,01
2,96
2,92
2,85

39,3
14,9
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,25
3,22
3,18
3,15
3,13
3,10
3,08
3,06
3,04
3,03
2,96
2,90
2,83
2,79
2,74
2,70
2,63

39,3
14,7
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,09
3,05
3,02
2,99
2,97
2,94
2,92
2,90
2,88
2,87
2,80
2,74
2,67
2,63
2,58
2,54
2,47

39,4
14,6
9,07
6,85
5,70
4,99
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,97
2,93
2,90
2,87
2,85
2,82
2,80
2,78
2,76
2,75
2,68
2,62
2,55
2,51
2,46
2,42
2,35

39,4
14,5
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,87
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,67
2,65
2,58
2,53
2,46
2,41
2,37
2,32
2,26

39,4
14,4
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,80
2,76
2,73
2,70
2,68
2,65
2,63
2,61
2,59
2,57
2,50
2,45
2,38
2,33
2,29
2,24
2,18

39,4
14,4
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,73
2,70
2,67
2,64
2,61
2,59
2,57
2,55
2,53
2,51
2,44
2,39
2,32
2,27
2,22
2,18
2,11

39,4
14,2
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,53
2,50
2,47
2,44
2,41
2,39
2,36
2,34
2,32
2,31
2,23
2,18
2,11
2,06
2,01
1,97
1,90

39,5
14,1
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,42
2,39
2,36
2,33
2,30
2,28
2,25
2,23
2,21
2,20
2,12
2,07
1,99
1,94
1,90
1,85
1,78

39,5
14,1
8,50
6,27
5,11
4,40
3,94
3,60
3,35
3,16
3,01
2,88
2,78
2,69
2,61
2,55
2,49
2,44
2,40
2,36
2,32
2,29
2,26
2,23
2,21
2,18
2,16
2,14
2,12
2,05
1,99
1,92
1,87
1,82
1,77
1,70

39,5
14,0
8,46
6,23
5,07
4,36
3,89
3,56
3,31
3,12
2,96
2,84
2,73
2,64
2,57
2,50
2,44
2,39
2,35
2,31
2,27
2,24
2,21
2,18
2,16
2,13
2,11
2,09
2,07
2,00
1,94
1,87
1,82
1,76
1,71
1,64

39,5
14,0
8,38
6,14
4,98
4,28
3,81
3,47
3,22
3,03
2,87
2,74
2,64
2,55
2,47
2,41
2,35
2,30
2,25
2,21
2,17
2,14
2,11
2,08
2,05
2,03
2,01
1,99
1,97
1,89
1,83
1,75
1,70
1,65
1,59
1,51

39,5
13,9
8,32
6,08
4,92
4,21
3,74
3,40
3,15
2,96
2,80
2,67
2,56
2,47
2,40
2,33
2,27
2,22
2,17
2,13
2,09
2,06
2,02
2,00
1,97
1,94
1,92
1,90
1,88
1,80
1,74
1,66
1,60
1,54
1,48
1,39

39,5
13,9
8,29
6,05
4,88
4,18
3,70
3,37
3,12
2,92
2,76
2,63
2,53
2,44
2,36
2,29
2,23
2,18
2,13
2,09
2,05
2,01
1,98
1,95
1,92
1,90
1,88
1,86
1,84
1,75
1,69
1,60
1,54
1,48
1,42
1,32

239

Durbin-Watson-prba, az 5 szzalkos dL s dU rtkek az egyoldali prbhoz.

5%
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200

312 313 314

F

k=1
k=2
k=3
k=4
k=5
k=6
k=7
k=8
k=9
k = 10
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
0,610 1,400 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,700 1,356 0,467 1,896 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,763 1,332 0,559 1,777 0,367 2,287 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,824 1,320 0,629 1,699 0,455 2,128 0,296 2,588 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,879 1,320 0,697 1,641 0,525 2,016 0,376 2,414 0,243 2,822 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,927 1,324 0,758 1,604 0,595 1,928 0,444 2,283 0,315 2,645 0,203 3,004 ----- ----- ----- ----- ----- ----- ----- ----0,971 1,331 0,812 1,579 0,658 1,864 0,512 2,177 0,380 2,506 0,268 2,832 0,171 3,149 ----- ----- ----- ----- ----- ----1,010 1,340 0,861 1,562 0,715 1,816 0,574 2,094 0,444 2,390 0,328 2,692 0,230 2,985 0,147 3,266 ----- ----- ----- ----1,045 1,350 0,905 1,551 0,767 1,779 0,632 2,030 0,505 2,296 0,389 2,572 0,286 2,848 0,200 3,111 0,127 3,360 ----- ----1,077 1,361 0,946 1,543 0,814 1,750 0,685 1,977 0,562 2,220 0,447 2,471 0,343 2,727 0,251 2,979 0,175 3,216 0,111 3,438
1,106 1,371 0,982 1,539 0,857 1,728 0,734 1,935 0,615 2,157 0,502 2,388 0,398 2,624 0,304 2,860 0,222 3,090 0,155 3,304
1,133 1,381 1,015 1,536 0,897 1,710 0,779 1,900 0,664 2,104 0,554 2,318 0,451 2,537 0,356 2,757 0,272 2,975 0,198 3,184
1,158 1,391 1,046 1,535 0,933 1,696 0,820 1,872 0,710 2,060 0,603 2,258 0,502 2,461 0,407 2,668 0,321 2,873 0,244 3,073
1,180 1,401 1,074 1,536 0,967 1,685 0,859 1,848 0,752 2,023 0,649 2,206 0,549 2,396 0,456 2,589 0,369 2,783 0,290 2,974
1,201 1,411 1,100 1,537 0,998 1,676 0,894 1,828 0,792 1,991 0,691 2,162 0,595 2,339 0,502 2,521 0,416 2,704 0,336 2,885
1,221 1,420 1,125 1,538 1,026 1,669 0,927 1,812 0,829 1,964 0,731 2,124 0,637 2,290 0,546 2,461 0,461 2,633 0,380 2,806
1,239 1,429 1,147 1,541 1,053 1,664 0,958 1,797 0,863 1,940 0,769 2,090 0,677 2,246 0,588 2,407 0,504 2,571 0,424 2,735
1,257 1,437 1,168 1,543 1,078 1,660 0,986 1,785 0,895 1,920 0,804 2,061 0,715 2,208 0,628 2,360 0,545 2,514 0,465 2,670
1,273 1,446 1,188 1,546 1,101 1,656 1,013 1,775 0,925 1,902 0,837 2,035 0,750 2,174 0,666 2,318 0,584 2,464 0,506 2,613
1,288 1,454 1,206 1,550 1,123 1,654 1,038 1,767 0,953 1,886 0,868 2,013 0,784 2,144 0,702 2,280 0,621 2,419 0,544 2,560
1,302 1,461 1,224 1,553 1,143 1,652 1,062 1,759 0,979 1,873 0,897 1,992 0,816 2,117 0,735 2,246 0,657 2,379 0,581 2,513
1,316 1,469 1,240 1,556 1,162 1,651 1,084 1,753 1,004 1,861 0,925 1,974 0,845 2,093 0,767 2,216 0,691 2,342 0,616 2,470
1,328 1,476 1,255 1,560 1,181 1,650 1,104 1,747 1,028 1,850 0,951 1,959 0,874 2,071 0,798 2,188 0,723 2,309 0,649 2,431
1,341 1,483 1,270 1,563 1,198 1,650 1,124 1,743 1,050 1,841 0,975 1,944 0,900 2,052 0,826 2,164 0,753 2,278 0,681 2,396
1,352 1,489 1,284 1,567 1,214 1,650 1,143 1,739 1,071 1,833 0,998 1,931 0,926 2,034 0,854 2,141 0,782 2,251 0,712 2,363
1,363 1,496 1,297 1,570 1,229 1,650 1,160 1,735 1,090 1,825 1,020 1,920 0,950 2,018 0,879 2,120 0,810 2,226 0,741 2,333
1,373 1,502 1,309 1,574 1,244 1,650 1,177 1,732 1,109 1,819 1,041 1,909 0,972 2,004 0,904 2,102 0,836 2,203 0,769 2,306
1,383 1,508 1,321 1,577 1,258 1,651 1,193 1,730 1,127 1,813 1,061 1,900 0,994 1,991 0,927 2,085 0,861 2,181 0,796 2,281
1,393 1,514 1,333 1,580 1,271 1,652 1,208 1,728 1,144 1,808 1,079 1,891 1,015 1,978 0,950 2,069 0,885 2,162 0,821 2,257
1,402 1,519 1,343 1,584 1,283 1,653 1,222 1,726 1,160 1,803 1,097 1,884 1,034 1,967 0,971 2,054 0,908 2,144 0,845 2,236
1,411 1,525 1,354 1,587 1,295 1,654 1,236 1,724 1,175 1,799 1,114 1,876 1,053 1,957 0,991 2,041 0,930 2,127 0,868 2,216
1,419 1,530 1,364 1,590 1,307 1,655 1,249 1,723 1,190 1,795 1,131 1,870 1,071 1,948 1,011 2,029 0,951 2,112 0,891 2,197
1,427 1,535 1,373 1,594 1,318 1,656 1,261 1,722 1,204 1,792 1,146 1,864 1,088 1,939 1,029 2,017 0,970 2,098 0,912 2,180
1,435 1,540 1,382 1,597 1,328 1,658 1,273 1,722 1,218 1,789 1,161 1,859 1,104 1,932 1,047 2,007 0,990 2,085 0,932 2,164
1,442 1,544 1,391 1,600 1,338 1,659 1,285 1,721 1,230 1,786 1,175 1,854 1,120 1,924 1,064 1,997 1,008 2,072 0,952 2,149
1,475 1,566 1,430 1,615 1,383 1,666 1,336 1,720 1,287 1,776 1,238 1,835 1,189 1,895 1,139 1,958 1,089 2,022 1,038 2,088
1,503 1,585 1,462 1,628 1,421 1,674 1,378 1,721 1,335 1,771 1,291 1,822 1,246 1,875 1,201 1,930 1,156 1,986 1,110 2,044
1,528 1,601 1,490 1,641 1,452 1,681 1,414 1,724 1,374 1,768 1,334 1,814 1,294 1,861 1,253 1,909 1,212 1,959 1,170 2,010
1,549 1,616 1,514 1,652 1,480 1,689 1,444 1,727 1,408 1,767 1,372 1,808 1,335 1,850 1,298 1,894 1,260 1,939 1,222 1,984
1,567 1,629 1,536 1,662 1,503 1,696 1,471 1,731 1,438 1,767 1,404 1,805 1,370 1,843 1,336 1,882 1,301 1,923 1,266 1,964
1,583 1,641 1,554 1,672 1,525 1,703 1,494 1,735 1,464 1,768 1,433 1,802 1,401 1,838 1,369 1,874 1,337 1,910 1,305 1,948
1,598 1,652 1,571 1,680 1,543 1,709 1,515 1,739 1,487 1,770 1,458 1,801 1,428 1,834 1,399 1,867 1,369 1,901 1,339 1,935
1,611 1,662 1,586 1,688 1,560 1,715 1,534 1,743 1,507 1,772 1,480 1,801 1,453 1,831 1,425 1,861 1,397 1,893 1,369 1,925
1,624 1,671 1,600 1,696 1,575 1,721 1,550 1,747 1,525 1,774 1,500 1,801 1,474 1,829 1,448 1,857 1,422 1,886 1,396 1,916
1,635 1,679 1,612 1,703 1,589 1,726 1,566 1,751 1,542 1,776 1,518 1,801 1,494 1,827 1,469 1,854 1,445 1,881 1,420 1,909
1,645 1,687 1,623 1,709 1,602 1,732 1,579 1,755 1,557 1,778 1,535 1,802 1,512 1,827 1,489 1,852 1,465 1,877 1,442 1,903
1,654 1,694 1,634 1,715 1,613 1,736 1,592 1,758 1,571 1,780 1,550 1,803 1,528 1,826 1,506 1,850 1,484 1,874 1,462 1,898
1,720 1,747 1,706 1,760 1,693 1,774 1,679 1,788 1,665 1,802 1,651 1,817 1,637 1,832 1,622 1,846 1,608 1,862 1,593 1,877
1,758 1,779 1,748 1,789 1,738 1,799 1,728 1,809 1,718 1,820 1,707 1,831 1,697 1,841 1,686 1,852 1,675 1,863 1,665 1,874

