Lazar Ede Kutatasmodszertan Jegyzet

LÁZÁR EDE

KUTATÁSMÓDSZERTANA GYAKORLATBAN AZ SPSS PROGRAM HASZNÁLATÁVAL

kutatasmodszertan:II. KOR 2009. 10. 05. 23:27 Page 1

SAPIENTIA ERDÉLYI MAGYAR TUDOMÁNYEGYETEMGAZDASÁG- ÉS HUMÁNTUDOMÁNYOK KAR, CSÍKSZEREDA

ÜZLETI TUDOMÁNYOK TANSZÉK


LÁZÁR EDE

KUTATÁSMÓDSZERTANA GYAKORLATBAN AZ SPSSPROGRAM HASZNÁLATÁVAL

Scientia KiadóKolozsvár�2009


Lektor:

Sorozatborító: Miklósi Dénes

Descrierea CIP a Bibliotecii Naþionale a României

A kiadvány megjelenését támogatta:


TARTALOMJEGYZÉK

Előszó 11

1. Alapfogalmak 13

2. A tudományos kutatás típusai és folyamata 17

2.1. A kutatási téma, a kutatási probléma meghatározása 20

2.2. Előzetes tájékozódás 22

2.3. A kutatási célok és hipotézisek megfogalmazása 25

2.4. A kutatási terv elkészítése 31

3. Kutatási módszerek: szekunder kutatás 35

3.1. Szekunder keresztmetszeti kutatás 39

3.2. Szekunder longitudinális kutatás – idősorelemzés 40

4. Kutatási módszerek: primer kutatás 45

4.1. Kvalitatív kutatás 45

4.1.1. Egyéni mélyinterjú 46

4.1.2. Fókuszcsoport 47

4.2. Kvantitatív kutatás 50

5. Mintavétel 57

6. Kérdőívszerkesztés 67

6.1. Adatgyűjtés, terepmunka 72

6.2. Adatelemzés 75

7. Bevezetés az SPSS program használatába 77

7.1. Változó típusok 79

7.2. Gyakorisági eloszlás 80

7.3. A változók jellemzői 83

7.4. Adattábla-műveletek 86


8. Változók közötti kapcsolatok vizsgálata 95

8.1. Kereszttábla-elemzés 96

8.1.1. Nominális változók közötti kereszttábla 96

8.1.2. Ordinális változók közötti kereszttábla 101

8.2. Egymintás t-próba 104

8.3. Független mintás t-próba 105

8.4. Egyutas varianciaanalízis 108

8.5. Korrelációanalízis 114

8.6. Parciális korrelációanalízis 117

8.7. Lineáris regresszióanalízis 119

8.7.1. Kétváltozós regresszióanalízis 119

8.7.2. Többváltozós regresszióanalízis 123

8.8. Függvényillesztés 130

9. Az eredmények prezentálása, a tanulmány megírása 137

9.1. Diagramkészítés 138

9.1.1. Függőleges és vízszintes oszlopdiagram 139

9.1.2. Kördiagram 142

9.1.3. Pontdiagram 143

9.1.4. Vonal- és területdiagram 144

9.1.5. Radardiagram 145

9.2. Tanulmányírás 146

Szakirodalom 151

Kivonatok 153

A szerzőről 156

TARTALOMJEGYZÉK6


CONTENTS

Preface 11

1. Base notions 13

2. The typology and process of the scientific research 17

2.1. The define of the research theme and problema 20

2.2. Preliminary orientation 22

2.3. The megfogalmazása definition of the research goals and hypothesis 25

2.4. Research planning 31

3. Research methods: secondary research 35

3.1. Secondary cross-sectional research 39

3.2. Secondary longitudinal research - time series analysis 40

4. Research methods: primary research 45

4.1. Qualitative research 45

4.1.1. Personal deep interviu 46

4.1.2. Focus group 47

4.2. Quantitative research 50

5. Sampling methods 57

6. Editing questionaire 67

6.1. Data collection, fieldwork 72

6.2. Data analysis 75

7. Introduction in the use of spss program 77

7.1. Variable types 79

7.2. Frequency 80

7.3. The characteristics of the variables 83


7.4. Data table computations 86

8. The analysis of the relations between variables 95

8.1. Crosstab analysis 96

8.1.1. Crosstab between nominal variables 96

8.1.2. Crosstab between ordinal variables 101

8.2. One sample t-test 104

8.3. Independent sample t-test 105

8.4. One-way anova 108

8.5. Correlation analysis 114

8.6. Partial correlation analysis 117

8.7. Linear regression analysis 119

8.7.1. Regression analysis 119

8.7.2. Multiple regression analysis 123

8.8. Curve estimation 130

9. The presentation of the results, report writing 137

9.1. Chart editing 138

9.1.1. Column and bar chart 139

9.1.2. Pie chart 142

9.1.3. Scatter chart 143

9.1.4. Line and area chart 144

9.1.5. Radar chart 145

9.2. Report writing 146

Bibliography 151

Abstract 153

About the author 156

CONTENTS8


CUPRINS

Introducere 11

1. Noţiuni de bază 13

2. Tipologia şi procesul cercetării ştinţifice 17

2.1. Determinarea temei şi problemei ştiinţifice 20

2.2. Orientarea preliminară 22

2.3. Definirea scopurilor şi ipotezelor cercetării 25

2.4. Planificarea cercetării 31

3. Metode de cercetare: cercetarea secundară 35

3.1. Cercetarea secundară secţională 39

3.2. Cercetarea secundară longitudinală – serii de timp 40

4. Metode de cercetare: cercetarea primară 45

4.1. Cercetare calitativă 45

4.1.1. Intervievare personală 46

4.1.2. Grupuri de focus 47

4.2. Cercetare cantitativă 50

5. Eşantionarea 57

6. Editarea chestionarului 67

6.1. Colectarea datelor 72

6.2. Analiza datelor 75

7. Introducere în folosirea programului SPSS 77

7.1. Tipuri de variabile 79

7.2. Frecvenţa 80

7.3. Caracteristicile variabilelor 83

7.4. Comenzi referitoare la tabelul de date 86


8. Analiza relaţiilor între variabile 95

8.1. Tabelul de asociere 96

8.1.1. Tabelul de asociere între două variabile nominale 96

8.1.2. Tabelul de asociere între două variabile ordinale 101

8.2. Testul t cu un eşantion 104

8.3. Testul t cu eşantioni independenţi 105

8.4. Analiza dispersională 108

8.5. Analiza corelaţiei 114

8.6. Analiza corelaţiei parţiale 117

8.7. Regresia lineară 119

8.7.1. Regresia lineară unidimensională 119

8.7.2. Regresia lineară multidimensională 123

8.8. Determinarea curbei de regresie 130

9. Prezentarea rezultatelor, textarea raportului 137

9.1. Editarea diagramelor 138

9.1.1. Függőleges és vízszintes oszlopdiagram 139

9.1.2. Kördiagram 142

9.1.3. Pontdiagram 143

9.1.4. Vonal- és területdiagram 144

9.1.5. Radardiagram 145

9.2. Editarea raportului 146

Bibliografie 151

Rezumat 153

Despre autor 156

CUPRINS10


ELÕSZÓ

„Akár egy halom hasított fa,hever egymáson a világ,szorítja, nyomja, összefogjaegyik dolog a másikáts így mindenik determinált.”

József Attila: Eszmélet

Reményeim szerint e könyv segít eszmélni a minket körülvevő gaz-dasági, szociális világban. Megtanuljuk a módját, módszertanát, hogyankell szétszedni és megmagyarázni az egymáson heverő gazdasági, üzletivilágokat, és ez megadja a lehetőséget arra is, hogy beékeljük közéjük aszámításaink szerinti kis világunkat. Ezeket a világokat ugyanis emberekalkotják a maguk motivációival, akaratával, hitével, álmaival vagy, amimostanában hangsúlyosabb, a pánikra való hajlamával. Minden súlyosdeterminizmusuk mellett, ha képesek vagyunk megfigyelni, mérni és ele-mezni a gazdasági jelenségeket, akkor akaratunkat is érvényesíthetjükközöttük.

A lírainak szánt indítás ellenére a könyv célja nagyon gyakorlatias:bevezetni az olvasót a közgazdasági kutatás módszertanába, és megis-mertetni azokkal az elvekkel és gyakorlati technikákkal, amelyek alapjánképes lesz felismerni, megmagyarázni és akár előre jelezni a gazdaságijelenségeket.

A könyv a Sapientia Erdélyi Magyar Tudományegyetem különbözőgazdasági szakos hallgatói számára készült jegyzet, a Kutatásmódszertantárgy keretén belül kerül oktatásra. Fejlett gazdaságú és gazdasági oktatásúállamokban a kutatás-módszertani kurzus elvégzése nem csak a diploma-dolgozat megírásának, de a diplomaszerzésnek is feltétele (Majoros 2001).

Figyelembe véve az erdélyi magyar gazdasági oktatást és a gazdaságiszakemberek lehetőségeit, elmondható, hogy az olvasói célcsoportba tar-toznak azok a kis-, középvállalati menedzserek, közgazdászok is, akiktöbb üzleti értéket jelentő információt szeretnének kinyerni a vállalatiadathalmazból, vagy a piac kutatását saját erőforrásaik alapján kénytele-nek megoldani.

Régebben – másfél-két évtizede – a vállalati belső vagy külső adatokelemzése, a közgazdasági kutatás csak néhány fehérköpenyes „kiberneti-


12 ELŐSZÓ

kus” drága és időigényes kiváltsága volt. Az információtechnológia, majda különböző adatelemző programcsomagok fejlődésének köszönhetően maa tapasztalt kutatók, kutatócégek nagyon gyorsan tudnak sokféle kutatásiproblémát megoldani, vagy egy okos és szorgalmas hallgató államvizsga-dolgozata akár komoly üzleti értéket jelenthet a vizsgált cég számára.

Több mint száz marketingkutatási és más közgazdasági kutatási pro-jekt tagjaként és vezetőjeként szerzett tapasztalat, illetve az oktatásitapasztalat alapján, a gyakorlati alkalmazásra tettem a hangsúlyt. A könyvvezérfonala a közgazdasági kutatási folyamat, az olvasó – ha elsajátítja aleírtakat – képes lesz végigvinni egy kutatást a tervezéstől a tanulmány-írás befejezéséig.

A bemutatott módszerek, modellek elméleti alapjairól csak annyibanesik szó, amennyiben azt elengedhetetlenül szükségesnek tartottam azeredmények helyes értelmezéséhez. Magyarán szólva a „mire jó?” kér-désre keressük a választ, azután következik a „hogyan is működik?”. Hamár kezdünk belejönni az „egymáson heverő világok” feltárásába, akkorajánlott, hogy utánajárjunk a részletekben rejlő finomságoknak, utánaol-vassunk a bemutatott módszerek irodalmának is.

Félreértjük az idézett költői hasonlat célját, ha azt hisszük, hogy amódszerek rutinos begyakorlásával „szellemi favágó” munkába fogha-tunk. A kutatási adatok elemzése, a folyamat egésze alapos ismeretekmellett kreativitást is igényel. Az elméleti részben sablonok és konzervekhelyett támpontokat kívánok nyújtani a gazdasági jelenségekről valóstrukturált gondolkodáshoz, a gyakorlati részben pedig az egyik legelter-jedtebb adatelemző szoftver, az SPSS használatával ismerkedünk.

Köszönettel tartozom dr. Tóthné Lőkös Klárának és Szántó Richárd-nak, akik hasznos észrevételeikkel, tanácsaikkal segítettek a könyv elké-szítésében.

A költői hasonlattal élve lássunk neki a farakásnak, nem feledkezvemeg arról, hogy egyetlen ismeret megszerzéséhez sem vezet királyi út.

Lázár EdeCsíkszereda, 2009. május


1. FEJEZET

ALAPFOGALMAK

A tudományos kutatásmódszertannal való ismerkedésünket kezdjükrövid tudományelméleti alapozással, az alapfogalmak definiálásával.

TudományA tudomány tágabb értelemben a bennünket körülvevő világ megis-

merésének minden formáját jelenti, szűkebb (mai) értelemben csak atudományos módszertanon alapuló megismerési folyamatot tekintjüktudományosnak. A tudományos megismerési folyamat bárki által megis-mételhető (reprodukálható) és azonos eredményre vezet. A szűkebbtudománydefiníció nem tartja tudományosnak a filozófiát, teológiát ésművészeteket, de a szakmai tapasztalatok, technikai ismeretek megszer-zésének folyamatát sem.

A tudományos megismerés folyamatának további bemutatásához szük-séges definiálnunk néhány alapfogalmat:

– Valóság. Kétféle valóságról beszélünk:– tapasztalati valóság – azok a dolgok, amelyeket saját közvetlen

tapasztalatunkból ismerünk,– konszenzuális valóság – közvetlenül tapasztalatunktól függet-

lenül azért fogadjuk el valóságnak, mert konszenzusos egyetér-tés van abban, hogy az.

– Megfigyelés: információk gyűjtése a valóságról. A tapasztalati való-ságra vonatkozó megfigyelésünket empirikus (tapasztalati) megfigyelés-nek nevezzük.

– Állítások: a valóságról a megfigyelés során alkotott megállapítások,kijelentések.

– Tény: tudományos bizonyítási eljárással igazolt állítás.– Törvény: tények egy osztályára vonatkozó egyetemes állítás.– Elmélet: megfigyelt tények és törvények szisztematikus magyarázata.– Paradigma: a tudományos társadalom által legnagyobb konszen-

zussal elfogadott elmélet. Pl. a mikroökonómiában, marketingben a raci-onálisan döntő fogyasztó, a biológiában az evolúció elmélete stb.


14 1. ALAPFOGALMAK

– Fogalmak: az elmélet legkisebb alkotóelemei.– Változók: a valóság empirikusan mért, számszerűsített jellemzői,

ismérvei.Egy tudományosan elfogadott állításnak logikailag és empirikusan

(tapasztalatilag) is alátámasztottnak kell lennie, elmondhatjuk, hogy atudományos megismerés két pillére a logika és a tapasztalati megfigyelés.

A tudományos megismerésnek ezeken kívül még van néhány fontosjellemzője, amelyek azonban nem minden tudományterületen érvényesek:

– Reprodukálhatóság. Egy tudományos állítást akkor tekintünkténynek, ha a tudományos bizonyítási, azaz kutatási folyamat bármeny-nyiszer megismételhető és az eredmények lényegében nem különböz-nek. Ez a feltétel érvényesül a legtöbb természettudományi területen(kivétel pl. a csillagászat), de általában nem érvényesül a társadalom- éshumántudományokban (pl. történelemtudomány, szociológia, közgazda-ságtudomány). Reprodukálható kutatási folyamatokkal (kísérletek) a tár-sadalomtudományokban gyakran találkozhatunk a pszichológiában, de aközgazdaságtanon belül is előfordulnak piackutatási, gazdaságpszicholó-giai stb. kísérletek.

– Kvantitatív leírás. Általános jellemző a tudományos megállapítá-sok, összefüggések számszerűsítése. A jelenségek kvantitatív leírása és astatisztikai, matematikai módszereket használó hipotézist megfogalma-zó, tesztelő és következtetést levonó folyamat jelenti a modern tudomá-nyos megismerést.

Azonban vannak tudományterületek, illetve olyan jelenségek, ame-lyek kutatásánál nem vagy csak részben használhatjuk a kvantitatívmódszereket. Ilyenek a humán tudományok (pl. történelem), de mintlátni fogjuk, a közgazdasági, üzleti kutatásokban is jól meghatározotthelye és funkciója van a kvalitatív kutatásoknak.

– Mérés, mérőeszközök és mértékegységek használata. A kvantita-tív leíráshoz szorosan kapcsolódik a megfigyelés során a mérési skálák,mérőeszközök és szükségszerűen a mértékegységek használata.

– Értéksemlegesség. A tudományos megismerési, kutatási folyamatvégeredményének tekinthető elméletek etikai értelemben értéksemlege-sek, nincs jó vagy rossz tudomány.

– Determinizmus, oksági kapcsolatok vizsgálata. A közgazdaság-tudományi kutatásokban nagy jelentősége van az oksági kapcsolatokvizsgálatának, mivel a gazdasági kapcsolatok alapjában személyközi kap-csolatok és az empirikusan gyakran megfigyelt determinizmus szemben


1. ALAPFOGALMAK 15

áll az emberi természet szabad akarat iránti vágyával. Kérdés, hogy cse-lekvésünk (pl. közgazdasági preferenciarendezésünk, fogyasztói maga-tartásunk stb.) saját személyes akaratunk eredménye-e, vagy olyan erőkés törvények kormányozzák, amit nem tudunk befolyásolni. E két szél-sőség között a sztochasztikus – a hatások valószínűségét elemző – kap-csolatokat vizsgáljuk leginkább a közgazdasági kutatások során. Az oksá-gi kapcsolat kritériumai:

– az ok időben megelőzi az okozatot;– a két tényező között tapasztalati együttjárásnak kell lennie– a két tényező közötti összefüggést ne lehessen valamely har-

madik tényező hatásával megmagyarázni, amely mindkettőnekközös oka.

A tudományos megismerés egyik pillérét jelentő logikai következtetéskét alapvető formáját még a görög filozófus, Arisztotelész fogalmazta meg:

– Indukció – egyedi, tapasztalati megfigyelésből kiindulva vonunk lekövetkeztetést, és olyan általánosan érvényes elméletet fogalmazunkmeg, ami magyarázza az egyedi megfigyelést.

– Dedukció – valamely általános törvényből indulunk ki, és alkal-mazzuk azt egy konkrét, egyedi esetre, ezáltal magyarázva azt.

A modern tudományEmlítettük már a tudomány fogalmát, a tudományos megismerés jel-

lemzői után nézzük meg, hogy milyen főbb szakaszokból áll a megisme-rési folyamat. A modern tudomány a kutatás során a pozitivistának isnevezett módszertant követi (Drótos 2000).

A modern tudományos módszertan folyamata:– Hipotézisek megfogalmazása. A hipotézis egy olyan állítás, amit

még bizonyítási eljárással nem fogadtunk vagy nem utasítottunk el. Azegzakt, matematikai módon megfogalmazott hipotéziseket modellneknevezzük.

Szakdolgozat-példa. Egy csíkszeredai Sapientiás diák államvizsga-dolgozatában megfogalmazza azt a hipotézist, hogy az egyik helyi bank-fiók ügyfélkörén belül kisebb az online banki szolgáltatások igénybevé-telének aránya, mint az országos átlag.

– Tapasztalati megfigyelés. A modern tudományszemlélet szerint avilág objektív módon létező és megismerhető, azaz minden visszavezet-hető a tapasztalati valóságra. A megfigyelés és kísérletezés a tudományoskutatás alapja, empirikus (tapasztalati) vizsgálatok. Lényeges, hogy a


16 1. ALAPFOGALMAK

megfigyelést úgy tervezzük meg, hogy az eredmények alkalmasak legye-nek a hipotézisek elfogadására vagy elutasítására.

– Ellenőrzés. A megfigyelés és/vagy a kísérlet adatainak elemzése, azeredmények és a hipotézisek összehasonlítása. Az ellenőrzés során álta-lában előtérbe kerülnek a kvantitatív módszerek (matematika, statisztika).

– Elméletalkotás. Egy új elmélet megfogalmazását vagy egy meglévőelfogadását az ellenőrzés kiértékelése mellett más elméletekkel való kap-csolata, konzisztenciája is meghatározza.

A posztmodern tudományAz 1970-es évektől kezdődően egyre szélesebb körben kezdtek poszt-

modernnek nevezni egy, a modern tudományszemlélettől sok szempont-ból élesen különböző tudományfilozófiai irányzatot, a posztmodernt.

A posztmodern szerint az élet „szövegekből” áll, amelyeket állandó-an és nagyon különböző módokon „olvasunk” (Drótos 2000). A posztmo-dern tudományos módszertan jellemzői:

– A posztmodern a kutatási folyamat középpontjába a jelenségekpárhuzamosan érvényes olvasatainak megalkotását helyezi.

– A posztmodernre az egyértelmű megtagadás helyett általában jel-lemzőbb a különböző irányzatok tudatos keverése, a klasszikusok újra-értelmezése.

Valamennyi tudományterületre hatással volt, és gyakran nemcsakegy újabb elméletet alkotott a meglévő paradigma mellé, hanem újszerűmegközelítése akár új diszciplínákat is eredményezett. A közgazdaság-tudományon belül a szervezés és vezetéstudományok nagyon sok disz-ciplínájában volt és van jelentős hatással.

A könyvben a továbbiakban a modern tudományos megismerésifolyamatot mutatjuk be.


2. FEJEZET

A TUDOMÁNYOS KUTATÁS TÍPUSAI ÉS FOLYAMATA

Az adatgyűjtési technikák és az adatelemzési módszerek változatos-ságának köszönhetően nagyon sokféle kutatási módszer létezik.

I. A kutatási módszerek legalapvetőbb osztályozása a kutatási adatokszármazása alapján történik:

1. Szekunder kutatás olyan kutatás, amelynek adatait más, nemaz adott kutatási probléma megoldása céljából gyűjtötték.

2. Primer kutatás adatait az adott kutatási probléma megoldásá-ra gyűjtik.

II. A primer kutatások a kutatási adatok jellege szerint két nagy csoport-ra bonthatók:

1. Kvantitatív – a kutatási adatokat számszerűsíti és általábanstatisztikai módszereket alkalmaz az elemzés során.

2. Kvalitatív – a kutatási probléma jobb megértését szolgálómódszer, amely kis mintán alapul és az eredményei nem álta-lánosíthatók a teljes alapsokaságra.

III. A kutatás időbelisége alapján is több típusú primer kutatást külön-böztetünk meg:

1. Keresztmetszeti kutatás – az információgyűjtés a sokaság ele-meiből egyszeri alkalommal vett valamely mintán alapul.Megkülönböztetjük az egyszeri és a többszöri keresztmetszetikutatást.

2. Longitudinális kutatás – rögzített, ugyanazon a mintán szabá-lyos időközönként megismételt kutatást jelent.

IV. A kutatási probléma definiáltsága alapján (Malhotra 2001):1. Feltáró kutatás – a kutatási téma pontosabb definiálása, feltá-

rása a cél. 2. Leíró kutatás – a következtető kutatás egy fajtája, amelynek a

fő célkitűzése valamely gazdasági vagy társadalmi jellemzők-nek vagy funkcióknak a leírása.


1 Léteznek szekunder adatforrásokra támaszkodó kvalitatív kutatások is, például adokumentumelemzés különböző módszerei, de ezeket a jegyzetben nem részletezzük.

18 2. A TUDOMÁNYOS KUTATÁS TÍPUSAI ÉS FOLYAMATA

3. Ok-okozati – ok és hatás (ok-okozat) kapcsolatáról való bizo-nyosság megszerzésére használják.

A szakirodalom nagy része ezt a tipológiát tartja alapvetőnek ésebből vezeti le a kvalitatív, kvantitatív megosztást is. Azonban a gyakor-lati kutatások során ezek együttesen is megjelenhetnek, gyakoriak azolyan kutatások, amelyben mindhárom jelleg érvényesül, és szinte vala-mennyi jól elvégzett kutatásban találunk leíró és ok-okozati elemeket.Például egy primer kvantitatív kutatás során nagy valószínűséggel mind-három elem megjelenik, az utóbbi kettő biztosan. Ezért nem annyirakutatástípusokról, mint kutatási jellegről beszélhetünk.

A tudományos kutatás során megfigyelni kívánt valóság-sokszínű-ség miatt nehéz a kutatási típusok, módszerek átfedés nélküli, követke-zetes számbavétele. Az alábbi ábrán az előbbi három osztályozási szem-pont, dimenzió alapján soroljuk be a leggyakrabban használt kutatásimódszereket.1

1. táblázat. Kutatástípusok osztályozása

Forrás: saját szerkesztés

Ezeket a későbbiekben, a kutatási folyamat tervezési szakaszábanrészletesen fogjuk bemutatni.

Kvalitatív KvantitatívSzekunder adat – – keresztmetszeti: gyakori

– longitudinális: gyakoriPrimer adat – keresztmetszeti:

nagyon gyakori– longitudinális:

nagyon ritka

– keresztmetszeti: nagyon gyakori

– longitudinális: ritka


2. A TUDOMÁNYOS KUTATÁS TÍPUSAI ÉS FOLYAMATA 19

A tudományos kutatás folyamata a következő szakaszokból áll:

A primer és a szekunder kutatás folyamata a negyedik szakaszban, akutatási terv részletes kidolgozásánál kezd eltérni egymástól. Ennek elle-nére mindkét típusra érvényes a fenti folyamatábra, a tartalmi eltérése-ket a későbbiekben részletezzük.

A kutatási folyamat részletes ismertetése előtt nézzük meg, hogy akutatás során milyen nehézségekkel, problémákkal kell szembenéznünk:

– A kutatást emberekkel végezzük, ezért:– viselkedésüket sok tényező befolyásolja, amelyeket nem lehet

mind figyelembe venni;– gyakran nehéz vagy nagyon időigényes homogén – fontos

ismérvek mentén hasonló – mintát venni;– adatvédelmi törvények szabályozzák az adatgyűjtést.

– Általában nem reprodukálható (szemben a természettudományoskutatással).

– Nem mérhető minden ismérv (lehetnek olyan fontos ismérvek,amelyek nem számszerűsíthetők, kvantifikálhatók).

– Felmerülnek etikai kérdések: – a részvétel önkéntességével kapcsolatban;– a résztvevők jogait és biztonságát garantálni kell; – senkit sem érinthet hátrányosan a kutatásban való részvétel;

2. Előzetes tájékozódás

3. A kutatási célok és hipotézisek megfogalmazása

4. A kutatási terv elkészítése

5. Adatgyűjtés, terepmunka

6. Adatelemzés

7. Az eredmények prezentálása, a tanulmány megírása

1. A kutatási téma meghatározása



– az eredmények nem hamisíthatóak, nem tulajdoníthatóak el(plágium);

– az eredmények tudatosan nem értelmezhetőek félre.– Időbeliség – a kutatás folyamán a vizsgált személyek/megfigyelési

egységek változhatnak.

2.1. A kutatási téma, a kutatási probléma meghatározása

A kutatási folyamat első és legalapvetőbb szakasza a kutatási témameghatározása. Ezt minden más szempontnál jobban befolyásolja, hogymilyen célból végezzük a kutatást.

A kutatás célja lehet: – egy tudományterület, diszciplína fejlesztése (pl. a világ 62 országá-

ra kiterjedő GLOBE kutatás jelentős eredményeket hozott a szervezetikultúra területén);

– valamely gyakorlati vagy elméleti probléma megoldása (pl. egy vál-lalatvezető választ keres arra a kérdésre, hogy miért csökken az értékesí-tés, vagy például azt szeretnénk tudni, hogy a romániai vállalatvezetőkvezetési stílusa miben tér el mondjuk a csehországiaktól);





6. Adatelemzés




2.1. A KUTATÁSI TÉMA, A KUTATÁSI PROBLÉMA MEGHATÁROZÁSA 21

– a tudományos munkára való alkalmasság bizonyítása értekezéssel(pl. államvizsga-dolgozat).

Ezután a kutatási témát két irányból is meghatározhatjuk:– egy tágabb témakör szakirodalmából, gyakorlati munkáiból keres-

sük és jelöljük ki a problémát;– a problémát az élet veti fel, és ahhoz keresik a releváns témakört,

felkészültséget. Ez a két irány nem kizárólagos, általában mindkettőre figyelmet kell

fordítanunk. Egy diszciplína fejlesztését célzó kutatás során főképp azelőbbi, míg egy gyakorlati üzleti kutatás során inkább az utóbbi iránybólindulunk ki. Az államvizsga-dolgozat szerzője számára ajánlott mindkétirányt szem előtt tartani.

A kutatási téma meghatározásával egy időben meg kell fogalmaznunkazt is, hogy kikre vonatkozik a kutatásunk, ki a célcsoport. A kutatásifolyamat negyedik szakaszában a kutatás megtervezésénél ezt a kérdéstalaposan megvizsgáljuk, de már a téma megfogalmazása sem választhatóel attól a kérdéstől, hogy kire lesz érvényes a kutatási eredmény.

Szakdolgozat-példa: könyvünkben a kutatás folyamatát egy állam-vizsga-dolgozat elkészítésének folyamatával példázzuk. Egy végzős diákúgy dönt, hogy „valamilyen banki témában” szeretne dolgozatot írni.Mivel tanulta és már használja az internetes banki szolgáltatásokat, ezérta kutatási témát a lakossági internetes banki szolgáltatásokra szűkíti. Acélcsoport tehát a lakossági banki ügyfelek.

A témaválasztás során a következőkre figyeljünk:– A kutatási téma legyen érdekes, amit még mások lehetőleg nem

kutattak.– Legyen beazonosítható, hogy milyen tudományterület(ek)hez tar-

tozik a témánk.– Időbeli határai legyenek egyértelműek.– Határozzuk meg, hogy kikre vonatkozik a kutatás.– Valódi kutatási célokat és hipotéziseket fogalmazzunk meg.– Készítsünk egy feltételes vázlatot, amit az előzetes tájékozódás

során ellenőrizünk.



2.2. Előzetes tájékozódás

A kutatási témánkhoz kapcsolódó előzetes tájékozódás a következő-ket tartalmazza:

1. a szakirodalom megismerése;2. szakértői megkérdezés;3. próbakérdezés;4. szekunder kutatási eredmények gyűjtése.

1. A szakirodalom megismeréseAz előzetes tájékozódás legelső lépése a szakirodalom (bibliográfia)

alapos megismerése. Természetesen a kutatási téma meghatározása mára szakirodalom valamilyen szintű ismeretét feltételezte, de ennél a pont-nál a kutatási témánk legelfogadottabb elméleti modelljeivel, fogalmikeretével és legfontosabb kutatási eredményeivel ismerkedünk meg.

A szakirodalom megismerése a következő forrásokból indulhat ki:– Előzetes források:

– betűrendes, szak-, folyóirat-katalógusok;– a könyvtári Egyetemes Tizedes Osztályozás (ETO) használata;– referáló folyóiratok.

– Elsődleges forrásoknak nevezzük a különböző kutatások eredmé-





6. Adatelemzés




2.2. ELŐZETES TÁJÉKOZÓDÁS 23

nyeiről közvetlenül beszámoló kutatási beszámolókat, monográfiákat,disszertációkat, folyóiratcikkeket.

– Másodlagos források. Az elsődleges források alapján készítettösszefoglalók, elemzések áttekinthetőbb képet adnak az adott kutatásiterületről. Például lexikonok, enciklopédiák, tankönyv, jegyzet, tanul-mánykötetek, cikkek. A témában újdonsült kutatónak ajánlott a másod-lagos források feldolgozásával kezdeni.

A szakirodalom feldolgozásának különböző technikái vannak. Ahagyományos technikák, mint például a jegyzetelés, cédulázás, kulcs-szavak definiálása és keresése számítógépesített alkalmazása felgyorsítjaa folyamatot.

2. Szakértői megkérdezés – az adott kutatási téma szakértőivel foly-tatott interjúk, amelyek segíthetnek a kutatási téma pontosabb behatáro-lásában. Tőlük általában a kvalitatív kutatási módszereknél részletezettegyéni mélyinterjúhoz hasonló módszertannal, formális kérdőív nélkü-li személyes interjúval nyerhetünk információkat.

Szakdolgozat-példa: az internetes banki szolgáltatások államvizsga-témát választó hallgatónk az egy-két szakkönyvrészletből és több jó szak-folyóiratból álló szakirodalom megismerése után interjút kér egy bankiszakembertől és/vagy a témában jártas kutatótól.

Hasonlóképp más kvalitatív kutatási módszert is felhasználhatunk ecélra, mint például a fókuszcsoport, ami adott esetben vagy szakértőkből,vagy a megfigyelni kívánt kutatási sokaságból álló csoporttal folytatottcsoportos interjút jelenti. A fókuszcsoport módszertanára vonatkozótovábbi információt a kvalitatív kutatások leírásánál találunk. Ha lehető-ségünk adódik fókuszcsoport alkalmazására, akkor eldöntendő, hogy„csak” az előzetes tájékozódás során részlegesen alkalmazzuk, vagy egyteljes kvalitatív kutatással alapozzuk meg a kvantitatív kutatást.

3. Próbakérdezés (pilot interjú): a kutatási téma feltárására irányuló,a célcsoportba tartozó néhány személlyel folytatott, strukturált kérdezés.

Abban az esetben alkalmazzuk, ha a kutatási téma meghatározásánálnagy valószínűséggel kiderült, hogy melyek a főbb kutatási célok ésmilyen módszertant választunk. Próbakérdezés gyakori a kvantitatívkérdőíves kutatásoknál, főképp azoknál, amelyeket nem előzött meg



egy kvalitatív kutatás és ahol a kutatási hipotézisek megfogalmazásá-nál vannak bizonytalanságok. Itt jegyezzük meg, hogy a kvantitatívkutatás során, a kérdőív elkészítésének végén mindig van próbakérdezés,de ez általában csak a formai, logikai, szerkezeti szempontokat vizsgálja.Az előzetes tájékozódás során végzett próbakérdezés a tartalomra irá-nyul, fő célja a kutatási téma jobb megértése. Kvalitatív kutatások soránis alkalmazhatunk próbakérdezést, vagy mivel a módszerek egy részenem megkérdezéses, ezért nevezhetjük próbakutatásnak is.

