Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás

Tanulmányok Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás Gelei Andea PhD, a Budapesti Covinus Egyetem egyetemi docense E-mail: andea.gelei@unicovinus.hu Dobos Ime DSc, a Budapesti Covinus Egyetem egyetemi docense E-mail: ime.dobos@unicovinus.hu Sugá Andás PhD, a Budapesti Covinus Egyetem egyetemi docense E-mail: andas.suga@unicovinus.hu A szezők azoka az ún. diadikus jelenségeke kívánják felhívni a figyelmet, melyek a globalizálódó gazdaság vesenyképességének meghatáozó jelenségei. A nemzetközi hálózatok építőkövének tekintett üzleti kapcsolatokban zajló jelenségek így például az együttműködő felek közötti koopeációt befolyásoló bizalom szintje megétéséhez az ún. egyvégű lekédezés és az ehhez kapcsolódó hagyományos statisztikai elemzések sok esetben nem nyújtanak megfelelő eszköztáat. Szükség lehet a páos lekédezés, a kettős adatfelvitel és ehhez kapcsolódóan az ún. diadikus adatelemzés módszetanának alkalmazásáa. Egy egyszeű, egyetemi hallgatók között végzett, a bizalom és a koopeáció témaköéhez kapcsolódó páos lekédezés adatait felhasználva ismeteti a tanulmány a diadikus adatelemzés alapfogalmait, megközelítési módját és módszeeit. Ismeeteink szeint eől az eljáásól magya nyelven eddig nem állt endelkezése leíás. TÁRGYSZÓ: Diadikus jelenségek. Páos lekédezés. Diadikus adatelemzés.

418 Gelei Andea Dobos Ime Sugá Andás Az elmúlt évtizedek meghatáozó gazdasági tendenciái köztük kiemelten a globalizáció, az infomációtechnológiai foadalom és az azt kíséő tudásalapú működés számos új, koábban nem tapasztalt jelenséget hozott felszíne. Ezek közül a gazdálkodástudomány, de a közgazdaságtudomány számáa is kiemelkedő jelentőségű a gazdaság működési és ebből adódóan elemzési egységeinek a változása. Ma má szinte közhelynek számít az a megállapítás, miszeint nem vállalatok, hanem ellátási láncok vagy éppen üzleti hálózatok vesenyeznek egymással. Amennyiben pedig a vesenyképesség má nem elsősoban a vállalatok, mint inkább azok együttműködő csopotjainak jellemzőitől függ, úgy a gazdaság elemzése sem agadhat meg a vállalatok szintjén. Aká ellátási láncokól, aká üzleti hálózatokól beszélünk, alapvető jelentőségű azoknak az üzleti kapcsolatoknak a vizsgálata, melyeken keesztül azokat megvalósítják és fejlesztik. A hagyományos közgazdaságtani megközelítés is tisztában van temészetesen az üzleti kapcsolatokban végbemenő tanzakciók jelentőségével. Ennek az ételmezése soán ugyanakko leegyszeűsítve közelít a kédésköhöz, amennyiben feltételezi, hogy azok függetlenek egymástól, nincsenek hatással sem az egymást követő tanzakcióka, sem az abban észt vállaló vállalatoka (Williamson Ouchi [1981]). Mindennapi tapasztalataink azonban jól mutatják, hogy ma má az ún. tanzakcióalapú megközelítés nem elegendő. A vesenyképesség hosszú távú együttműködések kialakítását igényli, a szükséges innovációk az ilyen mélyebb együttműködéssel jellemezhető kapcsolatok nélkül nem valósíthatók meg (Dwye Schu Oh [1987], Dye Singh [1998]). A hosszú távú üzleti kapcsolatban zajló folyamatok alapvetően eltének a koábbi tanzakcióktól. Nem igaz ájuk, hogy egymástól