312

Savin, N. E.-White K. J. [1977]: 1989-1996.

Ramanathan Ramu [2003]: 614-615.
314
Az n= a megfigyelsek szma (n=1,2200), k= a magyarzvltozk szma (k=1,2..20).
313

240

k = 11
k = 12
k = 13
k = 14
k = 15
k = 16
k = 17
k = 18
k = 19
k = 20
5%
n
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
6 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----7 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----8 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----9 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----10 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----11 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----12 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----13 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----14 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----15 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----16 0,098 3,503 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----17 0,138 3,378 0,087 3,557 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----18 0,177 3,265 0,123 3,441 0,078 3,603 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----19 0,220 3,159 0,160 3,335 0,111 3,496 0,070 3,642 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----20 0,263 3,063 0,200 3,234 0,145 3,395 0,100 3,542 0,063 3,676 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----21 0,307 2,976 0,240 3,141 0,182 3,300 0,132 3,448 0,091 3,583 0,058 3,705 ----- ----- ----- ----- ----- ----- ----- ----22 0,349 2,897 0,281 3,057 0,220 3,211 0,166 3,358 0,120 3,495 0,083 3,619 0,052 3,731 ----- ----- ----- ----- ----- ----23 0,391 2,826 0,322 2,979 0,259 3,128 0,202 3,272 0,153 3,409 0,110 3,535 0,076 3,650 0,048 3,753 ----- ----- ----- ----24 0,431 2,761 0,362 2,908 0,297 3,053 0,239 3,193 0,186 3,327 0,141 3,454 0,101 3,572 0,070 3,678 0,044 3,773 ----- ----25 0,470 2,702 0,400 2,844 0,335 2,983 0,275 3,119 0,221 3,251 0,172 3,376 0,130 3,494 0,094 3,604 0,065 3,702 0,041 3,790
26 0,508 2,649 0,438 2,784 0,373 2,919 0,312 3,051 0,256 3,179 0,205 3,303 0,160 3,420 0,120 3,531 0,087 3,632 0,060 3,724
27 0,544 2,600 0,475 2,730 0,409 2,859 0,348 2,987 0,291 3,112 0,238 3,233 0,191 3,349 0,149 3,460 0,112 3,563 0,081 3,658
28 0,578 2,555 0,510 2,680 0,445 2,805 0,383 2,928 0,325 3,050 0,271 3,168 0,222 3,283 0,178 3,392 0,138 3,495 0,104 3,592
29 0,612 2,515 0,544 2,634 0,479 2,755 0,418 2,874 0,359 2,992 0,305 3,107 0,254 3,219 0,208 3,327 0,166 3,431 0,129 3,528
30 0,643 2,477 0,577 2,592 0,512 2,708 0,451 2,823 0,392 2,937 0,337 3,050 0,286 3,160 0,238 3,266 0,195 3,368 0,156 3,465
31 0,674 2,443 0,608 2,553 0,545 2,665 0,484 2,776 0,425 2,887 0,370 2,996 0,317 3,103 0,269 3,208 0,224 3,309 0,183 3,406
32 0,703 2,411 0,638 2,517 0,576 2,625 0,515 2,733 0,457 2,840 0,401 2,946 0,349 3,050 0,299 3,153 0,253 3,252 0,211 3,348
33 0,731 2,382 0,668 2,484 0,606 2,588 0,546 2,692 0,488 2,796 0,432 2,899 0,379 3,000 0,329 3,100 0,283 3,198 0,239 3,293
34 0,758 2,355 0,695 2,454 0,634 2,554 0,575 2,654 0,518 2,754 0,462 2,854 0,409 2,954 0,359 3,051 0,312 3,147 0,267 3,240
35 0,783 2,330 0,722 2,425 0,662 2,521 0,604 2,619 0,547 2,716 0,492 2,813 0,439 2,910 0,388 3,005 0,340 3,099 0,295 3,190
36 0,808 2,306 0,748 2,398 0,689 2,492 0,631 2,586 0,575 2,680 0,520 2,774 0,467 2,868 0,417 2,961 0,369 3,053 0,323 3,142
37 0,831 2,285 0,772 2,374 0,714 2,464 0,657 2,555 0,602 2,646 0,548 2,738 0,495 2,829 0,445 2,920 0,397 3,009 0,351 3,097
38 0,854 2,265 0,796 2,351 0,739 2,438 0,683 2,526 0,628 2,614 0,575 2,703 0,522 2,792 0,472 2,880 0,424 2,968 0,378 3,054
39 0,875 2,246 0,819 2,329 0,763 2,413 0,707 2,499 0,653 2,585 0,600 2,671 0,549 2,757 0,499 2,843 0,451 2,929 0,404 3,013
40 0,896 2,228 0,840 2,309 0,785 2,391 0,731 2,473 0,678 2,557 0,626 2,641 0,575 2,724 0,525 2,808 0,477 2,829 0,430 2,974
45 0,988 2,156 0,938 2,225 0,887 2,296 0,838 2,367 0,788 2,439 0,740 2,512 0,692 2,586 0,644 2,659 0,598 2,733 0,553 2,807
50 1,064 2,103 1,019 2,163 0,973 2,225 0,927 2,287 0,882 2,350 0,836 2,414 0,792 2,479 0,747 2,544 0,703 2,610 0,660 2,675
55 1,129 2,062 1,087 2,116 1,045 2,170 1,003 2,225 0,961 2,281 0,919 2,338 0,877 2,396 0,836 2,454 0,795 2,512 0,754 2,571
60 1,184 2,031 1,145 2,079 1,106 2,127 1,068 2,177 1,029 2,227 0,990 2,278 0,951 2,330 0,913 2,382 0,874 2,434 0,836 2,487
65 1,231 2,006 1,195 2,049 1,160 2,093 1,124 2,138 1,088 2,183 1,052 2,229 1,016 2,276 0,980 2,323 0,944 2,371 0,908 2,419
70 1,272 1,987 1,239 2,026 1,206 2,066 1,172 2,106 1,139 2,148 1,105 2,189 1,072 2,232 1,038 2,275 1,005 2,318 0,971 2,362
75 1,308 1,970 1,277 2,006 1,247 2,043 1,215 2,080 1,184 2,118 1,153 2,156 1,121 2,195 1,090 2,235 1,058 2,275 1,027 2,315
80 1,340 1,957 1,311 1,991 1,283 2,024 1,253 2,059 1,224 2,093 1,195 2,129 1,165 2,165 1,136 2,201 1,106 2,238 1,076 2,275
85 1,369 1,946 1,342 1,977 1,315 2,009 1,287 2,040 1,260 2,073 1,232 2,105 1,205 2,139 1,177 2,172 1,149 2,206 1,121 2,241
90 1,395 1,937 1,369 1,966 1,344 1,995 1,318 2,025 1,292 2,055 1,266 2,085 1,240 2,116 1,213 2,148 1,187 2,179 1,160 2,211
95 1,418 1,930 1,394 1,956 1,370 1,984 1,345 2,012 1,321 2,040 1,296 2,068 1,271 2,097 1,247 2,126 1,222 2,156 1,197 2,186
100 1,439 1,923 1,416 1,948 1,393 1,974 1,371 2,000 1,347 2,026 1,324 2,053 1,301 2,080 1,277 2,108 1,253 2,135 1,229 2,164
150 1,579 1,892 1,564 1,908 1,550 1,924 1,535 1,940 1,519 1,956 1,504 1,972 1,489 1,989 1,474 2,006 1,458 2,023 1,443 2,040
200 1,654 1,885 1,643 1,896 1,632 1,908 1,621 1,919 1,610 1,931 1,599 1,943 1,588 1,955 1,576 1,967 1,565 1,979 1,554 1,991