Például a kvalitatív kutatások körébe soroljuk az internetes honla-pok tesztjét, amelynek során a célsokaságból kiválasztott mintába tarto-zó személyek körében vizsgáljuk a honlap funkcionális, esztétikai, ergo-nómiai jellemzőit, összességében azt, hogy mennyire tölti be a tervezettfunkciókat. Ilyen kutatásoknál (sem) elegendő egy módszertani sablonautomatikus átvétele, akár többszöri próbakérdezés során kell a kutatásimódszert a vizsgált témához igazítani.

4. Szekunder kutatási eredmények gyűjtése. A szakirodalom megis-meréséhez szorosan kapcsolódik, de módszertani szempontból főképp afeldolgozás, adatelemzés során különbözik a szekunder adatok elemzése.A kvalitatív módszerekhez hasonlóan, amennyiben a kutatási idő- ésköltségkeret engedi, akkor a szekunder kutatás teljes módszertanát alkal-mazhatjuk egy primer kutatás előzetes tájékozódása során. Ennek részle-tes ismertetését a későbbiekben láthatjuk.


2.3. A KUTATÁSI CÉLOK ÉS HIPOTÉZISEK MEGFOGALMAZÁSA 25

2.3. A kutatási célok és hipotézisek megfogalmazása

A kutatási folyamat ebben a szakaszában arra keressük a választ,hogy milyen tudományos állítást akarunk megfogalmazni, vagy milyenüzleti problémára keressük a megoldást. A kutatási célok megfogalma-zása a fő kutatási téma több kutatási kérdésre való szétbontását, ope-racionalizálását jelenti.

Továbbá egy kutatási cél egy vagy több kutatási hipotézisnek felel-tethető meg. A kutatási hipotézis olyan állítás, melyben a kutatásitémára, annak változóira vagy ezek kapcsolatára vonatkozó, önálló fel-tételezéseinket fejezzük ki. Feltételezés, amely alapulhat sejtésen vagykorábbi kutatások eredményein.

Szakdolgozat-példa: államvizsgázó hallgatónk a szakirodalom átné-zése és egy-két szakértői interjú után megfogalmazza a konkrét kutatásicélt. A csíkszeredai X bankfiók lakossági ügyfélkörén belül az internetenkeresztül elérhető banki szolgáltatások (online banking) iránti potenciá-lis keresletet fogja felmérni és a szolgáltatást már igénybe vevők szeg-mensének a jellemzését vágzi el.

A jó kutatási hipotézis az alábbi jellemzőkkel rendelkezik:– egyértelmű kijelentő mondatban van megfogalmazva;





6. Adatelemzés





– magyarázatot ad a kutatási problémára;– ok-okozati kapcsolat vizsgálata esetén jelöljön egyértelmű kap-

csolatot;– egyszerűen és tömören van fogalmazva;– a kutatás megkezdése előtt fogalmazzuk meg.A kvalitatív és kvantitatív kutatások vízválasztója a kutatási hipoté-

zisek megfogalmazása és ellenőrzése, tesztelése. A kvantitatív kutatásoksorán a kutatási hipotéziseket a statisztikai hipotézisvizsgálat módszere-ivel teszteljük, míg a kvalitatív kutatási adatok elemzésénél a kutatószubjektív elemzőképessége a döntő.

Statisztikai hipotézisA kutatási hipotézis további formalizálása nyomán jutunk a statisz-

tikai hipotézishez, ami a megfigyelt sokaság valamely ismérvére vonat-kozó egyszerű matematikai formába öntött állítás. Kvantitatív kutatá-sok során valamennyi kutatási célt és az abból következő kutatásihipotézist végső soron statisztikai hipotézisvizsgálattal ellenőrizzük. Ahipotézisvizsgálat statisztikai módszer, amely segítségével eldöntjük,hogy hipotézisünket elfogadjuk vagy elutasítjuk.

A hipotézisvizsgálat folyamata (Tóthné Lőkös 2008 alapján):2

1. a statisztikai hipotézis megfogalmazása a kutatási hipotézis alap-ján, H0 és H1 felállítása;

2. a szignifikanciaszint (α) kiválasztása;3. a próbafüggvény megválasztása és aktuális értékének kiszámítása;4. kritikus érték kikeresése a megfelelő táblázatból;5. döntés a hipotézis (H0) elfogadásáról vagy elvetéséről;6. szakmai következtetés levonása a hipotézisnek megfelelően.A statisztikai hipotézisvizsgálatot tehát valamennyi hipotézisünkre

el kell végeznünk. Ezért annak ellenére, hogy a mai adatelemző, statisz-tikai programcsomagok a fenti folyamat nagyját automatikusan elvégzik,a következőkben részletesen ismertetjük a hipotézisvizsgálat folyamatát.Egy tapasztalt kutató a hipotézisvizsgálat folyamatából többnyire csak azelső (a statisztikai hipotézis megfogalmazása) és az utolsó (a szakmaikövetkeztetés levonása) szakasznál „dolgozik”, a többi a számítógép fel-adata, de természetesen jó, ha ismeri a többi részfolyamatot is.

2 Az említett szakirodalomban a hipotézisvizsgálat első lépése a szakmai problé-ma felvetése, a kutatási hipotézis megfogalmazása, mi ezt a korábbiakban külön tár-gyaltuk.



1. A statisztikai hipotézis megfogalmazása A statisztikai hipotézist a kutatási hipotézisből vezetjük le úgy, hogy

a verbális állítást matematikai, logikai formába öntjük. A statisztikaihipotézis a sokasági ismérvek (változók) eloszlásának a paramétereire(átlag, szórás vagy az eloszlás típusa) vonatkozik. A kutatási hipotéziselfogadását úgy szigorítjuk, hogy a hipotézis tagadását jelentő állításttekintjük kiindulásként érvényesnek, ettől pedig csak akkor állunk el, haez a hipotézis vizsgálat alapján indokolt (Hajdu 2003). E nyakatekertnektűnő megközelítés mögött matematikai-statisztikai indokok állnak.

A kutatási hipotézis érvénytelen voltát jelentő állítást nevezzükalap- vagy nullhipotézisnek (H0), az alternatíváját képező kutatásihipotézist pedig alternatív hipotézisnek (H1). A nullhipotézis (H0) min-dig az ismérvek egyenlőségét fogalmazza meg, az alternatív hipotézis(H1) pedig értelemszerűen ennek alternatíváját.

A hipotézisvizsgálatot egy, illetve két változó esetén végezhetjük el,a null-, illetve az alternatív hipotézis megfogalmazását a már elkezdettszakdolgozat-példánkon keresztül mutatjuk be.

Szakdolgozat-példa: megállapítottuk, hogy kutatási célunk a csík-szeredai X bankfiók lakossági ügyfélkörén belül az interneten keresztülelérhető banki szolgáltatások (online banking) iránti potenciális keres-let vizsgálata, illetve a szolgáltatást már igénybe vevők szegmenséneka jellemzése. Ezek alapján az egyik kutatási hipotézisünk az, hogy acsíkszeredai X bankfiók lakossági ügyfélkörén belül az online bankingszolgáltatást igénybe vevők aránya eltér az országos – banktól függet-len – átlagtól.

I. Egy változó esetén – egy mintabeli változót össze akarunk hason-lítani egy külső, nem mintabeli értékkel.

Alaphipotézis (H0): Pl. a bankfiók lakossági ügyfélkörén belül az„online banking” szolgáltatást igénybe vevők aránya megegyezik azországos – banktól független – aránnyal.

Alternatív hipotézis (H1):– Kétoldali alternatív hipotézis: Pl. a két arány nem egyenlő.– Egyoldali alternatív hipotézis:

– bal oldali: Pl. a helyi arány nagyobb az országosnál;– jobb oldali: Pl. a helyi arány kisebb az országosnál.



II. Két változó esetén – két mintabeli változó statisztikáit (átlagát,szórását vagy eloszlását) hasonlítjuk össze egymással.

Alaphipotézis (H0): Pl. a bankfiók lakossági ügyfélkörén belül az„online banking” szolgáltatást igénybe vevő férfiak és nők aránya azonos.

Alternatív hipotézis (H1):– Kétoldali alternatív hipotézis: Pl. a két arány nem egyenlő.– Egyoldali alternatív hipotézis:

– bal oldali: Pl. a férfiak aránya nagyobb; – jobb oldali: Pl. a férfiak aránya kisebb.

A hipotézisvizsgálat során tehát a sokaság valamely ismérvéről meg-fogalmazott állításunk igaz voltát ellenőrizzük úgy, hogy a sokaságbólvett véletlen minta statisztikáit összehasonlítjuk ún. tesztstatisztikákkal.De a véletlen minta statisztikáinak hipotézisvizsgálata során kétféle hibátis elkövethetünk:

2. táblázat. A hipotézisvizsgálat lehetséges hibái

Forrás: Szűcs 2004.

Elsőfajú hiba (α-val jelöljük): a nullhipotézis igaz, de mi elutasítjuk.Az elsőfajú hiba elkövetésének valószínűségét szignifikanciaszintneknevezzük. A másodfajú hibát (β) akkor követjük el, ha a nullhipotézisnem igaz, de mi elfogadjuk.

2. A szignifikanciaszint (α) megválasztása a kutató szubjektív dön-tése, a legáltalánosabban elfogadott szignifikanciaszint az 5%. Ettől azértéktől természetesen eltérhetünk lefele vagy felfele, ezáltal fokozva,illetve lazítva a hipotézisvizsgálat szigorát.

A statisztikai programcsomagokban vagy beállítható a szignifikan-ciaszint, vagy a teszt eredménye egy ún. empirikus szignifikanciaszint-tel (P érték) számol, ami az a legkisebb valószínűség, amely mellett aH0 elvethető H1-gyel szemben.

Például ha az SPSS programmal vizsgáljuk két változó átlagánakazonosságára vonatkozó nullhipotézist és az eredmény P = 0,02, akkor

TényIgaz Hamis

DöntésElfogadjuk Helyes döntés (1 – α) Másodfajú hiba (β)Elvetjük Elsőfajú hiba (α) Helyes döntés (1 – β)



98%-os biztonsági szinten állíthatjuk, hogy a két változó átlaga külön-bözik. Másképp fogalmazva: ha H0-t elutasítjuk, akkor 2% az esélye,hogy hibásan döntöttünk és 98% a valószínűsége, hogy helyes döntésthoztunk.

Figyelembe véve, hogy a legáltalánosabban elfogadott szignifikancia-szint az 5%, megfogalmazhatjuk a kvantitatív elemzések leggyakrabbanigénybe vett, legnépszerűbb aranyszabályát: ha az empirikus szignifi-kanciaszint kisebb mint 5% (P < 0,05), akkor állíthatjuk, hogy a vizs-gált két érték nem azonos, eltér egymástól!

3. A próbafüggvény értékének és a kritikus értéknek a kiszámításaA mintabeli változó adatai alapján kiszámoljuk az ún. próbafügg-

vény értékét. A hipotézistől függően az alábbi próbafüggvényeket alkal-mazzuk a leggyakrabban:3

– a változó középértékére (átlagára) vonatkozó próbák: t-próba és z-próba;

– szórások összehasonlítására vonatkozó próba: F-próba;– eloszlásokra vonatkozó próba: Khi-négyzet próba.4. A kritikus érték kikeresése a megfelelő táblázatbólA próbafüggvény értékének kiszámítása után egy táblázatból kikeres-

sük a kritikus értéket, amit a próbafüggvény, a választott szignifikancia-szint és a minta elemszámának ismerete alapján egyértelműen meghatá-rozhatunk. A mintaelemszámot nem közvetlenül használjuk, hanem egyespróbafüggvényeknél, mint például a t-próba, F-próba, ez alapján számol-juk ki az úgynevezett szabadságfokot4 (df). A különböző próbafüggvényekesetében eltérő módon számoljuk ki a szabadságfok értékét, a legegysze-rűbb esetben eggyel csökkentjük a mintaelemszámot (df = n – 1).

5. Döntés a statisztikai hipotézis elfogadásáról vagy elvetésérőlA szignifikanciaszint meghatározása, a próbafüggvény értékének

kiszámolása és a kritikus érték táblázatból való kikeresése után a döntésmár automatizmus, a két értéket összehasonlítva fogadjuk vagy utasítjuk ela nullhipotézist. Mérlegelnünk akkor kell, ha az előre meghatározott szig-nifikanciaszinten nem utasítható el a nullhipotézis, de a szignifikancia-

3 A próbafüggvények eszköztára bővülhet aszerint, hogy egyvagy kétmintáspróbákról beszélünk.

4 A szabadságfokot angol elnevezése – degree of freedom – alapján általában df-nek rövidítjük.



szint növelésével már elutasíthatóvá válik. Ez azt jelenti, hogy nem 95%-os biztonsági szinten utasítjuk el a nullhipotézist, hanem csak 90%-oson.

A statisztikai programcsomagok előbb ismertetett empirikus szignifi-kanciaszintje megkímél attól, hogy az újabb szignifikanciaszinteknek meg-felelő kritikus értéket újra és újra kikeressük addig, amíg megtaláljuk azt alegkisebb hibavalószínűséget, amely mellett a nullhipotézis elutasítható.

6. A szakmai következtetés levonásaA statisztikai hipotézisvizsgálat után a statisztika területéről visszaju-

tunk arra a tudományterületre, amelyre a kutatási témánk vonatkozik.Megvizsgáljuk, hogy a kutatási hipotézisünk elfogadása vagy elutasításaalapján az adott kutatási témához kapcsolódóan milyen szakmai követ-keztetéseket fogalmazhatunk meg. Lehetséges, hogy a végeredményhezjutottunk és már csak az eredmények prezentálására kell figyelnünk, de azis lehet, hogy az eredmények újabb kutatási hipotéziseket vetnek fel.

Szakdolgozat-példa. Azt találtuk, hogy a csíkszeredai X bank lakos-sági ügyfélkörének az online bankinget igénybe vevők aránya az országosátlag alatt van. Az okok kereséséhez a következő további kérdésekre kellválaszt találnunk:

– Mekkora az X bank online bankingelő ügyfeleinek országos aránya?Ezzel a külső, nem a kutatásból származó információval azt a hipotézistellenőrizzük, hogy az X banknak általában, országosan is kevesebb inter-netes szolgáltatást igénybe vevő ügyfele van, mint a többi banknak.

– Ha igazolódott, hogy nem a bank online banking stratégiájával vana probléma, akkor a csíkszeredai ügyfélkör az országos átlag alatti keres-letére kell magyarázatot találnunk:

– a csíkszeredai internetkapcsolattal rendelkező háztartásokaránya kisebb, mint az országos átlag;

– a csíkszeredai X bankfiók ügyfélkörének más az – online ban-kinget is meghatározó – demográfiai összetétele, mint az orszá-gos átlag;

– hasonló internetpenetráció és a banki ügyfélkör hasonlódemográfiai összetétele mellett is előfordulhat, hogy az onlinebanking „még nem érkezett” meg, nem jutott el a fogyasztóktudatába.

Megjegyzendő, hogy a kutatási hipotéziseken túl a statisztikai hipo-tézisvizsgálat részleteit nem minden kutató szokta feltüntetni egy


2.4. A KUTATÁSI TERV ELKÉSZÍTÉSE 31

nagyobb kutatás eredményeit bemutató tanulmányában, de a kutatásmódszertani felkészültségéről bizonyságot tevő egyetemi vagy doktorihallgatóknak ez mindenképp ajánlott.

2.4. A kutatási terv elkészítése

A kutatási hipotézisek konkretizálása során olyan kérdések is felme-rülnek (Kikre vonatkozik a kutatás? A teljes alapsokaságot vizsgálomvagy csak egy mintát belőle? Milyen változókkal tudom számszerűsítenia kutatási hipotézist?), amelyek megválaszolása átvezet bennünket akutatási folyamat következő szakaszába: a kutatási terv elkészítéséhez. Akutatási terv a kutatási hipotézisek vizsgálatához szükséges adatokmegszerzésének és elemzésének a részleteit adja meg.

A kutatási terv legfontosabb részei:1. a kutatási módszer(ek) kiválasztása,2. mintavételi terv,3. kérdőívszerkesztés,4. adatelemzési terv.A kutatási terv alapján – nem utolsósorban – képesek leszünk a kuta-

tás idő- és költségigényét is meghatározni.





6. Adatelemzés





Kutatási módszerek

A kutatás részletes tervezési szakaszában az első feladatunk a kutatá-si módszer vagy akár módszerek kiválasztása. A következőkben a különfé-le kutatási módszereket, típusokat mutatjuk be a korábban ismertetett tipo-lógiának megfelelően. A kutatási témánk meghatározása, az előzetestájékozódás és kutatási célok megfogalmazása után érdemes mindenek-előtt definiálnunk, hogy milyen jellegű a kutatásunk vagy milyen jelleglesz a domináns.

1. Feltáró jellegű kutatás: a kutató az előzetes tájékozódás után is csakkevés információval rendelkezik az adott kutatási témáról, nem tud pontoskutatási hipotéziseket megfogalmazni. Az információszükségletet csaknagyvonalakban lehet meghatározni. A kiválasztott minta kicsi és nem meg-felelően reprezentálja a sokaságot, egyféle betekintést nyújt a sokaság ele-meibe. A feltáró kutatásokat rugalmasság és módszertani változatosság jel-lemzi, formális kutatási tervet nem alkalmaznak – szakértői megkérdezésszükséges.

2. Leíró jellegű kutatás: fő célkitűzése valamely gazdasági vagy társa-dalmi jellemzőknek vagy funkcióknak a leírása. Előre megfogalmazott spe-cifikus kutatási hipotézisek és a probléma pontos megfogalmazása jellem-zi, általában nagy reprezentatív mintákon alapul, előre tervezett és jólstrukturált kutatási tervvel meghatározza az információforrásokat és azadatgyűjtés módját.

3. Ok-okozati jellegű kutatás: ok és hatás (ok-okozat) kapcsolatárólvaló bizonyosság megszerzésére használják. Hasonlóan a leíró kutatá-sokhoz, az ok-okozati kutatásokat is előre tervezett módon és strukturál-tan kell felépíteni. Célja annak megértése, hogy mely változók az okozók(független) és melyek az okozatok (függő változók), illetve a függetlenváltozók közötti kapcsolat természetének meghatározása.

Mint említettük, a gyakorlati kutatások során ezek együttesen is meg-jelennek, ezért nem élesen elkülönülő kutatástípusokról, hanem kutatásijellegről beszélünk. Például összetett, jól felépített kutatásoknál gyakori,hogy a kutatási téma előzetes megismerésénél alkalmazott szekundervagy kvalitatív kutatásban egyértelműen a feltáró jelleg dominál, eztköveti egy kvantitatív kutatás, amelyben egyaránt megtaláljuk a leíró ésaz ok-okozati részeket. Ma már inkább minőségi szinteket jelölnek ezek,piackutatóktól nem fogadnak el olyan elemzést, amelyben leírják ugyana gazdasági jelenséget, de nem keresnek magyarázatot, ok-okozati össze-függést a leírt jelenségekre.


2.4. A KUTATÁSI TERV ELKÉSZÍTÉSE 33

A kutatási módszereket tehát a kutatási adatok származása, jellege ésaz időbelisége alapján csoportosítjuk. Az alábbi táblázatban e háromdimenzió mellett megjelenítettük azt is, hogy a különböző módszerekmennyire jellemzőek az üzleti, a tudományos és az államvizsga-dolgozatmegírása céljából végzett kutatások körében.

3. táblázat. Kutatástípusok osztályozása


A kutatási módszer kiválasztásának egyik fontos szempontja, hogy akutatási sokaságról mi gyűjtjük össze a kutatási adatokat (primer kutatás)vagy más felmérések, kutatások adataiból és eredményeiből új következ-tetéseket vonunk le (szekunder kutatás). Nézzük előbb a szekunder kuta-tások jellemzőit!

Kvalitatív Kvantitatív

Szekunderadat

–

1. szekunder-kvantitatív-keresztmetszeti

– üzleti: gyakori– tudományos: gyakori– államvizsga: gyakori2. szekunder -kvantitatív-

longitudinális:– üzleti: gyakori– tudományos: nagyon gyakori– államvizsga: gyakori

Primeradat

3. primer-kvalitatív-keresztmetszeti:

– üzleti: nagyon gyakori– tudományos: nagyon gyakori– államvizsga: gyakori

5. primer-kvantitatív-keresztmetszeti:

– üzleti: nagyon gyakori– tudományos: nagyon gyakori– államvizsga: gyakori

4. primer-kvalitatív-longitudinális:

– üzleti: ritka– tudományos: nagyon ritka– államvizsga: -

6. primer-kvantitatív-longitudinális

– üzleti: gyakori– tudományos: ritka– államvizsga: nagyon ritka



3. FEJEZET

KUTATÁSI MÓDSZEREK: SZEKUNDER KUTATÁS

A szekunder kutatás tehát olyan kutatás, amelynek adatait más,nem az adott kutatási probléma megoldása céljából gyűjtöttek(Malhotra 2001). Hangsúlyoznunk kell, hogy annak ellenére, hogy máskutatás során létrehozott adatokat használunk, a kutatásunk nem máskutatás reprodukálása, hanem új kutatási eredmények megfogalmazásátjelenti. Nem arról van szó, hogy a szekunder kutatás során nincs adat-gyűjtés – általában a teljes kutatási idő arányában több időt kell fordíta-nunk adatgyűjtésre, mint a primer kutatásnál –, hanem a tapasztalatimegfigyeléseket nem mi számszerűsítjük, nem mi mérjük. A piackuta-tásban a szekunder kutatást a terepmunka hiánya miatt „íróasztal-kuta-tásnak” (desk research-nek) nevezik.

A szekunder kutatás előnyei a primer kutatáshoz képest:– Idő-, munka- és pénzmegtakarítás. Valóban a primer kutatás sok

közvetlen és közvetett költsége nem jelenik meg egy szekunder kutatás-nál, de a munkaidő igénye a vártnál nagyobb lehet. Paradox módon a sze-kunder kutatás alapját képező adatforrások túláradó bősége növelheti akutatás időigényét. Például a lehető legegzaktabban megfogalmazottinternetes keresés ellenére is több ezer oldal „salak” közül kell kiemel-nünk az újracsiszolandó gyémántunkat. Ennek ellenére – ha rendelkezé-sünkre állnak a megfelelő adatok – akkor a szekunder kutatás jóval gyor-sabb és olcsóbb a primernél.

– Olyan adatokhoz való hozzáférés, amelyeket primer adatgyűjtés-sel nem tudnánk összegyűjteni. Legfontosabb indoka a szekunder kuta-tásoknak az, ha a kutatási témánk szempontjából meghatározó adatokolyan jellegűek, hogy a primer adatgyűjtés lehetetlen a kutatásunk térbe-li, időbeli és erőforráskorlátai miatt. Például a nemzetközi vagy akárországos összehasonlításhoz szükséges adatok vagy kutatásunk olyanmegfigyelési egységekre vonatkozik, amelyek mérésére nincs lehetősé-günk, ilyenek pl. a vállalati értékesítési, termelési adatok.

A szekunder kutatás hátrányai:– Régi adatok. Még az olyan kutatásnál is, ahol a kutatás alapvető célja

a kutató felkészültségének a bizonyítása (államvizsga-dolgozat), nem aján-


36 3. KUTATÁSI MÓDSZEREK: SZEKUNDER KUTATÁS

lott egy-két évesnél régebbi adatokat használni, inkább váltsunk kutatásitémát, vagy egy kisebb primer kutatással szerezzük be a szükséges adatokat.

– Pontatlan, tudománytalan források – az adatok hitelességére, pon-tosságára nincs garancia, ezért törekedjünk neves intézményektől, kuta-tócégektől megszerezni az adatokat.

– Az adatok szerkezete nem felel meg az adatigényünknek. A leg-gyakoribb és legbosszantóbb problémája a szekunder kutatásnak, ha akutatási céljainknak megfelelő friss adatokat találunk, de olyan szerke-zetben, hogy nem tudjuk az elvárásainknak megfelelően átstrukturálni.

Példa: a Hargita megyei vállalati szegmens egy komplex versenyké-pességi mutatóját szeretnénk létrehozni, de hipotézisünk szerint a ver-senyképességet befolyásoló alapadatok (a vállalati szegmensre, infrast-ruktúrára, demográfiára vonatkozó adatok stb.) nem találhatók megyeiszinten, csak a Központi Régióra vonatkozó bontásban.

A szekunder kutatást tehát egyaránt tekinthetjük kényszerűségnek aprimer adatgyűjtés kivitelezhetetlensége miatt, és lehetőségnek is, hatalálunk a kutatási témánk szempontjából releváns adatforrásokat, ésnem szükséges a költségesebb primer kutatást lefolytatnunk. A gyakorla-ti tapasztalat alapján legtöbbször az a helyzet áll elő, hogy a szekunderadatok nem teljes mértékben felelnek meg a kutatási céljainknak, ésekkor vagy a célok kompromisszumos újratervezésére van szükség, vagyprimer kutatásra törekszünk. Ezért a kutatás megtervezésének nagyonfontos eleme, hogy tisztában legyünk a kutatási célok eléréséhez szüksé-ges adatok jellegével és begyűjtési lehetőségével.

Adatgyűjtésünket is felgyorsítja, áttekinthetőbbé teszi, ha rendsze-rezzük a szekunder információforrásokat:

1. az adathordozó alapján,2. az adatok tartalmi jellege alapján, 3. az adatközlő alapján.

1. A szekunder kutatás információforrásait az adathordozók alapjáncsoportosíthatjuk:

– internet,– elektronikus média,– nyomtatott média.Nyilvánvalóan a három közül a legfontosabb az internet, ma már nem

nagyon van olyan fontos információ, amelynek ne lenne elektronikus ver-


3. KUTATÁSI MÓDSZEREK: SZEKUNDER KUTATÁS 37

ziója és azt ne tennék fel az internetre, de a nyomtatott sajtóban, könyvek-ben, statisztikai kiadványokban is találhatunk kutatásunk szempontjábóllényeges információkat. Az elektronikus médiára jellemző példa az üzletikutatások alapsokasági nyilvántartását jelentő cégadatbázisok. Ezek a CD-nelérhető adatbázisok általában egy multinacionális szakosított cég termé-kei, és meglehetősen nagy pontossággal tartalmazzák egy országban bejegy-zett valamennyi cég alapvető adatait. Ezeket az információkat leggyakrab-ban direkt marketingcélra használják, de a vállalati szegmensre vonatkozókutatások során a piackutató cégek, kutatók számára a mintavétel alapja.Hasonló adatbázisokat még a statisztikai hivatalok is szolgáltatnak.

De a szekunder adatok legkézenfekvőbb és legtöbb adatot tartalmazó„tárhelye” az internet. Adatgyűjtési szempontból fontos megkülönböz-tetnünk a fizetős és az ingyenes oldalakat.

Fizetős adatforrások. A szekunder kutatásunk sokkal gyorsabb lehetés a kutatási céljainknak pontosabban megfelelő adatokat találhatunk, haa különböző adatbázisok elérését lehetővé tevő internetes oldalak (portá-lok) szolgáltatásait vesszük igénybe.

Példa. A magyar állam lehetőséget biztosít többek közt a Sapientiaegyetem tanárainak és diákjainak az Elektronikus Információszolgáltatás(EISZ) program internetes portálán keresztül a világ fontosnak tartotttudományos folyóiratainak teljes vagy részleges anyagához való hozzáfé-léshez valamennyi tudományterületen. Mivel a hallgatók kutatásaihoz,államvizsga-dolgozatához ez az információforrás nélkülözhetetlen, ezértaz alábbiakban részletesen ismertetjük. Az elérhető információforrásokkörébe az alábbi adatbázisok tartoznak (forrás: www.eisz.hu, 2009-01-12):

Web of Science – az ISI (Institute for Scientific Information) bibliog-ráfiai adatbázisa. Interdiszciplináris adatbázis, amelynek heti frissesség-gel közreadott anyaga a tudomány egész területére kiterjed. Tudományosszempontok szerint rendszerez, valamint sokoldalú keresést biztosít,körülbelül 8700, nagy hatású folyóiratot szemléz.

ScienceDirect – az Elsevier tudományos kiadó fulltext- és adatbázis-szolgáltatása. Fő profilja a természettudományos, műszaki és orvosifolyóiratok nyomtatott és elektronikus formában való terjesztése. Teljesszövegű hozzáférést biztosít a saját kiadású papíralapú folyóiratok elekt-ronikus változatához, illetve más kiadók e-folyóirataihoz.

Az Akadémiai Kiadó Folyóirattára az Akadémiai Kiadó gondozásá-ban megjelenő kiadványok több mint 40 tudományágban biztosítanak


5 Ez az opció buktatja le a teljes házi dolgozatukat az internetről letöltő diákokatvagy más internetről plagizálókat.


lehetőséget tudósaink számára legfrissebb eredményeik publikálására, anukleáris kémiától a mikrobiológián át a nyelvtudományig. AzAkadémiai Kiadó közel ötven tudományos folyóiratából 33-nak a MagyarTudományos Akadémia az alapítója, főszerkesztői magyar akadémiku-sok, szerkesztőbizottsági tagjai többségükben magyarok.

Akadémiai Elektronikus Könyvtár. A szolgáltatás az AkadémiaiKiadó Angol–magyar, Magyar–angol, Német–magyar, Magyar–német,Francia–magyar és Magyar–francia nagyszótárát, a Magyar értelmező kézi-szótárat, az Idegen szavak és kifejezések szótárát, a Környezetvédelmilexikont, valamint az Új magyar irodalmi lexikont tartalmazza.

Ingyenes adatforrások. Az internetet nem véletlenül nevezhetjük azemberiség legdemokratikusabb „intézményének”, ma is nagyrészt érvé-nyes az induláskor megfogalmazott alapelv, hogy bárki tartalmat (adato-kat) tölthessen fel vagy le. Az ingyenesen elérhető adatforrásokat legin-kább a bőség zavarával jellemezhetjük, nagyon időigényes megtalálni akeresett adatot és könnyen meglehet, hogy nem találjuk meg. A keresésifolyamat gyorsításának és egyszerűsítésének lehetőségét kínálja a minélpontosabban fogalmazott internetes keresés. Ehhez keresőmotorok áll-nak rendelkezésünkre akár az internetes böngészőnkbe beépülve. A kere-sőmotorok használatakor ajánlott a részletes keresés-beállítási(Advanced Search) lehetőségeket maximálisan kihasználni. Gyakranigénybe vett opciók: pontos kifejezés keresése (egy mondatrész egészétkeresi, nem csak a szavakat külön-külön)5, fájltípus, dátum, nyelv, szár-mazási hely, a keresett kifejezés megjelenési helye a honlapon.

Példa: tételezzük fel, hogy a könyv második felében ismertetett SPSSadatelemzési program gyakorlásához szeretnénk adatokat gyűjteni. AzSPSS adatfájlok megtalálásához a Google keresőjét úgy állítjuk be, hogy„.sav” kiterjesztésű fájlokat keressen, azaz beírjuk a filetype:sav kifeje-zést. Az eredmény 4956 találat, de az olvasó ennél már valószínűleg töb-bet talál. Szűkítsük tovább ezt az áttekinthetetlen adathalmazt úgy, hogybiztosak legyünk abban, hogy az adatfájl gazdasági, üzleti információkatis tartalmaz. A fájltípus beállítása mellett írjuk be a keresőbe az árbevé-tel kifejezést angolul (turnover), így a keresés 10 találatot eredményez,ami már kényelmesen áttekinthető.


3.1. SZEKUNDER KERESZTMETSZETI KUTATÁS 39

2. Az adatok tartalmi jellegük alapján nagyon sokfélék lehetnek, akutatásunk tervezett témája határozza meg, hogy makrogazdasági, keres-kedelmi, demográfiai, vállalati szintű, háztartási, egyéni fogyasztói stb.adatokra van szükségünk.

3. Az adatközlők alapján a következő felosztást tehetjük:– Nemzetközi intézmények publikus adatai. Az ENSZ, EU szerveze-

teinek (IMF, IBRD, Eurostat stb.) nagyon sok kiadványa, statisztikai adataelérhető az interneten

– Belföldi országos hatáskörű intézmények publikus adatai (statisz-tikai hivatal, nemzeti bank, államigazgatási intézmények, kutatóintéze-tek stb.), egyéb belföldi intézmények: egyetemek, főiskolák, szakkönyv-tárak és más nonprofit intézmények publikus adatai.