függetlenek, az egyes adásvételi eseményekben tapasztaltak beépülnek mindkét fél memóiájába, és befolyásolják a későbbi eseményekkel kapcsolatos észleléseiket, döntéseiket. Az együttműködésnek ez az ún. inteakcióalapú megközelítése (Fod et al. [2008]) hangsúlyozza az egyes események és az azok közötti kölcsönhatások jelentőségét. Felhívja a figyelmet aa, hogy az inteakciók eedményeként létejön valami új: az üzleti kapcsolat, amely mai gazdaságunkban megfelelő menedzsment mellett a sike kulcsa. A vállalatok ezeken a kapcsolatokon keesztül ételmezhetők, és ezek által képesek a gazdasági élet szeeplőivé válni (Andeson Håkansson Johanson [1994], Hámoi [2004]). Ma má alaptétel, hogy ezeknek a jövőoientált, gazdag tatalommal jellemezhető üzleti kapcsolatoknak a sikee jelentősen függ az abban együttműködő patneek között kialakuló tásas jellemzőktől. Ezek közé tatozik például a felek elégedettsége, a közöttük kialakuló elkötelezettség, de a bizalom szintje is. Ezek az ún. diadikus je-

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 419 lenségek, amelyek vizsgálata konkét kapcsolatokban végezhető el. A hagyományos, ún. egyvégű empiikus vizsgálat (single-end eseach) (Bennan Tunbull Wilson [2003]) nem ad megbízható képet az egyes jelenségek állapotáól és azok kölcsönhatásaiól. Ebben az esetben a felhasznált kédőívet az egyik fél tölti ki egy hipotetikus vagy általános jellemvonásokkal endelkező patnee vonatkozóan. Ennél az adatfelvételi módszenél tehát nem személyesítődik meg az a konkét patne, akie vonatkozóan a tásas jellemzők étékelése megtöténik. Így az egyvégű kutatás, általánosító jellege miatt, nem tud pontos képet adni az együttműködő kapcsolatokban megfigyelhető tásas, kapcsolati jellemzőkől és az azok közötti különbségekől, mai vesenyképességünk kitikus foásaiól. Ráadásul ez a lekédezési mód nem tudja megagadni a tásas jellemzők közötti egymása hatás, az ún. kölcsönösség jelenségét sem. Az üzleti kapcsolatok tásas és diadikus jellemzőinek kutatásako hasznos az ún. páos lekédezés módszeének alkalmazása. Ennek soán a kédőívet mindig két összetatozó személy, pát alkotva tölti ki. A kédéseke adott válaszokat ily módon konkét személye vagy egy személy által képviselt, megtestesített kapcsolata vonatkozóan étékelik és ögzítik. A páos lekédezés esetén a válaszok feldolgozása két módon lehetséges. Egyészt elképzelhető az egyes kédőívekben szeeplő válaszok közötti összefüggések hagyományos statisztikai módszeekkel töténő feldolgozása (Malhota Simon [2009]). A páos adatfelvétel kombinálása a hagyományos statisztikai módszeek alkalmazásával azonban négy tipikus hiba elkövetéséhez vezethet (Gonzalez Giffin [2000]): 1. Tegyük fel például, hogy a páos adatfelvétel soán N pá nyilatkozik az egymás iánt ézett bizalom szintjéől. Ez azt jelenti, hogy 2N adat áll endelkezése a felméésben észt vett személyek egymás iánti bizalmának szintjéől. Ebben az esetben a bizalommal kapcsolatos kutatást végezhetjük oly módon, hogy az így nyet 2N adatot tekintjük induló adatbázisnak, azt elemezzük a hagyományos statisztikai eszközökkel. Ilyen esetben az ún. feltételezett függetlenség hibáját (assumed independence eo) követjük