241

1%
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200

k=1
k=2
k=3
k=4
k=5
k=6
k=7
k=8
k=9
k = 10
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
0,390 1,142 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,435 1,036 0,294 1,676 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,497 1,003 0,345 1,489 0,229 2,102 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,554 0,998 0,408 1,389 0,279 1,875 0,183 2,433 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,604 1,001 0,466 1,333 0,340 1,733 0,230 2,193 0,150 2,690 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,653 1,010 0,519 1,297 0,396 1,640 0,286 2,030 0,193 2,453 0,124 2,892 ----- ----- ----- ----- ----- ----- ----- ----0,697 1,023 0,569 1,274 0,449 1,575 0,339 1,913 0,244 2,280 0,164 2,665 0,105 3,053 ----- ----- ----- ----- ----- ----0,738 1,038 0,616 1,261 0,499 1,526 0,391 1,826 0,294 2,150 0,211 2,490 0,140 2,838 0,090 3,182 ----- ----- ----- ----0,776 1,054 0,660 1,254 0,547 1,490 0,441 1,757 0,343 2,049 0,257 2,354 0,183 2,667 0,122 2,981 0,078 3,287 ----- ----0,811 1,070 0,700 1,252 0,591 1,465 0,487 1,705 0,390 1,967 0,303 2,244 0,226 2,530 0,161 2,817 0,107 3,101 0,068 3,374
0,844 1,086 0,738 1,253 0,633 1,447 0,532 1,664 0,437 1,901 0,349 2,153 0,269 2,416 0,200 2,681 0,142 2,944 0,094 3,201
0,873 1,102 0,773 1,255 0,672 1,432 0,574 1,631 0,481 1,847 0,393 2,078 0,313 2,319 0,241 2,566 0,179 2,811 0,127 3,053
0,902 1,118 0,805 1,259 0,708 1,422 0,614 1,604 0,522 1,803 0,435 2,015 0,355 2,238 0,282 2,467 0,216 2,697 0,160 2,925
0,928 1,133 0,835 1,264 0,742 1,416 0,650 1,583 0,561 1,767 0,476 1,963 0,396 2,169 0,322 2,381 0,255 2,597 0,196 2,813
0,952 1,147 0,862 1,270 0,774 1,410 0,684 1,567 0,598 1,736 0,515 1,918 0,436 2,110 0,362 2,308 0,294 2,510 0,232 2,174
0,975 1,161 0,889 1,276 0,803 1,408 0,718 1,554 0,634 1,712 0,552 1,881 0,474 2,059 0,400 2,244 0,331 2,434 0,268 2,625
0,997 1,174 0,915 1,284 0,832 1,407 0,748 1,543 0,666 1,691 0,587 1,849 0,510 2,015 0,437 2,188 0,368 2,367 0,304 2,548
1,017 1,186 0,938 1,290 0,858 1,407 0,777 1,535 0,699 1,674 0,620 1,821 0,545 1,977 0,473 2,140 0,404 2,308 0,340 2,479
1,037 1,199 0,959 1,298 0,881 1,407 0,805 1,527 0,728 1,659 0,652 1,797 0,578 1,944 0,507 2,097 0,439 2,255 0,375 2,417
1,055 1,210 0,981 1,305 0,906 1,408 0,832 1,521 0,756 1,645 0,682 1,776 0,610 1,915 0,540 2,059 0,473 2,209 0,409 2,362
1,072 1,222 1,000 1,311 0,928 1,410 0,855 1,517 0,782 1,635 0,711 1,759 0,640 1,889 0,572 2,026 0,505 2,168 0,441 2,313
1,088 1,232 1,019 1,318 0,948 1,413 0,878 1,514 0,808 1,625 0,738 1,743 0,669 1,867 0,602 1,997 0,536 2,131 0,473 2,269
1,104 1,244 1,036 1,325 0,969 1,414 0,901 1,512 0,832 1,618 0,764 1,729 0,696 1,847 0,630 1,970 0,566 2,098 0,504 2,229
1,119 1,254 1,053 1,332 0,988 1,418 0,921 1,511 0,855 1,611 0,788 1,718 0,723 1,830 0,658 1,947 0,595 2,068 0,533 2,193
1,134 1,264 1,070 1,339 1,006 1,421 0,941 1,510 0,877 1,606 0,812 1,707 0,748 1,814 0,684 1,925 0,622 2,041 0,562 2,160
1,147 1,274 1,085 1,345 1,022 1,425 0,960 1,509 0,897 1,601 0,834 1,698 0,772 1,800 0,710 1,906 0,649 2,017 0,589 2,131
1,160 1,283 1,100 1,351 1,039 1,428 0,978 1,509 0,917 1,597 0,856 1,690 0,794 1,788 0,734 1,889 0,674 1,995 0,615 2,104
1,171 1,291 1,114 1,358 1,055 1,432 0,995 1,510 0,935 1,594 0,876 1,683 0,816 1,776 0,757 1,874 0,698 1,975 0,641 2,080
1,184 1,298 1,128 1,364 1,070 1,436 1,012 1,511 0,954 1,591 0,896 1,677 0,837 1,766 0,779 1,860 0,722 1,957 0,665 2,057
1,195 1,307 1,141 1,370 1,085 1,439 1,028 1,512 0,971 1,589 0,914 1,671 0,857 1,757 0,800 1,847 0,744 1,940 0,689 2,037
1,205 1,315 1,153 1,376 1,098 1,442 1,043 1,513 0,987 1,587 0,932 1,666 0,877 1,749 0,821 1,836 0,766 1,925 0,711 2,018
1,217 1,322 1,164 1,383 1,112 1,446 1,058 1,514 1,004 1,585 0,950 1,662 0,895 1,742 0,841 1,825 0,787 1,911 0,733 2,001
1,227 1,330 1,176 1,388 1,124 1,449 1,072 1,515 1,019 1,584 0,966 1,658 0,913 1,735 0,860 1,816 0,807 1,899 0,754 1,985
1,237 1,337 1,187 1,392 1,137 1,452 1,085 1,517 1,033 1,583 0,982 1,655 0,930 1,729 0,878 1,807 0,826 1,887 0,774 1,970
1,246 1,344 1,197 1,398 1,149 1,456 1,098 1,518 1,047 1,583 0,997 1,652 0,946 1,724 0,895 1,799 0,844 1,876 0,749 1,956
1,288 1,376 1,245 1,424 1,201 1,474 1,156 1,528 1,111 1,583 1,065 1,643 1,019 1,704 0,974 1,768 0,927 1,834 0,881 1,902
1,324 1,403 1,285 1,445 1,245 1,491 1,206 1,537 1,164 1,587 1,123 1,639 1,081 1,692 1,039 1,748 0,997 1,805 0,955 1,864
1,356 1,428 1,320 1,466 1,284 1,505 1,246 1,548 1,209 1,592 1,172 1,638 1,134 1,685 1,095 1,734 1,057 1,785 1,018 1,837
1,382 1,449 1,351 1,484 1,317 1,520 1,283 1,559 1,248 1,598 1,214 1,639 1,179 1,682 1,144 1,726 1,108 1,771 1,072 1,817
1,407 1,467 1,377 1,500 1,346 1,534 1,314 1,568 1,283 1,604 1,251 1,642 1,218 1,680 1,186 1,720 1,153 1,761 1,120 1,802
1,429 1,485 1,400 1,514 1,372 1,546 1,343 1,577 1,313 1,611 1,283 1,645 1,253 1,680 1,223 1,716 1,192 1,754 1,162 1,792
1,448 1,501 1,422 1,529 1,395 1,557 1,368 1,586 1,340 1,617 1,313 1,649 1,284 1,682 1,256 1,714 1,227 1,748 1,199 1,783
1,465 1,514 1,440 1,541 1,416 1,568 1,390 1,595 1,364 1,624 1,338 1,653 1,312 1,683 1,285 1,714 1,259 1,745 1,232 1,777
1,481 1,529 1,458 1,553 1,434 1,577 1,411 1,603 1,386 1,630 1,362 1,657 1,337 1,685 1,312 1,714 1,287 1,743 1,262 1,773
1,496 1,541 1,474 1,563 1,452 1,587 1,429 1,611 1,406 1,636 1,383 1,661 1,360 1,687 1,336 1,714 1,312 1,741 1,288 1,769
1,510 1,552 1,489 1,573 1,468 1,596 1,446 1,618 1,425 1,641 1,403 1,666 1,381 1,690 1,358 1,715 1,336 1,741 1,313 1,767
1,522 1,562 1,502 1,582 1,482 1,604 1,461 1,625 1,441 1,647 1,421 1,670 1,400 1,693 1,378 1,717 1,357 1,741 1,335 1,765
1,611 1,637 1,598 1,651 1,584 1,665 1,571 1,679 1,557 1,693 1,543 1,708 1,530 1,722 1,515 1,737 1,501 1,752 1,486 1,767
1,664 1,684 1,653 1,693 1,643 1,704 1,633 1,715 1,623 1,725 1,613 1,735 1,603 1,746 1,592 1,757 1,582 1,768 1,571 1,779