– Professzionális adatközlőknek nevezzük az adatgyűjtést, elemzéstés közlést üzleti alapon végző cégeket. Legfontosabbak a szaklapok ésazok tematikus mellékletei, mivel valamennyi eredményük nyilvános, sőtalapvető érdekük, hogy minél könnyebb legyen a hozzáférés. Ezenkívülaz adatgyűjtést és kutatást üzleti alapon végző piac-, marketing- és közvé-lemény-kutató cégek, reklámügynökségek, pénzügyi intézetek és egyéb,az üzleti szolgáltatások területén tevékenykedő cégek is marketingcélbólnyilvánossá tesznek értékes adatokat, részeredményeket.

– Vállalati publikus adatok. Törvényi kötelezettsége valamennyibejegyzett cégnek nyilvánossá tenni a mérlegét, ez megtekinthető példá-ul a pénzügyminisztérium honlapján (www.mfinante.ro).

– Vállalati belső adatok. Ha kutatásunk egy cég megbízásából törté-nik, akkor természetesen rendelkezésünkre állhatnak a szükséges, denem nyilvános belső adatok. Külső kutató számára ezek már csak a vál-lalatvezetéssel kötött egyezség alapján válnak elérhetővé.

3.1. Szekunder keresztmetszeti kutatás

A szekunder adatforrások áttekintése után nézzük az adatelemzésimódját. A kutatástípusok osztályozásánál (3. táblázat) láthattuk, hogy aszekunder kutatások körében csak a kvantitatív módszereket tüntettükfel. Viszonylag szűk körű speciális kutatások során használnak kvalitatívmódszereket is (pl. dokumentumelemzés), de ezek bemutatása nem tar-tozik könyvünk tematikájába.



Az adatgyűjtés részfolyamatának lezárása után már nincs lényegeskülönbség a szekunder-kvantitatív és a primer-kvantitatív kutatások közöttaz adatelemzés tekintetében, de a kutatás időbelisége alapján megkülön-böztetett keresztmetszeti és a longitudinális kutatások már jelentősen meg-határozzák az elemzés módját. A kvantitatív keresztmetszeti kutatásokadatelemzési módszereiről a későbbiekben lesz szó, most a longitudinális,az időtényezőt figyelembe vevő kutatási módszer sajátosságait vizsgáljuk.

3.2. Szekunder longitudinális kutatás – idősorelemzés

Az idősorelemzés a longitudinális kutatások egy típusa, amely amegfigyelni kívánt társadalmi-gazdasági jelenségek változását, fejlődé-sét az idő függvényében mutatja be. Általában szekunder információfor-rásból származó adatokkal végezünk idősorelemzést, ez az oka annak,hogy üzleti kutatások szakirodalma során ritkán foglalkozik idősorelem-zéssel, de szekunder kutatásokban legyen az üzleti, tudományos vagy.államvizsga-dolgozat készítése céljából végzett kutatás.

Az idősorok jellemzői (Ertsey in Szűcs 2004):– Az idősorok lehetőleg minél hosszabbak legyenek, minél hosszabb

időintervallumot fogjanak át.– Az adatfelvételek időpontja közötti időintervallumok hossza

legyen azonos (pl. nem lehetnek az adatsorunk egy részében heti, más-hol havi adataink).

– Az adatok tartalma azonos kell legyen mindegyik időpontban, nemváltozhatnak az osztályozási rendszerek vagy a mértékegységek.

– Az adatoknak azonos megfigyelési típusból kell származniuk, nemkeverhetők össze az alapsokasági adatfelvételek a különböző mintavétel-ből származó adatokkal vagy becslésekkel.

Az idősorelemzés modelljei két egymástól lényegesen különbözőmodellből, illetve ezek kombinációiból állnak (Hunyadi et al. 1996):

– a determinisztikus idősorelemzés feltételezi, hogy az idősorokelőre determinált hosszú távú pályát követnek. Az elemzés fő célja, hogyezt a pályát meghatározza, elemeire bontsa és ezek segítségével hosszabbtávon is előre jelezze. A véletlen hatását az idősorokra szükséges rossz-nak tekinti és igyekszik kiszűrni.

– a sztochasztikus idősorelemzés felfogása szerint a véletlen szervesalkotórésze az idősornak, ezért a valószínűségek vizsgálata a modellezésalapja.


3.2. SZEKUNDER LONGITUDINÁLIS KUTATÁS – IDŐSORELEMZÉS 41

A sztochasztikus idősorelemzés modelljeinek ismerete túlmutatjegyzetünk tartalmán, a következőkben a determinisztikus modellt rész-letezzük.

Az idősorelemzés alapvető célja, hogy az idősort felbontsuk négyösszetevőjére, komponensére. Ezt az eljárást nevezzük dekompozíciónak:

1. Trend – az idősorban tartósan, hosszú távon érvényesülő tenden-cia a fejlődés irányát és mértékét meghatározó legfontosabb komponens.

2. Szezonalitás – szabályos, rövid távú, rendszeresen ismétlődőingadozás.

3. Ciklikus komponens – szabálytalan hosszabb távú ingadozás.4. Véletlen ingadozás – a zavaró hatásokat leíró véletlen változó,

az előbbi három determinisztikus komponens által nem megmagyará-zott érték.

Az idősor additív (összegző) modellje a következő

alakban írható fel, ahol a trend, S a szezonalitás, C a ciklikus kom-ponens, a véletlen ingadozás. Az additív modellen kívül létezik mul-tiplikatív modell is, amelyben a komponensek összeszorzódnak.

Példa. Nézzünk egy rövid példát a dekompozíció jelentőségére. Acsíkszeredai sörgyár számára elengedhetetlen a napi értékesítési adatokéves szintű idősorának felbontása e négy komponensre. Könnyen belát-ható, hogy ezek az értékvesztés nélkül sokáig nem tárolható termék érté-kesítési előrejelzései alapvető fontosságúak a termelésirányítás, illetve acég több funkcionális területe számára. Empirikus tapasztalataink alap-ján feltételezhetjük, hogy a sörfogyasztásban jelentős szezonalitás van,nyáron sokkal többet fogyasztva. Kérdés, hogy a szezonhatást lebontva,több év átlagában milyen trend érvényesül, növekszik-e vagy csökken azértékesítés. Érdemes-e termelésbővítésbe beruháznunk, vagy csak a nyáriszezonnak tulajdonítható, hogy nem tudjuk kielégíteni a keresletet és afogyasztó a konkurens termékekre fanyalodik? És ha kivételesen nemcsak egy napra esik a csíki nyár, akkor a nyári szezonhatáson túl továbbikeresletnövekedést okozhat a harmadik komponens valamilyen turista-csalogató eseménye (somlyói búcsú, városnapok). Mindezek figyelembevétele mellett is a véletlen meglephet egy kiadós jégesővel, ami téli szint-re csökkentheti az aznapi sörfogyasztást.



1. Trendszámítás

Az idősorelemzés alapvető célja tehát meghatározni az idősor egé-szén uralkodó trendet. Erre alapvetően két modell áll rendelkezésünkre,mindkettőt érdemes megismernünk, mert a dekompozíció során mind-kettőre szükségünk lesz.

1.1. Mozgó átlagolásAz idősor adataiból láncszerűen továbbhaladó átlagolással egy újabb

idősort képezünk, melynek értékei jelentik a trend értékeit. A mozgó átla-golású trendszámítás lényege, hogy az idősor t-edik eleméhez úgy ren-delünk trendértéket, hogy átlagoljuk az idősor t-edik elemének bizonyoskörnyezetében lévő elemeket (Hunyadi et al. 1996). Legegyszerűbb eset-ben a t-edik elemet megelőző és követő értékeket vesszük figyelembe:

ahol a trend, pedig az idősor t-edik eleme.A mozgó átlagolás folyamata: – Meghatározzuk a mozgó átlag tagszámát. Az előbbi esetben 3 tagú

mozgó átlag (m=3) képletét írtuk fel. A tagszám lehet páros vagy páratlan is.– Kiszámoljuk a trend értékeit, 3 tag esetén a következő módon:

Megállapíthatjuk, hogy az idősor első és utolsó értékére nem tudunktrendértéket számolni, mivel nincs azt megelőző, illetve követő érték. Atrend adatsora példánkban két értékkel rövidebb, mint az eredeti idősor,és a különbség változhat a tagszám értékétől függően.

A mozgóátlagolás lényege, hogy kisimítja az idősor szezonális ésciklikus hullámzásait. Minél nagyobb tagszámot választunk, azaz minélnagyobb időintervallumot helyettesítünk egyetlen értékkel, az átlagával,annál simább, kiegyenlítettebb lesz az idősorunk. Ennek azonban áravan, a tagszám növelése csökkenti a trend intervallumát.

Ha az idősor grafikus képe alapján feltételezésünk lehet a szezonali-tás hullámhosszára (pl. heti, havi, negyedéves stb.), akkor a tagszámottegyük egyenlővé ezzel az értékkel. Ebben az esetben jól kisimítjuk a sze-zonhatást, ellenkező esetben vagy nem simít eléggé a trendünk, vagy csak

,

.


3.2. SZEKUNDER LONGITUDINÁLIS KUTATÁS – IDŐSORELEMZÉS 43

„eltoljuk” a szezonális hullámokat. Megfelelően kisimított szezonhatásés elég hosszú távú ciklikus komponens esetén a mozgó átlagolású adat-sorunk nemcsak a trendet, hanem a ciklikus komponenst is tartalmazza

1.2 Analitikus trendszámításAz idősor trendjét valamilyen jól illeszkedő függvénytípussal fejez-

zük ki. Az idősor tényleges értékeire a legkisebb négyzetek módszerévelillesztjük a függvényt úgy, hogy az idősor értékei és a függvényértékekközötti távolság a lehető legkisebb legyen. Leggyakrabban alkalmazottfüggvénytípusok: lineáris, exponenciális, hiperbolikus, polinomiális,logisztikus. A függvényillesztésről további részleteket a jegyzet SPSSprogram használatáról szóló részében találunk.

2. A szezonális ingadozás mérése

A szezonális ingadozás azt mutatja, hogy az idényhatás következté-ben az idősor értékei átlagosan milyen mértékben térnek el a trendtől.Az idősor additív alapmodellje

és az alapján, hogy a mozgó átlagolású trendünk nemcsak a trendet,hanem a ciklikus komponenst is tartalmazza , ha kivonjukaz idősorból a mozgóátlagolású trend értékeit, akkor a szezonális és avéletlen ingadozás összegét kapjuk:

A véletlen hatását úgy zárjuk ki (csökkentjük), hogy átlagoljuk a sze-zonális ingadozásokat. Ha előzetesen az idősor grafikus képe alapján fel-ismertük, hogy mekkora a szezonális ingadozás hullámhossza,6 akkorezen az időintervallumon átlagoljuk a szezonális ingadozás értékeit.

ahol j a szezonális ingadozások száma adott időintervallumon belül.Feltételezésünk, hogy a szabályos, szezonális ingadozások kiegyenlítikegymást, tehát az összegük, illetve az átlaguk nulla kell legyen. Ezért eze-

6 Ezt használtuk a mozgó átlagolás tagszámának a meghatározására is.

,

,

.



ket az értékeket nyers szezonális ingadozásnak nevezzük, és ha nemfelelnek meg az említett feltételnek, akkor szükség van a korrigált szezo-nális ingadozás kiszámolására:

ahol m a szezonális ingadozások száma.

3. A ciklikus komponens meghatározása

A hosszú távú, szabálytalan ciklikus komponenst már könnyen meg-határozhatjuk az

összefüggésből, ahol az a mozgóátlagolású és az az analitikusanmeghatározott trend, a ciklikus komponens pedig a kettő különbsége.

,


4. FEJEZET

KUTATÁSI MÓDSZEREK: PRIMER KUTATÁS

A kutatási adatok jellege szerint két nagy csoportra bontjuk a primerkutatásokat: kvalitatív és a kvantitatív kutatásokra. A módszertana alap-ján ez a két kutatástípus jól elkülöníthető, a gyakorlati kutatások nagytöbbsége jól besorolható az egyik vagy másik típusba.

4.1. Kvalitatív kutatás

A kvalitatív kutatás feltáró jellegű, a probléma megértését szolgálókutatási módszer. Lényeges különbség a kvantitatív kutatással szemben,hogy a kutatási adatokat kis mintából gyűjtjük és a minta nem reprezenta-tív, vagyis az eredményeket nem általánosíthatjuk a teljes alapsokaságra.Kvalitatív kutatást olyankor célszerű alkalmazni, amikor a kutatási témánkolyan kérdéseket tartalmaz, amelyekre az emberek közvetlenül valószínű-leg nem tudnak, vagy nem akarnak válaszolni. Ilyenek lehetnek példáulaz emberek egészségi állapotára, higiéniájára, különböző attitűdjeire, véle-ményére (pl. fajgyűlölet), vagyoni helyzetére, luxuscikkek vásárlására, már-kahűségük okaira stb. vonatkozó kérdések. Az emberek értékeire, motivá-cióira, érzelmi mozgatórugóira vagyunk kíváncsiak, és ezek feltárásáranem vagy csak részben alkalmasak a kvantitatív kutatás direkt kérdései.

A kvalitatív kutatás jellemzői: – kis, nem reprezentatív minta, de kis alapsokaság esetén lehet teljes

körű is;– módszertani rugalmasság és változatosság;– az adatok elemzése nem statisztikai módszerekkel történik, az

eredmények gyakran szubjektív értelmezésen alapulnak;– mélyebb, nem nyilvánvaló ok-okozati összefüggések feltárására is

alkalmas;– nehezen definiálható kutatási célok esetén megalapozhat egy kvan-

titatív kutatást;– bizalmas vagy bonyolultabb témák vizsgálatára is alkalmas.


46 4. KUTATÁSI MÓDSZEREK: PRIMER KUTATÁS

4. táblázat. A kvalitatív és a kvantitatív kutatás összehasonlítása

Forrás: Malhotra 2001.

A lényeges különbségek ellenére vagy épp emiatt a két kutatástípus-ra nem egymást helyettesítő, hanem kiegészítő módszerekként kell tekin-tenünk. Egy komplex kutatási téma esetében, ha a kutatási idő- és költ-ségkeret megengedi, akkor ideális esetben a kvalitatív kutatásmegalapozza a kvantitatívot, pontosítja, hogy a kutatási témán belülmilyen konkrét hipotéziseket fogalmazzunk meg és teszteljünk statiszti-kai módszerekkel. Azonban – mint már említettük – a kutatási témánklehet olyan vagy tartalmazhat olyan részeket, ami főképp vagy kizárólagkvalitatív módszereket igényel. Ennek eldöntése a kutatás megtervezésé-nek alapját jelenti, mivel ez a döntés meghatározza a kutatás egészénektovábbi folyamatát. Az előző fejezetben ismertetett kutatási folyamatalapvető szakaszai megegyeznek mindkét kutatástípusnál, de lényegeskülönbségek vannak a kutatás tervezése során a mintavétel- és a kér-dőívkészítésnél, továbbá az adatgyűjtés és az adatelemzés során.

A kvalitatív kutatás általunk vizsgált típusai az egyéni mélyinterjú ésa fókuszcsoport.7

4.1.1. Egyéni mélyinterjú

Közvetlen, személyes interjú, amelyben egy képzett kérdező azinterjúalany motivációit, nézeteit, attitűdjeit vizsgálja. Az interjú soránnem a kvantitatív kutatások során használt strukturált kérdőívet alkal-mazzuk, hanem egy olyan interjú-vezérfonalat, ami tartalmazza az elő-

Kvalitatív KvantitatívCélkitűzés A mögöttes okok és motivá-

ciók minőségi megértéseAz adatok számszerűsítéseés az eredmények általáno-sítása a mintáról az alapso-kaságra

Minta Kisszámú, nem reprezentatív Nagyszámú, reprezentatívAdatgyűjtés Nem strukturált StrukturáltAdatelemzés Nem statisztikai Statisztikai

7 Ezeken kívül több, speciális kvalitatív módszer létezik (lásd Malhotra 2001),amelyeket itt nem részletezünk. Ilyen például a projektív technikák csoportja, amelyekelfedik a kutatás valódi célját és a válaszadót nem arra kérik, hogy saját magatartásátírja le, hanem hogy mások magatartását értelmezze.


4.1. KVALITATÍV KUTATÁS 47

zetesen kigondolt kutatási kérdéseket, de lehetőséget nyújt új gondola-tok, összefüggések feltárására. Az egyéni mélyinterjút gyakran használ-juk az előzetes tájékozódás során a kutatási téma alaposabb feltárására,de jelentheti a kutatás fő módszerét is. Főképp kis költségvetéssel ren-delkező kutatók vagy egyetemi hallgatók körében népszerű, de nem aköltségvetési korlátok, hanem mindenekelőtt a kutatási témának kellmegindokolnia az alkalmazását.

Az interjú alanyai két fő csoportból származhatnak: a kutatási témaszakértőiből és/vagy a megfigyelni kívánt alapsokaságból. A kétféle inter-júalany értelemszerűen kétféle megközelítést, kétféle strukturálatlan kér-dőívet igényel ugyanannál a témánál is.

A mélyinterjú jellemzői: – felkészültséget, a kutatási téma nagyfokú ismeretét igényli,– az interjú hossza általában fél–egy óra, – személyesebb vagy bonyolultabb témák is megbeszélhetők,– nincs a kvantitatív kutatásokhoz hasonló strukturált kérdőív, hanem

csak egy vázlat, ami kizárólag nyílt kérdéseket tartalmaz, vagyis a kérdezőnem határozza meg előzetesen a kérdésre adható válaszlehetőségeket,

– a kérdőív vázlat ellenére a kérdések megfogalmazását és sorrendjéta válaszadó feleletei befolyásolják.

4.1.2. Fókuszcsoport

A fókuszcsoport strukturálatlan és közvetlen interjú, amelyben egyjól felkészült kérdező (moderátor) beszélget a kutatási célsokaság egycsoportjával. Módszertanában nagymértékben hasonlít az egyénimélyinterjúhoz, de kihasználja a csoportos interjú adta többletlehetősé-geket. Fontos különbség, hogy a csoportos beszélgetés dinamikájánakköszönhetően olyan váratlan eredmények merülhetnek fel, amire akutatók nem is számítottak.

A csoportinterjú a kutató által ellenőrzött és az interjúalanyok általkellemesnek mondható környezetben zajlik. Videófelvétel készül azinterjú során, ami segíti a moderátort az interjú után a kutatási eredmé-nyek megfogalmazásában, lehetővé teszi, hogy az elhangzottakon túlfigyelembe vegye az interjúalanyok hangulatát, érzelmeit, metakommu-nikációs jelzéseit is. Piackutató cégeknél a fókuszcsoport-terem legtöbb-ször olyan tükörfallal rendelkezik, ami lehetővé teszi, hogy más kutatók



(pl. a moderátor segítsége) vagy a kutatást megrendelő cég képviselőjekívülről figyelje a történéseket, sőt be is avatkozhatnak elektronikus üze-neteket küldve a moderátor számítógépére.

Piackutatók körében annyira elterjedt ez a kutatási technika, hogysokan a kvalitatív kutatás szinonimájaként használják (Malhotra 2001). Akutatócégek, illetve a moderátorok specializálódnak egy-egy kutatásiterületre (pl. fiatalok, háziasszonyok, vállalati közép- és felsővezetőkkörében végzett fókuszcsoportok, vagy téma szerinti specializáció: táv-közlési technológiák és szolgáltatások, egészségügy stb.).

Az előzőkben említett infrastrukturális igények miatt a tudományoscélú kutatások egyéni kutatói vagy a kutatói felkészültséget bizonyítóhallgatók kevésbé tudják igénybe venni ezt a technikát, de egy szeré-nyebb körülmények között lefolytatott csoportinterjú is jó eredmények-kel kecsegtethet. A fizikai feltételek megteremtése mellett komoly feladata 8–12 interjúalany meggyőzése és közös időpont egyeztetése.

A fókuszcsoport alkalmazásaA kutatási téma előzetes megismerésénél említettük, hogy a fókusz-

csoport alkalmazható a kutatási téma alaposabb kidolgozásához, szem-pontokat nyújthat a kvantitatív kérdőívek szerkesztéséhez, a kvantitatívkutatási hipotézisek megfogalmazásához és korábbi kvantitatív kutatásokeredményeinek értelmezéséhez.

A kutatási célkitűzéseket fókuszcsoport alkalmazásával kívánjukelérni. A piac- és marketingkutatások során a következő célokra használ-ják rendszeresen a fókuszcsoportot:

– valamilyen termékkel kapcsolatos fogyasztói percepciók, preferen-ciák és magatartás megértése;

– reklám kreatív koncepcióinak és reklámszövegeknek a kialakítása;– termékinnovációk tesztelése; ma már a termékinnovációs folyamat

része a koncepció vagy a kész prototípus tesztelése a célpiacról szárma-zó fókuszcsoportban;

– adott marketingmixszel kapcsolatos fogyasztói reakciók előzetesmegismerése.

Szakdolgozat-példa. Esettanulmányunkat folytatva az államvizsgárakészülő hallgatónk alkalmazhatja a fókuszcsoport-technikát. A helyi bank-fiókok szakembereivel és/vagy külső szakértőkkel folytatott csoportinterjúna következő alapvető kérdésekről beszélhetnek: hogyan látják a lakossági


4.1. KVALITATÍV KUTATÁS 49

bankszektor fejlődését, az online banking várható keresletét, melyek a leg-népszerűbb szolgáltatások és ezek igénybe vehetők-e interneten keresztül.

Emellett egy másik fókuszcsoportra is szükség lenne, sőt talán azelőbbinél is fontosabb információkat szolgáltathat a keresleti oldal vizs-gálata. A potenciális fogyasztók köréből származó csoportban azt az alap-vető kérdéskört kellene vizsgálni, hogyan vélekednek a potenciális fo-gyasztók a közgazdászok és programozók által létrehozott ezen új szol-gáltatásról.

A fókuszcsoport jellemzői: – a fókuszcsoport moderátora az adott témából jól felkészült szak-

ember, de azonkívül jó megfigyelő, kapcsolatteremtő és kommunikációsképességekkel rendelkezik;

– az előzetesen szelektált 8–12 fős csoportok demográfiai, társadal-mi-gazdasági jellemzők alapján homogének kell legyenek;

– a csoportinterjú 1–3 óra időtartamú;– videofelvétel segíti az interjú utáni feldolgozást.

Az eddigiek alapján is egyértelmű, hogy a fókuszcsoportos kutatásfolyamata sok részletében különbözik a kvantitatív kutatásétól(Malhotra 2001 nyomán):

1. A fókuszcsoport által megválaszolandó kérdések meghatározása– az eddig definiált kutatási célok és a kutatási technika (fókuszcsoport)ismeretéből le kell vezetnünk és meg kell fogalmaznunk egy részletes lis-tában, hogy milyen kérdésekre keressük a választ.

2. Az interjúalanyokat kiválasztó szűrő kérdőív megírása és tobor-zása – a résztvevők során alkalmazott szűrő kérdőívvel biztosítjuk a cso-port demográfiai szempontból homogén jellegét.

3. A moderátor interjú-vezérfonalának összeállítása – ez a moderá-tor és a kutató(k) közötti szoros együttműködésen kell alapuljon. Amoderátornak alaposan ismernie kell az adott témát, és hogy melyik kér-déssel milyen kutatási célt ér el.

4. A fókuszcsoport lebonyolítása – az interjú elején a moderátorbemutatkozik és bemutatja a résztvevőket, ismerteti a csoportvita szabá-lyait, meghatározza a célokat, megpróbál vitát generálni, összefoglalja aválaszokat, ha a csoporttagok egyetértésre jutottak.

5. A felvételek visszajátszása, az adatok elemzése – a csoportinterjúután a moderátor és általában még egy kutató az emlékeik és a videófel-



vétel alapján leírják a kutatási eredményeket. A megfogalmazott vélemé-nyek mellett figyelemmel vannak a vélemény erősségét kifejező verbálisés metakommunikációs jelzésekre (arckifejezések, gesztusok), felismerikaz új, a moderátori vezérfonalban nem érintett, de releváns gondolatokat,meghatározzák a csoportot legjobban összetartó és megosztó kérdéseket.Mindezek alapján próbálják megrajzolni azt az összképet, ami a csoportvéleményét a kutatási kérdésekkel kapcsolatban legjobban kifejezi.

6. A tanulmány megírása – ennek során a kis minta miatt nem szám-szerűsítjük az adatokat, nem használunk gyakorisági eloszlást vagy átla-gokat. Például ha a tízes csoportból hatan valamilyen kérdésben egyetér-tettek, akkor nem a csoport 60%-áról beszélünk, hanem tipikusan olyanmegfogalmazást használunk, hogy „a válaszadók több mint fele” vagy „arésztvevők szűk többsége”.

A fókuszcsoport hátrányai: – A kisminta alapján nem vonhatunk le általános következtetéseket

az alapsokaságra nézve. – A csoportos környezet bátorítóan, de fékezően is hathat a véle-

ményalkotásban.– Fennáll a veszélye annak, hogy a csoport tagjai hasonulnak egy

domináns résztvevő véleményével.– Kevés a jól képzett moderátor.– Az adatok rendezetlensége. A csoportbeszélgetés során elhangzott

vélemények nem strukturáltak, elemzésük és értelmezésük nehéz feladat.– Nagy szerepet kap az elemző szubjektivitása, a kutatási adatokat

könnyebben félre lehet értelmezni, mint a kvantitatív kutatások során.

4.2. Kvantitatív kutatás

Kvantitatívnak nevezzük az olyan kutatást, amelyben a számszerű-sített adatok elemzése és az eredményeknek az alapsokaságra valóáltalánosítása során statisztikai módszereket használunk. A megfigyel-ni kívánt alapsokaságról előre megszerkesztett, strukturált kérdőív alkal-mazásával gyűjtünk adatokat, amelyet – a kvalitatív kutatástól eltérően –a kutatási folyamat közben nem szabad módosítanunk.

A valóság, a tapasztalati tények számszerűsítése és elemzése sok-féleképp történhet, mivel a megfigyelni kívánt valóság is nagyon vál-


4.2. KVANTITATÍV KUTATÁS 51

tozatos. Ezért a formalizált kvantitatív kutatások többféleképp osztá-lyozhatók:

1. a kérdőíves megkérdezés módja alapján,2. a kutatás időbelisége alapján.

1. A kvantitatív kutatási módszerek osztályozása a kérdőíves meg-kérdezés módja alapján gyakorlati szempontból nagyon lényeges:

1.1. Személyes kérdezés:8 A személyes kérdezést nevezhetjük aklasszikus értelemben vett interjúnak, amelynek során a kérdezőbiztosszemélyesen találkozik az interjúalannyal. A személyes kérdezés a hely-szín alapján lehet otthoni, irodai, utcai vagy – újabban – bevásárlóköz-ponti kérdezés. Irodai vagy munkahelyi interjúkat olyan kutatások soránfolytatunk, amikor a célsokaság az intézményi vagy a vállalati szegmens-ből kerül ki. Az utcai kérdezés egyre inkább kezd visszaszorulni a bevá-sárlóközponti javára, ahol sokkal megfelelőbb körülmények adottak. Ez atípusú kutatás nyújt lehetőséget a leghosszabb és a legbonyolultabb vagyszemélyesebb témájú megkérdezésre.

1.2. Telefonos kérdezés során az interjúalanyt otthonában, üzletikutatások esetén munkahelyén, vagy mobiltelefonon hívja a kérdezőbiz-tos. A telefonos kérdezések rövidebbek, mint a személyesek, a kérdezéshossza általában nem lehet hosszabb mint 15 perc, és a kutatás témája iscsak kevésbé bonyolult vagy személyes lehet.

1.3. Internetes kérdezés alatt a webes felületen, honlapon elhelye-zett és kitöltött kérdőívet értjük. Az internetes kérdezések teret nyertekaz utóbbi években az internethasználat terjedésének és az interneteskutatás gyorsaságának és olcsóságának köszönhetően. Egyre gyakoribbaka specializált kutatócégek, amelyek internetes paneleket próbálnak kié-píteni, azaz a potenciális válaszadók olyan csoportját, akik hajlandóakidőközönként – egy felkérő e-mail hatására – a kutatócég honlapján kitöl-teni a kérdőívet. A paneltagok toborzása és megtartása ajándékok, jutal-mak kisorsolásával biztosítható.

1.4. Postai úton történő kérdezés során az interjúalany az önkitöltőkérdőívet postán vagy e-mailen keresztül kapja, és kitöltése után küldivissza a feladóhoz. A szakirodalom érthető módon az e-mailben elkül-dött kérdőívet az internetes kérdezések közé sorolja, azonban sokkalnagyobb különbség van a webes és az e-mailes kérdezés között kérde-

8 A kutatási szaknyelvben gyakran használják az angol megnvezését is: face to

face – F2F.



zéstechnikai és egyéb kutatási szempontból, mint aközött, hogy hagyo-mányos módon vagy elektronikusan küldjük a levelet.

A postai úton történő kérdezéseket egyszerűségek és olcsóságuk elle-nére ritkán használják kutatócégek, mivel nagyon kicsi a válaszadási haj-landóság, az elküldött kérdőíveknek csak töredéke érkezik vissza, amilehetetlenné teszi a kutatás időbeni lefolytatását. Ilyen típusú adatgyűj-tést a statisztikai hivatalok használnak, akik nagyobb arányban, de szin-tén csak részlegesen kapják vissza az elküldött kérdőíveket, annak elle-nére, hogy a felmérésbe bevont cégeknek, intézményeknek törvény általelőírt adatbeszámolási kötelezettségük van. Üzleti kutatások körébenújságok, lapok alkalmazzák ezt a módszert, rövid, max. egyoldalas kér-dőívet csatolva a laphoz. A kutatás sikerességét, a válaszadási hajlandó-ságot az olvasótábor lojalitása mellett jutalmak kisorsolása befolyásolják.

A módszerek közötti választást az alábbi táblázatban feltüntetettszempontok alapján dönthetjük el. Ritka alkalmazásuk miatt kihagytuk apostai úton keresztüli kérdezést és a hagyományos telefonos kérdezést,ezek használata egyéni kutatók nagyon szűk anyagi keretekkel rendelke-ző kutatásai során fordulhatnak elő. A személyes kutatási formák közülkülön jellemezzük az otthoni és a bevásárlóközponti, illetve a számító-géppel segített (CAPI) kérdezést.

5. táblázat. A primer-kvantitatív kutatási módszerek összehasonlítása.

TelefonosCATI

Otthoniszemélyes

Bevásárló-központi

CAPI Internet

Az adatgyűjtésrugalmassága

közepes magas magas magas közepes

A kérdések válto-zatossága

alacsony magas magas magas közepes,magas

Fizikai ingerekalkalmazása

alacsony közepes magas magas közepes

A minta elérhető-sége

közepes magas közepes közepes alacsonyközepes

A kérdezés kör-nyezetének ellen-őrzése

közepes közepes,magas

magas magas alacsony

A terepkutatókellenőrzése

közepes alacsony közepes közepes magas



Forrás: Malhotra 2001.

A szempontok közül vizsgáljuk meg a kevésbé egyértelműeket. Azadatgyűjtés rugalmasságát a kérdezőbiztos és az interjúalany együttmű-ködési lehetősége határozza meg. Személyes kutatásoknál összetett,bonyolultabb kérdőíveket is le lehet kérdezni, mivel a kérdezőbiztosmegmagyarázhatja a nehezebb kérdéseket. Fizikai ingerek alkalmazásaalatt termékek, reklámfilmek, promóciós anyagok bemutatását vagy fizi-kai ingerek (pl. ízteszt) alkalmazását értjük. A válaszadási arány fontosmutatója az adatgyűjtés, a terepmunka hatékonyságának, a sikeres inter-júk arányát mutatja százalékban kifejezve a megkezdett interjúk számá-hoz képest. Legmagasabb arányt a bevásárlóközponti személyes megkér-dezéseknél érnek el, általában 100 megszólított potenciális interjú-alanyból több mint 80-nal sikerül befejezni az interjút. A kérdezőbiztositorzítás lehetősége sajnos többféle is lehet: nem az előírásoknak megfele-lően választja ki az interjúalanyt, nem megfelelően teszi fel a kérdéseket(a későbbiekben látni fogjuk, milyen a jó kérdezés) vagy hibásan rögzíti aválaszokat. Mindezeket a potenciális hibaforrásokat kiküszöbölik a CAPIés az internetes kutatások leprogramozott kérdőívei. Végül, de nem utol-sósorban a piackutatók számára talán két legfontosabb szempont a gyor-saság és a költségek, tudományos célú kutatások során kevésbé fontosak.

TelefonosCATI

Otthoniszemélyes

Bevásárló-központi

CAPI Internet

Az adatok, kérdé-sek mennyisége

alacsony magas közepes közepes közepes

Válaszadásiarány

közepes magas magas magas alacsony

Kényes kérdéseklehetősége

magas alacsony alacsony alacsony magas

A kérdezőbiztositorzítás lehetősége

közepes magas magas alacsonyközepes

nincs

Gyorsaság magas közepes közepes,magas

közepes,magas

nagyonmagas

Költségek közepes magas közepes,magas

közepes,magas

alacsony



2. A kutatás időbelisége alapján is több típusú primer, kvantitatívkutatást különböztetünk meg:

Keresztmetszeti kutatás: ezen belül megkülönböztetjük az egyszeri ésa többszöri keresztmetszeti kutatást.