el. 2. Az előző hibát nem szeetnénk elkövetni, ezét tegyük fel, hogy elhagyjuk az adatok felét, és az N pá egyik szeeplőjének étékelését tekintjük induló adatbázisnak, melyet további elemzéseink soán használunk. Ilyenko az ún. adatkihagyás hibájáól (deletion eo) beszélünk. Sokszo ennek a megoldásnak a használata nem módosít az aktuális koelációs együtthatók étékén, az adatelhagyás ennek ellenée nem kívánatos, és a vizsgált jelenség jobb megétését gátolja. Az adat-

420 Gelei Andea Dobos Ime Sugá Andás elhagyás abban is gátolja a kutatókat, hogy megétsék a diádokon belüli függőség típusait és métékét. 3. A kutatóknak keülniük kell továbbá az ún. szintek közötti hiba (coss-level eo) elkövetését. Ez akko fodul elő, ha a páos lekédezés két tagjának egy változóa adott étékeit átlagoljuk, s az így kapott diádszintű átlagokkal számolunk tovább elemzésünk soán. 4. Végül meg kell említeni azt a gyakoi ételmezési poblémát, melyet az ún. elemzési szintek hibájaként (levels of analysis eo) szokás emlegetni. Ezt a hibát akko követjük el, ha a diád átlagait (N adat), mint diádszintű folyamatot ételmezzük, miközben az egyes étékek (2N adat) közötti koelációt, mint egyéni hatást, egyéni szintű folyamatként fogjuk fel. El kell fogadnunk azt a tényt, hogy mind a kettő, előbb említett koeláció vegyesen tatalmaz diádszintű és egyéni szintű hatásokkal kapcsolatos infomációkat. Ezeknek a diádszintű (diádok között megfigyelhető) és egyéni szintű (egyének között ételmezett) koelációknak a számítása és megétése olyan megközelítést igényel, mely explicit módon az elemzés mindkét szintjén azonosítja és modellezi az egyes változókon belüli, valamint azok közötti függőség métékét. A páos lekédezés lehetségessé teszi azonban az ún. diadikus adatelemzés (dyadic analysis) statisztikai módszeének alkalmazását, melyet a tásas pszichológia teén fejlesztettek ki (Ickes Duck [2000]), és amelynek nagy előnye, hogy az elemzések soán igyekszik megagadni, kimutatni azokat az esetleges összefüggéseket (például a kölcsönösség kédésének jelentőségét), melyek csak az adott pá kontextusában, a pát alkotó egységek kölcsönös egymása hatásából adódóan jelennek meg. A diadikus adatelemzés módszeét a tásadalomtudományokban má sikeel alkalmazták (Cook Kenny [2005], Buk Steglich Snijdes [2007], West et al. [2008]), ugyanakko legjobb tudomásunk szeint gazdasági jellegű felhasználásáa még nem keült so, sőt, eddig magya nyelvű bemutatása sem tötént meg. 1 Ez a technika jelenleg is fejlődésben van, s az eddig kidolgozott, javasolt megoldások számos kédést vetnek fel. Cikkünkben nem e módszetan tatalmi kitikáját kívánjuk adni, célunk a hazai szakmai köztudatba töténő bevezetése. A diadikus adatelemzés ismetetést a bizalom kédését középpontba állító példa segítségével tesszük meg. A következőkben ezét elsőként öviden a bizalom fogalmát ételmezzük. 1 A diadikus elemzés fogalmához kapcsolódik a páos minta (paied sample) fogalma, mely a statisztikában és az ökonometiában is ismet. Utóbbi, általánosítva, ezt panelnak nevezi (Vincze Vabanova [1993], Sugá [2008a]). A páos mintákat magya nyelven még összetatozó mintának is nevezik (Vagha [2008]).