242

1%
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200

k = 11
dL
dU
--------------------------------------------------------------------------------0,060 3,446
0,084 3,286
0,113 3,146
0,145 3,023
0,178 2,914
0,212 2,817
0,246 2,729
0,281 2,651
0,315 2,580
0,348 2,517
0,381 2,460
0,413 2,409
0,444 2,363
0,474 2,321
0,503 2,283
0,531 2,248
0,558 2,216
0,585 2,187
0,610 2,160
0,634 2,136
0,658 2,113
0,680 2,092
0,702 2,073
0,723 2,055
0,744 2,039
0,835 1,972
0,913 1,925
0,979 1,891
1,037 1,865
1,087 1,845
1,131 1,831
1,170 1,819
1,205 1,810
1,236 1,803
1,264 1,798
1,290 1,793
1,314 1,790
1,473 1,783
1,561 1,791

k = 12
dL
dU
----------------------------------------------------------------------------------------0,053 3,506
0,075 3,358
0,102 3,227
0,131 3,109
0,162 3,004
0,194 2,909
0,227 2,822
0,260 2,744
0,292 2,674
0,324 2,610
0,356 2,552
0,387 2,499
0,417 2,451
0,447 2,407
0,475 2,367
0,503 2,330
0,530 2,296
0,556 2,266
0,581 2,237
0,605 2,210
0,628 2,186
0,651 2,164
0,673 2,143
0,694 2,123
0,790 2,044
0,871 1,987
0,940 1,945
1,001 1,914
1,053 1,889
1,099 1,870
1,141 1,856
1,177 1,844
1,210 1,834
1,240 1,827
1,267 1,821
1,292 1,816
1,458 1,799
1,550 1,801

k = 13
dL
dU
------------------------------------------------------------------------------------------------0,047 3,557
0,067 3,420
0,092 3,297
0,119 3,185
0,148 3,084
0,178 2,991
0,209 2,906
0,240 2,829
0,272 2,758
0,303 2,694
0,333 2,635
0,363 2,582
0,393 2,533
0,422 2,487
0,450 2,446
0,477 2,408
0,503 2,373
0,529 2,340
0,554 2,310
0,578 2,282
0,601 2,256
0,623 2,232
0,645 2,210
0,744 2,118
0,829 2,051
0,902 2,002
0,965 1,964
1,020 1,934
1,068 1,911
1,111 1,893
1,150 1,878
1,184 1,866
1,215 1,856
1,244 1,848
1,270 1,841
1,444 1,814
1,539 1,813

k = 14
dL
dU
--------------------------------------------------------------------------------------------------------0,043 3,601
0,061 3,474
0,084 3,358
0,109 3,252
0,136 3,155
0,165 3,065
0,194 2,982
0,224 2,906
0,253 2,836
0,283 2,772
0,313 2,713
0,342 2,659
0,371 2,609
0,399 2,563
0,426 2,520
0,452 2,481
0,478 2,444
0,504 2,410
0,528 2,379
0,552 2,350
0,575 2,323
0,597 2,297
0,700 2,193
0,787 2,116
0,863 2,059
0,929 2,015
0,986 1,980
1,037 1,953
1,082 1,931
1,122 1,913
1,158 1,898
1,191 1,886
1,221 1,876
1,248 1,868
1,429 1,830
1,528 1,824

k = 15
dL
dU
----------------------------------------------------------------------------------------------------------------0,038 3,639
0,055 3,521
0,077 3,412
0,100 3,311
0,125 3,218
0,152 3,131
0,180 3,050
0,208 2,976
0,237 2,907
0,266 2,843
0,294 2,785
0,322 2,730
0,350 2,680
0,377 2,633
0,404 2,590
0,430 2,550
0,455 2,512
0,480 2,477
0,504 2,445
0,528 2,414
0,551 2,386
0,655 2,269
0,746 2,182
0,825 2,117
0,893 2,067
0,953 2,027
1,005 1,995
1,052 1,970
1,094 1,949
1,132 1,931
1,166 1,917
1,197 1,905
1,225 1,895
1,414 1,847
1,518 1,836

k = 16
dL
dU
------------------------------------------------------------------------------------------------------------------------0,035 3,671
0,050 3,562
0,070 3,459
0,092 3,363
0,116 3,274
0,141 3,191
0,167 3,113
0,194 3,040
0,222 2,972
0,249 2,909
0,277 2,851
0,304 2,797
0,331 2,746
0,357 2,699
0,383 2,655
0,409 2,614
0,434 2,576
0,458 2,540
0,482 2,507
0,505 2,476
0,612 2,346
0,705 2,250
0,786 2,176
0,857 2,120
0,919 2,075
0,974 2,038
1,023 2,009
1,066 1,984
1,106 1,965
1,141 1,948
1,174 1,943
1,203 1,922
1,400 1,863
1,507 1,847

k = 17
dL
dU
--------------------------------------------------------------------------------------------------------------------------------0,032 3,700
0,046 3,597
0,065 3,501
0,085 3,410
0,107 3,325
0,131 3,245
0,156 3,169
0,182 3,098
0,208 3,032
0,234 2,970
0,261 2,912
0,287 2,858
0,313 2,808
0,339 2,761
0,364 2,717
0,389 2,675
0,414 2,637
0,438 2,600
0,461 2,566
0,570 2,424
0,665 2,318
0,748 2,237
0,822 2,173
0,886 2,123
0,943 2,082
0,993 2,049
1,039 2,022
1,080 1,999
1,116 1,979
1,150 1,963
1,181 1,949
1,385 1,880
1,495 1,860

k = 18
dL
dU
----------------------------------------------------------------------------------------------------------------------------------------0,029 3,725
0,043 3,629
0,060 3,538
0,079 3,452
0,100 3,371
0,122 3,294
0,146 3,220
0,171 3,152
0,193 3,087
0,221 3,026
0,246 2,969
0,272 2,915
0,297 2,865
0,322 2,818
0,347 2,774
0,371 2,733
0,395 2,694
0,418 2,657
0,528 2,503
0,625 2,387
0,711 2,298
0,786 2,227
0,852 2,172
0,911 2,127
0,964 2,090
1,011 2,059
1,053 2,033
1,091 2,012
1,126 1,993
1,158 1,977
1,370 1,897
1,484 1,871

k = 19
dL
dU
------------------------------------------------------------------------------------------------------------------------------------------------0,027 3,747
0,039 3,657
0,055 3,572
0,073 3,490
0,093 3,412
0,114 3,338
0,137 3,267
0,160 3,201
0,184 3,137
0,209 3,078
0,233 3,022
0,257 2,969
0,282 2,919
0,306 2,872
0,330 2,828
0,354 2,787
0,377 2,748
0,488 2,582
0,586 2,456
0,674 2,359
0,751 2,283
0,819 2,221
0,880 2,172
0,934 2,131
0,983 2,097
1,027 2,068
1,066 2,044
1,102 2,023
1,136 2,006
1,355 1,913
1,474 1,883

k = 20
dL
dU
--------------------------------------------------------------------------------------------------------------------------------------------------------0,025 3,766
0,036 3,682
0,051 3,602
0,068 3,524
0,087 3,450
0,107 3,379
0,128 3,311
0,151 3,246
0,174 3,184
0,197 3,126
0,221 3,071
0,244 3,019
0,268 2,969
0,291 2,923
0,315 2,879
0,338 2,838
0,448 2,661
0,548 2,526
0,637 2,421
0,716 2,338
0,789 2,272
0,849 2,217
0,905 2,172
0,955 2,135
1,000 2,104
1,041 2,077
1,079 2,054
1,113 2,034
1,340 1,931
1,462 1,896