Longitudinális kutatás: ugyanazon a rögzített mintán ismételtenvégeznek méréseket.

2.1. Keresztmetszeti kutatás: az adatgyűjtés az alapsokaság elemeibőlegyszeri alkalommal vett valamely mintán alapul. Az egyszeri kereszt-metszeti kutatásban az alapsokaságból csakis egyetlen mintát vesznek, ésaz információgyűjtés ebből az egyetlen mintából és csak egyszeri alka-lommal történik. A többszöri keresztmetszeti kutatás során két vagy többmintát különböző időpontban vesznek az alapsokaságból. Az üzleti kuta-tások túlnyomó többsége egyszeri, keresztmetszeti kutatás. A kutatásalapvető célja nyilvánvalóan meghatározza a módszert, például kutatók,egyetemi vagy doktori hallgatók által végzett, a módszertani felkészültsé-get igazoló primer kutatások szinte kizárólag egyszeri keresztmetszetikutatások. Cégek vagy állami intézmények által végzett/megrendelt kuta-tások között azonban gyakoriak a célpiac fogyasztói magatartására, társa-dalmi-gazdasági tényezők változására irányuló többszöri keresztmetszetikutatások. Marketingkutatók az ugyanarra az alapsokaságra vonatkozó, demindig más mintát vizsgáló, rendszeres időközönként (akár hetente) vég-zett többszöri kutatásokat trackingnek nevezik.

2.2. Longitudinális kutatás: ugyanazon a rögzített mintán ismételtenvégeznek méréseket. A primer longitudinális kutatás abban különbözik akeresztmetszeti kutatástól, hogy a minta nem változik az idő folyamán,ugyanazok a résztvevők alkotják. Az ilyen mintát panelnek nevezzük.Előnye a keresztmetszetivel szemben, hogy felfedi a változásokat, mertugyanazokat az ismérveket ugyanazon a mintán ismételten méri.9

Hátránya, hogy nagyon nehéz fenntartani a minta változatlanságát, kikü-szöbölni a résztvevők különböző okok miatti lemorzsolódását.

Példa: szinte az egész társadalmat naponta befolyásoló kereskedelmitelevíziók üzleti modellje a nézettségre vonatkozó audiométernek neve-zett longitudinális kutatásokon alapul. A reklámidő beárazásához minda TV-társaság, mind a reklámidőt vásárló cég marketingeseinek ismerni-

9 A mintavételre vonatkozó részben ismertetett reprezentatív mintavétellel ez ahátrány jórészt kiküszöbölhető.



ük kell, hogy adott időben hányan és milyen demográfiai ismérvekkel jel-lemezhető személyek nézik a tévét. A kutatás e célja alapján inkább több-szöri keresztmetszeti kutatásról beszélhetnénk, mivel a hangsúly nem aváltozáson van, hanem meghatározott időintervallumokban végzett fel-mérésekre van szükségünk. Azonban az adatgyűjtés technikája változat-lan háztartási panelt indokol. A mérés ugyanis a háztartással kötött meg-állapodás alapján, egy a tévékészülékre szerelt műszer segítségéveltörténik, ami rögzíti, hogy a család melyik tagja melyik csatornát mennyiidőn keresztül nézi. A családtagok azonosítása egy speciális távirányítósegítségével történik, amelyen minden családtagnak külön gombja van.



5. FEJEZET

MINTAVÉTEL

A kutatási módszer kiválasztása után mutatjuk be a minta kiválasz-tásának folyamatát, de a gyakorlatban a kutatás tervezésénél sokszor pár-huzamosan kell gondolkodnunk ezekről, a mintavételi lehetőségeinkbefolyásolhatják a kutatási módszer kiválasztását. Az empirikus kutatá-sok elsődleges, már a témaválasztásnál megválaszolandó döntési kérdé-se, hogy kit vizsgáljon, kire/kikre legyenek érvényesek a kutatási ered-mények. Mindenekelőtt eldöntendő, hogy a teljes célsokaságot(populációt) vizsgáljuk, vagy annak csak egy részét, azaz mintát veszünkaz alapsokaságból. Definiáljuk a mintavételhez kapcsolódó legfontosabbfogalmakat:

Célsokaság/alapsokaság: azon személyek, szervezetek stb. összessé-ge, akikre vonatkoztatni akarjuk a kutatás eredményeit, akikre vonatko-zóan állításokat akarunk megfogalmazni.

Minta: az alapsokaság egy reprezentatív csoportja. Reprezentativitás:a kutatás szempontjából fontos minőségi/mennyiségi jellemzők (kulcsvál-tozók) mintabeli megoszlása megegyezik az alapsokaságéval.

Teljes körű kutatás során a kutatás mindenkire, a teljes célsokaság-ra, illetve minden szituációra kiterjed. Ezzel szemben a mintavétel apopuláció egy meghatározott részsokaságának bevonása a kutatásba.Célja, hogy a mintabeli információk alapján a teljes alapsokaságrategyünk megállapításokat, vonjunk le következtetéseket.

A mintavétel folyamata: 1. a célsokaság meghatározása,2. a mintavételi keret meghatározása,3. a mintavételi technika kiválasztása,4. a mintanagyság meghatározása,5. a mintavétel kivitelezése.

1. A célsokaság meghatározásaA célsokaságot a kutatási téma önmagában nagymértékben meghatá-

rozza, de nem mindig magától értetődő, hogy kire vonatkozzék a kutatás.


58 5. MINTAVÉTEL

A téma komplexitása mellett a rendelkezésünkre álló kutatási erőforrá-sok, lehetőségek is befolyásolhatják a kérdést, megtörténhet, hogy nemaz eredeti kutatási témánk szerinti célsokaságot választjuk. Ekkor kelleldöntenünk azt is, hogy kisebb célsokaság esetén teljes körű felméréstvégzünk-e vagy mintát veszünk a célsokaságból. Teljes körű felmérés ese-tén nem kell számolnunk a mintavételi véletlen hibával, de így sokkalköltségesebb lesz a kutatás.10

2. A mintavételi keret meghatározásaA mintavételi keret a célsokaság elemeinek megjelenítése, egy lista

vagy a sokaság beazonosítását szolgáló irányadás, például egy város ház-tartásainak jegyzéke, mobil- vagy vezetékes telefonkönyv, cégadatbázisokstb. Ha nem rendelkezünk a célsokaságra vonatkozó listával, akkor avéletlenszerű kiválasztást próbáljuk biztosítani valamilyen irányadással.Például egy háztartásban azzal a felnőttel készítenek interjút, akinek aszületésnapja a legközelebb esik az aznapi dátumhoz, vagy a háztartásokvéletlenszerű kiválasztására gyakran használt egy magyar származásúamerikai statisztikus, Leslie Kish algoritmusa.

Ha a mintavételi keretből a sokaság néhány eleme kimarad, ez hibá-hoz, a mintavételi keretből eredő hibához vezet. Ilyen esetben a minta-vételi keretnek megfelelően újra kell definiálnunk a célsokaságot.

Például egy hallgatónk a csíkszeredai internetezők célsokaságáravonatkoztatná az államvizsga-dolgozatához szükséges primer kutatását.Sikerült meggyőznie a vezetékes internetkapcsolatot szolgáltató helyicégeket, hogy a véletlenszerűen kiválasztott ügyfeleiknek elküldhesse e-mailen a kérdőívét, de a mobil internetkapcsolattal rendelkezők esetébenerre esélye nincs. Ezért kénytelen módosítani a kutatás alapsokaságát.

3. A mintavételi technika kiválasztásaTöbbféle mintavételi technika létezik, két nagy csoportba sorolva:I. Valószínűségi mintavétel – az alapsokaságból véletlenszerűen

választjuk ki a mintát. Feltétele, hogy az alapsokaságról legyen nyilván-tartásunk, és az alapsokaság sorrendjében ne legyen semmi szisztemati-kusság.

II. Nem valószínűségi mintavétel – az alapsokaságból nem véletlen-szerűen választjuk ki a mintát.

10 Ezért a nemzeti statisztikai hivatalok általában csak tízévenként végeznek nép-számlálást, úgynevezett cenzust. A közbeeső években különböző becslésekkel kor-rigálják az adatokat.


5. MINTAVÉTEL 59

I. Valószínűségi mintavételi módok:– Egyszerű véletlen mintavétel során az alapsokaság minden egyede

egyforma valószínűséggel kerülhet a mintába. Feltételei, hogy a populá-ció a kutatási szempontból fontos jellemzők szerint bizonyos mértékbenhomogén11 legyen, és az alapsokaságról legyen olyan nyilvántartásunk,amiből véletlenszerűen kiválaszthatjuk a minta elemeit.

Pl. a Sapientia hallgatóit tartalmazó adatbázisból véletlenszerűen –például véletlenszám-generátor alkalmazásával – veszünk egy 100-asmintát.

– Szisztematikus mintavétel: az ismert alapsokaság valamennyieleme kap egy sorszámot, majd egy véletlenszerűen kiválasztott kezdő-pontból kiindulva minden k-adik elemet betesszük a mintába. A „k”-tmintavételi intervallumnak nevezzük, és úgy határozzuk meg, hogy apopuláció elemszámát elosztjuk a tervezett mintaelemszámmal.

Pl. a Sapientia hallgatóit tartalmazó 928 elemű adatbázisából vala-melyik véletlenszerűen kiválasztott hallgatótól kiindulva minden 9-edikhallgatót kiválasztva veszünk egy 100-as mintát.

– Rétegzett mintavétel: heterogén alapsokaság esetén az alapsokasá-got valamelyik ismérv alapján homogén részsokaságokra bontjuk, majdezeken belül egyszerű véletlen vagy szisztematikus mintát veszünk. Arétegképző ismérvet a kutatási téma szempontjából fontos ismérvekközül kell kiválasztani, ilyen lehet például a nem, végzettség, életkor,ágazat stb. A rétegek mintabeli aránya meg kell egyezzen az alapsokasá-gi aránnyal.

Pl. kutatási cél a Hargita megyei cégek HR menedzsmentjellemzői-nek a leírása. Mintavétel: a cégek alkalmazottainak száma alapján leg-alább három réteget (kis-, közép- és nagyvállalatok) képezzünk.

– Csoportos mintavétel: ha nincs vagy nehezen kivitelezhető azalapsokasági nyilvántartásunk, de vannak listáink az alapsokaságba tar-tozó különböző csoportokról. Először el kell készíteni az alapsokaságicsoportok listáját, majd a csoportokból mintát venni.

II. Nem valószínűségi mintavételi módok:– Önkényes: a válaszadókat önkényesen, a lehető legegyszerűbben

választjuk ki. Nem reprezentatív, és ezért csak a feltáró jellegű kutatá-soknál ajánlott használni.

11 Előzetesen nem definiálható, hogy mennyi az a „bizonyos mértékű” homogeni-tás. Tökéletes homogenitás vagyis azonosság esetén nincs mit vizsgálnunk, de nagyfokúheterogenitás, eltérések esetén nem alkalmas az egyszerű véletlen mintavételi technika.


60 5. MINTAVÉTEL

– Szakértői: a válaszadókat valamilyen szakértői szempontoknakmegfelelően választják ki, és szintén nem biztosítja a minta reprezentati-vitását. Főképp kvalitatív kutatások, fókuszcsoportok mintavételénélalkalmazhatók.

– Kvótás mintavétel. Alkalmazásának feltétele, hogy ha nem is ren-delkezünk alapsokasági nyilvántartással, akkor ismerjük a kutatás céljaszempontjából fontos alapsokasági jellemzők együttes megoszlását.

Például kutatási célunk az ország valamennyi háztartásának tartósfogyasztási cikkek iránti keresletének vizsgálata. Az előzetes tájékozódásnyomán a téma szempontjából fontos kérdésnek tartjuk, hogy a háztartás azország melyik régiójában és milyen típusú településén található (főváros, 50ezer fő feletti nagyváros, kisváros, falu). A kvótás mintavételhez tehát tud-nunk kell e két ismérv együttes eloszlását, például azt, hogy a teljes alap-sokaság hány százaléka él a központi régió kisvárosaiban.

Első lépésben tehát meghatározzuk a két fontosnak tartott ismérvegyüttes megoszlását az alapsokaságon belül, majd ezt az arányt a min-tanagyság ismeretében leképezzük a mintára.

Példánkat folytatva tételezzük fel, hogy a népszámlálási adatok alap-ján az összes háztartás 3,2%-a található a központi régió kisvárosaiban,és ha a tervezett mintaméret 1000 háztartás, akkor a mintánkban ponto-san 32 ilyen háztartás körében végezzük el a kutatást. Az alapsokaságnakegy ilyen homogén csoportját nevezzük kvótának. A kvótából már egy-szerű véletlen mintavétellel választjuk ki a mintaelemeket.

– Hólabda mintavételt olyankor használhatunk, ha nagyon kevésinformációval rendelkezünk az alapsokaságról. Egy vagy néhány interjú-alannyal kezdjük az interjúkat, majd ők ajánlanak további interjúalanyo-kat, és ezáltal hólabdaszerűen gördül tovább a mintavétel.

Például ha a csíkszeredai könyvvizsgálók körében akarunk kutatástvégezni, akkor a hólabda mintavétel nagy valószínűséggel alkalmazható.

4. A mintanagyság meghatározásaA mintavételi folyamat negyedik szakasza a minta nagyságának meg-

határozása. Ennek pontos meghatározása nemcsak módszertani szem-pontból, az eredmények érvényessége szempontjából fontos, hanemjelentős kihatással van a kutatás költség- és időigényére is.

A gyakorlatban nagyon különböző mintanagyságokkal találkozha-tunk: különböző kísérleteknél, orvosi kutatásoknál a minta nem tudja


5. MINTAVÉTEL 61

meghaladni a 20–30-as elemszámot, míg a felső határ általában 1100–1200. A szakmai felkészültség igazolása céljából lefolytatott, az állam-vizsga-dolgozathoz kapcsolódó kutatások esetében a 100-as minta aján-lott, de problémásabb célsokaság, kutatási körülmények miatt mégelfogadható a minimum 60–70 elemből álló minta is. Ez alatti mintae-lemszám már olyan virtuális kapcsolatokat eredményezhet az ismérvek(változók) között, amelyek ténylegesen nem léteznek, ezért félrevezethe-ti az elemzést, tönkreteheti az egész kutatást.

A részletek ismerete nélkül is gyanítjuk, hogy a nagyobb, a célsoka-ságot minél jobban lefedő minta jobb, pontosabb becsléseket eredmé-nyez. Mi határozza meg mégis a minta nagyságát? Elméleti felső korláttermészetesen a célsokaság nagysága, a gyakorlatban pedig a legmegha-tározóbb tényező a kutatás költségvetése és időigénye. Az említett 1100–1200-as mintanagyság azért felső határ, mert efölé már nem érdemesnövelni az elemszámot, a költségek növekedése csak kis mértékű pon-tosságnövekményt eredményez.

A szakirodalom sokféle többé-kevésbé bonyolult megközelítését tár-gyalja a mintanagyság meghatározásának, mi az alapsokasági statisztikák(pl. valamely változó átlaga vagy aránya) becslési pontosságából indu-lunk ki.12 A mintavétel nagyságának egyfajta optimalizálása, ha azt aminimális méretű mintát keressük, amelyik még szakmailag elfogadhatópontosságú becsléseket eredményez. Ez a megközelítés – akárcsak atöbbi – tartalmaz egy fontos feltételezést: a különböző ismérvek alapso-kasági és mintabeli eloszlása megközelítően normális eloszlású vagy leg-alábbis egymóduszú kell legyen. A legtöbb ismérvnek szerencsére ilyeneloszlása van, ha pedig ezt ellenőrizni akarjuk, akkor a könyv másodikfelében bemutatott SPSS program segítségével ezt megtehetjük.

Ha tehát nem az egész alapsokaságot vizsgáljuk, hanem mintátveszünk, akkor a mintavételnek egyenes következménye a mintavételivéletlen hiba. A mintavételi véletlen hiba, nevével ellentétben, nemolyan értelemben hiba, amelyet egy felkészültebb kutató kiküszöbölhet akutatás folyamán, hanem egzakt módon meghatározható értéket jelent,amit egy alapsokasági érték becslésekor figyelembe kell vennünk. A min-tavételi véletlen hiba legfőbb eleme a standard hiba, ami abból adódik,hogy nem az egész alapsokaságot vizsgáljuk, hanem egy reprezentatív

12 Gyakorló kutatók vagy módszertant tanuló hallgatók számára nem sok értelmevan a szakirodalomban gyakori „feltételezzük, hogy ismert a σ alapsokasági szórás”kezdetű megközelítésnek.


62 5. MINTAVÉTEL

mintabeli érték alapján következtetünk az alapsokaságra. Egy alapsoka-sági ismérv egy statisztikájának (pl. arány) értékét a mintából becsüljük,és a becslés pontosságát fejezi ki a standard hiba. Egy arány standardhibáját a következő képlettel számoljuk ki:

ahol p – egy mintabeli változó aránya, n – mintaelemszám.Alaposan megfigyelve a fenti képletet megállapíthatjuk, hogy nem

számol az alapsokaság nagyságával (N). A standard hiba, végső soron amintavételi hiba nagysága független lenne az alapsokaság nagyságától?!Itt szükséges megkülönböztetnünk a „véges” és a „végtelen” alapsokasá-got. A „véges” alapsokaság a mintamérethez viszonyítva viszonylag kisalapsokaságot jelent, míg az ellentéte nem végtelent, hanem viszonylagnagyot, például egy ország lakosainak vagy háztartásainak számát.Pontosítható ez az arány: ha a tervezett mintanagyság nem haladja megaz alapsokaság 10%-át (n/N ≤ 0,1), akkor a standard hibát a fenti kép-lettel számoljuk, ami nem veszi figyelembe az alapsokasági méretet.Mivel a mintaméret ritkán haladja meg az 1200–1500-as elemszámot,ezért a több mint 12–15 ezer megfigyelési egységből álló – a kutatási témaszempontjából homogén – alapsokaságot már végtelennek tekintjük.

Ellenben a minta tervezett nagysága meghaladja az alapsokaság 10%-át, akkor a következő szorzóval kell korrigálnunk a standard hibát:

A mintavételi hiba ismeretéhez a standard hiba alapján kiszámoljukegy becslés pontossági szintjét. A pontossági szint meghatározza, hogyaz alapsokasági érték milyen intervallumba esik.

Például a Sapientia csíkszeredai hallgatói körében kívánjuk vizsgál-ni a hallgatók internetezési szokásait. A kutatás során kiválasztottunkegy 300 fős mintát, ami reprezentatív a 980 fős alapsokaságra. Azt azeredményt kapjuk, hogy a hallgatók 31,5%-a naponta internetezik, és azehhez az arányhoz tartozó korrigált standard hiba a fenti képlet alapján2,2. Kutatási eredményünk úgy fogalmazható meg, hogy 95%-os bizton-sággal állítható, hogy az összes csíkszeredai hallgató 27,5% és 36,5%közötti aránya naponta internetezik.

,

.


5. MINTAVÉTEL 63

Ezt az intervallumot nevezzük konfidencia-intervallumnak, és úgyszámoljuk ki, hogy a mintabeli statisztikához (átlaghoz, arányhoz) hoz-záadjuk, illetve kivonjuk a standard hiba és egy adott megbízhatóságiszinthez tartozó érték szorzatát.

ahol – egy változó mintabeli aránya, – a konfidencia-intervallum alsóés felső határa, – egy választott megbízhatósági szinthez tartozó érték,az – pedig továbbra is a p arányhoz tartozó standard hiba. Láthatjuk,hogy a pontossági szint két változó szorzata ( ), tehát nagyságátmind a megbízhatósági szint, mind a standard hiba mértéke befolyásolja.

A kutatón múlik, hogy milyen megbízhatósági szintet választ (pl.90%, 95%, 99% stb.). A képlet alapján beláthatjuk, hogy ha adott konfi-dencia-intervallumot nagyobb megbízhatósági szinten akarunk meghatá-rozni, akkor csökkentenünk kell a standard hibát, következésképpnagyobb mintára van szükségünk. A legáltalánosabban elfogadott a 95%-os biztonsági szint, aminek a értéke 1,96. Ajánlott tehát elfogadni ezta biztonsági szintet és innentől kezdve konstansnak (1,96) tekinteni ezta értéket, ezáltal leegyszerűsítve a mintavételi hiba operacionalizálásá-nak kissé bonyolult folyamatát. A konfidencia-intervallum alsó és felsőhatárát tehát a következő egyszerű képlettel számoljuk:13

Érdemes ezt a képletet egy Excel fájlban rögzítenünk, így könnyedénmeghatározhatjuk a számunkra elfogadható hibahatárt eredményezőmintanagyságot. A fenti képletből természetesen kifejezhetjük közvetle-nül is a mintanagyságot (n), de amíg a mintanagyság meghatározásáracsak egyszer van szükségünk a kutatás során, a fenti képletet sokszorhasználjuk a részletes kutatási eredmények bemutatásánál.

Itt szükséges pontosítanunk egy korábbi kijelentésünket: nem a min-tának van egy egységes hibája, hanem eltérő pontossági szintjei vannaka különböző mintabeli statisztikák becsléseinek. Ezért ha a kutatás rövidbemutatására van szükség, akkor a minta lehetséges maximális hibájá-ról beszélünk.14 A normális eloszlásnak köszönhetően akkor maximális

13 Véges alapsokaság esetén a korrigált standard hibát használjuk (2. képlet).14 Ilyen megjegyzéseket gyakran hallhatunk, olvashatunk a kutatási eredményeket

bemutató médiákban.

,


64 5. MINTAVÉTEL

a standard hiba (és ez alapján a mintavételi véletlen hiba), ha a mintabelistatisztika (arány) értéke 50%. Például ha az ország lakosságára vonatko-zó közvélemény-kutatás során az 1100 elemből álló minta egyik eredmé-nye szerint a megkérdezettek 50%-a támogatja az államelnököt valami-lyen politikai kérdésben, akkor a pontossági szint ± 3%, ha pedig egymásik eredmény 30%, akkor a pontossági szint ±2,7%. Megállapítottuk,hogy „végtelen” alapsokaság esetén, ha egy alapsokasági arányt a mintá-ból kívánjuk becsülni, akkor a becslés pontosságát a minta nagysága ésaz arány értéke határozza meg. A következő ábrán a pontossági szintmértékét e két változó rögzített értékei mellett tüntettük fel:

Forrás: saját számítás.1. ábra. A becslési pontosság a mintanagyság függvényében

A grafikon értelmezését egy példával mutatjuk be: ha egy 500-as eleműmintában egy változó értéke 30%, akkor a becslés pontossága ±4,0%,vagyis az alapsokasági érték 26% és 34% közötti konfidencia-interval-lumban vehet fel értéket, de a legvalószínűbb a 30%. Láthatjuk, hogyadott mintanagyság mellett az 50%-os értéknek van a legnagyobb hibája,ezalatt és efölött pedig szimmetrikusan csökken nulláig. Megállapít-hatjuk, hogy a mintaelemszám növekedésével nem lineárisan csökken amax. hibanagyság és azt is, hogy az 500-as mintaelemszám alatt olyan


5. MINTAVÉTEL 65

mértékű lehet a hiba, hogy használhatatlanná tehetik az egész kutatást.„Véges” alapsokaságnál a becslés pontosságát az alapsokaság mérete isbefolyásolja. A becslés pontosságát befolyásoló három tényező (az alap-sokaság, a minta nagysága és a becsült statisztika értéke) közül az alábbiábrán – könnyen belátható okokból – csak az előbbi két dimenziót ábrá-zoltuk, illetve az 50%-os arányhoz tartozó maximális hibanagyságot.

Forrás: saját számítás2. ábra. A becslési pontosság a mintanagyság és az alapsokaság

függvényében

Az ábrát a következőképp értelmezzük: 500-as alapsokaság (pl. egyfalu háztartásainak a száma) és 100-as minta esetén az 50%-os arányhoztartozó max. hiba ±8,8%. Tehát ha például a 100-as mintában 50 háztar-tásnak van vezetékes telefonkapcsolata, akkor a teljes alapsokaságravonatkozóan megállapíthatjuk, hogy a falu háztartásainak 50%-a(41,2%–58,8%) rendelkezik ilyen kapcsolattal. Ekkora standard hiba ésaz ebből számolt konfidencia-intervallum láttán arra gondolhatunk, hogyhasunkra ütve sem sokkal kevésbé pontos becslésre lennénk képesek. Ezegy gyakran megfogalmazott vélemény olyanok részéről, akik előszörszembesülnek a viszonylag kis mintákból számolt becslések pontosságá-val. A két–háromszáz vagy annál kevesebb elemből álló minták olyan


66 5. MINTAVÉTEL

mértékű mintavételi hibát tartogatnak számunkra, ami első ránézésrejelentősen csökkenti a kutatási eredmények értékét. Ha nem vagyunktudatában, nem számszerűsítjük pontosan a mintavételi hibát, akkorkönnyen előfordulhat, hogy az alapsokasági becsléseink vagy egymás-nak, vagy külső, nem a kutatásból származó információknak15 ellent-mondanak. Ezért a mintanagyság meghatározása olyan kérdés, ami befo-lyásolja a kutatási módszer megválasztását és a kutatási eredményekértelmezését. Nagy mintavételi hiba esetén a kutatás feltáró jellegétpróbáljuk kihasználni, összefüggéseket, okokat keresni, és kevésbé aleíró kutatások alapsokasági becsléseire tegyük a hangsúlyt. A megol-dás nem az, hogy elutasítjuk vagy megkérdőjelezzük a primer kutatásokeredményeit, hanem pontosan számszerűsítve a mintavételi hibát értel-mezzük az eredményeket.

15 Az ugyanarra a tartalomra vonatkozó összehasonlításra alkalmas információtbenchmark-nak nevezzük.


6. FEJEZET

KÉRDŐÍVSZERKESZTÉS

A kvantitatív kutatás kérdőívének szerkesztését még az adatgyűjtéselkezdése előtt véglegesítjük, és ezt a kutatás során nem szabad módosí-tanunk. Ha kifelejtjük valamelyik kutatási hipotézisünk teszteléséhezszükséges kérdés(eke)t, vagy nem megfelelő mérési skálákat használ-tunk, akkor a kérdőívszerkesztés befejezése után már nincs alkalmunkmódosítani, az adott részeredményekről le kell mondanunk, szerencsét-len esetben hiábavaló lesz az egész kutatásunk. Ezért a kérdőívszerkesz-tés a kutatási folyamat kiemelt fontosságú része. A következőkben csak akvantitatív kutatás kérdőívéről lesz szó, nem értjük ide a mélyinterjústrukturálatlan kérdőívét és a fókuszcsoport moderátori vezérfonalát.

A kérdőív jellemzői:– A kérdőív strukturált, tehát a kutató által meghatározott szerkezet-

ben vizsgálja az interjúalany véleményét.– A kérdések logikusan követik egymást, tartalom szerint téma-

csoportokba sorolva, és ezek a témacsoportok is logikusan tagolják akérdőívet.

– Bemutatkozó szöveggel kezdődik, amelyben a kérdezőbiztosbemutatkozik, majd közli az interjúalannyal az interjú célját és várhatóidőtartamát.

– A kérdéseknek a lehető legegyszerűbbnek, közérthetőnek kell len-niük, szakkifejezéseket, homályosságot lehetőleg el kell kerülni. A kér-dőívet szerkesztő kutató nem tévesztheti szem elől, hogy nem a témárólalkotott szakvéleményét kell közölnie az interjúalannyal, hanem az inter-júalany véleményét mérni, rögzíteni.

– Az interjúalany válaszait véglegesnek kell tekinteni, hibák vagyhiányosságok esetén csak nagyon ritkán adódik az interjú kiegészítésérelehetőség.

– A kérdőívnek a lehető legrövidebbnek kell lennie, nem tartalmaz-hat ismétléseket, redundanciát.

– Egységes valamennyi interjúalany számára, nem módosíthatjuk azadatgyűjtés során.


68 6. KÉRDŐÍVSZERKESZTÉS

– A kérdőív változhat a válaszok alapján. Bizonyos szűrőkérdésekreadott válaszok kizárhatják a valamilyen feltételnek nem megfelelő vála-szadókat egészen vagy részlegesen az interjúból. A kiszűrt interjúalanyo-kat a megfelelő kérdőívrészre irányító utasítást nevezzük ugrásnak.

– A kérdezés során nincs lehetőségünk arra, hogy a válaszoló felele-teit megfigyelési adatokkal kiegészítsük, ilyen adatigény esetén a kvan-titatív kutatásunkat ki kell egészíteni szekunder adatgyűjtéssel.

A kérdőívszerkesztést jelentősen befolyásolja a kérdőív típusa.Alapvető különbség van a típusok között a kérdőív kitöltőjének szemé-lyét illetően:

– Segített kérdőív, az interjúkészítő (kérdezőbiztos) által kitöltöttkérdőív – az interjút egy kérdezőbiztos vezeti, ő olvassa a kérdéseket, ésszükség szerint segít az értelmezésükben, illetve rögzíti a válaszokat.

– Önkitöltő kérdőív – csak képletesen beszélhetünk „interjúról”,mert az interjúalany egymaga olvassa, értelmezi és jó esetben megvála-szolja a kérdéseket.

A segített kérdőíveken belül a kvantitatív kutatások kérdezési módszerinti osztályozása meghatározza a kérdőívet is:

1. Személyes kérdezés kérdőíve. Mivel a személyes kérdezés soránmaximális módon adva van a közvetlen párbeszéd, a kérdezés során fel-merülő problémák megoldásának lehetősége, ezért a személyes kérdőív atöbbi típusnál hosszabb lehet, és bonyolultabb, személyesebb témákattartalmazhat. Az interjú helyszíne (otthoni, utcai, bevásárlóközponti) iskisebb-nagyobb mértékben meghatározhatja a kérdőív jellemzőit.

A kérdőívszerkesztést a helyszínnél jobban befolyásolja, hogy a kér-dőív nyomtatott formában van-e vagy számítógéppel támogatott kérde-zés (CAPI) során egy kisebb laptopon le van programozva. Fontoskülönbség, hogy a kérdőív a számítógépen nem dokumentumként,hanem egy speciális szoftver segítségével programozva található.

2. Telefonos kérdezés során az interjúalanyt otthonában, üzleti kuta-tásoknál munkahelyén vagy mobiltelefonon hívja a kérdezőbiztos.

3. Internetes kérdezés alatt weblapon elhelyezett kérdőív kitöltését ért-jük. Azért soroljuk a segített kérdezések közé, mivel a programozás lehető-vé teszi, hogy hibás válasz esetén figyelmeztessük az interjúalanyt, illetvea kérdések közötti logikai kapcsolatokat, ugrásokat automatikusan követi.

A programozott kérdőív előnyei: – A kérdezés témáját, a kérdést szükség esetén értelmezhetőbbé

tehetjük egy kis film bemutatásával vagy más multimédiás megoldással.


6. KÉRDŐÍVSZERKESZTÉS 69

A hagyományos, nyomtatott kérdőívet használó személyes kutatásoknálhasonló funkciót tölt be a kérdőív mellékleteként szereplő kártyafüzet,amelyben képeket lehet mutatni az interjúalanynak.

– A válaszlehetőségek közötti választást befolyásolhatja azok sorrend-je. Például ha az interjúalanyt arra kérjük, hogy egy kérdésnél tíz válasz-lehetőség közül választhatja ki a három legfontosabbat. Főképp szubjektív(pl. attitűd) kérdéseknél lényeges a válaszlehetőségek sorrendje.

– Bonyolultabb logikai ugrásokat, szűrőfeltételeket fogalmazhatunkmeg, nem kell attól tartanunk, hogy a kérdezőbiztos nem tudja pontosankövetni az utasításokat.

– Nem kérdőív-szerkesztési szempont, de nagymértékben meghatá-rozza az adatminőséget, a terepmunka gyorsaságát és költségét, hogy aprogramozott kérdőív során közvetlenül adatbázisba kerülnek az adatok,tehát nincs szükség adatrögzítésre.

Az önkitöltő kérdőíveken belül az adathordozó alapján megkülönböz-tethetjük a postai úton eljuttatott nyomtatott, és az elektronikus postán, e-mailen keresztül eljuttatott elektronikus kérdőíveket. Kérdőívszerkesztésszempontjából nincs nagy jelentősége a megkülönböztetésnek (a terepmun-ka szervezése szempontjából viszont igen), mindkét típus ugyanazokkal azelőnyökkel, de főképp korlátokkal rendelkezik. A kérdezőbiztos segítsége ésaz általa nyújtott motiváció nélkül kitöltendő kérdőívek csak rövidek lehet-nek és viszonylag egyszerű, egyértelmű témákat érinthetnek.

