Először megtanultuk a parciális korrelációt. Röviden arról van szó, hogy egy változóval lineáris regresszióval közelítünk két másik változót, elkészítjük a becslés és az igazi változók különbségét, majd a különbségek között kérünk korrelációt. Mindezt úgy lehet interpretálni, hogy kiszűrtük a regresszió alapjául szolgáló változó hatását, és így kérünk korrelációt a másik két változó között. Ezt követően egy fiktív adatokat tartalmazó fájlban kértünk korrelációt a pohár törések száma és a rendőri kiérkezések száma között. Pozitív korrelációt tapasztaltunk: így minél több a rendőri kiérkezés annál több az eltört pohár. Természetesen ez nem jelent ok okozati összefüggést. Azért pozitív a korreláció, mert mindkét változó erősen függ a verekedések száma változótól. Elkészítettük a pohártörés és rendőri jelenlét parciális korrelációját a verekedések számára nézve. Vagyis a verekedések száma változó hatását igyekeztünk kiszűrni. A vártnak megfelelően így már 0 körüli korrelációt kaptunk. Vagyis nem a rendőrök törik össze a poharakat.
Ezt követően megtanítottam a One-way Anova-t (lásd főoldalon belinkelt többváltozós jegyzet). Ez a független kétmintás t-próbának az általánosítása. Több csoportnál vizsgálja meg, hogy a várható értékek azonosak-e. A csoportok szórásának azonossága fontos feltétel. Ehhez kötődően kicsit szimuláltunk PSPP-ben. Felvettük a One-Way Anova feltevéseinek teljesen megfelelő adatot. Egész pontosan először létrehoztuk az index változót elkészítő command syntacs file-al és a Transform/Recode into different variable paranccsal egy csoportosító változót 1,2 és 3 értékekkel. Majd a Transform/Compute Variable paranccsal egy új változót szimuláltunk, amely esetei normális eloszlásúak voltak 5 szórással és 1,2,3 várható értékkel attól függően, hogy a csoportosító változóban 1,2 vagy 3 állt. Ezt követően a szimulált változóra és a csoportosító változóra One-Way Anova-t futtattunk. Láttuk, hogy a csoportok azonos szórását vizsgáló előteszt elfogadta a szórások egyezését, az Anova pedig elutasította a várható értékek azonosságát.
Később a fenti tesztet megcsináltuk SPSS-el is. Láttuk, hogy a két program nagyon hasonlóan működik, csak (jelenleg még) több dolog van beépítve az SPSS-be. Mondtam, hogy ha elutasítjuk a várható értékek azonosságát, akkor konfidencia intervallumokat szerkeszthetünk és hipotézisvizsgálatokat végezhetünk a különbségváltozók várható értékeihez kötődően. Ezt az SPSS egyik beépített lehetőségével meg is tettük.
Fontos, hogy a One-Way Anova-nak az az előnye a sima t-próbás páronkénti összehasonlításhoz képest, hogy minden adatot felhasznál (más csoportokét is), továbbá a páronkénti összehasonlításnál ha sok kategória van, vagyis szükségképpen sok próbát végzünk, akkor a sok próba közül néhány könnyen tévedhet.
Ezt követően a kétszempontos interakciós varianciaanalízist tanítottam meg (lásd röviden a főoldalon talált jegyzetben). Vettük egy számpéldát a Vincze könyvből (187. oldal) amiben röviden illusztráltam, hogyan is kellene számolni. Ha az interakció létezését elvetettük, vagy eleve nem számoltunk vele, akkor meg lehet vizsgálni, hogy az egyes szempontoknak külön-külön van-e hatásuk (a másik szempont hatását kiküszöböljük).
Ezután megjegyeztem, hogy a többváltozós regressziónál is egyfajta szórásfelbontáson alapuló teszttel vizsgáljuk azt, hogy az összes együttható 0-e. Kicsit még átismételtük a regessziót.
Végül utaltam rá, hogy az SPSS-ben be vannak építve esettanulmányok, amikből sokat lehet tanulni. Felül megtaláljátok ennek a linkjét.