F.4. A grg betk

Alfa
Bta
Gamma
Delta
Epszilon
Zta
ta
Thta
Ita
Kappa
Lambda
M

N
Ksz
Omikron
P
R
Szigma
Tau
pszilon
F
Kh
Psz
mega

243

Felhasznlt irodalom
Abraham B.- Ledolter J. [1983]: Statistical methods for forecasting. John Wiley & Sons. New York.
Aczel A. D. [2002]: Complete business statistics. (The Irwin/McGraw-Hill series: operations and decision
sciences) McGraw - Hill Higher Education. 5. ed. McGraw -Hill/Irwin. Boston.
Almon, S. [1965]: The distributed lag between capital appropriations and expenditures. Econometrica. 33.
Andreich Jen [1937]: A konjunktrakutats mdszerei. MTA.
Alt F. F. [1942]: Distributed lags. Econometrica. Vol. 10.
Arrow K. J. - Chenery H. B. - Minhas B. S. Solow R. M. [1961]: Capital - labor substitution and economics efficiency. The Rewiew of Economics and Statistics.
Baczoni Pl [2007]: Egyszeren Microsoft Office Excel 2003. Panem. Budapest.
Balzsn Mcsai Andrea-Csetnyi Arthur [2003]: Kvatitatv technikk. II. Tanknyv. Zsigmond Kirly
Fiskola. Budapest.
Balogh Mrta [2000]: Statisztikai ismeretek. Perfekt. Budapest.
Barancsuk Jnos [2008]: Mikrogazdasgtan. PTE KTK Pcs.
Brtfai Barnabs [2002]: Office XP. World 2002. Exel 2002. Power Point 2002. Outlook Access 2002.
BBS-Info Kft. Budapest.
Bartlett M. S. Cox F. R. S. [1975]: The analysis of time series: theory and practice. Chapman and Hall.
London.
Bed Zsolt - Rappai Gbor [2006]: Is there causal relationship between the value of the news and stock
returns (trsszerz:). Hungarian Statistical review. Special number 10.
Berenson Mark L. Levine David M. Krehbiel Timothy C. [2006]: Basic business statistics: Concepts
and applications. 10th ed. Pearson/Prentice Hall.
Bertalanffy, L. [1938]: A Quantitative Theory of Organic Growth. (Inquiries on Growth Laws II.) Human
Biology, 10..
Bertalanffy, L. [1960]: Principles and theory of growth, in: Fundamental Aspects of Normal and Malignet
Growth, W. W. Nowinski (ed), Amsterdam.
Besenyei Lajos - Gidai Erzsbet - Novky Erzsbet [1977]: Jvkutats, elrejelzs a gyakorlatban. KJK.
Budapest.
Besenyei Lajos - Gidai Erzsbet - Novky Erzsbet [1982]: Elrejelzs. Megbzhatsg. Valsg. KJK.
Budapest.
Black K. [2006]: Business statistics (4. rev. ed.) John Wiley & Sons. New York. 2006.
Borli Kroly - Sipos Bla [1977]: Iparvllalati prognziskszts matematikai, statisztikai mdszerkel.
Kzgazdasgi s Jogi Knyvkiad. Budapest.
Box G. E. P. - Cox D. R [1964]: An analysis of transformations. Journal of the Royal Statistical Society.
Series B 26. 2.
Box G.E.P. - Jenkins G. M. [1970]: Time series analysis. Forecasting and control. Holden-Day. San Francisco. CA.
Box, G.E.P. - Cox, D.R [1964].: An Analysis of Transformations. Journal of the Royal Statistical Society,
Series B 26. 2. sz. pp. 211-252.
Box G. E. P.-Pierce A. [1970]: Distribution of residual autocorrelations in autoregressive integrated moving average time series models. Journal of the American Association. Vol. 65.
Braudel F. [1972]: A trtnelem s a trsadalomtudomnyok. A hossz idtartam. Szzadok. 4-5. sz.
Braudel F. [2004]: Anyagi kultra, gazdasg s kapitalizmus XV-XVIII. szzad. 1. kt. A mindennapi
let struktri: a lehetsges s a lehetetlen 2. kiad. Budapest. Gutta Knyvkiad.
Breusch, T. S.; A. R. Pagan [1979]: Simple test for heteroscedasticity and random coefficient variation.
Econometrica (Econometric Society) 47 (5).
Brdy Andrs [1983]: A lassul id. Kzgazdasgi s Jogi Knyvkiad. Budapest.
Bronstejn I. N. Szemengyajev K. A. Musiol G. Mhling H. [2004]: Matematikai kziknyv.
Typotex Kiad. Budapest.
Chan N. H. [2002]: Time series. John Wiley. Canada.
Cobb C.W. Douglas P.H. [1928]: A theory of production. American Economic Review. Vol. 18.
Cochrane - Orcutt. [1949]: Application of least squares regression to relationships containing autocorrelated error terms. Journal of the American Statistical Association 44, 3261.
244

Colin P. D. Birch [1999]: A New Generalized Logistic Sigmoid Growth Equation Compared with the Richards Growth Equation. Annals of Botany 83.
Dagum, C. (1985). Analyses of income distribution and inequality by education and sex in Canada. In
Advances in Econometrics, Vol. IV, R. L. Basmann and G. F. Rhodes, Jr., eds. JAI Press, Greenwich,
CN.
Demogrfiai vknyv. KSH. Budapest. 1993. 2006.
Descartes [1961]: Vlogatott filozfiai mvek. Akadmiai Kiad, Budapest.
Divatszociolgia [1982]: Vlogatta, szerkesztette, lektorlta: Klaniczay Gbor - S. Nagy Katalin. Membrn knyvek. 1. kt. I.-III. - A Tmegkommunikcis Kutatkzpont Kiadsa. Budapest.
Duijn J. J. Van [1982]: The long wave in economic life. London George Allen s Unwin. Forrester J. W.
[1982]: Nach jeder depression ein neuer aufschwung? Bild der Wissenschaft. vi. 2. sz.
Durbin J. and Watson, G. S. [1950]: Testing for serial correlation in least squares regression. I. Biometrika 37.
ltet dn Meszna Gyrgy Ziermann Margit [1982]: Sztochasztikus mdszerek s modellek. KJK.
Budapest 1982.
Encyclopedia of Statistical Sciences, 16 Volume Set, [2006] 2nd Edition Samuel Kotz, Campbell B. Read, N. Balakrishnan, Brani Vidakovic ISBN: 978-0-471-15044-2. Hardcover 9686 pages January
Evans James R. [2007]: Statistics, data analysis, and decision modeling. Pearson-Prentice Hall. New Jersey.
Ezekiel M. Fox K. A. [1970]: Korrelci- s regresszi-analzis. KJK. Budapest.
Farag Tams [2007]: Trtneti mutatszm az Emberi Fejlds brzolsra Magyarorszgon (19102001). Elemzsi ksrlet. Demogrfia. 50. vf. 2-3. sz.
Farrar D. E. s Glauber R. R. [1967]: Multicollinearity in regression analysis: the problem revisited. Review of Economics and Statistics.
Farnum Nicholas R. - Stanton LaVerne W. [1989]: Quantitative forecasting methods. Boston. PWS-Kent
Pub. Co.. 1989. I-II.
Fisher I. [1937]: Note on a short-cut method for calculating distributed lags. International Statistical Bulletin. Vol. 29.
Fokasz Nikosz [2006]: Nvekedsi fggvnyek, trsadalmi diffzi, trsadalmi vltozs. Szociolgiai
Szemle. 3. sz.
Freschl Gyrgy [1982]: Bevezets az idsori mdszerek gyakorlatba. Statisztikai mdszertani fzetek.
KSH. Budapest.
Gl P. Moldicz Cs. Novk T. [2004]: Gazdasgi ciklusok s gazdasgpolitika a 21. szzad elejn. Fejleszts s finanszrozs. 4. sz.
Gary Koop [2008]: A kzgazdasgi adatok elemzse. Osiris. Budapest.
Gazdasgi kplet-gyjtemny. [1978]: sszelltotta Kldor Mihly. Kzgazdasgi s Jogi Knyvkiad.
Budapest.
Glejser H. [1969]: A new test for heteroscedasticity. Journal of the American Statistical Association. 1.
sz.
Godfrey, L. [1978]: Testing for multiplicative heteroscedasticity. Journal of the American Statistical Association. 8. sz.
Goldfeld S. M. Quandt R. E. [1965]: Some Tests for Homoscedasticity. Journal of the American
Statistical Association, Vol. 60, No. 310 (Jun)
Gompertz B. [1825]: On the nature of the function expressive of the law of human mortality, and on a
new mode of determining the value of life contingencies. Philosophical Transactions of the Royal Society
of London. Vol. 115 (1825)
Gazdag Lszl [1990]: A hossz hullmok problmja (Az vszzados gazdasgi ciklusok). Gazdasgi
Frum. 3. sz.
Greene, William H. [2003]: Econometric analysis. 5th ed. Pearson Education International. Upper Saddle
River, N. J. Prentice Hall.
Gujarati Damodar N. [2003]: Basic econometrics. McGraw-Hill Higher Education.
Hajdu Ott - Kertsz Lszl - Sipos Bla [1984]: A munkabrek regresszis elemzse s a koncentrci
vizsglata I. rsz. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 62. vf. 4. sz.
Hajdu Ott - Kertsz Lszl - Sipos Bla [1984]: A munkabrek regresszis elemzse s a koncentrci vizsglata. II. rsz. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 62. vf. 5. sz.
245