A kérdőív szerkesztésének lépései:1. Meg kell határozni a szükséges információk körét – a kutatási

céloknak megfelelő kérdések meghatározása és felsorolása. Ezt követőena kérdéseket logikailag, tartalmilag összetartozó csoportokba, blokkokbarendezzük.

2. Meg kell határozni a kérdezés módját és a kérdőív típusát ideá-lis esetben a pénz, idő vagy egyéb erőforráskorlátok nem determinálják akérdezés módját, hanem a témának leginkább megfelelő kérdezési módotválaszthatjuk.

3. Kérdések tematizálása, a témacsoportok sorrendjének kialakítása.4. Kérdések formába öntése: szövegezés, skálák, táblázatok, kártya-

füzet.5. Formai és tartalmi ellenőrzés. A formai ellenőrzés során jó, ha

nem a kérdőív készítője ellenőrzi a kérdések sorszámait, a zárt kérdésekválaszlehetőségeinek kódjait, a logikai ugrások helyességét, az NT/NVválaszlehetőségek meglétét.



6. Próbakérdezés (pilot interjú), véglegesítés – egy próbakérdezéssorán teszteljük, lekérdezzük a kérdőívet, lehetőleg a célcsoportba tarto-zó személlyel folytatva az interjút.

Kérdéstípusok: A kérdőívszerkesztés alapelveinek és folyamatának bemutatása után

vizsgáljuk meg közelebbről a „kérdést”. A jó kérdés jellemzői:– nem fölöslegesen részletező vagy túlságosan specifikus, de túl álta-

lános sem,– nem sugalmazó,– nem haladja meg a válaszadók elvárható tudását, tapasztalatait,– jövedelemre, fizetésre direkt módon nem szabad kérdezni,– ne legyen vizsgáztató jellegű, hangneme udvarias, semleges,– közérthető legyen, ne tartalmazzon homályos, idegen kifejezéseket

vagy sztereotípiákat,– egy kérdéssel mindig csak egy dologra kérdezzünk,– a lehető legrövidebb legyen, de ez ne rontsa az érthetőségét,– és mindenekelőtt legyen indokolt, ne kérdezzünk feleslegesen.A kérdéseket osztályozhatjuk funkciójuk és a válaszlehetőségek

szerint.I. A funkciójuk szerint:– Fő kérdések – közvetlenül a kutatási témára vonatkoznak;– Kiegészítő kérdések – segítik a fő kérdésekből származó eredmé-

nyek értelmezését, illetve a kérdőív elfogadhatóságát (pl. demográfiaiadatokra vonatkozó kérdések, felvezető kérdések).

II. A válaszlehetőségek szerint:– Nyitott kérdés: szabad válaszkifejtés, a válaszlehetőségek nincse-

nek meghatározva (mit gondol róla?, mi a véleménye? stb.);– Egyválaszos zárt kérdés – egy válasz lehetséges az előre meghatá-

rozott lehetőségek közül:– igen-nem válaszlehetőség,– egyéb válaszlehetőség,– skálán jelezhető a válaszerősség.

– Többválaszos zárt kérdés – több válaszlehetőség közül egynél töb-bet is választhat a kérdezett.

A nyitott-zárt kérdések aránya egy kérdőíven belül általában 30–70%és 20–80% intervallumok között mozog.

Valamennyi kérdésnél nagyon fontos, hogy a válaszmegtagadást isrögzítsük. A válaszmegtagadásnak két alapvető oka lehet: az interjúalany


6. KÉRDŐÍVSZERKESZTÉS 71

nem tud vagy nem akar válaszolni. Ezt a két lehetőséget csak nagyon rit-kán indokolt megkülönböztetni, ezért a válaszmegtagadást általábanNT/NV rövidítéssel jelöljük. Ha ezt nem jelölnék, akkor az adatelemzéssorán nem tudnánk megkülönböztetni, hogy adott kérdés nem volt kér-dezve az interjúalanytól, vagy valamilyen okból megtagadta a választ.Ennek jelentősége leginkább az adattisztítás, a kérdőív és az adattáblaösszhangjának az ellenőrzésénél van.

Széleskörűen elfogadott gyakorlat tehát, hogy valamennyi kérdésesetében van NT/NV válaszlehetőség, amit általában 9-essel kódolnak.Előfordulnak olyan próbálkozások, hogy a kutató szándékosan nem ír akérdőívbe ilyen válaszlehetőséget, hogy kvázi kikényszerítse a választ azinterjúalanyból. Ez a trükk azonban csak nagyon nyitott, segítőkész és akutatási témát jól ismerő interjúalanyok körében működik. Rosszabbesetben kitöltetlen kérdőívet vagy irreleváns válaszokat kapunk.

A kérdésekre adott válaszokat a következő négy típusú mérési skálavalamelyikének segítségével számszerűsíthetjük:

1. Nominális skála értékeinek nincs számszerű jelentésük, hanemkódként szerepelnek, és a változó értékeinek, kategóriáinak a jelentését akódokhoz rendelt címkék (label-ek) adják.

Például: a cég jogi formája (1 – egyéni és családi vállalkozás, 2 – kft.,3 – rt., 4 – egyéb), a fogyasztott üdítőital márkája (1 – Coca-Cola, 2 –Pepsi-Cola, 3 – egyéb), az interjúalany neme (1 – nő, 2 – férfi).

2. Sorrendi skála. A sorrendi skálaértékeknek sincs számszerűjelentésük, jelentésüket a címkék (label-ek) adják. Az különbözteti mega nominális skálától, hogy a skálaértékek között rangsorbeli különbségvan. Például a település típusa (1 – főváros, 2 – 100 ezer lakosúnálnagyobb város, 3 – 50–100 lakosú város, 4 – kisváros, 5 – falu, község),a fogyasztói elégedettség mértéke (1 – rossz, 2 – közepes, 3 – jó), a gaz-daság fejlődése a következő évben (1 – csökkenés, 2 – stagnálás, 3 –növekedés).

3. IntervallumskálaAz intervallumskála értéke egy szám, amelynek önmagában jelentése

van, nincs szükség címkére az értelmezéséhez. A skálaértékek kezdő-pontja viszonylagos, nem egyértelmű, ezért a skála értékei összegezhe-tők, kivonhatók, de nem képezhetünk arányokat.

Legjellemzőbb példa a hőmérséklet Celsius fokban kifejezve, ahol a0 fok megegyezéses (nem ugyanannyi, mint Fahrenheitben), és nemmondhatjuk, hogy az 5 fokos „meleg” ötször melegebb, mint az 1 fok.



4. ArányskálaAz arányskála értékei is számok, továbbá az különbözteti meg az

intervallumskálától, hogy az értékekkel bármilyen numerikus műveletetvégezhetünk.

Ilyen például az életkor években kifejezve, melyről elmondható,hogy egy 25 éves ötször idősebb, mint egy 5 éves. További példák: a cégárbevétele, az előállított termékek darabszáma, a szolgáltatással kapcso-latos elégedettség mértéke 1-től 5-ig terjedő skálán stb.

A fenti skálákat a mérési szint növekvő sorrendjében tüntettük fel. Ezazt jelenti, hogy adatelemzési szempontból például az arányskála maga-sabb rendű, mint a nominális skála.16 Ennek egyik jó példája, hogy ská-latranszformációval a magasabbrendű skálákból képezhetünk alacso-nyabb rendűt, de fordítva nem. Például a pontos évvel kifejezettéletkorból (arányskála) képezhetünk életkor-kategóriákat (nominálisskála): 1–18, 19–25, 26–35, 36–45, 46–60 és 60 felett.

6.1. Adatgyűjtés, terepmunka

16 Megjegyzendő, hogy a különböző nemlineáris és nemparaméteres módszerekkifejlesztésével és elterjedésével ez a megközelítés egyre inkább idejétmúlt, egy nominá-lis skála is lehet ugyanolyan „értékű”, mint egy arány skála.





6. Adatelemzés




6.1. ADATGYŰJTÉS, TEREPMUNKA 73

A kutatási terv és a kérdőív szerkesztésének befejezése után indulhata kutatás legidőigényesebb része, a terepmunka vagy az angolból átvettnevén field. A kutatási folyamatnak ebben a szakaszában a kutató általá-ban háttérbe szorul, átengedve a terepmunkát a terepkutatóknak, kérde-zőbiztosoknak.

A terepmunka folyamata a következő szakaszokból áll (Malhotra2001):

1. A terepkutatók kiválasztása;2. Képzése;3. Ellenőrzése;4. A munka elfogadása;5. Értékelés.A terepkutatók, kérdezőbiztosok képzése során megkülönböztethet-

jük az általános kapcsolatteremtő képesség fejlesztését adott kutatáshozkapcsolódó ismeretek oktatásával. Olyan kutatócégeknél, ahol a folya-matos kiválasztás és képzésnek köszönhetően tapasztalt kérdezőbiztosokállnak a kutatás rendelkezésére, a terepmunka a kérdőív bemutatásával,elmagyarázásával kezdődik. A kutatás vezetője

– röviden bemutatja a kutatás célját,– elmagyarázza a speciálisabb témákat,– kérdésről kérdésre részletesen bemutatja a kérdőívet, – a válaszok rögzítésének módját.Miután a kutató bemutatta a kérdőívet a kérdezőbiztosoknak, a kuta-

tás egészének szempontjából kulcsfontosságú momentum következik: rátudja-e venni a kérdezőbiztos az interjúalanyt a kérdőív kitöltésére? Vannéhány olyan technika, amivel ennek valószínűségét növelni tudjuk. Asikeres interjú feltételei:

– Az interjút néhány bevezető mondattal kell kezdeni, ami a kérde-zés céljára, a kérdések jellegére és a kérdezés időtartamára vonatkozik.Utaljunk az anonimitásra és a válaszadás önkéntességére.

– Lehetőleg udvarias, barátságos légkört kell teremteni. – A kérdezőbiztos ismerje jól a kérdőívet. – Az általános kérdésektől haladjunk a speciálisabb kérdések felé. – Érdeklődést kell mutatni, sohasem szabad meglepetéssel vagy

helytelenítőleg reagálni a válaszra.– Minden kérdést pontosan úgy kell feltenni, ahogyan megfogalmazták.Ezek a technikák természetesen nem alkalmazhatók az önkitöltő kér-

dőív esetében. A sikeres önkitöltő kérdőív feltételei:



– Kísérőlevelet csatoljunk a kérdőív mellé, ami a kutatás céljait írjale. Ebben udvarias (név szerinti) megszólítást használjunk, tartalmazzonegy rövid témabemutatást, és sorolja fel a kérdőív kitöltésével járó „elő-nyöket”.

– Részletes útmutató a kitöltéshez.– Legyen minden maximálisan egyértelmű.Az interjú megtagadása esetén a következőket tehetjük:– Az elérési arány növelése érdekében: az el nem ért interjúalanyok

többszöri felkeresése.– A visszautasítás csökkentése érdekében:

– előzetes bejelentkezés általában telefonon,– az interjúalanyok érdeklődésének felkeltése,– ösztönzők, ajándékok használata,– a kérdőív tartalmi és szerkesztési módja.

Mint minden üzleti tevékenységnél, folyamatnál, itt is szükség vanegy menedzsmentfunkcióra, a kontrollra. A kérdezőbiztosok ellenőrzé-sére a következő lehetőségek adottak:

– Minőség-ellenőrzés: Átnézzük a kitöltött kérdőívet, hogy az utasí-tásoknak megfelelően van-e kitöltve.

– Mintavételi ellenőrzés. Személyes kérdezéseknél azt vizsgáljuk,hogy a mintavételi tervnek megfelelően választotta ki a kérdezőbiztos azinterjúalanyt. Telefonos, internetes és postai kérdezéseknél különbözőautomatizmusok biztosítják ezt.

– Csalás kizárása. Előfordulhat, hogy a kérdezőbiztos a legközelebbikávéautomata mellett „tölti ki” a kérdőíveket. Ennek ellenőrzése legin-kább úgy történik, hogy szúrópróbaszerűen felhívják az interjúalanyokatés rákérdeznek az interjúra.

– Az adatok alapján történő ellenőrzés. A terepmunka lezárása és azadattábla létrehozása után a kutatónak lehetősége van az adatok kon-zisztenciája és az eltérések vizsgálata alapján következtetni a csalás való-színűségére. (Ehhez az adattáblának tartalmaznia kell a kérdezőbiztosnevét vagy kódját).

Az adatelőkészítés a terepmunka lezárásával, a kitöltött kérdőívekvisszaérkezésével kezdődik.

Az adatelőkészítés folyamata a következő lépésekből áll:1. A kérdőív-ellenőrzés során a nem megfelelő válaszokat próbáljuk

kezelni: a kérdőív visszaküldése, hiányzó értékek hozzárendelése, arossz adatok kizárása által.


6.2. ADATELEMZÉS 75

2. A kódolás nagyrészt a kérdőívszerkesztéskor megtörtént, de a nyíltkérdések kódolására ekkor kerül sor.

3. Adatbevitel – hagyományos személyes vagy telefonos kérdezésnélés a postai úton történő lekérdezésnél szükség van a kérdőíven rögzítettadatok számítógépes adatbevitelére. A legpontosabban dolgozó adatrög-zítőnél is történnek elütések, ezeket a hibákat is a következő lépésbenpróbáljuk kiszűrni.

4. Adattisztítás alatt a hibás adatok kijavítását, vagy ha erre nincslehetőség, akkor a törlését értjük.

5. Statisztikai adatkiigazítás: súlyozás, a változó újradefiniálása, ská-latranszformáció.

6. Adatelemzési tervet a marketingkutatási folyamat korábbi szaka-szai (mindenekelőtt a kutatási célok), az adatok ismert jellemzői, a sta-tisztikai módszerek tulajdonságai és a kutató felkészültsége és felfogásahatározza meg.

6.2. Adatelemzés

A kutatási folyamatban elérkeztünk ahhoz a részhez, amit sokan akutatás magjának tekintenek. A továbbiakban a kvantitatív kutatások adat-elemzési módszereit mutatjuk be az SPSS programcsomag segítségével.





6. Adatelemzés





7. FEJEZET

BEVEZETÉS AZ SPSS PROGRAM HASZNÁLATÁBA

Az SPSS (Statistical Package for Social Science) egy olyan statiszti-kai program, amely kvantitatív adatok elemzésére specializálódott. Ajegyzet írásakor legfrissebb verziót, az SPSS17-est használjuk, de abemutatott módszerek és beállításaik szinte teljesen azonosak a 9-es vagyannál újabb verziókéval. Tehát aki SPSS9-es vagy annál nagyobb verzió-számú programmal rendelkezik, bátran nekivághat a jegyzetben leírtakkipróbálásának.

A tanulást különböző szerkesztési trükkökkel is segíteni kívántuk: – Valamennyi módszer egy gyakorlati példán keresztül kerül bemu-

tatásra. Ennek során nem használunk olyan adattáblákat, amihez az olva-só nem juthat hozzá, valamennyi az SPSS példa adattáblái közül kerültki. Ezek a program installálása után megtalálhatók a C:\ProgramFiles\SPSS mappában.

– A program számára kiadott utasításainkat a következőképp tüntet-jük fel:

Analyze → Descriptive Statistics → FrequencyEzeket az utasításokat a grafikus felületnek köszönhetően a menü-

sorból választjuk ki, nincs szükség a parancsok begépelésére. – Minden módszer bemutatásánál a parancs futtatása után az

Eredmények értelmezése következik.– A program ablakaiban, menüjében megjelenő beállítási lehetősé-

gek, opciók nevét mindig aláhúzva tüntetjük fel.

Kezdjük el tehát az adatelemzést az SPSS segítségével. A programtöbb ablakot, felületet is tartalmaz, amelyek külön fájlként menthetők,kezelhetők. Alapbeállításban indításkor két ablakot nyit meg az SPSS:

1. A Data Editor (adatszerkesztő ablak) az adatokat tartalmazza, itt tud-juk az adatokat bevinni, módosítani. Más adatkezelő programokhoz hason-lóan (pl. Excel) az adatok mátrix formában vannak elrendezve, a sorokbanvannak a megfigyelési egységek (pl. az interjúalanyok válaszai), és az osz-lopok e megfigyelési egységek ismérveit, változóit jelentik. Az adattábla


78 7. BEVEZETÉS AZ SPSS PROGRAM HASZNÁLATÁBA

fájlnak .sav kiterjesztése van. Az adatszerkesztő ablaknak két nézete van,amelyek között az ablak alján levő fülekre kattintva válthatunk: az egyik atényleges adattábla nézet (Data View), a másik pedig a változók különbözőjellemzőinek beállításait lehetővé tevő változó nézet (Variable View).

3. ábra. SPSS adattábla

2. Az Output Viewer (eredménykijelző ablak) segítségével a feldol-gozott statisztikai eredmények jelennek meg táblázatok, grafikonok for-májában. A fájlnak .spo kiterjesztése van.

Beállítástól függő, hogy a program indításakor automatikusan megnyí-lik-e az eredménykijelző ablak is, de bármilyen elemzési módszerre(Analyze menü) vagy grafikonkészítésre (Graphs menü) vonatkozó parancskiadása után az eredményekkel együtt szükségszerűen megjelenik.

A két ablak menüje megközelítőleg ugyanaz, viszont a menü sorbanlevő ikonok különböznek. További programablakokat és -funkciókatvehetnek igénybe a haladó felhasználók, például az utasítások parancs-sorait tartalmazó Syntax ablakot. Az SPSS legelső verziói nem tartal-maztak grafikus felületet, a parancsokat meghatározott szintakszis sze-


7.1. VÁLTOZÓ TÍPUSOK 79

rint kellett begépelni. Ez a lehetőség a későbbi verzióknál is opcionálisanmegmaradt, főképp gyakran ismétlődő vagy egymással összefüggő utasí-tássorozatok esetén jelentősen felgyorsítja az elemzők munkáját. Másikgyakran igénybe vett funkciókat tartalmazó ablak az SPSS grafikonjainakszerkesztését lehetővé tevő Chart ablak. Ezt úgy tudjuk elindítani, haduplán kattintunk az Output-ban megjelenő grafikonra. E két program-ablakba tartozó funkciók részletes ismertetése nem célja a jegyzetnek, deperspektívaként szívesen ajánljuk az olvasó figyelmébe.

4. ábra. SPSS eredménykijelző ablak (Output)

7.1. Változó típusok

A kvantitatív adatelemzés kiindulópontja, hogy felismerjük az ada-tok, a változók típusát. A mérési skálák leírásánál láthattuk, hogy négy főtípusa van a mérési skáláknak: nominális, ordinális, arány- és interval-lumskála. Ennek megfelelően a változók (ismérvek) értékei e négyféleskála valamelyike közül kerülnek ki. Az adatelemzés kikerülhetetlenalapja, hogy felismerjük egy változó típusát, mivel ez meghatározza,hogy milyen statisztikai műveleteket, modelleket alkalmazhatunk.

1. Nominális skála → nominális változó. A változó értékeinek nincsszámszerű jelentésük, hanem kódok, és a változó kategóriáit a kódokhozrendelt címkék (label-ek) azonosítják. Pl. a cégforma a következő érté-kekkel: 1 – egyéni és családi vállalkozás, 2 – kft., 3 – rt., 4 – egyéb, vagya fogyasztott üdítőital márkája: 1 – Coca-Cola, 2 – Pepsi-Cola, 3 – egyéb.



A kétértékű nominális változót dichotómnak nevezzük (pl. a nemváltozó 1 – nő, 2 – férfi értékekkel), és ennek egy típusa a dummy válto-zó, amelynek két értéke 0 és 1 (pl. a nem változó 0 – nő, 1 – férfi érté-kekkel).

2. Sorrendi skála → ordinális változó. Az ordinális változó értékei-nek sincs számszerű jelentésük, a változó értékeinek jelentését a címkék(label-ek) adják. Az különbözteti meg a nominális változótól, hogy a vál-tozó értékei, kategóriái között rangsorbeli különbség van.

Például az iskolai végzettség (1 – kevesebb mint 10 osztály; 2 – szak-iskola, 3 – érettségi, 4 – főiskola, 5 – egyetemi végzettség), elégedettségmértéke (1 – rossz, 2 – közepes, 3 – jó), a gazdaság fejlődése a következőévben (1 – csökkenés, 2 – stagnálás, 3 – növekedés).

3. Az arány- és az intervallumskála → numerikus változó. Az arány-és az intervallumskála között olyan kismértékű gyakorlati különbségvan, hogy az SPSS-ben történő adatelemzés során ezeket nem különböz-tetjük meg, hanem numerikus változótípusba soroljuk mindkettőt. Anumerikus változó értéke egy szám, amelynek önmagában jelentése van,nincs szükség címkére az értelmezéséhez. Például az életkor évben kife-jezve, a cég árbevétele, az előállított termékek darabszáma, a szolgálta-tással kapcsolatos elégedettség mértéke 1-től 5-ig terjedő skálán stb. Ezutóbbi – elégedettségre vonatkozó – példa előfordulása mind az ordiná-lis, mind a numerikus változók között jelzi, hogy nem mindig egyértel-mű a változó típusának besorolása. Amennyiben a kérdőívben és azinterjúalany válaszában inkább a kategóriák címkéin van az értelmihangsúly, akkor tekintsük ordinálisnak, ha pedig az 1-től 5-ig terjedő elé-gedettségi skálának17 csak a két végpontja van címkézve, akkor numeri-kus. Nem követünk el hibát, ha a mindkét változótípusra alkalmazhatóstatisztikai módszereket alkalmazzuk az ilyen változókra.

7.2. Gyakorisági eloszlás

Leggyakrabban használt SPSS funkciók közé tartozik az egy vagytöbb változó értékeinek gyakorisági eloszlását eredményező Frequencyparancs. Nyissuk meg az SPSS példa adattáblái közül egy szervezet mun-kavállalói adatait tartalmazó employee data.sav fájlt.

17 Az ilyen skálát Likert skálának is nevezzük.


7.2. GYAKORISÁGI ELOSZLÁS 81

Példa: gyakorisági eloszlás. Vizsgáljuk meg az employee data.savadatfájlban a munkavállalók iskolai végzettségére (educ) és a kisebbségistátusára (minority) vonatkozó változók értékeinek gyakorisági eloszlását.

Analyze → Descriptive Statistics → Frequency

5. ábra. Frequencies – gyakorisági eloszlás

A bal oldali ablak változólistájából kiválasztjuk, azaz kijelöljük és aközépen látható háromszögre kattintva átvisszük a minority változót ajobb oldali ablakba. Egyelőre ne törődjünk a többi beállítási lehetőséggel,hanem kattintsunk az OK gombra.

Eredmények értelmezése:A parancs futtatása után az eredmények azonnal megjelennek az

Output ablakban.

6. ábra. A Frequencybe bevont változók

Az első táblázat megmutatja, hogy melyik változókat vontuk be aműveletbe, és ezeknek hány valós, illetve hiányzó értékük van.



7. ábra. Numerikus változó gyakorisági eloszlása

A következő tábla az először megjelölt EDUC változó gyakoriságieloszlását tartalmazza. Az első oszlopban találjuk a változó értékeit, alegkisebb 8, a legnagyobb 21. Megállapíthatjuk, hogy az iskolai végzett-ség években kifejezett változója numerikus változó.

A második Frequency oszlop az abszolút gyakorisági eloszlást tartal-mazza, vagyis minden érték mintabeli előfordulásának számát. A Percentoszlop a relatív gyakorisági eloszlás, az értékek mintabeli előfordulásá-nak az aránya, egyszerűen úgy adódik, hogy elosztjuk (mármint az SPSS)az abszolút gyakoriságot a minta elemszámmal. A Valid Percent értékeiebben a táblázatban nem különböznek a Percentétől, mivel a vizsgált vál-tozó nem tartalmaz hiányzó értékeket. A Valid Percent ugyanis az a rela-tív gyakoriság, amely nem az adattábla teljes elemszámára arányosítja azabszolút gyakoriságot, hanem a változó valós, nem hiányzó értékeinekszámára. A kumulált gyakoriság (Cumulative Percent) a Valid Percent-ben megjelenő relatív gyakoriság kumulálását, összegzését jelenti.

A következő táblázatnak két értéke van: a 0 jelöli a Nem-et, az 1-espedig a kisebbségi sorba tartozást. Változónknak tehát két olyan értékevan, amit teljes mértékben a címke (No vagy Yes) határoz meg, ezért ezegy nominális változó.


7.3. A VÁLTOZÓK JELLEMZŐI 83

8. ábra. Nominális változó gyakorisági eloszlása

Ajánlott, hogy az adatelemzésünket mindig az adattáblában levővalamennyi változó gyakorisági eloszlásának a vizsgálatával kezdjük.

7.3. A változók jellemzői

Mielőtt tovább haladunk az adatelemzési módszerek megismerésefelé, nézzük meg, hogyan állíthatjuk be a változók különböző jellemzőit.Az adatszerkesztő ablak (Data Editor) két nézete közül már megismer-kedtünk az adattábla nézettel (Data View), most a változó nézet (VariableView) következik.

9. ábra. Az adattábla változó nézete

Name – a változó neve karakterekből és számokból állhat. KorábbiSPSS verziók csak nyolc karakter hosszúságú nevet engedtek, most csak



az a feltétel, hogy ne számmal kezdődjön, ne legyen benne szóköz, illet-ve a Windowsos fájlnevekben általában tilos karakterek (+-:?*, stb.) ittsem használhatók. A kutatók általában két lehetőség között választanak:vagy a változó tartalmára utaló rövidítést (pl. iskolai végzettség) használ-nak, vagy a kérdőív sorszámát egy karakterrel kiegészítve (pl. q1). Inkábbaz utóbbit ajánlhatjuk főképp sok, 25–30-nál több változó esetén.

Type – a változó típusa. Megtévesztő elnevezés, mivel itt nem azelőbb ismertetett, a mérési skáláknak megfelelő változó típusokról vanszó, hanem adatbázis-programozási értelemben választhatunk a numeri-kus, dátum, a vesszővel, illetve ponttal elválasztott tizedes, a pénzösszeg(dollár), szöveg formátumok között. A gyakorlatban nem sokat kell törőd-nünk ezekkel a beállításokkal, a változóink túlnyomó többsége – ebbenaz értelemben – numerikus. Néha előfordul, hogy a változó alapbeállí-tásban nem mutatja a szám tizedeseit, de szükség van a megjelenítésére,vagy szöveget csak akkor tudunk bevinni az adattáblába, ha előzőleg aváltozót szövegtípusúra (string) állítottuk.

Width – a változó értékeinek karakterhossza.Decimals – a tizedesek száma, az előbbi teljes karakterhosszúságon

belül.Label (változó címke) – a változó címkéje írható ebbe a mezőbe. E

címke alapján egyértelműsíthetjük, hogy pontosan mire vonatkozik a vál-tozó, milyen adatokat tartalmaz. A változó neve ugyanis csak nyolc karak-ter hosszúságot enged, ami ritkán elég arra, hogy bemutassa a tartalmat.Kutatók gyakran a kérdőív kérdését másolják be (copy-paste) címkeként.

Values (érték címke) – itt a változó értékeinek címkéit határozzukmeg. Természetesen csak a nominális és az ordinális változók értékeikódok, amelyek értelmezéséhez szükség van a szöveges címkékre, anumerikus változó értékeinek nincsenek címkéi.

Missing (hiányzó érték) – a legfontosabb beállítási opció, helytelenhasználata téves kutatási eredményekhez vezet. Az SPSS-ben két típusúhiányzó érték van:

– System Missing – nincs semmilyen érték az adatcellában. Ennekalapvetően két oka lehet: vagy valamilyen hiba történt (kérdezési, adatrög-zítési, véletlenül kitöröltük az adattáblából), vagy a kérdőív logikai ugrása-it követve nem is szabad adatnak lennie. (Pédául az internetezési szokáso-kat csak azoktól kérdezzük, akik egy megelőző kérdésnél azt állították, hogyinterneteznek.) A hiányzó értékek vizsgálata nagyon fontos az adattisztítássorán, amikor a kérdőív és a „nyers” adattábla összhangját vizsgáljuk.


7.3. A VÁLTOZÓK JELLEMZŐI 85

– Missing Value – ebben az esetben a kutató határozza meg, hogy adottváltozó mely értékeit ne vegye figyelembe a program, gyakorlatilag hiány-zónak tekinti. Tipikusan ilyen érték a Nem tudom/Nincs válasz (NT/NV)kódja, amely a változó karakterszámától függően a 9, 99, 999 stb. értéketszokta kapni. Az NT/NV kódját a gyakorisági eloszlásnál általában benn-hagyjuk, de bármilyen változók közötti kapcsolatot vizsgáló módszeralkalmazásánál az NT/NV kódot szigorúan hiányzó értéknek kell tekin-teni. Szakzsargonnal szólva „az NT/NV-t kitesszük missing-re”. Ennek hiá-nyában a program NT/NV kódjával valós értékként számol, például figye-lembe veszi egy numerikus változó átlagának a kiszámolásánál.

Az NT/NV válaszok kizárásának módját a következő ábrán láthatjuk:

10. ábra. Változók értékeinek kizárása (Missing Values)

A Missing oszlopban a vizsgált változó cellájára kattintva felugrikegy Missing Values nevű ablak, amelyben alapbeállítás szerint nincssemmilyen érték bejelölve (No missing values). Lehetőségünk van háromdiszkrét értékét megadni a Discrete missing values felirat alatti mezők-ben (mint említettem, az NT/NV leggyakrabban használt kódja a 9-es),vagy egy -tól -ig terjedő terjedelmet a Range... mezőkben, kiegészítve egydiszkrét értékkel.

Itt fontos megjegyezni, hogy egy változó értékei közül nem csak azNT/NV kódját indokolt időszakosan kizárni. Előfordulhat, hogy nincsszükségünk valamely értékekre, például egy numerikus változó gyakori-



sági eloszlásának szélein levő nagyon nagy vagy nagyon kis értékeketnem akarjuk bevonni az átlagszámításba.

Column és Align – a változó oszlopszélességét és a cella értékeinekvízszintes elhelyezkedését állíthatjuk be, sok szép kutatást el lehet végez-ni anélkül, hogy ezekkel foglalkoznánk.

Measure – itt állíthatjuk be a változó típusát (nominális, ordinális,numerikus). Kezdő felhasználónak, aki még nem tudja ránézésre gyorsanés biztosan megállapítani egy változó típusát, ajánlott ezeket a beállítá-sokat az adatelemzés elkezdése előtt megejteni. Még egyszer hangsú-lyozzuk, hogy ezek a mérési skáláknak megfelelő változótípusok nemugyanazok, mint a Type oszlopban található, adatbázis-programozásiszempontból fontos típusok.

7.4. Adattábla-műveletek

Az adattábla sorba rendezése és szelektálásaA Sort parancs az adattábla sorba rendezését eredményezi egy vagy

több változó értékei szerint, növekvő vagy csökkenő sorrendben. Példa: az adattábla sorba rendezése. Rendezzük sorba az employee

data.sav adattáblát a fizetés nagysága szerinti növekvő sorrendbe. Data → Sort Cases

11. ábra. Az adattábla sorba rendezése valamely változó értékei alapján

A változólistából kiválasztjuk a salary változót, és a Sort Order rész-nél eldönthetjük, hogy növekvő (Ascending) vagy csökkenő (Descending)sorrendbe rendezzük az adattáblát.


7.4. ADATTÁBLA-MŰVELETEK 87

Növekvő sorba rendezésnél az adott változó üres cellái, azaz hiány-zó értékei (SYSTEM MISSING) a változó elejére kerülnek. E funkciónaka használatát nagyon gyakran a hiányzó vagy a hibás értékek, illetveegyéb adattisztítási műveletek indokolják.

Az adattábla szűkítése, szelektálásaA Select paranccsal az adattábla esetei közül ideiglenesen vagy

végérvényesen kizárhatjuk azokat az eseteket, amelyek nem felelnek megegy bizonyos szűrőfeltételnek. A szűrőfeltételeket valamely változó vagyváltozók értékei alapján fogalmazhatjuk meg.

Példa: Tételezzük fel, hogy a cég munkavállalóinak adatait tartalmazóemployee data.sav adatfájlban csak a kisebbséghez tartozó munkavállalókadataira van szükségünk. Ha megvizsgáljuk a minority változó értékeit –akár a változó ablakban, akár a változó gyakorisági eloszlását vizsgálva –,megállapíthatjuk, hogy az 1-es érték jelenti a kisebbségbe tartozást.

Data → Select Cases

12. ábra. Az adattábla szelektálása valamely változó értékei alapján



Az If condition is satisfied rádiógombra, majd az If... gombra kattint-va felugrik a Select Cases: If ablak, amelyben beállíthatjuk a szűrőfeltételt.


A bal oldali ablak változólistájából kiválasztjuk, azaz kijelöljük és aközépen látható háromszögre kattintva átvisszük a minority változót ajobb oldali ablaka. A függvénylistában különböző függvények szélesválasztéka található, de a minority=1 feltétel beírásához erre most nincsszükségünk. Ezután a Continue, majd az OK gombbal zárjuk az utasítást.