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 421 1. Bizalom a kapcsolatokban az empiikus kutatás bemutatása Elemzésünk középpontjában a személyek közötti bizalom szeepe és jelentősége áll. A kédés minden magánembe számáa fontos lehet, mivel azonban a szevezetközi bizalom is alapvetően a szevezet képviselői közötti bizalmon nyugszik (Deutsch [1973]), kutatásunk a gazdasági szeeplők számáa is eleváns eedményekhez vezethet. A bizalom fogalmának meghatáozása a szakiodalomban nem egységes. A fogalom ételmezése két alapvető megközelítési móda vezethető vissza, az ún. hiten (Kuma [1996], Doney Cannon [1997]), valamint a kockázaton alapulóa (Baney Hansen [1994], Maye Davis [1995], Das Teng [1998]). Elemzésünk soán ez utóbbia építünk. A kockázatalapú megközelítést képviselő kutatók is különféleképpen definiálják ugyanakko a bizalom fogalmát. Das és Teng [1998] összegyűjtötte és endszebe foglalta ezeket a definíciókat, majd az általuk felsoolt meghatáozások szintéziseként a következőképpen hatáozta meg a bizalom fogalmát (idézi Nagy Schubet [2007]): A bizalom pozitív vélekedés a másik fél magatatásáól akképpen, hogy a köülmények bámiféle változása esetén az nem cselekszik oppotunista módon. A bizalom tehát azt jelenti, hogy önkéntesen kockázatot vállalunk abból fakadóan, hogy sebezhetővé válunk a másik fél által. A bizalom kockázatalapú ételmezését alkalmazó szakiodalom alapvető üzenete tehát az, hogy a bizalom léte vagy éppen hiánya azokban az esetekben eleváns, amiko kockázatos szituációk is előfodulnak az együttműködés soán. Ilyenko a bizalom gyakolatilag a két együttműködő fél közötti viselkedés iányítási eszközeként jelenik meg (Gelei [2009]). Az egyes szituációk kockázati szintjének növekedésével páhuzamosan nő a két együttműködő fél közötti bizalom szintjének jelentősége. Az alacsony kockázati szinttel jellemezhető üzleti szituációban a bizalomnak nincs jelentős szeepe, hiszen kicsi az oppotunista viselkedés lehetősége. A közepes és a nagy kockázati szint mellett ugyanakko má van jelentősége a bizalomnak, hiszen annak megléte vagy hiánya befolyást gyakool a felek tényleges lépéseie, cselekvésée, így aztán a kapcsolatban, a két együttműködő fél közötti inteakció konkét kimenetelée. Ezt a bizalom kockázatalapú megközelítésének iodalmából kiolvasható összefüggést kívánjuk empiikusan tesztelni munkánkban. Konkét kutatási hipotézisünk a következő: diadikus kapcsolatokban a felek cselekvését mind a konkét döntési szituáció kockázati szintje, mind a felek egymás iánt ézett bizalmi szintje befolyásolja. Váakozásunk szeint a magas kölcsönös bizalmi szinttel endelkező kapcsolatokban a magas kockázati szinttel endelkező inteakciók is megvalósulnak. Amennyiben sikeül hipotézisünket empiikusan igazolni, az azt jelenti, hogy a koopeáló felek között megfigyelhető bizalom szintje valóban a kapcsolatokban zajló inteakciók egyfajta iányítási eszközeként ételmezhető. Annak édekében, hogy hipotézisünket tesztelni tudjuk, a Budapesti Covinus Egyetem Gazdálkodástudományi Kaának alapszakos hallgatói észvételével végeztük

422 Gelei Andea Dobos Ime Sugá Andás el a szükséges páos adatfelvételt. Kédőívünk konkét együttműködési szituációt modellezett. 