Hajdu O. - Herman S. - Pintr J. Rappai G. - Rdey K. [1994-95]: Statisztika I-II. JPTE Kiad. Pcs.
Hajdu Ott - Herman Sndor - Pintr Jzsef - Rdey Katalin [1987]: konometriai alapvets.
Tanknyvkiad. Budapest 1987.
Hajdu Ott Hunyadi Lszl [1995]: Varianciafelbonts: elfeltevsek s kvetkeztetsek. Szigma. 1-2.
sz.
Hajdu Ott [1997]: A szegnysg mrszmai. KSH Knyvtr s Dokumentcis Szolglat. Budapest.
Hajdu Ott [2003]: Tbbvltozs statisztikai szmtsok. KSH. Budapest.
M. J. Harrison [1982]: Tables of critical values for a Beta approximation to Szroeters statistic for testing
for heteroscedasticity. Oxford Bulletin of Economics and Statistics. 2 sz.
Hartmann Nicolai [1972]: Ltelmleti vizsgldsok. Budapest.
Harvey G. [2000]: Excel 2000 for Windows for dummies. Kossuth Kiad. Budapest.
Harvey A. C. [1976]: Estimating regression models with multiplicative heteroscedasticity. 3. sz.
Haustein H. D. [1972]: Prognzismdszerek a szocialista gazdasgban. Kzgazdasgi s Jogi Knyvkiad.
Heller Farkas [1943]: A kzgazdasgi elmlet trtnete. Gergely R. Budapest.
Herman Sndor [1985]: A szezonalts - vizsglat statisztikai mdszerei. IGK. Idszer gazdasgirnytsi krdsek. Prodinform Mszaki tancsad vllalat. 4. szm.
Herman Sndor Varga Jzsef [1983]: A szezonlis trendezsg vizsglata. Statisztikai Szemle. 61. vf.
6. sz.
Hill R. C., Griffiths W. E. Lim G. C. [2008]: Principles of Econometrics, 3rd Edition, Wiley
Hoover jr. Edgar Malone [1936]: The measurement of industrial localization. Review of Economics and
Statistics. Vol. 18. No.
Hos J. [2003]: Konjunktra- s piackutats. Aula. Budapest.
Hubbert M. K. [1956]: Nuclear energy and the fossil fuels M. K. Hubbert, Presented before the Spring
Meeting of the Southern District, American Petroleum Institute, Plaza Hotel, San Antonio, Texas, March
7-8-9. 1956.
Hunyadi Lszl [1980]: Megosztott ksleltets konometriai modellek. Szigma 1-2. sz.
Hunyadi Lszl [2004]: A logisztikus fggvny s a logisztikus eloszls. Statisztikai szemle. 10 11. sz.
Hunyadi Lszl [2006]: A heteroszkedaszticitsrl egyszerbben. Statisztikai szemle. 1. sz.
Hunyadi Lszl [2000]: A mintavtel alapjai. BKE-Szmalk. Budapest 2000.
Hunyadi Lszl [2001]: Statisztikai kvetkeztetselmlet kzgazdszoknak. KSH. Budapest 2001.
Hunyadi Lszl [2002]: Grafikus brzols a statisztikban. Statisztikai Szemle. 1. sz.
Hunyadi Lszl [2005]: A hnyadosbecsls nhny tulajdonsga s egy j becslfggvnye. Statisztikai
Szemle. 2. sz.
Hunyadi Lszl Vita Lszl [2002]: Statisztika kzgazdszoknak. Budapest. KSH.
Hunyadi Lszl Vita Lszl [2008]: Statisztika I-II. Aula Kiad.
Ivnyi Attila Szilrd [1984]: Termkstratgia, gyrtspolitika, mszaki fejleszts. Mszaki knyvkiad.
Budapest.
Jnosa Andrs [2005]: Adatelemzs szmtgppel. Perfekt RT. Budapest.
Jnossy Ferenc [1966]: A gazdasgi fejlds trendvonala s a helyrelltsi peridus. Kzgazdasgi s
Jogi Knyvkiad. Budapest.
Jnossy Ferenc [1975]: A gazdasgi fejlds trendvonalrl. (msodik bvtett kiads) Magvet Knyvkiad. Budapest.
Johnson, Norman Lloyd [1949]: Systems of frequency curves generated by methods of translation,
Biometrika, Vol. 36, No. 1-2.
Juglar C. [1862]: Des crises commerciales et leur retour periodique en France, en Augleterre et aux Etats
Unis. Franklin. Pris.
Kdas Klmn [1941]: ralakuls irnytsa s a piaci egyensly. Kzgazdasgi knyvtr. XXV. ktet.
Budapest.
Kdas Klmn [1944]: Az emberi munka termelkenysgnek statisztikai vizsglata a magyar
gyriparban. (A Cobb-Douglas fle statisztikai trvny kiegsztse) Magyar Statisztikai Szemle. 7-8. sz.
Kehl Dniel Rappai Gbor [2006]: Mintaelemszm tervezse Likert-sklt alkalmaz lekrdezsekben.
Statisztikai Szemle. 84. vfolyam. 9. sz.
Kehl Dniel Sipos Bla [2007a]: A br s a klnbz brtermkek termeli rainak hossz tv
tendencii az Amerikai Egyeslt llamokban. I. rsz. Br- s Ciptechnika Piac. LVII. vf. 1. sz.
246