A szűrőfeltételnek nem megfelelő, ideiglenesen kizárt esetek sor-száma át van húzva, illetve az adattábla végén egy új változó (filter_$) isjelzi, hogy mely esetek lettek szelektálva.

Ezek után valamennyi SPSS utasítás csak a szelektált adattáblán, aszűkített mintán lesz végrehajtva, amíg a Select Cases ablakban visszanem állítjuk az All cases opciót. Amennyiben biztosak vagyunk abban,hogy nem lesz többet szükségünk a szűrőfeltételnek nem megfelelő ese-tekre, szintén a Select Cases ablakban, az Unselected Cases Are résznélválaszthatjuk a Deleted lehetőséget.


7.4. ADATTÁBLA MŰVELETEK 89


Új változó képzéseA Compute paranccsal egy új változót hozhatunk létre a meglévő

változóink átalakítása révén.

Példa: új változó képzése. Hozzunk létre egy új változót az employeedata.sav adattáblában, ami az alkalmazottak fizetéseinek növekedésétmutatja. Legyen az új saldif változó a jelenlegi (salary) és a kezdő fizetés(salbegin) különbsége.

Transform → Compute




A Target Variable mezőben adhatunk nevet az újonnan létrehozandóváltozónak. A Numeric Expression mezőben határozhatjuk meg az újváltozót meghatározó algoritmust, amihez a változó listából hozzuk arégi változót, a számokat, matematikai műveleteket és/vagy függvényeketvagy közvetlenül begépeléssel, vagy az ablak menüjéből választjuk ki.Jelenlegi példánkban nincs rá szükség, de az If... opciónál beállíthatunkolyan logikai feltételt, amelynek teljesülése esetén hajtódik végre csak aCompute parancs. Ez a lehetőség funkcionalitásában megegyezik az elő-zőekben bemutatott Select paranccsal, a teljes adattáblát leszűkítjük egyvalamilyen logikai feltételnek megfelelő rész-adattáblára. Például ha ajelenlegi és a kezdő fizetés közötti különbséget csak a legalább egy éve acégnél dolgozókra akarjuk kiszámítani, akkor az If... ablakban a jobti-me<12 szűrőfeltételt kell beírnunk.

A Compute parancs végeredménye egy új változó, amely valamennyimunkavállalóra (hacsak nem állítottunk be szűrőfeltételt) meghatározza,hogy a cégnél mennyit nőtt a fizetése.



Feladat: az adatelemzések során az abszolút számoknál gyakran többinformációt hordoznak a fajlagos, valamilyen viszonyítási alapra vetítettmutatók. Példánkban a fizetések növekedését nyilván nemcsak a mun-kavállaló teljesítményét honoráló fizetésemelések befolyásolják, hanemaz is, hogy az illető mennyi ideje van a cégnél. Képezzünk egy olyan újváltozót, ami az egy hónapra vetített átlagos fizetésnövekedést mutatja,azaz képezzük a fizetésnövekedés (saldif) és a cégnél eltöltött idő hánya-dosát (jobtime).

Változók újrakódolásaGyakran előfordul, hogy egy változó értékei nem az adatelemzési

tervünknek megfelelő formában találhatóak. Például tételezzük fel,hogy a kérdezettek életkorára vonatkozó változónk nominális a követke-ző 16–20, 21–25, 26–35, 36–50, 50+ életkor kategóriákkal, de más ered-ményekkel való összehasonlíthatóság miatt 16–25 éves kategóriára lenneszükségünk.

Ilyen „kompatibilitási” probléma oka lehet, hogy adataink szekunderadatforrásból származnak, ezért már nem tudjuk befolyásolni az ismér-vek kategóriáinak a kódolását, primer adatgyűjtés esetén nem voltunkelég figyelmesek a kérdőív készítésekor, vagy csak az eredeti adatelem-zési terveinkhez képest újabb ötleteink adódtak.

A Recode utasítással mindhárom típusú (nominális, ordinális,numerikus) változó értékeit átalakíthatjuk, újrakódolhatjuk. Két típu-sa van:

– Recode into Same Variables: az eredeti változók értékeit kódoljukát úgy, hogy a régi értékek nem maradnak meg.

– Recode into Different Variables: az új kódok egy új változóbanjelennek meg, ezáltal az eredeti változó is megmarad.

Példa: változó értékeinek újrakódolása. Frequency-t futtatva szinténaz employee data adattábla educ változójára láthatjuk, hogy az iskolaivégzettséget az elvégzett évek számával mérik, vagyis egy numerikus vál-tozóval van dolgunk, amely 8 és 21 között vesz fel értékeket.



16. ábra. Az iskolai végzettség változó gyakorisági eloszlása

Képezzünk ebből egy új nominális változót a következő kategóriák-kal: 8 – 1 „alapfokú”, 12 – 2 „középfokú”, 14–16 – 3 „főiskolai”, 17–21„egyetemi, posztgraduális”.

Transform → Recode Into Different Variables

17. ábra. Változóképzés az értékek átkódolásával



A változó listából kiválasztjuk az educ változót, az Output Variablemezőbe pedig az új változó nevét kell beírnunk. Legyen az új név educ-cat jelezve, hogy kategóriákat tartalmazó nominális változóval van dol-gunk, majd klikkeljünk a Change gombra, hogy a NumericVariable →

Output Variable ablakban a régi mellett megjelenjen az új változó neveis. Az átkódolni kívánt változó és az új változó nevének meghatározásaután nézzük a többi beállítást. Az If... opció választásával szűkítő felté-telt lehetne megfogalmazni, ebben az esetben – akárcsak a Compute uta-sításnál – a Recode parancs csak az adott feltételnek megfelelő esetekrelesz futtatva.

18. ábra. Változóképzés az értékek átkódolásával – régi és új értékek

Az Old and New Values gombra kattintva megfeleltethetjük egymás-nak a régi és új értékeket. Az Old Value ablakrészben az eredeti educ vál-tozó értékeit írhatjuk be. Több opció közül választhatunk:

– egyetlen diszkrét érték esetén a Value gombra, – hiányzó érték átkódolásakor a System-missing gombra kattintunk, – ha pedig a numerikus változónk folytonos értékeire -tól -ig határok

közötti terjedelmet akarunk meghatározni, akkor a Range három opciójaközül választhatunk.

Az All other values-szal valamennyi másképp nem definiált értéketalakíthatjuk át.

Példánkban tehát beírjuk a 8-as értéket az Old Value ablakrész Valuemezőjébe, az új 1-es kódot pedig New Value ablakrész Value mezőjébe,majd az Add gombbal véglegesítjük a kódolást. (Ha mégis változtatni sze-



retnénk, akkor a Change, illetve Remove funkciókkal ez lehetséges).Hasonlóképp járunk el a 12-es érték kódolásánál, a 14–16 és a 17–21intervallumokat pedig a Range ablakokba visszük be. A végeredmény egyúj educ nevű, nominális változó négy értékkel.

Hasonlóképp kell eljárni a Recode into Same Variable utasítánál, ittkevesebb beállításra van szükségünk, mivel nem hozunk létre új változót.

Feladat: hozzunk létre egy új, kétértékű változót, aminek 0 az értéke,ha a fizetés (salary változó) átlag alatti és 1, ha a fizetés átlag feletti érté-kű. A Recode utasítás előtt meg kell határoznunk a salary változó átlagát.


8. FEJEZET

VÁLTOZÓK KÖZÖTTI KAPCSOLATOK VIZSGÁLATA

Már a könyv elején hangsúlyoztuk, hogy a gazdasági jelenségek egy-mást meghatározó, befolyásoló kölcsönhatásban vannak. Ezek vizsgálataaz adatelemzés során a változók közötti kapcsolatok vizsgálatát jelenti.Háromféle kapcsolattípusról beszélhetünk:

1. Függetlenség: a két változó független egymástól, ha az egyik vál-tozó értékeinek (eloszlásának) ismerete nem nyújt semmilyen informáci-ót a másik változó értékeiről.

2. Sztochasztikus kapcsolat: a két változó között sztochasztikus kap-csolat van, ha az egyik változó értékeinek ismerete kisebb-nagyobb mérték-ben, de nem teljesen egyértelműen magyarázza a másik változó értékeit.

3. Determinisztikus kapcsolat: a két változó között determinisztikusvagy függvényszerű a kapcsolat, ha az egyik változó értékeinek ismeretealapján biztosan következtethetünk a másik változó értékeire.

Empirikus kutatások adatai, ha nem függetlenek egymástól, akkorleggyakrabban sztochasztikusan kapcsolódnak. Determinisztikus kap-csolattal empirikus gazdasági vagy társadalomtudományi kutatásokbannagyon ritkán találkozunk, általában változó transzformáció során, vagyúj, származtatott változók képzésekor definiálunk függvényszerű kap-csolatot két vagy több változó között.

Az alábbi táblázatban a sztochasztikus kapcsolatok vizsgálatáraalkalmas módszereket tüntettük fel a változók típusa szerint.

6. táblázat. A változók közötti kapcsolatok vizsgálatára használt mód-szerek


Nominális Ordinális NumerikusNominális Kereszttábla Kereszttábla

Varianciaanalízist-próba Variancia-

analízisOrdinális Kereszttábla

Rangkorrelációt-próba Variancia-

analízisNumerikus Korrelációanalízis

Regresszióanalízis


96 8. VÁLTOZÓK KÖZÖTTI KAPCSOLATOK VIZSGÁLATA

8.1. Kereszttábla-elemzés

Két nominális vagy ordinális változó közötti kapcsolat meglétének ésa kapcsolat szorosságának vizsgálatára alkalmas.

8.1.1. Nominális változók közötti kereszttábla

A változók közötti kapcsolatok elemzése előtt ajánlott megvizsgálniaz adott változók gyakorisági eloszlását. A Frequency parancs futtatásaután láthatjuk, hogy a változók között három nominális változó van: anem (gender), munkavállalói kategóriák (jobcat) és a kisebbség (mino-rity). Tételezzük fel, hogy nemi és nemzetiségi diszkriminanciamentestársadalmunkban (pontosabban a vizsgált munkahelyen) valakinek aneme nincs befolyással a munkahelyen betöltött munkakörére.

A hipotézisünk tehát az, hogy a nem és a munkakör változók függet-lenek egymástól. Hipotézisünk elfogadására vagy elutasítására a kereszt-tábla-analízist használjuk.

Analyze → Descriptive Statistics → Crosstabs…

19. ábra. Kereszttábla

A Row(s) mezőbe bevisszük a gender, a Column(s) mezőbe pedig ajobcat változókat. Ez a választás tetszőleges, a két változó akár helyet is


8.1. KERESZTTÁBLA-ELEMZÉS 97

cserélhet a kereszttáblában (matematikailag fogalmazva transzponálhat-juk a mátrixot).

Az alapvető (default) beállításokat egészítsük ki a következőkkel:

20. ábra. Kereszttábla: statisztikai beállítások

A Statistics ablakban állítsuk be a Chi-square opciót, ami a hipotézi-sünk ellenőrzésére alkalmas statisztika.

21. ábra. Kereszttábla: a cellák mutatóinak beállítása



A Cells ablakban a Percentages mezőben állítsuk be a Row, Columnés Total opciókat, ami a sor, oszlop és összes százalékot eredményezi,továbbá a Residuals mezőben az Adj. Standarized opciót is pipáljuk ki.

Eredmények értelmezése: lassan belejövünk, hogy az Output-ban acím után következő első táblázat arról informál, hogy az összes esetből(Total) hány valós érték (Valid) lett bevonva a műveletbe, és hány hiány-zó érték (Missing) maradt ki belőle.

22. ábra. Kereszttábla: eredmények

A következő táblázat a tényleges kereszttábla, ami a két változó érté-keinek együttes megoszlásait tartalmazza:

23. ábra. Kereszttábla: kontingencia táblázat



A gender változó két értéke (kategóriája) és a jobcat változó háromértéke egy hat cellából álló mátrixot eredményez, ami kiegészül egy Totaloszloppal és sorral. A cellákban a következő értékeket láthatjuk:

– Count: abszolút gyakorisági eloszlás, azt mutatja, hogy hány esettartozik a két kategória közös részhalmazába. Pl. az adattáblánkban 206clerical (szellemi beosztott) beosztású female (nő) van.

– % within Gender: sorszázalék, a 100% az adott sorban levő válto-zó kategóriát jelenti, a sor mentén összegezve a sorszázalékokat kapjuk a100%-ot. Pl. a nők 95,4%-a clerical, 0%-a custodial és 4,6%-a managerbeosztásban dolgozik.

– % within Employment: oszlopszázalék, a 100% az adott oszlopbanlevő változó kategóriát jelenti. Pl. a clerical 56,7%-a nő és 43,3%-a férfi.Oszlopmentén összegezve az oszlopszázalékokat kapjuk a 100%-ot.

– % of Total: a 100% a kereszttábla-elemzésbe bevont valamennyiesetet jelenti. Pl. a szervezet dolgozóinak 43,5%-a clerical munkakörbendolgozó female (nő).

– Adjusted Residual: a későbbiekben tárgyaljuk.Láttuk a két változó kategóriáinak együttes eloszlását, de még nem

értük el eredeti célunkat, a két változó függetlenségét feltételező hipoté-zisünk ellenőrzését. Ehhez a következő táblázat vizsgálatára van szükség.

24. ábra. Kereszttábla: khi-négyzet próba

A khi-négyzet teszt Pearson Chi-Square értékének szignifikancia-szintje [az Asymp. Sig. (2-sided) oszlopban] mutatja, hogy a két változóegymástól nem független. Ha a Pearson Chi-Square érték szignifikancia-szintje kisebb mint .05, akkor elutasítjuk a két változó függetlenségérevonatkozó hipotézisünket, azaz a két változó között kapcsolat van. Ez akapcsolat statisztikailag bizonyított, vagyis szignifikáns. A .05-nél kisebbszignifikanciaszint értelmezhető úgy is, hogy kevesebb mint 5%-os biz-



tonsággal fogadhatjuk el a hipotézisünket, állíthatjuk, hogy a két változófüggetlen. Ezzel egyenértékűen úgy is fogalmazhatunk, hogy több mint95%-os biztonsággal jelenthetjük ki a két változó kapcsolatát.

Megállapítottuk tehát, hogy a két változó kapcsolatban van, de mégnem tudjuk, hogy a kategóriák hat „kapcsolódási pontja”, a kereszttáblahat cellája közül melyek okozzák ezt a kapcsolatot. Ennek meghatározá-sára szolgál a kereszttábla celláinak utolsó értéke, az adjusztált rezidúm(Adjusted Residual). A nem túl szabadon fordított nevű mutató a követ-kezőképp jelzi a két változó kategóriái közötti kapcsolat létét:

– ha az adjusztált rezidúm abszolút értéke 2-nél nagyobb, akkor akét kategória között szignifikáns kapcsolat van és

– értelemszerűen ha az adjusztált rezidúm abszolút értéke 2-nélkisebb, akkor a két kategória között nincs szignifikáns kapcsolat.

Folytatva példánkat megállapíthatjuk, hogy a két változó kategóriá-inak hat kapcsolódási pontja közül valamennyiben szignifikáns a kapcso-lat. A beosztások közül a nőkre átlagon felüli arányban jellemző a beosz-tott szellemi munkás (clerical) és szignifikáns mértékben átlag alatti abeosztott fizikai munkás (custodial) és a vezető szellemi munkás munka-körök (manager). A férfiaknál ellenkezőleg alulreprezentált a szellemibeosztott és felülreprezentált a fizikai munkás és a menedzser kategória.

A kapcsolat szorosságaKét nominális változó közötti kapcsolat szorosságát a Cramer’ V

asszociációs mérőszám mutatja, amely 0 és 1 közötti értékeket vehet fel.

25. ábra. Kereszttábla: a kapcsolat erősségének mutatói

Az asszociációs mérőszám 0.409-es értéke közepes erősségű kapcso-latot jelez.



8.1.2. Ordinális változók közötti kereszttábla

Az ordinális változók közötti kapcsolatok a nominális változókhozképest egy további információt hordoznak, a változó értékeinek, kate-góriáinak a rangsorát.

Nyissuk meg az SPSS bemutató adatfájljai közül az 1991U.S.General Social Survey.sav fájlt. Ez az egyesült államokbeli szocioló-giai felmérés bőven tartalmaz ordinális változókat. Az interjúalanyok atársadalmi kapcsolataikat jellemző öt állítást kellett fontossági sorba ren-dezék, ezek közül hasonlítunk össze kettőt. Az engedelmesség, a társa-dalmi hierarchia elfogadása és a népszerűség fontosságának megítéléseközötti kapcsolatot vizsgáljuk. Hipotézisünk, hogy e két attitűd változóközött nincs szignifikáns kapcsolat. A nominális változók vizsgálatáhozhasonlóan indítjuk a kereszttáblát:

Analyze → Descriptive Statistics → Crosstabs…

26. ábra. Kereszttábla: ordinális változók

A Cells-ben ezúttal nem lesz szükségünk a sor- és oszlop százalé-kokra, a tényleges elemszám (Observed) mellett csak az adjusztált rezi-dúmot (Adj. standardized) állítjuk be.

A kereszttábla Statistics ablakában az ordinális változókra vonatko-zó mutatókat jelöljük.



27. ábra. Kereszttábla: statisztikák

Eredmények értelmezése:

28. ábra. Kereszttábla: kontingenciatábla

Nincs könnyű dolgunk a táblázat értelmezésével, ugyanis a kategóriákközötti szignifikáns kapcsolatot jelző adjusztált rezidúmot vizsgálva talá-lunk olyan értéket is, ami a két változó hasonló rangsorát (5. sor 4. oszlopcellája) és olyat is, amely fordított rangsort (1. sor 5. oszlop cellája) mutat.A főátlóban egy kivételével valamennyi cella értéke 0, mivel a vizsgált ötordinális változót fontossági sorba kellett rendezni, ezért nincs két olyanváltozó közöttük, amelyek egyszerre ugyanazt az értéket vehetnék fel.



Mindezek alapján joggal valószínűsítjük, hogy az eddig megismertelemzési eszközökkel nem sokat tudunk mondani e két változó kapcso-latáról. A következő táblázatokban találjuk azokat a mutatókat, amelyeka két ordinális változó rangsorának hasonlóságát mutatják.

29. ábra. Kereszttábla: ordinális változók kapcsolati erősségének mutatói

A Sommers`d rangkorrelációs együttható -1 és 1 között vehet felértékeket, ahol a -1-hez közeli érték szoros, fordított arányú kapcsolatotjelez, az 1-hez közeli szoros egyenes arányú kapcsolatot, a 0-hoz közelipedig gyenge kapcsolatot.

30. ábra. Kereszttábla: ordinális változók kapcsolati erősségének mutatói

A fenti táblázatban a Kendalls tau-b mutató szimmetrikus kereszt-táblák esetén értelmezhető, az adott esetben ilyen 5x5-ös táblánk van. ASommers`d mutatóhoz hasonlóan ez is -1 és 1 értéktartománnyal ren-delkezik, az 1-hez közeli érték a két változó hasonló sorrendjét jelzi. AKendalls tau-c mutató hasonlóképp működik, de nem szimmetrikuskereszttábláknál alkalmazható.



Példánk végeredménye tehát egy viszonylag gyenge, de szignifikánsnegatív irányú kapcsolat az engedelmesség és a népszerűség fontosságá-nak megítélése között, vagyis akik fontosnak tartják a társadalmi normák-nak, hierarchiának való engedelmességet, azok kevésbé tartják fontosnaka népszerűséget és fordítva.

8.2. Egymintás t-próba

Az egymintás t-próbával nyitjuk azoknak a módszereknek a sorát,amelyek numerikus változók vizsgálatát teszik lehetővé. Ezt a módszertakkor alkalmazzuk, ha egy mintabeli numerikus változó átlagát akarjukösszehasonlítani egy külső forrásból származó átlaggal, értékkel.

Példa: nyissuk meg a cars.sav adatfájlt, amely egy cég autóparkjánakautóira vonatkozó adatokat tartalmaz. Az autók ismérvei között van a gyár-tási év, ami egy numerikus változóban (year) van megjelenítve. Vizsgáljukmeg, hogy mennyi az autók átlagéletkora, pontosabban mennyi az átlagosgyártási év, és hogy ez szignifikánsan különbözik-e az 1980-tól?

Analyze → Compare Means → One-Sample T Test

31. ábra. Egymintás t-próba

A bal oldali változó listából kiválasztjuk a year változót és a TestValue mezőbe beírjuk a 80-as értéket.18

18 Az autók gyártási évét tartalmazó year változó csak a két utolsó számjegyet tartal-mazza, ezért írunk 80-at az 1980 helyett. Lényeges, hogy az átlaggal összehasonlítanikívánt érték ugyanolyan mértékegységben és formátumban legyen, mint a vizsgált változó.


8.3. FÜGGETLEN MINTÁS T-PRÓBA 105

Eredmények értelmezése: az első eredménytábla az elemzésbebevont változót (YEAR) és főbb statisztikáit mutatja: a változó valós érté-keinek gyakoriságát (N), az átlagot, a szórást és a standard hibát.

32. ábra. Egymintás t-próba: a bevont változó

A második táblázatban a t-próba eredményeit találjuk.

33. ábra. Egymintás t-próba: a bevont változó alapstatisztikái

Kiderült, hogy az átlag (75.75) és a tesztelt érték (80) közötti különb-ség szignifikánsan különbözik 0-tól, tehát az autóparkunk átlagos gyártá-si éve korábbi mint 1980.

8.3. Független mintás t-próba

A független mintás t-próbával egy nominális vagy ordinális és egyvagy több numerikus változó közötti kapcsolatot vizsgálhatunk. A mód-szer a teljes mintát (adattáblát) a nominális/ordinális változó kategó-riái szerint két, egymástól független részmintára bontja, majd összeha-sonlítja a vizsgált numerikus változó részmintabeli átlagait.

Példa: folytassuk a cars.sav adatainak elemzését. Vizsgáljuk meg azta hipotézist, hogy a mintánkban található amerikai autók gyorsulásajobb, mint az európai autóké. Az autók származásának ez a két kategóri-ája (amerikai, európai) egymástól független részmintákra osztja a teljes



mintát, és e két részmintában található megfigyelési egységek (autók)egyik ismérvét (gyorsulását) kívánjuk összehasonlítani.

Analyze → Compare Means → Independent-Samples T Test

34. ábra. Független mintás t-próba: változó beállítások

A Test Variable(s)19 mezőbe a numerikus változót visszük be, adottesetben a gyorsulást (accel). A Grouping Variable mezőben pedig a nomi-nális/ordinális változót definiáljuk, példánkban az autók eredetét (ori-gin). E változó neve után megjelenő kérdőjelek, illetve az OK gomb inak-tivitása jelzi, hogy még további beállításokra van szükségünk. A DefineGroups…-ra kattintva beállíthatjuk, hogy a nominális változó melyik kétértéke határozza meg a két részmintát.

35. ábra. Független mintás t-próba: változó beállítások

19 A többes szám jelzi, hogy akár több numerikus változó átlagait egyszerre is vizs-gálhatjuk.


8.3. FÜGGETLEN MINTÁS T-PRÓBA 107

Eredmények értelmezése: Az első táblázatban az alapvető statiszti-kákat találjuk, mindkét származási helyre vonatkozóan: N – elemszám,az átlagot, a szórást és az átlag standard hibáját.

36. ábra. Független mintás t-próba: a változók átlaga és szórása

Az átlagok alapján megállapíthatjuk, hogy az amerikai autók gyorsu-lása jobb, kevesebb másodperc alatt érik el a 60 mérföld per órás (kb. 100km/h) sebességet. Kérdés, hogy az átlagok közötti nem túl nagynak tűnőkülönbség statisztikailag szignifikáns-e? A második táblázatban erre talá-lunk választ.

37. ábra. Független mintás t-próba: a t-próba eredményei

Az első két oszlopban levő Levene’s teszt F próbája a varianciákegyezőségére vonatkozik, a táblázat többi részében pedig két sorban talál-juk az átlagok egyezőségére vonatkozó t-test eredményeit. A felső sor(Equal variances assumed) a két részminta egyenlő varianciája, az alsópedig eltérő varianciák esetén érvényes.

A Levene’s teszt alapján elutasíthatjuk az egyenlő varianciák hipoté-zisét, ezért a táblázat alsó sorának eredményét (Equal variances not assu-med) kell figyelembe vennünk, és ez alapján megállapíthatjuk, hogy a kétátlag szignifikánsan különbözik.



8.4. Egyutas varianciaanalízis

Két változó közötti hasonlóságot/különbözőséget az átlagaik össze-hasonlításával is vizsgálhatjuk. Az egyutas varianciaanalízis (One-wayANOVA)20 egy nominális vagy egy ordinális változó és egy numerikusváltozó közötti kapcsolatot vizsgálja úgy, hogy összehasonlítja a nume-rikus változó részátlagát a nominális/ordinális változó valamennyikategóriája mentén.

Gyakorlati eredményeit tekintve annyiban különbözik a függetlenmintás t próbától, hogy nem csak két kategória mentén hasonlítja összeaz átlagokat, hanem a nominális változó valamennyi kategóriájára kiszá-mítja. Az átlagok egyezőségére vonatkozó hipotézis tesztelésére azonbannem a t-próbát, hanem az F-próbát alkalmazza, ami nagy minta eseténrobusztus becslést21 eredményez. Ezeknek az előnyöknek köszönhetőena gyakorló kutatók az átlagok összehasonlítására legtöbbször ANOVA-thasználnak, kis (rész)minták esetén folyamodnak a t-próbához.

Példa: használjuk továbbra is a cars.sav adattáblánál. Az előzőekbentárgyalt t-próbával megállapítottuk, hogy az amerikai autók gyorsulásajobb, mint az európaiaké, most lehetőségünk van mindhárom helyről(Amerika, Európa, Japán) származó autókat összehasonlítani.

Analyze → Compare Means → One-way ANOVA

38. ábra. Egyutas varianciaanalízis: változó beállítások

20 A magyar nyelvű szakirodalomban az egyszempontú, az egytényezős variancia-analízis, illetve egyszerűen csak ANOVA elnevezésekkel is találkozhatunk.

21 Robusztus becslés esetén a próba korlátozó feltételeinek részleges nem teljesülésenem rontja lényegesen az eredményt.


8.4. EGYUTAS VARIANCIAANALÍZIS 109

A Factor mezőbe tesszük a nominális vagy ordinális változót, aDependent List-be pedig a numerikus változókat.

Ha egyszerre több numerikus változó átlagára vagyunk kíváncsiak,akkor többet is bejelölhetünk, az eredményeket egymás után jeleníti megaz SPSS Output.

39. ábra. Egyutas varianciaanalízis: változó beállítások

Az Options-ban kell beállítanunk a Descriptives funkciót, különbenaz átlagok nem jelennek meg, csak az F-próba és annak szignifikancia-szintje, majd Continue és OK.

Eredmények értelmezése:A Descriptives táblázatban találjuk a numerikus változó különböző

statisztikáit, a nominális változó valamennyi kategóriája kiszámolva.

40. ábra. Egyutas varianciaanalízis: a numerikus változó csoportonkénti statisztikái



A táblázat első oszlopában láthatjuk a nominális változó (origin)három kategóriájának a kódjait és a címkéit, a második oszlopban (N)pedig a három kategóriába tartozó esetek számát. A Means oszlopbantaláljuk a származási hely szerinti részátlagokat, illetve valamennyi autógyorsulásának átlagát (Total). Megállapíthatjuk, hogy az amerikai autókérik el a leghamarabb (14,93 sec) a 60 mérföld/órás sebességet, a japánautók a másodikak (16,17 sec) és az európai autók gyorsulási átlagideje alegnagyobb (16,82). A teljes minta átlaga (15,51) a fenti három részátlagsúlyozott átlaga.

Jogos a kérdés, hogy a három részátlag közötti – kinek kicsi, kineknagy – különbségek szignifkánsak-e? Erre válaszol az Output következő,ANOVA feliratú táblázata:

41. ábra. Egyutas varianciaanalízis: szignifikanciaszint

Az F-próba értéke szignifikanciaszintjének vizsgálatakor ugyanaz azaranyszabály érvényesül, mint például a kereszttábla-elemzés Chi-négyzetpróbájánál; a 0,05-nél kisebb érték esetén megállapíthatjuk, hogy szignifi-káns különbség van a kategóriák részátlagai között. Példánkban ez aztjelenti, hogy kapcsolat van az autók származási helye és gyorsulása között.De értelmezzük a Descriptives táblázat valamennyi eredményét:

– N – abszolút gyakoriság, azt mutatja, hogy az adott kategória hányértékéből számoltuk a részátlagot;

– Mean – átlag; – Std. Deviation – szórás;– Std. Error – standard hiba. Önmagában nem kell vizsgálnunk, a

konfidencia-intervallum meghatározásához szükséges;– 95% Confidence Interval for Mean (95%-os konfidencia-interval-

lum) – az átlag körüli intervallum, egyenlő az átlag ±2× standard hiba(S.E.). Ha a részátlagok szignifikánsan különböznek, akkor a konfidencia-intervallumok között nincs átfedés, különben igen;



– Minimum és Maximum – a numerikus változó minimumát és maxi-mumát mutatja az adott kategóriára. Hasznos ezek vizsgálata, mivel ígyazonnal kiderül, hogy ha valamilyen szélsőséges érték is bekerült az átlag-ba. Például ha a válaszolni nem tudók (NT/NV) 99-es kódját nem zártukki („nem tettük missing-re”), akkor jelentősen torzíthatjuk az átlagot.

Megállapítottuk tehát az F-próba segítségével, hogy az átlagok közöttvan olyan, ami eltér a többitől, és hogy az amerikai autók jobb gyorsulá-sára vonatkozó kutatási hipotézisünk megint csak igazolódott. Kérdésazonban, hogy van-e különbség az európai és a japán autók átlagaiközött? Az ANOVA tábla szignifikanciaszintje csak azt mutatja, hogy azátlagok között van szignifikáns eltérés, de nem pontosítja, hogy melykategória átlagai között. A következő paranccsal ezt megtehetjük: ha azANOVA ablakban a Post Hoc fülre kattintunk, akkor a lehetőségek zavar-ba ejtő bőségével találjuk szembe magunkat.

42. ábra. Egyutas varianciaanalízis: csoportátlagok összehasonlítása

Válasszuk az első, nem túl biztató nevű LSD opciót, ami az ablakbanfelsorolt tesztek közül a legengedékenyebb, olyan mértékű különbséget isszignifikánsnak tart, amit a többi próba még nem. Használata akkor aján-lott, ha a nominális változónak három kategóriája van.

A Tukey-próbát háromnál több kategória esetén használjuk, ezúttal –a gyakorlás kedvéért – ezt is bejelöljük. Continue, és ha a korábbi beállí-tásaink még megvannak, akkor jöhet az OK.




43. ábra. Egyutas varianciaanalízis: csoportátlagok összehasonlítása

A Multiple Comparisons nevű táblában a kategóriák részátlagaiközötti különbségeket és azok szignifikanciaszintjeit (Sig.) találjuk különa Tukey és külön az LSD próba alapján. Mindkettő ugyanazt az ered-ményt hozza, megállapíthatjuk, hogy az amerikai autók átlagos gyorsulá-sa szignifikáns mértékben különbözik az európai és a japán autókétól, dee két utóbbi közt nincs szignifikáns különbség.

A varianciaanalízis korlátozó feltételeiA varianciaanalízis alkalmazásának van két fontos korlátozó feltétele: 1. A vizsgált numerikus változónak normális eloszlásúnak kell len-

nie. A szakirodalom (Sajtos–Mitev 2007) szerint nem történik nagy prob-léma, ha a gyakorlatban ettől a matematikai-statisztikai feltételezésellenőrzésétől eltekintünk.

Ennek ellenőrzésére különben az SPSS rendelkezik megfelelő mód-szerrel. Az egymintás Kolmogorov-Smirnov teszt két eloszlás hasonlósá-gát, konkrétan a közöttük levő távolságot vizsgálja. Alkalmas arra, hogya tényleges, numerikus változó eloszlását egy elvárt, normál eloszláshozviszonyítsa.

2. A másik korlátozó feltétel az, hogy a nominális változó kategóriáiáltal képzett csoportok szórásának is megközelítőleg azonosnak kelllenniük. Ennek ellenőrzésére a független mintás t-próba bemutatásánál



már említett Levene-teszt áll rendelkezésünkre, amelynek nullhipotéziseaz, hogy a két szórás azonos. Futtassuk még egyszer a varianciaanalízista gyorsulás (accel) és a származási hely (origin) változókkal.

Analyze → Compare Means → One-way ANOVAAz eddig tanult beállításokon túl az Options-ban jelöljük be a

Homogeneity of variance test opciót.