2 (A kédőív megtalálható a Függelékben.) Egy vizsgaszituációt, mely lehetőséget adott aa, hogy az egymás iánt ézett bizalom szintje és a vizsgált szituáció kockázati szintje közötti összefüggéseket vizsgáljuk a diadikus adatelemzés módszeének felhasználásával. A páos lekédezés soán önkéntes hallgatói észvétel mellett véletlenszeűen kialakított páokat hoztunk léte. E páok egyszee, egymással szemben ülve és a kédéseket egymása vonatkoztatva töltötték ki a kédőívet. A kédőívben aa kétük őket, hogy étékeljék konkét pájuk kapcsán az adott féle vonatkozóan a kapcsolatot az ismetség, a baátság és a bizalom szintje szeint. Ezt követően jelölniük kellett, vajon egy vizsgaszituációban segítenének-e, azaz súgnának-e konkét tásuknak, avagy nem. Azt is jeleztük a kédőívben, hogy a vizsga valamennyi kédésée ő, a kitöltő személye sem tudja a választ, tehát szintén segítsége szoul. A hallgatóknak különböző lebukási valószínűség mellett, tehát eltéő kockázati szint mellett is meg kellett hozniuk döntéseiket saját cselekvési hajlandóságuka vonatkozóan. A tásas jellemzőket 1 3-as skálán métük (1-es a legalacsonyabb és 3-as a legmagasabb szint), míg a kockázati szintek a 0, a 25, az 50, a 75 és a 100 százalékos valószínűséggel jellemezhető lebukást jelentették. E feltételek mellett kellett a hallgatóknak jelölniük, hogy cselekednének-e, vagy sem, azaz súgnának-e, vagy sem tásuknak. Összesen 50 konkét hallgatói páal végeztük a lekédezést. A felvett adatokat azután az ún. diadikus adatelemzés statisztikai eljáásával elemeztük. Ehhez az ún. kettős adatbevitel módszeét alkalmaztuk. Ebből következően a mintanagyságunk 100 lett. A következőkben elsőként a diadikus adatelemzés fogalmi alapjait mutatjuk be, majd a kutatási hipotézisünk vizsgálatához alkalmazott módszeeket és az azok használatával kapott kutatási eedményeinket. 2. A diadikus adatelemzés alapjai A diadikus adatelemzés olyan sajátos statisztikai elemzési módsze, melynek alapegysége két, egymással valamilyen kapcsolatban álló adatszolgáltató (például személy vagy szevezet) között meglévő kapcsolat, illetve az abban megfigyelhető jelenségek. A tásadalomtudomány, azon belül az üzleti tudományok számos olyan poblémát vetnek fel, melyek a kétoldalú kapcsolatokban kialakuló és ételmezhető jelenségek vizsgálatát teszik szükségessé. Ilyen kutatási hipotézisünk is. Magát a módszetant elsőként a tásas és személyes pszichológia kutatói fejlesztették ki (Ickes Duck [2000]). Alkal- 2 A puskázás okainak vizsgálata sok egyetemi oktató-kutató édeklődését felkeltette. Mi is többszö foglalkoztunk a témával (például Sugá Tautmann [1998]), de ez az első empiikus jellegű felméés, ahol a bizalom felől közelítettünk a poblémaköhöz.

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 423 mazásának klasszikus példája a házastásak között vagy aká az ovos-páciens kapcsolatban kialakuló bizalom, elkötelezettség szintje, azok befolyásoló tényezői. Az előbbi példákban a páok endezettek, azaz aszimmetikus viszonyban állnak egymással. Ezeket a diádokat nevezzük nem megkülönböztethetőknek, azaz nem felcseélhetőknek. Azonban lehetnek olyan diadikus kapcsolatok is, ahol a pát alkotó szeeplők tökéletesesen szimmetikus helyzetben vannak, vagyis semmilyen alá-, föléendeltségi viszony nem állapítható meg közöttük. Ee példa lehet az ikekkel végzett vizsgálatok, de a mi elemzésünk is ebbe a köbe tatozik, amiko nem tudunk/akaunk a hallgatók között különbséget tenni. Ez lesz a továbbiakban a felcseélhető eset. A diadikus adatelemzés első fontos módszetani megállapítása, hogy a jelenségek vizsgálatához két, egymástól az adott jelenség szempontjából függő szeeplőtől kell adatot, infomációt gyűjteni. Ez a páos lekédezés módszee. Ezt a két, összetatozó szeeplőt nevezzük pának. Ami azt jelenti, hogy egy statisztikai ételemben vett megfigyeléshez két méhető infomáció, adat tatozik (például a féj és a feleség másikba vetett bizalmának szintje az adott házasságban). Ezeket az összetatozó adatpáokat nevezzük diádoknak. Az adatgyűjtés nehézsége éppen abban áll, hogy az elemzésbe vont jelenségől két összetatozó személytől, szubjektumtól kell