Kehl Dniel Sipos Bla [2007b]: A br s a klnbz brtermkek termeli rainak hossz tv
tendencii az Amerikai Egyeslt llamokban. II. rsz. Br- s Ciptechnika Piac. LVII. vf. 2. sz.
Kehl Dniel Sipos Bla: [2007c]: vszzados trendek s hossz ciklusok az Amerikai Egyeslt llamokban, Knban s a vilggazdasgban. Hitelintzeti Szemle. Hatodik vfolyam. 3. szm.
Kehl Dniel Sipos Bla [2007d]:3-12. A gazdasgi nvekeds ciklikus vltozsa az USA-ban. Fejleszts s Finanszrozs. 4. sz.
Kehl Dniel Sipos Bla [2007e] 4. Secular Trends and Long Cycles in the US Economy. Development
and Finance. 4. sz.
Kehl Dniel Dr. Sipos Bla [2009]: A teltdsi, a logisztikus s letgrbe alak trendfggvnyek becslse Excel parancsfjl segtsgvel. Statisztikai Szemle. 87. vf. 4. sz.
Kerkgyrt Gyrgyn Mundrucz Gyrgy [1995]: Statisztikai mdszerek a gazdasgi elemzsben. 2.
tdolgozott kiads. Aula Kiad. Budapest.
Kerkgyrt Gyrgyn Mundrucz Gyrgy Sugr Andrs [2001]: Statisztikai mdszerek s alkalmazsuk a gazdasgi, zleti elemzsekben. Aula Kiad. Budapest 2001.
Kindler Jzsef-Papp Ott [1977]: Komplex rendszerek vizsglata. sszemrsi mdszerek. Mszaki
Knyvkiad.
King Maxvel L. [1981]: A note on szroeters bound test. Oxford Bulletin of Economics and Statistics. 3.
sz.
Kiss Tibor [1985]: Koyck s Solow modelljeinek felhasznlsa a dntselksztsben. Statisztikai
Szemle. 10. sz.
Kiss Tibor - Sipos Bla - Szentmiklsi Mikls [1995]: Az zleti ciklus modellezse s prognosztizlsa
EXPS- programmal. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 73. vf. 8 - 9. sz.
Kiss Tibor Kruzslicz Ferenc - Sipos Bla - Szentmiklsi Mikls [1997]: A SABL- eljrs felhasznlsa elemzsre s prognosztizlsra. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 75. vf.
X. sz.
Kiss Tibor Sipos Bla [1998]: REGAL: Expert system for multiple linear regression analysis. Hungarian
Statistical Review. 76. Volume. Special Number.
Kiss Tibor Sipos Bla [2000]: EXPS for Windows, a software application. Hungarian Statistical Review.
78. Volume. Special Number.
Kitchin J. [1923]: Cycles and trends in economic factors. Review of Economic Statistics 5. vf. 1. sz.
Kiss Tibor [1985]: Koyck s Solow modelljeinek felhasznlsa a dntselksztsben. Statisztikai
Szemle. 10. sz.
Koyck, L. M. [1954]: Distributed lags and investment analysis. Amsterdam. North-Holland.
Knsel L. [1998]: On the accuracy of statistical distributions in Microsoft Excel 97. Computational Statistics and Data Analysis 26.
Knsel L. [2002]: On the reliability of Microsoft Excel XP for statistical purposes. Computational Statistics and Data Analysis 39.
Knsel L. [2005]: On the accuracy of statistical distributions in Microsoft Excel 2003. Computational
Statistics and Data Analysis 48.
Komjti Zoltn [1975]: A termelsi kapacits s az tbocstkpessg kihasznlsnak sszefggsei az
iparvllalatoknl. Ipari s ptipari Statisztikai rtest.
. . [1925]: . .-. 1925. - . 1.
. 1.
Kondratieff N. D. [1926]: Die langen wellen der konjunktur. Archv fr Sozialwissenschaft und Sozialpolitik. Berlin. 56. kt.
Kondratieff N. D. [1979]: The long waves in economic life. Review. 2. vf. 4. sz.
Kondratyev N. D. [1980]: A gazdasgi fejlds hossz hullmai. Trtnelmi Szemle. 22. vf. 2. sz.
Kovcs Pter Petres Tibor Tth Lszl [2004]: Adatllomnyok redundancijnak mrse. Statisztikai
Szemle. KSH. 6-7. sz.
Kovcs Pter [2008]: A multikollinearits vizsglata lineris regresszis modellekben. Statisztikai
szemle. 1. sz.
Peter Kovacs Tibor Petres Laszlo Toth [2005]: A new measure of multicollinearity in linear regression models. International Statistical Review Volume 73 Number 3. International Statistical Institute.
Voorburg. The Netherlands.
247

Kovcs Pter [2008a]: A multikollinearits vizsglata lineris regresszis modellekben. Statisztikai

szemle. 1. sz.
Kovcs Pter [2008b]: A statisztikaoktats mdszertannak modernizlsa? Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 86. vf. 12. sz. 1143-1157.
Knut Sydsaeter - Peter I. Hammond [2006]: Matematika kzgazdszoknak. 2., jav. kiad. Budapest. Aula.
Krsi Gbor-Mtys Lszl-Szkely Istvn [1990]: Gyakorlati konometria. KJK. Budapest.
Kotler P. Keller K. L. [2006]: Marketing menedzsment. Akadmiai Kiad. Budapest.
Kovalcsik Gza [2000]: Excel 2000. ComputerBooks. Budapest.
Kvr Gyrgy [1988]: N. D. Kondratyev s a gazdasgi konjunktra nagy ciklusai. Magyar Filozfiai
Szemle. 5-6. sz.
Kves Pl [1981]: Indexelmlet s kzgazdasgi valsg Akadmiai Kiad. Budapest 1981.
Kves Pl - Prniczky Gbor [1981]: ltalnos statisztika I.-II.
KJK. Budapest 1981.
Krek Bla [1966]: Lineris programozs. KJK. Budapest.
Krek Bla [1966]: Mtrixszmts. KJK. Budapest.
Krist Zoltn [1979]: Termelsi fggvnyek a gazdasgi elemzsben. konometriai fzetek 16. KSH.
Budapest.
Kruzslicz Ferenc-Kiss Tibor-Sipos Bla: SABL Decomposition of Time Series 1997 JPTE Version
2.1.)
Kuznets S. [1930]: Secular movements in production and prices. Houghton Miflin Company. Boston s
New York.
Labrousse E. [1984]: Esquisse du mouvement des prix et revenus en France au XVIIIme sicle. 2 Vols.
Edition des Archives Contemporaines. Paris.
Laherrre J. H. [2000]: Learn Strengths, Weaknesses to Understand Hubbert curve. Oil and Gas Journal.
April 17. http://dieoff.org/page191.htm (Elrs dtuma: 2009. janur 28.)
Lnrt Imre Rappai Gbor [2001]: Nhny gondolat a varianciabecsls hibahatrrl. Statisztikai
Szemle. 7. sz.
Levenbach H. - Cleary J. P. [1982]: The beginning forecaster: The forecasting process through data analysis. Lifetime Learning Publications. Belmont. Kalifornia.
Liao C. Y. - Podrzsk V. V.- Liu G. B.[2003]: Diameter and height growth analysis for individual White
Pine trees in the area of Kostelec nad ernmi lesy. Journal of Forest Science. 49. (12). 544-551.
Lilien, Gary L., Kotler, P. [1983]: Marketing Decision Making Harper & Row, Publishers.
Maddala G. S. [2004]: Bevezets az konometriba. Budapest. Nemzeti Tananknyvkiad Rt.
Mtys Antal [1973]: A modern polgri kzgazdasgtan trtnete. Kzgazdasgi s Jogi Knyvkiad.
Budapest.
S. Makridakis-S. C. Wheelwright- V. Mcgee [1983]: Forecasting: methods and applications. 2. Edition.
John Wiley and Sons. Inc. New York.
S. Makridakis -S. C. Wheelwright- R. J. Hyndman. [1998]: Forecasting. John Wiley and Sons. Inc. New
York.
McCullough B.D. - Wilson B. [1999]: On the accuracy of statistical procedures in Microsoft EXCEL 97.
Computational Statistics and Data Analysis 31. 2737.
McCullough B.D. - Wilson B. [2002]: On the accuracy of statistical procedures in Microsoft Excel 2000
and Excel XP. Computational Statistics and Data Analysis 40. 713721.
Mellr Tams - Rappai Gbor [2001]: Money Supply, GDP and Inflation: The Dynamic Econometric
Analysis of Macro-Equilibrium (trsszerz:). Hungarian Statistical Review. Special number 6.
Meszna Gyrgy - Ziermann Margit [1981]: Valsznsgelmlet s matematikai statisztika. KJK. Budapest 1981.
Mitscherlich E. A. [1919]: Das Gesetz des Pflanzenwachstums. Landwirtsch. Jahrb 53. 167-182.
Molnr Gyngyvr-Cap Ben [2003]: A kpessgek fejldsnek logisztikus modellje. Iskolakultra. 2.
sz.
Mundrucz Gyrgy [1981]: Alkalmazott regressziszmts. Akadmiai Kiad. Budapest. 1981.
Mundrucz Gyrgy [1982]: A minsgi ismrvek kztti kapcsolatok vizsglata. I.-II. Statisztikai Szemle 60. vf. 6.sz. 635-648. s 7. sz. 730-737.
Mundrucz Gyrgy [1998]: tmutat a statisztikai modellezshez. Aula Kiad. Budapest.
Naisbitt John - Aburdene Patricia [1991]: Megatrendek 2000. Tz j irnyzat a kilencvenes vekben. Budapest. OMIKK.
248