44. ábra. Egyutas varianciaanalízis: feltételek ellenőrzése


45. ábra. Egyutas varianciaanalízis: varianciák homogenitásának ellenőrzése

A szignifikanciaszint (Sig.) alapján elmondható, hogy mindössze0,2% annak valószínűsége, hogy a három csoport varianciája azonos,tehát ez a feltétel nem teljesül. Az eddigi tesztek (t-próba, F-próba) sorána változók értékei közötti különbségeket kerestük, az egyenlőségre vonat-



kozó nullhipotézis elutasításához a nullához közeli szignifikanciaértékvolt a „jó”. Ezúttal nagy, egyhez közeli értékre lett volna szükség, hogykijelenthessük a csoportok szórásának azonosságát.

Ilyen esetben, mikor nem teljesül a varianciaanalízisnek e feltétele,vissza kell térnünk a független mintás t-próbához és páronként ellen-őrizni a csoport átlagok közötti különbségeket.

Perspektívaként megemlíthetjük a kétutas varianciaanalízist, amely-ben egy újabb nominális változót vonunk be a modellbe. A variancia-analízis alkalmazásának kiterjesztésében érdekelt olvasó a Székelyi–Barna (2002) könyvben találhatja meg a módszer alapos leírását.

8.5. Korrelációanalízis

Két numerikus változó közötti kapcsolatot és annak szorosságáthatározza meg a korrelációanalízis. A kapcsolat szorosságát kifejezőPearson-féle korrelációs együttható abszolút értéke 0 és 1 közötti értéketvehet fel, ahol a 0 érték a kapcsolat teljes hiányát jelzi, az 1-es pedig a kétváltozó függvényszerű kapcsolatát jelenti. A kapcsolat szorossága mellettinformációt kapunk a kapcsolat irányáról is. Ha a korrelációs együtthatóelőjele pozitív, akkor a két változó közötti kapcsolat egyenes arányú,negatív előjel esetén pedig fordított arányról beszélünk.

Példa: Nyissuk meg újra az SPSS bemutató adattáblái közül acars.sav adatfájlt. Teszteljük azt a nagyon valószerű hipotézist, hogy azautók teljesítménye és fogyasztása között egyenes arányú kapcsolat van.Az adattáblában a horse (lóerő) változó tartalmazza az autók teljesítmé-nyére vonatkozó információt, az mpg pedig a fogyasztásét, konkrétan aztmutatja, hogy hány mérföldet lehet megtenni egy gallon (kb. 4 liter) ben-zinnel. (Az amerikai autók amerikai mértékegység szerint fogyasztanak,tehát a nagyobb érték kisebb fogyasztást jelent).

Analyze → Correlate → Bivariate


8.5. KORRELÁCIÓANALÍZIS 115

46. ábra. Korrelációanalízis: változók bevitele

A Bivariate Correlations ablakban válasszuk ki a változó listából ahorse és az mpg változókat, majd OK.


47. ábra. Korrelációanalízis: korrelációs együttható

Az eredmény egy szimmetrikus mátrix, amelynek főátlójában egyváltozó önmagával vett korrelációja látható, ezért az együttható értéke 1.A mátrix cellái három értéket tartalmaznak: az első a korrelációs együtt-ható (Pearson Correlation), a második a szignifikanciaszint [Sig.(2-tai-



led)], a harmadik a korrelációanalízisbe bevont esetek száma (N). A szig-nifikanciaszint .05 alatti értéke alapján szignifikáns a kapcsolat a két vál-tozó között. A korrelációs együttható negatív előjele azt jelzi, hogy ha nőaz autók teljesítménye (lóerő), akkor csökken az egy gallon benzinnelmegtehető mérföldek száma (magyarán nő a fogyasztás), a 0,771-es értékpedig szoros kapcsolatot mutat.

A korrelációanalízisbe kettőnél több numerikus változó is bevonha-tó, de természetesen a változók közötti kapcsolatok páronként lesznekvizsgálva. Nézzük meg, hogy az adattáblában található, autókra vonatko-zó többi numerikus változó hogyan viszonyul egymáshoz.

Vonjuk be tehát az elemzésbe az előző két változó mellé az ENGINE(motor űrtartalom, köb hüvelykben), WEIGHT (súly, fontban), ACCEL(gyorsulás, hány másodperc alatt éri el a 60 mérföld per órát), és a YEAR(gyártási év) változókat. Adjuk ki a következő parancsot:

Analyze → Correlate → Bivariate

48. ábra. Korrelációanalízis: újabb változók bevitele


8.6. PARCIÁLIS KORRELÁCIÓANALÍZIS 117


49. ábra. Korrelációanalízis: korrelációs együtthatók

Az eredménytábla a bőség zavarával lep meg, valamennyi változópáronként szignifikáns korrelációs kapcsolatban van a másikkal.Legnagyobb korrelációs együtthatót ( .933) az autó súlya és a motor hen-gerűrtartalma között találjuk, és erős, negatív korrelációs kapcsolat (-.807)van az autó súlya és az egy gallon benzinnel megtehető mérföldek száma(fogyasztás) között.

8.6. Parciális korrelációanalízis

Alaposan végiggondolva az előző korrelációs táblázat valamennyi ered-ményét, elbizonytalaníthat néhány dolog. Például a motor hengerűrtartalma(ENGINE) és a gyorsulás (ACCEL) változók közötti korrelációs együttható (-.545) azt mutatja, hogy nagyobb motortérfogat kevesebb idő alatti, azazjobb gyorsulást jelent. Különösebb műszaki képzettség nélkül is sejtjük,hogy ez azért van, mert a nagyobb motor nagyobb teljesítményt, több lóe-rőt jelent. Ezt az összefüggést meg is találjuk a gyorsulás (ACCEL) és a lóerő(HORSE) ismérvek közötti korrelációs kapcsolatban (-.701). Kérdés, hogy azelőbbi összefüggés csak a gyorsulás és a lóerő közötti összefüggésnekköszönhető-e, vagy azonos teljesítmény (lóerő) mellett is a nagyobb motor-



térfogat jobb gyorsulást eredményez? Úgy kellene vizsgálnunk ezt az össze-függést, hogy közben kontroll alatt tartjuk a teljesítmény indirekt hatását.

A parciális korrelációanalízis úgy vizsgálja két numerikus változóközötti összefüggést, hogy kontrollálja, kiküszöböli más változók hatását.

Analyze → Correlate → Partial

50. ábra. Parciális korrelációanalízis: változók bevitele

A Variables mezőbe bevisszük azt a két változót, amelyek közötti kor-relációs kapcsolatot kívánjuk vizsgálni, a Controlling for mezőbe pedigazt a változó(ka)t, amelynek a hatását kontroll alatt akarjuk tartani.

Eredmények értelmezése: a parciális korrelációs analízis outputjacsak annyiban módosul a kétváltozós korrelációs mátrixhoz képest, hogyfel van tüntetve a kontroll változó (horse), és a cellákban a harmadikérték nem az elemszám (N), hanem a szabadságfok (df).

51. ábra. Parciális korrelációanalízis: parciális korrelációs együttható


8.7. LINEÁRIS REGRESSZIÓANALÍZIS 119

A teljesítmény indirekt hatását kiküszöbölve is, a motor hengerűr-tartalma és a gyorsulás között szignifikáns, de pozitív korrelációs együtt-hatót (0,269) találunk. Ebből azt a némileg meglepő következtetést von-hatjuk le, hogy – azonos lóerejű teljesítmény mellett – a nagyobb motortérfogat hosszabb gyorsulási időt, azaz rosszabb gyorsulást jelent!Kontroll alatt tartva a teljesítmény hatását, a kétváltozós korrelációanalí-zis negatív korrelációs együtthatójával szemben (-0,545) most teljeseneltérő eredményt (0,269) kaptunk.

A parciális korrelációanalízissel az indirekt hatásoktól megtisztít-va kapjuk meg a tényleges összefüggést két változó között. Egymássalösszefüggő változócsoportok elemzésekor az „egyszerű” Pearson-féle kor-relációanalízis alkalmazása tapasztalatom szerint gyakran vezet téveseredményekhez, eltúlzott vagy alulbecsült összefüggésekhez. A többvál-tozós, egymással összefüggő és egymást meghatározó viszonyok elemzé-sére a regresszióanalízis az igazán alkalmas módszer.

8.7. Lineáris regresszióanalízis

8.7.1. Kétváltozós regresszióanalízis

A lineáris regresszióanalízis is úgy vizsgálja a numerikus változókközötti kapcsolatot, hogy a különböző indirekt hatásokat kontroll alatttartja, de ebben az esetben a kapcsolat nem szimmetrikus, hanem az egyvagy több független változó hatását vizsgáljuk egy függő változóra.22 Alineáris regresszióanalízis lineáris kapcsolattal számol a függő és a füg-getlen változó között, ami a következő egyszerű egyenlettel fejezhető ki:

,

ahol y – függő változó, x – független változó, b1 – a független változóegyütthatója, b0 – konstans. Ez a lineáris függvény akkor van meghatá-rozva, ha ismerjük az együtthatók (paraméterek) értékeit, ekkor a függ-vény grafikonja is felrajzolható. A cél tehát a paraméterek becslése, errea lineáris regresszióanalízis a legkisebb négyzetek módszerét alkalmaz-za. Ez a módszer úgy keresi a legjobban illeszkedő lineáris függvényt,

22 Egyenértékű szinonimaként használjuk a magyarázó, illetve a magyarázott változókifejezéseket is.


hogy a tényleges megfigyeléseket jelentő pontok és az egyenes közöttitávolságok négyzetösszege minimális legyen, magyarán mindegyik érték-hez a lehető legközelebb legyen.

52. ábra. A tényleges értékek és az illesztett regressziós egyenes

Példa: Nézzük a gyakorlati példát! Nyissuk meg újra a cars.sav adat-fájlt és vizsgáljuk ezúttal, hogy milyen tényezők határozzák meg az autókfogyasztását.

Analyze → Regression → Linear

Modellünk függő változója a fogyasztás, vigyük be tehát az mpg nevűváltozót a Dependent mezőbe, magyarázó változónak (Independent(s))pedig a teljesítményt (horse).

A továbbiakban több lényeges beállítással is megismerkedünk, demost megkönnyebbülve vesszük észre, hogy az OK gomb aktív, ezértgyorsan rá is kattintunk.

8. VÁLTOZÓK KÖZÖTTI KAPCSOLATOK VIZSGÁLATA120


53. ábra. Lineáris regresszióanalízis: változók bevitele

Eredmények értelmezése: az első táblázat azt mutatja, hogy melyváltozók lettek beépítve a modellbe.

54. ábra. Lineáris regresszióanalízis: eredmények

A következő táblázat fontos mutatója az R négyzet (R Square) deter-minációs együttható.

1218.7. LINEÁRIS REGRESSZIÓANALÍZIS


55. ábra. Lineáris regresszióanalízis: R négyzet determinációs együttható

Az R négyzet determinációs együttható azt mutatja, hogy a függet-len változók milyen arányban magyarázzák a függő változót (ponto-sabban a függő változó varianciáját). Ez a 0 és 1 közötti értékeket felve-vő mutató tehát a modell jóságát, magyarázó erejét jelzi. Példánkban a.595-ös érték szerint elég nagy mértékben sikerült megmagyaráznunk afüggő változót, egy kis szándékos egyszerűsítéssel úgy is fogalmazha-tunk, hogy az autók teljesítménye (lóerő) majd 60%-ban megmagyarázzaa fogyasztást.

56. ábra. Lineáris regresszióanalízis: szignifikanciaszint

Az F-próba ANOVA feliratú táblázata a regressziós modell szignifi-kanciáját mutatja, a regressziós eredmények értelmezését ajánlott ezzelkezdeni, mivel ha a modell nem szignifikáns, akkor felesleges a továbbivizsgálódás. Szignifikáns modell esetén azonban vigyázó szemeinketvessük a független változó együtthatójának (paraméterének) statisztikáittartalmazó Coefficients nevű táblára.



57. ábra. Lineáris regresszióanalízis: a független változók paraméterei

Az utolsó oszlopban (Sig.) a lineáris regressziós egyenlet konstanstagjának és a független változó (HORSE) becsült paraméterének a szigni-fikanciaszintjeit találjuk, amelyekre ugyanaz a már jól ismert küszöbér-ték (<.05) érvényes.

A táblázat első oszlopában pedig a konstans és a független változóparaméterének értékeit találjuk (Unstandardized Coefficients, B). Ezekalapján felírhatjuk a regressziós egyenletet:

Y = 39,855 – 0,157 X,

ahol Y – a fogyasztás és X – a teljesítmény. A lineáris egyenlet szerint, haegy egységgel nő az X, vagyis ha egy lóerővel nagyobb az autó teljesít-ménye, akkor 0,157 mérfölddel kevesebbet lehet menni egy gallon ben-zinnel, azaz nő a fogyasztás.

8.7.2. Többváltozós regresszióanalízis

A multidimenzionálisnak is nevezett regresszióanalízis során többmagyarázó változót bevonunk az elemzésbe, de a modell – a korreláció-analízistől eltérően – nem páronként vizsgálja a változók közötti kapcso-latokat, hanem egyidejűleg valamennyi magyarázó változó a függő vál-tozóra gyakorolt hatását elemzi, úgy, hogy kontroll alatt tartja amagyarázó változók közötti hatásokat. Nagy jelentősége van kvantitatívkutatások során a multidimenzionális elemzéseknek, mivel ha nem tart-juk kontroll alatt a különböző indirekt hatásokat, könnyen félrevezetőeredményekhez jutunk.



Példa: a következőkben bővítsük az előző regressziós modellünkettovábbi numerikus változók bevonásával. A cars.sav adatfájl valameny-nyi, összesen öt numerikus változója lesz a fogyasztás (MPG) magyarázóváltozója: gyártási év (YEAR), súly (WEIGHT), gyorsulás (ACCEL), telje-sítmény (HORSE), motor hengerűrtartalom (ENGINE).

Analyze → Regression → Linear

58. ábra. Többváltozós lineáris regresszióanalízis: szignifikanciaszint

A többváltozós regresszióanalízis beállításait ugyanott pontosíthat-juk, mint a kétváltozós esetben, csak most több változót vonunk be azIndependent(s) mezőbe.

Eredmények értelmezése: az első táblázatot most nem tüntettük fel,a második táblázat már lényeges információt közöl.




A determinációs együttható (R Square) .794 értéke szerint nagymér-tékben, majdnem 80%-ban sikerült megmagyaráznunk, hogy milyentényezők és milyen mértékben befolyásolják az autók fogyasztását. Ilyenmagyarázó erő mellett meglepődnénk, ha a modellünk nem lenne szig-nifikáns, az alábbi táblázat szerint nem is ér ilyen meglepetés:


A regresszióanalízis legtöbb információját a következő, a regressziósegyenlet becsült paramétereire vonatkozó táblázat tartalmazza.




61. ábra. Többváltozós lineáris regresszióanalízis: a független változók paraméterei

A becsült paraméterek szignifikanciaszintjei alapján megállapíthat-juk, hogy az autók fogyasztását szignifikáns mértékben csak a súly(WEIGHT) és a gyártási év befolyásolja (YEAR). Ez meglepő eredmény ésnagy az információtartalma. Ha a gyártási év hatását akarjuk értelmezni,megállapíthatjuk, hogy azonos hengerűrtartalmú, teljesítményű, gyorsu-lású és súlyú, de újabb gyártású autók kevesebbet fogyasztanak, mint arégebbiek. A súly változó együtthatójának negatív az előjele, tehát a többimagyarázó változó rögzített értéke mellett a nagyobb súly kevesebb meg-tett mérföldet, vagyis nagyobb fogyasztást jelent.

A táblázat első oszlopa (Unstandardized sCoefficients, B) tartalmaz-za a lineáris regressziós egyenletet meghatározó paramétereket. Ezekközül csak a szignifikáns független változók együtthatóit kell vizsgál-nunk. A gyártási év .54-es együtthatója szerint az egy évvel újabb autók-nál 0,54-gyel nő a megtett mérföldek száma, a súly változó együtthatójaszerint pedig, ha egy fonttal nő az autó súlya, akkor 0,0066 mérfölddelcsökken az egy gallon benzinnel megtehető út.

Az indirekt hatások kontroll alatt tartása mellett a többváltozós reg-ressziós modell további előnyös tulajdonsága, hogy a becsült paraméte-rek nagysága alapján sorba rendezhetjük a vizsgált, függő változóraszignifikáns hatást gyakoroló tényezőket. Kérdés tehát, hogy az autó


kora (gyártási éve) vagy a súlya befolyásolja-e nagyobb mértékben afogyasztást? Sejtésünk, hogy az eddig megismert B standardizálatlanegyüttható nem alkalmas erre az összehasonlításra, mivel ez a függetlenváltozók eredeti mértékegységét tartalmazza. Nem hasonlítható össze agyártási évszám változó egy évének hatása az egy font súlykülönbséghatásával. Szükség lenne egy közös mértékegységre, vagyis inkább egy, amértékegységtől független együtthatóra. Erre alkalmas a statisztikábanstandardizálásnak nevezett módszer, ami az eredeti értékeket egy -1 és 1közötti skálára transzformálja úgy, hogy az átlag 0 lesz. Az együtthatókattartalmazó Coefficients táblázat Beta oszlopában (StandardizedCoefficients) található béta értékek ilyen standardizált, mértékegységtőlfüggetlen együtthatók a szignifikáns magyarázó változók hatásának azösszehasonlítására alkalmasak.

Ezek alapján megállapíthatjuk, hogy az autó súlya nagyobb mérték-ben meghatározza a fogyasztást, mint a gyártási év, természetesen atöbbi, kontroll változó azonos szintje mellett.

A lineáris regresszióanalízis alkalmazhatóságának feltételeiIdáig viszonylag könnyen elsajátíthattuk ennek a nagyon hatásos adat-

elemzési módszernek az alkalmazását. Azonban a lineáris regressziósmodellnek van néhány statisztikai feltétele, amelyek, ha nem teljesülnek,torzított becsléshez, következésképp téves kutatási eredményekhez jutunk.

1. Multikollinearitás. A multikollinearitás a többváltozós regresszió-modellben a független változók közötti erős korrelációs kapcsolatot jelen-ti. Említettük, hogy a regresszióanalízis fontos tulajdonsága, hogy úgyvizsgálja a függő és a független változók közötti kapcsolatot, hogy kiszűri,kontroll alatt tartja a többi, modellbe bevont független változó hatását. Ezazonban nem teljes mértékben sikerül, ha a független változók közöttdeterminisztikus (függvényszerű), vagy nagyon erős sztochasztikus kap-csolat van. Függvényszerű kapcsolat esetén tökéletes multikollinearitás-ról beszélünk, és ilyen esetben az SPSS (és statisztikai programok) reg-ressziómodellje automatikusan kizár egy vagy több változót a függetlenváltozók közül és hibajelzéssel figyelmeztetnek. Erős sztochasztikus kap-csolat esetén a kutatóra hárul a probléma súlyosságának és kezelésének amérlegelése, mivel nincs általánosan elfogadott szabály, illetve eljárás amultikollinearitás tesztelésére. Egy többé-kevésbé elfogadott hüvelykujj-szabály szerint részleges multikollinearitásról beszélhetünk, ha két füg-getlen változó közötti korrelációs együttható meghaladja a 0,7-es értéket.



Az ilyen részleges multikollinearitás figyelmen kívül hagyása az alábbikövetkezményekkel járhat (Ramanathan 2003):

– csökkenti a független változók becsült paramétereinek a t-értékét,így az együtthatók kevésbé szignifikánsan lesznek, vagy a ténylegesenszignifikáns független változót nem annak tünteti fel,

– de nem ront a modell előrejelző képességén, esetenként még javít-hatja is.

A multikollinearitás teszteléséhez tehát korrelációanalízissel vizsgál-nunk kell a modellbe bevont független változók páronkénti korrelációit.

Ha megállapítottuk a multikollinearitást – vagyis ha a korrelációsegyüttható meghaladja a 0,7-es értéket –, akkor a következő megoldásilehetőségeink vannak:

– Kihagyjuk a modellből az erős korrelációs kapcsolatban levő válto-zókat. Ha csak két változó között van szoros korrelációs kapcsolat, akkortermészetesen elég az egyik változót kihagynunk. Ez az egyszerű, dedrasztikus megoldás akkor elfogadható, ha a kihagyott független változónincs nagy hatással a függő változóra, vagyis a modell R négyzete csakkis mértékben csökken.

– ha több fontos független változó között van szoros korrelációs kap-csolat, akkor gyakran alkalmazott megoldás az ún. főkomponens-analí-zis. Ezzel a módszerrel a független változókból kevesebb számú, egy-mással nem korreláló új változót képezünk, majd ezeket építjük be aregressziós modellbe független változóként. Ennek részletes ismertetésenem célja könyvünknek.

2. Elsőrendű autokorreláció. A lineáris regressziómodell következőfeltétele, hogy az adatok nem autokorrelálnak, vagyis hogy a különbözőmegfigyelésekhez tartozó rezidúmok között nincs függvényszerű kapcso-lat. Elsőrendű autokorreláció fennállása esetén egy rezidúm függvény-szerű kapcsolatban van a megelőző időponthoz tartozó rezidúmmal.Mint a definícióból is kiderül, az autokorreláció az idősoros adatokonfuttatott lineáris regresszióanalízis feltétele, keresztmetszeti adatoknález nem okoz problémát! Idősoros adatoknál egy viszonylag egzakt pró-bával állapíthatjuk meg az autokorreláció létét vagy hiányát: a Durbin–Watson-próbával.23 A Durbin–Watson-tesztstatisztika 0 és 4 között vehetfel értékeket, ha 1,8 és 2,2 közötti intervallumba esik, akkor az auto-korreláció nem jelent problémát a modellünk számára.


23 A Durbin–Watson-próba alkalmazási korlátainak és további részletek megismerésecéljából ajánljuk a szakirodalomban feltüntetett Ramanathan könyvet.


Erre a tesztre csak idősoros adatoknál van szükség, keresztmetszetiadatoknál nincs ilyen problémánk. Erről akár meggyőződhetünk úgy is,hogyha véletlenszerűen sorba rendezzük az adattáblát és lefuttatjuk azelőbbi példa regresszióanalízisét. A Durbin–Watson-tesztstatisztika érté-ke 2-höz nagyon közeli értéket fog mutatni.

3. Homoszkedaszticitás. Ez a feltétel is a rezidúmokra vonatkozik, ahibatagok egyenlő szórását feltételezi. Magyarán úgy fogalmazhatjukmeg, hogy a regressziós modell egyformán jól magyaráz a függő változóvalamennyi értéke esetén. Az előbbi példára vetítve azt mondhatjuk,hogy a lineáris regressziós modellünk azonosan magyarázza a kisebb,illetve a nagyobb fogyasztású autók fogyasztását. A feltétel nem teljesü-lése esetén heteroszkedaszticitásról beszélünk, és ez a regressziósegyütthatók rossz becslését eredményezi. A homoszkedaszticitás feltéte-lének elégséges ellenőrzése a rezidúmok normális eloszlásának azellenőrzése: állítsuk be a regresszióanalízis Plots ablakában a Histogramés a Normal probability plot opciókat.

62. ábra. Lineáris regresszióanalízis: a rezidúmok grafikai vizsgálata

Az eredmény egy hisztogram, ami a rezidúmok eloszlását mutatja,továbbá az ábrán fel van tüntetve folytonos vonalként a normás eloszlásfüggvénye.



63. ábra. Lineáris regresszióanalízis: a rezidúmok eloszlását mutató hisztogram

A grafikon alapján a rezidúmok eloszlása nagyon közel van a normáleloszláshoz, és ezt igazolja az ábra jobb oldalán levő statisztika is, miszerinta szórás (Std.Dev.) megközelítőleg egyenlő eggyel és az átlag (Mean) nullával.

8.8. Függvényillesztés

Az SPSS függvényillesztés módszerével a kutatásból származó meg-figyelési adatainkra függvényt illeszthetünk. Ez az eljárás nagymérték-ben hasonlít a regresszióanalízisnél alkalmazott legkisebb négyzetekmódszeréhez, az adatok és az illesztett függvény közötti távolság négy-zetösszegét minimalizálja. A lineáris függvény esetében gyakorlatilagugyanazt az eredményt kapjuk, de lehetőségünk van több nemlineárisfüggvényt is kipróbálni: másod-, harmadfokú polinomiálist, hatványkite-vős, exponenciális, logisztikus stb. függvényeket. A függvényillesztésneksokféle közgazdasági alkalmazása van: keresleti vagy termelési görbékillesztése, és ezáltal az optimális ár vagy termelési mennyiség meghatá-rozása különböző előrejelzésekre stb.

Példa: egy piackutatás során egy termékünk iránt a következő keres-letet tapasztaljuk. Az alábbi táblázatban feltüntettük, hogy adott áron a



kérdezettek hány százaléka vásárolja meg a terméket. Szokatlannak tűn-het, hogy a keresletet a potenciális kereslet arányában fejezzük ki, de eztkönnyen átalakíthatjuk abszolút számokká.

Határozzuk meg az adatainkra legjobban illeszkedő keresleti görbét!Az elemzésünket kezdjük az adattábla létrehozásával, az árakat és a hoz-zájuk tartozó keresletet két változóba rögzítjük:

64. ábra. Függvényillesztés: adattábla

Az adattábla létrehozása után kezdhetjük a függvényillesztést.Analyze → Regression → Curve estimationA két változónk közül értelemszerűen a termékből eladott mennyi-

ség az ár függvénye, ezért a mennyiseg változó kerül a Dependent(s), azar pedig az Independent mezőbe.

1318.8. FÜGGVÉNYILLESZTÉS

Ár (RON) 1 2 2,5 3 3,5 4 5 5,5 6 6,5 7 8 9,7Mennyiség (%) 59 56 54 52 48 47 44 37 36 34 33 31 28


65. ábra. Függvényillesztés: változók bevitele és a függvénytípusok kiválasztása

A függvényillesztés során 11 különféle függvénytípus közül választ-hatjuk ki az adatainkra legjobban illeszkedő függvényt. Egyelőre válasz-szuk ki az első ötöt, mivel valamennyi egyszerre áttekinthetetlennétenné a grafikont. A kiválasztott függvények a következő általános alak-kal rendelkeznek:

– Lineáris (Linear)– Másodfokú polinomiális (Quadratic)– Exponenciális (Compound)– Növekedési (Growth, az exponenciális egy típusa)– Logaritmikus (Logarithmic)Eredmények értelmezése:Az adatsorunk és az öt típusú függvény grafikus ábrázolását az aláb-

bi diagramon láthatjuk:



66. ábra. Függvényillesztés: az első öt függvénytípus

Karikával van jelölve az adatsorunk (Observed), és különbözőmódon az öt illesztett függvény. Ennek ellenére az ábra első ránézésremeglehetősen áttekinthetetlen, ezért nem ajánlott egyszerre két-háromfüggvénytípusnál többet kipróbálni. Azonban a grafikus ábrázolás mel-lett egzakt mutató alapján határozhatjuk meg, melyik a legjobban illesz-kedő függvénytípus. A következő táblázatban az R-négyzet (R Square) amodell illeszkedésének jóságát mutatja 0 és 1 közötti értéktartománnyal,emellett az F-próba értékét és szignifikanciaszintjét, illetve a becsültparamétereket (Parameter Estimates) találjuk.

67. ábra. Függvényillesztés: a függvénytípusok illeszkedésének jósága



Az R-négyzetek vizsgálata alapján megállapíthatjuk, hogy valamennyifüggvénytípus nagyon jól illeszkedik 0,90 feletti mutatóval, de a legjobbértéke a másodfokú polinomiális (Quadratic) függvénynek van (.977).Nézzük a következő általános formájú függvénytípusok illeszkedését:

– Harmadfokú polinomiális (Cubic)– S függvény (S, az exponenciális egy típusa)– Exponenciális (Exponential)– Inverz (Inverse)– Hatványkitevős (Power)

68. ábra. Függvényillesztés: a második öt függvénytípus

A grafikon alapján is láthatjuk, hogy a harmadfokú polinomiális ésaz exponenciális függvények illeszkednek a legjobban. Ezt igazolja akövetkező táblázatban feltüntetett R2 is:

69. ábra. Függvényillesztés: a függvénytípusok illeszkedésének jósága



A harmadfokú polinomiális függvény eredményezi a legjobb illesz-kedést, a keresleti görbe tehát a következő formában írható fel.

Y = 0,000069X3 – 0,009X2 – 0,116X + 61,2

A keresleti függvény a termékre vonatkozó legfontosabb információ,mely meghatározza az árat.




9. FEJEZET

AZ EREDMÉNYEK PREZENTÁLÁSA, A TANUL-MÁNY MEGÍRÁSA

A kutatási folyamat legutolsó szakasza az eredmények bemutatása,prezentálása. Ennek az időben legutolsó szakasznak is nagy a jelentősé-ge, hisz akár a jó kutatási eredményeket tönkretehetjük egy rossz pre-zentálással. A kutatási eredmények közlésének alapvetően két formájavan: a számítógépes diavetítéssel támogatott szóbeli prezentáció és azírásbeli tanulmány.24 Leggyakrabban mindkettőre szükség van, az állam-vizsga-dolgozatot is követ egy tizenöt–húszperces prezentáció és védés.

Mindkét esetben az eredményeket táblázatokban vagy grafikusanábrázoljuk, ezért a következőkben a diagramkészítésről lesz szó.





6. Adatelemzés



24 Természetesen más, kreatív formái is vannak az eredmények bemutatásának,például a tudományos konferenciákon gyakran használt poszterek.


9.1. Diagramkészítés

A diagramok, grafikonok készítésének legfontosabb indoka, hogy egyjól választott diagrammal több és könnyebben megérthető információttudunk közölni az olvasóval. Diagramkészítéskor sok lehetőségünk vanegyéni megoldásokra, de van néhány szabály, alapelv, amit ha nem tar-tunk be, hiányos vagy teljesen félreértelmezhető lesz a diagramunk.Alapelvek:

– Az adataink szerkezetének megfelelő diagramtípust használjunk. – Minden diagramnak tartalmaznia kell címet, az adatok mértékegy-

ségét a megfelelő tengely mellett, az adatok forrását és százalékok eseténa bázist, ami azt mutatja, hogy mi jelenti a 100%-ot.

– Egy prezentáció során ne használjunk többféle stílust a szövegek-nél, és legyünk következetesek a különféle beállításoknál.

– Hasonlóképp lehetőleg ne használjunk 4–5 féle színnél többet. A következőkben kivételesen eltérünk az utóbbi két szabálytól, hogy

az olvasó minél többféle megoldással találkozzon. Többféle széles kör-ben elterjedt szoftver közül választhatunk, jegyzetünkben az MS Office2007 PowerPointot használjuk. A program indítása és egy új prezentációmegnyitása után adjuk ki a következő parancsot:

Insert → Chart

70. ábra. Diagramszerkesztés PowerPointban

9. AZ EREDMÉNYEK PREZENTÁLÁSA, A TANULMÁNY MEGÍRÁSA138


9.1.1. Függőleges és vízszintes oszlopdiagram

Adatábrázolási szempontból három lényeges altípusát különböztet-jük meg a függőleges oszlopdiagramoknak, ezek a diagramtípusokatbemutató előbbi ábra első három diagramja. A háromdimenziós megjele-nítés, illetve a különböző mértani testek közötti választásnak az adatokhelyes ábrázolása szempontjából nincs jelentősége, esztétikai érzékünk-re bízhatjuk a választást. A három altípussal kezdjük a diagramok rész-letes bemutatását.

71. ábra. Függőleges oszlopdiagram

Az első típusban a vízszintes tengely kategóriáinak két egymástólfüggetlen adatsorát tüntettük fel. A második függőleges oszlopdiagram-típus a kumulált oszlopdiagram.

Ezt a diagramot az különbözteti meg az előzőtől, hogy a kategóriánbelül adatsorok összegződnek, egymástól nem függetlenek. Olyankorhasználjuk, ha a kategóriák komponenseinek, összetevőinek a megoszlá-sát is fel akarjuk tüntetni. A következő, harmadik függőleges oszlopdiag-ram-típuson is összegződnek az adatsorok, de itt az összeg 100%.

1399.1. DIAGRAMKÉSZÍTÉS


72. ábra. Kumulált függőleges oszlopdiagram

73. ábra. Százszázalékos függőleges oszlopdiagram



Gyakorlatilag megegyezik három kördiagrammal, de a 100%-os osz-lopdiagrammal jobban tudjuk szemléltetni a kategóriák közötti különbsé-geket. Alkalmas két nominális változó közötti kereszttáblasor vagy -osz-lop százalékainak az ábrázolására is.

A következő ábránk a vízszintes oszlopdiagram. A függőleges és avízszintes oszlopdiagram közötti választásnál néhány szempontra érde-mes odafigyelni:

– Idősor ábrázolásakor a dátumokat a vízszintes tengelyen szoktákábrázolni, ezért függőleges oszlopdiagramot használunk,

– Hasonlóképp vízszintes tengelyen tüntetjük fel valamely numeri-kus változó folytonos értékeiből képzett intervallumokat. Például hanumerikus jövedelem változóból a következő kategóriákat képezzük:kevesebb mint 500, 501–1000, 1000–1500, 1501–2500, 2501–5000 és5000 feletti RON.

– Ha 4–5-nél több kategóriánk van, akkor praktikus szempontból avízszintes oszlopdiagram ajánlott, mivel a függőleges oszlopdiagram víz-szintes tengelyén nem férnek el a kategóriák nevei.

74. ábra. Vízszintes oszlopdiagram



A vízszintes oszlopdiagramban az adatokat – valamelyik ismérv sze-rint – fentről lefelé csökkenő sorrendben ábrázoljuk.

A kategóriánkénti kettő vagy annál több ismérv adatsorának feltün-tetése fizikai megjelenésénél több információt eredményez. Például afenti diagramon ránézésre is látjuk a két adatsor közötti arányokat, amiplusz információt nyújt. Megállapíthatjuk, hogy Nyugat-Európábaninternetorientáltabbak a számítógépet használók, mint Amerikában,lényegesen nagyobb a szélessávú internetkapcsolattal rendelkezőkaránya a PC-vel rendelkezőkhöz viszonyítva.

9.1.2. Kördiagram

A kördiagrammal olyan nominális változó kategóriáinak megoszlásátábrázoljuk, amelyek kumulált relatív gyakorisága 100%.

75. ábra. Kördiagram

A kördiagram értékeit is csökkenő sorrendben ábrázoljuk, a legna-gyobb értéket (körcikket) a függőleges, 12-es óraállásnál kezdjük. Az eset-leges „egyéb” vagy az „NT/NV” kategóriákat a végére hagyjuk.

Ha a kérdéstípusok alapján kívánjuk definiálni a kördiagram alkal-mazhatóságát, azt mondhatjuk, hogy kördiagramot egyválaszos kérdésreadott válaszokból lehet készíteni. Többválaszos kérdésnél azért nem



alkalmazhatjuk, mert a kategóriák relatív gyakoriságainak összege – ritkakivételektől eltekintve – több mint 100%. Az alkalmazás egy másik, for-mai szempontja szerint a körcikkek száma ne haladja meg a 6–8-at, a sokkis körcikk értékei és címkéi nehezen olvashatók ki. Több kategória ese-tén használhatunk 100%-os oszlopábrát, amelynél jobban fel tudjuk tün-tetni a kategóriák neveit (címkéit). Végső esetben használhatjuk a több-válaszos kérdéseknek fenntartott vízszintes oszlopábrát, ekkorelveszítjük azt a plusz információt, hogy a kategóriák relatív gyakorisá-gainak összege 100%.

A kördiagram további változataiként használhatjuk a kördiagram ésa 100%-os oszlopdiagram kombinációját, amelyben az egyik körcikketkomponenseire bontjuk. Az ilyen diagramot két egymással összefüggőismérv adatainak ábrázolására használjuk.

9.1.3. Pontdiagram

Pontdiagrammal numerikus változók értékeinek megoszlását ábrá-zolhatjuk. Az alábbi ábrán az SPSS bemutatása során már megismertemployee data.sav adatfájl a munkavállalókra vonatkozó adatai közül akezdő és a jelenlegi fizetés nagyságát mutatjuk be. Valamennyi pont koor-dinátái egy-egy munkavállaló fizetéseit határozzák meg.

76. ábra. Pontdiagram



Első ránézésre is látszik a kezdő és a jelenlegi fizetés nagysága közöt-ti egyenes arányú kapcsolat, amit lineáris regresszióanalízis segítségévelakár számszerűsíthetünk is.

9.1.4. Vonal- és területdiagram

A vonaldiagramot is numerikus változókra használjuk, de az külön-bözteti meg a pontdiagramtól, hogy az ábrázolt értékek, pontok közöttivonalnak logikus értelme van, a két pont közötti változást jelzi. Ezért avonaldiagram idősorok szemléltetésére alkalmas.

77. ábra. Vonaldiagram

Ha pontdiagrammal ábrázoltuk volna a fenti adatsort, akkor aztsugallta volna, hogy az országos átlagbér évenként csak egyszer változik.

78. ábra. Területdiagram



A területdiagram funkciójában nem sokban különbözik a vonaldiag-ramtól, talán jobban kihangsúlyozza az adatsorok közötti különbséget,távolságot, és alkalmasabb az egymásra épülő adatsorok bemutatására is.

9.1.5. Radardiagram

Több ismérv átlagát egyszerre ábrázolhatjuk a radardiagrammal.Előnyös tulajdonsága, hogy több adatsor (vagy minta) különböző ismérve-inek (numerikus változóinak) átlagait ránézésre össze tudjuk hasonlítani,meg tudjuk állapítani, hogy melyik ismérvnél van a legnagyobb különbség.

79. ábra. Radardiagram

A fenti ábra a világ 62 országában elvégzett, a szervezeti kultúrára ésvezetési stílusra vonatkozó kutatássorozat (GLOBE) részeredményeitmutatja. A román és a magyar vállalatvezetők vezetési stílusát összeha-sonlítva az ábrán látható 5 szempont szerint, megállapíthatjuk, hogy amegkérdezett vállalati középvezetők szerint nincs eltérés. Legnagyobbkülönbség a vezető autonómiájának a megítélésében van, de a tanult füg-getlen mintás t-próbával vagy a varianciaanalízissel kell megvizsgál-nunk, hogy ez a különbség szignifikáns-e.

További hasznos diagramtípusok például a két egymásba ágyazottperecdiagram, amivel a teljes összeg változása mellett az összetevőkmegoszlásának alakulását is ábrázolni lehet. Tőzsdei árfolyamok követőijól ismerik a tőzsde (stock) diagramot, amit más numerikus változók főbbstatisztikáinak a bemutatására is használhatunk.



9.2. Tanulmányírás

A kutatási folyamatban elérkeztünk a kutató számára legtöbb időtigénylő szakaszhoz: a tanulmány, dolgozat megírásához. A legtöbb krea-tivitásra is ekkor van szükség, ha a tanulmányírást és az adatelemzéstszimultán végezzük. Nagyobb vagy bonyolultabb témájú kutatásoknálajánlott az adatelemzés eredményét, az elfogadott vagy elutasított kuta-tási hipotézisekből származó információt azonnal megfogalmazni és leír-ni, mert ez további elemzési ötleteket generálhat. Csak nagyon egyszerűvagy rutin kutatásoknál ajánlott különválasztani az adatelemzést a tanul-mányírástól.

A dolgozatnak/tanulmánynak a következő struktúrát kell követnie:– címoldal;– tartalomjegyzék – régebben a tartalomjegyzéket a könyvek végén

jelenítették meg, ma már egyértelműen az elején közöljük az olvasóval adolgozat/könyv szerkezetét;

– bevezetés – leírjuk a kutatás célját, a kutatási hipotéziseket, a mód-szertant, a mintát és a mintavételt, vagyis a kutatási tervet az olvasó szá-mára érthetően fogalmazva;

– kidolgozás – a dolgozat gerince, ez tartalmazza a részletes kutatásieredményeket. Primer kvantitatív kutatásnál táblázatban vagy diagram-ban ábrázolja valamennyi kérdésre adott válaszok eredményeit;

– összefoglalás – a legfontosabb eredményeket tartalmazza. Eltérőhelyen van a struktúrában a szakdolgozat és az üzleti kutatás tanulmá-nyának az összefoglalója. Az előbbinél a kidolgozás után, a dolgozat végénszokott lenni, míg egy piackutatási tanulmány a kidolgozás előtt tartal-mazza két-három oldalban a vezetőknek szánt legfontosabb információkat;

– hivatkozások jegyzéke – ha nem lábjegyzetet használtunk, akkor ahivatkozások jegyzéke a dolgozat végére kerül. Ajánlott inkább az olvasószámára kényelmesebb lábjegyzetet használni;

– bibliográfia – a későbbiekben részletezzük;– függelék/melléklet – tartalmazza a kutatás különféle eszközeit, pl.

kérdőív, moderátori vezérfonal, a minta demográfiai ismérvek szerintijellemzése stb.

A dolgozat szerkezetének formai követelményei mellett nyilván tar-talmi szempontok is meghatározzák a struktúrát:

– Figyelni kell a dolgozat logikus felépítésére. Kvantitatív kutatások-nál gyakran a kérdőív kérdésblokkjainak a sorrendjét követik, de ez nem



mindig célravezető, hiszen a kérdőív strukturálást kérdezéstechnikaiszempontok is befolyásolják, amelyekre a tanulmányban nincs szükség.

– A fejezetek nagyságának arányai összhangban kell legyenek tartal-mi fontosságukkal. Egy szakdolgozat esetében baj, ha az elméleti részkapja a legnagyobb terjedelmet, a bíráló sokkal inkább a hallgató egyénihozzáadott értékére kíváncsi.

– A fő- és alfejezetek tagolásának összhangban kell lennie a tartalmiterjedelemmel és a logikai felépítéssel. Ennek az összhangnak a megtalá-lása nem mindig magától értetődő, jelen jegyzet tartalomjegyzéke jópélda e probléma bemutatására. Az a szerzői szándék, hogy a könyvgerincét a kutatás folyamata adja, nagyon aránytalanná tenne egyes feje-zeteket. Ha a folyamat szakaszai jelentenék a fejezeteket, akkor lenne 3oldalas (előzetes tájékozódás) fejezetünk is, illetve 33 oldalas is (a kuta-tási terv elkészítése).

A dolgozat írása, szövegezése során figyeljünk:– A terminológiára, a szakkifejezések használatára. – Az érvelés módjára. Érvelésünk legyen következetes, objektív az

eredmények értelmezésében, keressük a fontos megállapítások magyará-zatát, összefüggéseit. Következtetéseink legyenek koherensek – a kutatószámára nagy elégtétel, ha a részeredmények összhangban vannak, egy-mást igazolják. Ha empirikus kutatási eredményeink igazolnak, akkorbátran előállhatunk a szakirodalom paradigmájától eltérő, alternatívmagyarázatokkal is.

– A dolgozat stílusára. A stílus legyen tudományos, ami a szakkifeje-zések használatán túl azt jelenti, hogy például nem használunk közhe-lyeket, nem mesélősen, terjengősen fogalmazunk, hanem szabatos éstömör, de egyúttal világos és érthető mondatokra törekszünk. A leggyak-rabban előforduló stilisztikai hibák: helytelen szóhasználat, nyelvhe-lyességi hibák, mondatszerkezeti hibák, szóismétlés, stílustévesztés.

– Hivatkozásokra, idézetekre. A szakirodalomból származó fontoskijelentések után zárójelben hivatkozzunk a szerzőre, az idézett könyvmegjelenési dátumára vagy a folyóirat évfolyamára és számára, illetvegyakran előfordul az oldalszám feltüntetése is. A hivatkozások célja azolvasó figyelmének felkeltése a szakirodalom iránt és a tanulmányunk-ban nem igazolt fontos megállapítások alátámasztása. Ugyanebből a cél-ból indokolt feltüntetnünk a táblázatok és grafikonok adatainak a forrá-sát. A szó szerinti idézeteket tegyük mindig idézőjelek közé („szószerint”).

1479.2. TANULMÁNYÍRÁS


Az összefoglalásban a konklúziók, következtetések megfogalmazásaa következőket tartalmazza:

– a kutatási célok ismétlése, összegzése,– a módszerválasztás helyességének igazolása/elvetése,– a kutatási hipotézis igazolása, elvetése,– az önálló tudományos eredmény hangsúlyozása,– végül a kutatás távlatai, nyitott kérdések megfogalmazása.Végül következzék az irodalomjegyzékre, a bibliográfiára vonatkozó

néhány megállapítás. A bibliográfiának alapvetően két típusa van: a szer-zők családnevének ábécésorrendje alapján rendezett és sorszámozottbibliográfia, amelyben a hivatkozásuk első előfordulások szerint kapnaksorszámot. Az előbbi, alfabetikus bibliográfia sokkal elterjedtebb, mi isezt ajánljuk. A szakirodalmi hivatkozásnak a következő elemeket kell tar-talmaznia:

– szerző neve – nemzetközileg elfogadott, hogy előbb a családnevetmajd a keresztnevet tüntetjük fel. Ez a sorrend a magyaron kívül nem soknyelvre jellemző, ezért ha idegen nyelvű szakirodalomra hivatkozunk,akkor a családnév után vesszővel választjuk el a keresztnevet (pl. Greene,William);

– a szakirodalom címe általában a többi hivatkozás elemtől eltérőbetűtípussal szerkesztve;

– a megjelenés dátuma. Könyv esetében az évszám, folyóiratbanmegjelenő cikknél az évfolyam, a szám (adott évfolyamon belül melyikszám) és az oldalszám feltüntetése kötelező;

– a kiadás helye és a kiadó neve (pl. Kolozsvár, Scientia).A szakirodalmi hivatkozáselemek közül a dátum és a kiadóra vonat-

kozó adatok sorrendjében és szerkesztésében lehetnek egyéni megoldá-saink is.

Az internetes tartalom gyors és végtelenbe tartó növekedése felvetiaz internetes hivatkozások kérdését is, amelyben a következő konszenzuskezd kialakulni. Először feltüntetjük a tartalomszolgáltató nevét, amiáltalában egy domain név, de nyilván lehet egy blog író tulajdonnevevagy álneve is. Ezt követi az írás címe, a visszakeresést lehetővé tevő URLcím lehetőleg teljes hosszában és a letöltés dátuma.

Például: www.penzcentrum.hu. Ki felelős a válságért?URL:http://www.penzcentrum.hu/cikk/1015776/1/ki_felelos_a_valsa-gert_10_ember_akit_utalhatunk. 2009. 03.10.



Ebben a tanulmányírásra vonatkozó részben igazából csak a tanul-mány formai követelményeit fogalmaztuk meg néhány általános jótanácskíséretében. Szakdolgozatírás előtt ajánlott a hivatkozott sokkal részlete-sebb szakirodalom idevágó részeit átolvasni (leginkább Majoros Pál,Umberto Eco), továbbá az interneten is találhatunk nagyon jó gyakorlatitanácsokat a megfelelő szakdolgozatstílus kialakításához. A legfontosabbazonban az, hogy merjünk írni, az előbbiekben felsoroltakat ne olyankorlátoknak tekintsük, amelyek szűkre szabják lehetőségeinket, hanemtámpontokat adnak saját kutatási eredményeink közléséhez.

A modern tudományos megismerés folyamatának elsajátítása utánegy közel háromezer éves posztmodern igazsággal relativizálhatjukmindezek fontosságát:

„Ezeken felül, fiam fogadd meg az intést: a sok könyv írásának nin-csen vége, és a sok gondolkodás elfárasztja a testet.” (Biblia, Préd 12,14).

1499.2. TANULMÁNYÍRÁS



SZAKIRODALOM

BABBIE, Earl1996 A társadalomtudományi kutatás gyakorlata. Budapest, BalassiKiadó

DRÓTOS György2000 Az információrendszerek perspektívái. Budapest, CorvinusEgyetem, Phd-értekezés

ECO, Umberto2005 Hogyan írjunk szakdolgozatot? Budapest, Kairosz Kiadó

GREENE, William2003 Econometric analysis. Upper Saddle River, USA, Prentice Hall

HAJDU Ottó2003 Többváltozós statisztikai módszerek. Budapest, Aula Kiadó

HOFFMANN Mária–KOZÁK Ákos–VERES Zoltán2000 Piackutatás. Budapest, Műszaki Könyvkiadó

HUNYADI László–MUNDRUCZÓ György–VITA László1996 Statisztika. Budapest, Aula Kiadó

KŐRÖSI Gábor–MÁTYÁS László–SZÉKELY István1990 Gyakorlati ökonometria. Budapest, Közgazdasági és JogiKönyvkiadó

MAJOROS Pál2001 A kutatásmódszertan alapjai. Budapest, Perfekt Kiadó

MALHOTRA, Naresh2001 Marketingkutatás. Budapest, Műszaki Könyvkiadó


RAMANATHAN, Ramu2003 Bevezetés az ökonometriába. Budapest, Panem

SAJTOS László–MITEV Ariel2007 SPSS kutatási és adatelemzési kézikönyv. Budapest, AlineaKiadó

SZÉKELYI Mária–BARNA Ildikó2002 Túlélőkészlet az SPSS-hez. Budapest, Typotex Kiadó

SZŰCS István (szerk.)2004 Alkalmazott statisztika. Budapest, Agroinform Kiadó

TOMCSÁNYI Pál2000 Általános kutatásmódszertan. Budapest, Szent István Egyetem,Országos Mezőgazdasági Minősítő Intézet

TÓTHNÉ LŐKÖS Klára2008 Következtetés statisztika. Gödöllő, GIK Kiadó

SZAKIRODALOM152


ABSTRACT

The aim of this book is very practical, to introduce the reader in theeconomic research methodology to acquaint techniques which help torecognize, explain and even forecast the economic and social phenome-na. Due to practical orientation of the book the structure follow the gen-eral process of the research and every stage is presented in detail, beginswith the defining of the research theme and the preliminary orientationregarding to research theme.

The third stage, the definition of the research goals means the decom-position of the research theme into many research questions. Additionallythe research questions match one or more research hypothesis whichdenotes our substantive assumption relative to research theme, its factorsand the nature of relation of these factors. It is an assumption based onidea or based on results of earlier researches. Further formalization of theresearch hypothesis leads to the statistical hypothesis what is the mathe-matical form of a statement regarding to observed population. Therefore inthe case of quantitative researches every research question is controlledfinally by a statistical hypothesis process.

The forth station of the research process is the detailed researchplanning. It`s most important items are the selection of the adequateresearch method(s), sampling plan, editing the questionnaire, data analy-ses plan. Research methods are organized by the origin of data (sec-ondary – primary), the type of data (qualitative – quantitative) and thetiming of data collection (cross-sectional – longitudinal).

The detailed planning of the research is followed by the data collec-tion, fieldwork and later by the data analyses. This part contains the halfof the book, because here is presented the SPSS statistical, data analysissoftware in such profoundness, we could do high quality analyses. Everymethod is presented through a practical example. Beyond the presenta-tion of the basic data table methods and basic statistics we put accent onvariable types and the analyses of the relation between variables.

The presentation of the results, report writing. This last stage of theresearch method has also a big significance, even the very good researchresults could be perished by a bad presentation. The book relates bothfundamental form of the presentation: the computer (chart editor) aidedpresentation and the written report.


REZUMAT

Obiectivul cărţii este foarte practic: a introduce cititorul în metodo-logia cercetării economice şi a împărtăşi acele tehnici practice, pe bazacărora va fi capabil de a identifica, de a interpreta, şi chiar de a prevedefenomenele economice şi sociale. Datorită caracterului practic, structuracărţii urmăreşte procesul general al cercetării şi prezintă detaliat fiecarefază începând cu definirea tematicii cercetării şi orientare prealabilă.

Etapa treia, definirea obiectivelor şi ipotezelor cercetării constă îndescompunerea temei principale în diferite obiective de cercetare; ope-raţionalizarea ei. Un obiectiv de cercetare corespunde uneia sau maimultor ipoteze de cercetare, prin care se exprimă presupunerile inde-pendente asupra temei cercetării, a variabilelor acesteia, sau a raportuluidintre ele. Presupuneri, care se bazează pe intuiţie sau pe rezultateleunor cercetări anterioare. În cursul formalizării continue a ipotezei decercetare ajungem la ipoteza statistică, care este de fapt o afirmaţie într-o formă matematică simplă, referitoare la una din caracteristicile mulţi-mii observate. Pe parcursul cercetărilor cantitative obiectivele de cerce-tare şi ipotezele care rezultă din acestea sunt verificate în final printestarea ipotezelor statistice.

Etapa patra a procesului de cercetare este planificarea detaliată a cer-cetării. Principalele părţi al planului de cercetare sunt: alegerea metodei/ metodelor de cercetare, plan de eşantionare, redactarea chestionarului,planul analizei datelor. Clasificarea metodelor de cercetare se realizeazăpe baza originii (secundară - primară), caracterului (calitativă - cantitati-vă) şi temporalităţii (transversală - longitudinală) datelor.

După planificare detaliată a cercetării urmează colectarea datelor,munca de teren care în general este cel mai extins în timp. Pe baza date-lor culese poate începe analiza datelor. Această parte expune jumătate dinextensia cărţii. În acest capitol se prezintă softul de statistică şi analiză adatelor SPSS, astfel încât pe baza acesteia să fie posibile realizarea anali-zelor la un nivel superior. Toate operaţiunile sunt prezentate şi prinexemple practice. Alături de cunoaşterea operaţiunilor fundamentale cutabele de date şi statistici de bază, se pune mare accent pe prezentareametodelor adecvate în analiza tipurilor de variabile şi a relaţiei dintre ele.


Prezentarea rezultatelor, întocmirea studiului. În procesul de cercetareeste foarte importantă inclusiv ultima parte, printr-o prezentare neadecva-tă fiind posibilă chiar distrugerea rezultatelor bune ale cercetării. Ambelemodalităţi sunt esenţiale în comunicarea rezultatelor cercetării: prezenta-rea orală cu proiectare asistată de calculator, precum şi studiul scris.


A SZERZŐRŐL

Lázár Ede 1973 március 30-án született Nagybányán. A középiskoláta gyergyószentmiklósi Salamon Ernő líceumban végezte, majd aBudapesti Közgazdaság-tudományi Egyetemen szerzett közgazdász okle-velet 1998-ban. 2002–2006 között a gödöllői Szent István EgyetemGazdálkodás- és Szervezéstudományi doktori iskolájának hallgatója, ahola 2006-ban abszolvált.

Az egyetem elvégzése után egy évig elemző közgazdász a budapestiKözponti Statisztikai Hivatal-ban, majd kutató a TNS ModusMarketingkutató Kft. üzleti kutatásokkal foglalkozó szektorában. 2001–2003 között a TNS Hungary Kft. üzleti kutatásainak vezetője, 2001-benszakmai továbbképzésben vett részt az egyesült államokbeli TNSTelecom-nál (Tennessee, Knoxville).

Jelenleg (2003-tól) a Sapientia EMTE csíkszeredai Gazdaság- ésHumántudományok Kara, Üzleti Tudományok Tanszékének főállásúoktatója. A menedzsment, információmenedzsment, kutatásmódszertan,marketingkutatás tantárgyakat oktatja. Kutatási területe: ökonometriaimodellek, ezen belül a kvalitatív döntési és a korlátozott eredményválto-zójú modellek alkalmazása az üzleti tudományokban, elsősorban a mar-ketingkutatásban és a vállalati pénzügyekben.


A SAPIENTIA ERDÉLYI MAGYAR TUDOMÁNYEGYETEM JEGYZETEI

Megjelent: BEGE ANTAL

Számelméleti feladatgyûjtemény. Marosvásárhely, Mûszaki ésHumán Tudományok Kar, Matematika–Informatika Tanszék, 2002.

BEGE ANTAL

Számelmélet. Bevezetés a számelméletbe. Marosvásárhely,Mûszaki és Humán Tudományok Kar, Matematika–InformatikaTanszék. 2002.

VOFKORI LÁSZLÓ

Gazdasági földrajz. Csíkszereda, Csíkszeredai Kar,Gazdaságtan Tanszék. 2002.

TÕKÉS BÉLA–DÓNÁTH-NAGY GABRIELLA

Kémiai elõadások és laboratóriumi gyakorlatok.Marosvásárhely, Mûszaki és Humán Tudományok Kar,Gépészmérnöki Tanszék. 2002.

IRIMIAº, GEORGE

Noþiuni de foneticã ºi fonologie. Csíkszereda, Csíkszeredai Kar,Humán Tudományok Tanszék. 2002.

SZILÁGYI JÓZSEF

Mezõgazdasági termékek áruismerete. Csíkszereda,Csíkszeredai Kar, Gazdaságtan Tanszék. 2002.

NAGY IMOLA KATALIN

A Practical Course in English. Marosvásárhely, Mûszaki ésHumán Tudományok Kar, Humán Tudományok Tanszék. 2002.

BALÁZS LAJOS

Folclor. Noþiuni generale de folclor ºi poeticã popularã.Csíkszereda, Csíkszeredai Kar, Humán Tudományok Tanszék.2003

POPA-MÜLLER IZOLDA

Mûszaki rajz. Marosvásárhely, Mûszaki és Humán TudományokKar, Gépészmérnöki Tanszék. 2004.


FODORPATAKI LÁSZLÓ–SZIGYÁRTÓ LÍDIA–BARTHA CSABA

Növénytani ismeretek. Kolozsvár, Természettudományi ésMűvészeti Kar, Környezettudományi Tanszék. 2004.

MARCUŞ, ANDREI–SZÁNTÓ CSABA–TÓTH LÁSZLÓ

Logika és halmazelmélet. Marosvásárhely, Műszaki és HumánTudományok Kar, Matematika–Informatika Tanszék. 2004.

KAKUCS ANDRÁS

Műszaki hőtan. Marosvásárhely, Műszaki és HumánTudományok Kar, Gépészmérnöki Tanszék. 2004.

BIRÓ BÉLA

Drámaelmélet. Csíkszereda, Gazdasági és HumántudományokKara, Humántudományi Tanszék. 2004.

BIRÓ BÉLA

Narratológia. Csíkszereda, Gazdasági és HumántudományokKara, Humántudományi Tanszék. 2004.

MÁRKOS ZOLTÁN

Anyagtechnológia. Marosvásárhely. Műszaki és HumánTudományok Kar, Gépészmérnöki Tanszék. 2004.

GRECU, VICTOR

Istoria limbii române. Csíkszereda, Gazdasági ésHumántudományok Kara, Humántudományi Tanszék. 2004.

VARGA IBOLYA

Adatbázis-kezelő rendszerek elméleti alapjai. Marosvásárhely,Műszaki és Humántudományok Kar, Matematika–InformatikaTanszék. 2004.

CSAPÓ JÁNOS

Biokémia. Csíkszereda, Műszaki és Társadalomtudományi Kar,Műszaki és Természettudományi Tanszék. 2004.

CSAPÓ JÁNOS–CSAPÓNÉ KISS ZSUZSANNA

Élelmiszerkémia. Csíkszereda, Műszaki és Társadalomtudo-mányi Kar, Műszaki és Természettudományi Tanszék. 2004.

KÁTAI ZOLTÁN

Programozás C nyelven. Marosvásárhely, Műszaki ésHumántudományok Kar, Matematika–Informatika Tanszék.2004.


WESZELY TIBOR

Analitikus geometria és differenciálgeometria. Marosvásárhely,Műszaki és Humántudományok Kar, Matematika–InformatikaTanszék. 2005.

GYÖRFI JENŐ

A matematikai analízis elemei. Csíkszereda, Gazdaság- ésHumántudományok Kar, Matematika–Informatika Tanszék.2005.

FINTA BÉLA–KISS ELEMÉR–BARTHA ZSOLT

Algebrai struktúrák – feladatgyűjtemény. Marosvásárhely,Műszaki és Humántudományok Kar, Matematika–InformatikaTanszék. 2006.

ANTAL MARGIT

Fejlett programozási technikák. Marosvásárhely, Műszaki ésHumántudományok Kar, Matematika–Informatika Tanszék.2006.

CSAPÓ JÁNOS – SALAMON ROZÁLIA

Tejipari technológia és minőségellenőrzés. Csíkszereda,Műszaki és Társadalomtudományok Kar, ÉlelmiszertudományiTanszék. 2006.

OLÁH-GÁL RÓBERT

Az informatika alapjai közgazdász- és mérnökhallgatóknak.Csíkszereda, Gazdaság- és Humántudományok Kar,Matematika–Informatika Tanszék. 2006.

JÓZON MÓNIKA

Általános jogelméleti és polgári jogi ismeretek. Csíkszereda,Gazdaság- és Humántudományok Kar, Üzleti TudományokTanszék. 2007.

KÁTAI ZOLTÁN

Algoritmusok felülnézetből. Marosvásárhely, Műszaki ésHumántudományok Kar, Matematika–Informatika Tanszék.2007.

CSAPÓ JÁNOS–CSAPÓNÉ KISS ZSUZSANNA–ALBERT CSILLA

Élelmiszer-fehérjék minősítése. Csíkszereda, Műszaki ésTársadalomtudományi Kar, Élelmiszertudományi Tanszék.2007.


ÁGOSTON KATALIN–DOMOKOS JÓZSEF–MÁRTON LŐRINC

Érzékelők és jelátalakítók. Laboratóriumi útmutató.Marosvásárhely, Műszaki és Humántudományok Kar,Villamosmérnöki Tanszék. 2007.

SZÁSZ RÓBERT

Komplex függvénytan. Marosvásárhely, Műszaki ésHumántudományok Kar, Matematika–Informatika Tanszék.2007.

KAKUCS ANDRÁS

A végeselem-módszer alapjai. Marosvásárhely, Műszaki ésHumántudományok Kar, Gépészmérnöki Tanszék. 2007.

ANTAL MARGIT

Objektumorientált programozás. Marosvásárhely, Műszaki ésHumántudományok Kar, Matematika–Informatika Tanszék.2007.

MAJDIK KORNÉLIA–TONK SZENDE-ÁGNES

Biokémiai alkalmazások. Kémiai laboratóriumi jegyzet.Kolozsvár, Természettudományi és Művészeti Kar,Környezettudományi Tanszék. 2007.

GYÖRFI JENŐ–ANDRÁS SZILÁRD

Valószínűségszámítás és lineáris programozás. A játékelméletalapjai. Csíkszereda, Gazdaság- és Humántudományok Kar,Matematika és Informatika Tanszék. 2007.

DIMÉNY GÁBOR

Minőségirányítási rendszerek. Marosvásárhely, Műszaki ésHumántudományok Kar, Kertészmérnöki Tanszék. 2008.

ZSIGMOND ANDREA

Minőségi és mennyiségi analitikai kémia laborkönyv. Kolozsvár,Természettudományi és Művészeti Kar, KörnyezettudományiTanszék. 2008.

KÁTAI ZOLTÁN

Gráfelméleti algoritmusok. Marosvásárhely, Műszaki ésHumántudományok Kar, Matematika–Informatika Tanszék.2008.


CSAPÓ JÁNOS–ALBERT CSILLA–CSAPÓNÉ KISS ZSUZSANNA

Élelmiszer-analitika. Válogatott fejezetek. Csíkszereda, Műszakiés Társadalomtudományi Kar, Élelmiszer-tudományi Tanszék.2008.

MÁRTON GYÖNGYVÉR

Kriptográfiai alapismeretek. Marosvásárhely, Műszaki ésHumántudományok Kar, Matematika–Informatika Tanszék.2008.

NAGY IMOLA KATALIN

A guidebook to Language Exams. English for Human Sciences.Marosvásárhely, Műszaki és Humántudományok Kar,Humántudományok tanszék. 2008.

GAGYI JÓZSEF

Örökség és közkapcsolatok (PR). Marosvásárhely, Műszaki ésHumántudományok Kar, Humántudományok tanszék. 2008.

FODOR LÁSZLÓ

Szociálpedagógia. Marosvásárhely, Műszaki és Humántudo-mányok Kar, Humántudományok tanszék. 2008.

FODORPATAKI LÁSZLÓ–SZIGYÁRTÓ LÍDIA–BARTHA CSABA

Növénytani ismeretek, Kolozsvár, Természettudományi ésMűvészeti Kar, Környezettudományi Tanszék. 2009.



A PARTIUMI KERESZTÉNY EGYETEM JEGYZETEI

Megjelent:KOVÁCS ADALBERT

Alkalmazott matematika a közgazdaságtanban. Lineáris algebra.Nagyvárad, Alkalmazott Tudományok Kar, KözgazdaságtanTanszék, 2002.

HORVÁTH GIZELLA

A vitatechnika alapjai. Nagyvárad, Bölcsészettudományi Kar,Filozófia Tanszék. 2002.

ANGI ISTVÁN

Zeneesztétikai elõadások. Nagyvárad, Alkalmazott TudományokKar, Zenepedagógiai Tanszék. 2003.

PÉTER GYÖRGY–KINTER TÜNDE–PAJZOS CSABA

Makroökonómia. Feladatok. Nagyvárad, AlkalmazottTudományok és Mûvészetek Kar, Közgazdaságtan Tanszék. 2003.

ANGI ISTVÁN

Zeneesztétikai előadások. II. Nagyvárad, AlkalmazottTudományok Kar, Zenepedagógiai Tanszék. 2005.

TONK MÁRTON

Bevezetés a középkori filozófia történetébe. Nagyvárad,Bölcsészettudományi Kar, Filozófia Tanszék. 2005.


Scientia Kiadó400112 Kolozsvár (Cluj-Napoca)Mátyás király (Matei Corvin) u. 4. sz. Tel./fax: +40-264-593694E-mail: [email protected]

Korrektúra:Szenkovics Enikő

Mûszaki szerkesztés:Dobos Piroska

Tipográfia:Könczey Elemér

Készült a kolozsvári Gewalt nyomdában100 példánybanIgazgató: Liliana Dadu


Documents

Lazar Ede Kutatasmodszertan Jegyzet