John C. Nash [2008] Teaching statistics with Excel 2007 and other spreadsheets. Computational Statistics
and Data Analysis (article in press)
Nerlove, Marc, [1972]: Lags in economic behavior. Econometrica. Econometric Society. vol. 40(2),
March.
Novky Erzsbet [Szerk.] [1992]: Jvkutats. BKE. Budapest.
Nyitrai Ferencn - Rdey Katalin [1974]: Statisztika III. (Korszer statisztikai mdszerek s alkalmazsuk a gyakorlati kzgazdasgi munkban). Tanknyvkiad. Budapest.
Park R. E. [1966]: Estimation with heteroscedastic error terms. Econometrica. vol. 34. no. 4. okt.
Pawlowski Z. [1970]: konometria KJK. Budapest.
Pearson K. [1895]: Contributions to the mathematical theory of evolution. II: Skew variation in homogeneous material. Philosophical Transactions of the Royal Society of London. 186.
Pearson K. [1905]: Das fehlergesetz und seine verallgemeinerungen durch fechner und Pearson. A Rejoinder. Biometrika. 4.
Pella JS and PK Tomlinson [1969]: A generalised stock-production model. Bull. IATTC 13.
Ptery Kristf [2003]:Tblzatkezels Excel 2002. Kossuth Kiad. Budapest.
Petres Tibor-Tth Lszl [2008]: Statisztika. KSH.
Pintr Jzsef [1991]: A heteroszkedaszticits diagnosztizlsa. Statisztikai Szemle. 69. vf. 1. szm.
Pintr Jzsef [1987]: A termelsi fggvnyek vllalati alkalmazsai. Statisztikai Szemle. 2. sz.
Pintr Jzsef [2000]: Bevezets a statisztika mdszereibe. Pcsi Tudomnyegyetem. Pcs. 2000.
Pintr Jzsef - Rappai Gbor [2001]: A mintavteli tervek ksztsnek nhny gyakorlati megfontolsa.
Marketing & Menedzsment. 5. sz.
Pintr Jzsef [2007]: A spektrlanalzisrl. Statisztikai Szemle. 85. vf. 2. sz.
Pintr Jzsef Rappai Gbor (szerkeszt) [2007]: Statisztika. Pcsi Tudomnyegyetem. Kzgazdasgtudomnyi Kar. Pcs.
Pusztai L. [1987]: Gazdasgi ciklus s bnzs. Belgyi Szemle. 9. sz.
Ramanathan Ramu [2003]: Bevezets az konometriba alkalmazsokkal. Budapest. Panem.
Raymond Pearl - Lowell J. Reed [1920]: On the rate of growth of the population of the United States
since 1790 and its mathematical representation. Proceedings of the National Academy of Sciences.
Volume 6. June 15. Number 6.
Raymond Pearl [1929]: The Biology of Population Growth. Howard Woolston. The American Journal of
Sociology, Vol. 35, No. 3 (Nov.)
Richards, F. J. [1959] A flexible growth function for empirical use. Journal of Experimental Botany.
Volume 10. Number 2.
Rappai Gbor [2001]: zleti statisztika Excellel. Kzponti Statisztikai Hivatal. Budapest.
Rappai Gbor [2003]: zleti statisztika: j tudomny vagy marketing-fogs? Statisztikai Szemle. 5.
Rappai Gbor szerk. [2007]: Egy letplya hrom dimenzija. Tanulmnyktet Pintr Jzsef emlkre.
PTE KTK.
Rappai Gbor [2008]: Gondolatok a gazdasgtudomnyi kpzsi terleten foly statisztikaoktatsrl. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 86. vf. 9. sz. 829-849.
Richards F. J. [1959] A flexible growth function for empirical use. J. Exp. Bot. 10.
Savin, N. E.-White K. J. [1977]: The Durbin-Watson Test for Serial Correlation with Extreme Sample
Sizes or Many Regressors. Econometrica, Vol. 45, No. 8. 1989-1996.
Schumpeter I. A. [1939]: Business cycles: A theoretical, historical and statistical analysis of the capitalist
process. New York and London: McGraw-Hill Book Co. Inc.. 1st ed. 2 vols.
Simiand F. [1932]: Le salaire, l'volution sociale et la monnaie. Essai de thorie experimentale du salaire.
3 Vols. F. Alcan. Paris.
Sipos Bla [1982]: Termelsi fggvnyek - vllalati prognzisok. Kzgazdasgi s Jogi Knyvkiad.
Budapest.
Sipos Bla [1982]: Iparvllalati rprognzisok. PRODINFORM Mszaki Tancsad Vllalat. Idszer
Gazdasgirnytsi Krdsek. 4. sz. (2. vltozatlan kiads 1984.)
Sipos Bla [1982]: Termelsi fggvnyek - vllalati prognzisok. Kzgazdasgi s Jogi Knyvkiad.
Budapest.
Sipos Bla [1985]: Vllalati relrejelzsek. Kzgazdasgi s Jogi Knyvkiad. Budapest.
Sipos B. 1986: A Kondratyev-ciklus empirikus vizsglata s prognosztizlsa. Statisztikai Szemle. A
Kzponti Statisztikai Hivatal folyirata. 64. vf. 12. sz.
249

Sipos Bla [2003]: Vllalati prognosztika. (Elmlet Mdszertan - Szoftverek) PTE Kiad. Pcs.
Solow R. M.[1960]: On a family of lag distributions. Econometrica.
Solow [1957]: Technical change and the aggregate production function. Review of Economics and Statistics 39 (August 1957).
Spiegel Murray R. [1995]: Statisztika: Elmlet s gyakorlat: SI mrtkegysgekkel. Schaum knyvek.
Panem Kft. - McGraw-Hill.
Statisztikai idsorok a Knai Npkztrsasgrl. [1986]: Kzponti Statisztikai Hivatal. Budapest.
Szilgyi Gyrgy [2002]: Gondolatok a statisztika szakmai etikjrl. Statisztikai Szemle. 3. sz.
Szroeter Jerzy [1978]: A class of parametric tests for heteroscedasticity in linear econometric models.
Econometrica. 46. vf. 6. sz.
Stuart A. s Ord J. K. [1994]: Kendalls advanced theory of statistics. Volume 1. Distribution Theory.
Sixth Edition. Edward Arnold. London.
Szentmiklsi Mikls [2000]: Pnzgyi elrejelzsi modellek ksztsnek nhny elmleti s gyakorlati
krdse. Osiris Kiad.
Szentmiklsi Mikls Rdey Katalin [2007]: Arima modellek alkalmazsa idsorelemzsre s elrejelzsre. In.: Rappai Gbor szerk. [2007]: Egy letplya hrom dimenzija. Tanulmnyktet Pintr Jzsef
emlkre. PTE KTK.
Theil H. [1961]: Economic forecasts and Policy. 2nd Edition. Amsterdam: North Holland.
Theiss Ede [1943]: Konjunktrakutats. A Mrnki Tovbbkpz Intzet kiadvnyai. 15. ktet. 11. fzet.
Budapest.
Theiss Ede szerk. [1958]: Korrelci s trendszmts. Kzgazdasgi s Jogi Knyvkiad. Budapest.
Thomopoulos, N. T. [1980]: Applied Forecasting Methods. Prentice-Hall, Englewood Cliffs, NJ, p. 370.
Trcsik Mria [2003]: Fogyaszti magatarts. Trendek. j fogyaszti csoportok. KJK-Kerszv. Budapest.
Vgsi Mria [2001]: jtermk marketing. Nemzeti Tanknyvkiad. Budapest.
Valkovics Emil [2001]: A Gompertz - fggvny felhasznlsi lehetsgei a demogrfiai modellezsben.
Statisztikai szemle. 79. vf.
Varga Jzsef [2001]: A valsznsgelmlet alapjai. Pcsi Tudomnyegyetem. Pcs. 2001.
Verhulst, P. F. [1838]: Notice sur la loi que la population suit dans son accroissement. Correspondance
Mathematique et Physique. 10. szm. vf.
Vincze Istvn [1975]: Matematikai statisztika ipari alkalmazsokkal. Mszaki Knyvkiad. Budapest
1975.
Vilggazdasgi idsorok 18601960. szerk.: Kenessey Zoltn [1965]: Kzponti Statisztikai Hivatal.
Kzgazdasgi s Jogi Knyvkiad. Budapest.
Yalta A.T. [2008]: The accuracy of statistical distributions in Microsoft Excel 2007. Computational Statistics and Data Analysis (article in press)
Yule G. U. Kendall M. G. [1964]: Bevezets a statisztika elmletbe. KJK. Budapest. 1964.
Verhulst, P. F. [1838]: Notice sur la loi que la population suit dans son accroissement. Correspondance
Mathematique et Physique, 10.
Vet Istvnn [1980]: A dinamika vizsglata autoregressziv s osztott ksleltets modellekkel. KSH
Mdszertani Fosztly. Bp.
Xinyou Yin-Jan Goudriaan-Egbert A. Lantinga - Jan Vos-Huub J. Spiertz [2003]: A Flexible Sigmoid
Function of Determinate Growth. Annals of Botany.
http://wapedia.mobi/en/Generalised_logistic_function (Elrs dtuma: 2009. janur 28.)
http://www.bioss.ac.uk/smart/unix/mgrow/slides/slide02.htm (Elrs dtuma: 2009. janur 28.)
http://www.horticultureandlandscape.rdg.ac.uk/hlm_richards.htm (Elrs dtuma: 2009. janur 28.)
Wessa P., (2009), ARIMA Forecasting (v1.0.5) in Free Statistics Software (v1.1.23-r7), Office for Research Development and Education, URL http://www.wessa.net/ rwasp _arimaforecasting.wasp/

250