infomációt gyűjteni. Mindezt úgy, hogy egyételműen ögzített és utólag is azonosítható legyen, mely konkét kapcsolathoz tatoznak a megfigyelt adatok. A statisztikai elemzés soán ezt a két, egymástól függő kontextusban gyűjtött adatot tekintjük egy megfigyelésnek. A statisztikai elemzések két alapvető fogalma a megfigyelés és a változó (ismév). A változó egy adott jelenség (például esetünkben a bizalom szintje) megfigyelésénél a feltett kédése adott válaszokat jelenti. A hagyományos statisztika ételmében egy megfigyeléshez egy adatot endelünk. A diadikus adatelemzés soán azonban egy megfigyelést két összetatozó adattal agadunk meg. A diadikus adatok elemzéseko tehát egy megfigyelést két adat, azaz egy kételemű vekto í le. Matematikai ételemben ez azt jelenti, hogy a megfigyelésünk nem konkét szám lesz, hanem egy kételemű vekto. A jelenség vizsgálatát célzó statisztikai elemzéseknek pedig e vektook közötti összefüggéseket kell vizsgálni. Mindez megnehezíti a klasszikus statisztikai módszetan alkalmazhatóságát. Mint láttuk, má az is speciális, hogy mit tekintünk megfigyelésnek, de az is, hogy miként ételmezzük az alapstatisztika fogalmait, mint például a váható étéket, a szóást vagy a koelációt. A diadikus adatelemzés módszetana ezeke a módszetani kihívásoka ad alkalmazható választ (Gonzalez Giffin [2000], Kenny Kashy Cook [2006]). A diadikus adatelemzések soán háom változótípust különböztethetünk meg: 1. A diádok közötti változót (between-dyads vaiable), amiko az adott változó kapcsán kimutatható valamennyi statisztikai eltéés a diádok között lép fel. Feltételezzük, hogy a diádok mindkét észtvevője a vizsgált változót ugyanúgy étékeli. Pszichológiai példával élve,

424 Gelei Andea Dobos Ime Sugá Andás minden házaspá ugyan azt az étéket adja a házasságuk időtatamáa vonatkozóan, de ez az éték a páok között temészetszeűleg különböző. 2. A diádokon belüli változót (within-dyads vaiable), amiko az adott változó kapcsán kimutatható valamennyi statisztikai eltéés a diádokon belül lép fel. A diádhoz tatozó két észtvevő által a vizsgált változóa adott étékek összege minden diád esetében ugyanaz. Például egy kétfős munkacsopothoz endelt azonos összegű jutalom diádon belüli elosztása. 3 3. A vegyes változót (mixed vaiable), amiko az adott változó kapcsán mind a diádok között, mind a diádokon belül kimutatható statisztikai eltéés. Ee példa az általunk is vizsgált bizalom szintje. E diadikus jellemző esetén a diádon belül és között is megfigyelhető eltéés. A cikkben ilyen jellegű példáa hivatkozunk. A diadikus adatelemzés soán használt módszeek ételmezése páhuzamba állítható a hagyományos statisztika vaianciaelemzésének (ANOVA) módszeével, ahol az összes vaianciát két észe bontjuk: külső és belső szóásnégyzete. Az adatfelvételünket a hagyományos statisztika keetei között az ANOVA-táblázattal is epezentálhatjuk. A diadikus adatelemzés ANOVA-táblája 1. táblázat Megfigyelés 1. változó (X) 2. változó (Y) 1. adat (X1) 2. adat (X2) 1. adat (Y1) 2. adat (Y2) 1. számú pá x 11 x 12 y 11 y 12 2. számú pá x 21 x 22 y 21 y 22 3. számú pá x 31 x 32 y 31 y 32 4. számú pá x 41 x 42 y 41 y 12 Az ANOVA-módsze két szempontból is ide kapcsolható. Egyészt a táblázatban látható változócsopotosításban a külső szóásnégyzet a csopotok (esetünkben diádok) közötti, a belső szóásnégyzet pedig a csopoton belüli (esetünkben diádon belüli) eltééseket agadja meg. A diadikus adatelemzés soán tehát a pá tekinthető 3 Előfodulhat, hogy a diádokon belüli változó objektív módon ugyanaz, de a páok esetleg másként emlékeznek. Ilyen lehet például válások esetén aa a kédése, hogy hány éve házasodtak össze, eltéő válasz. Külön elemzési teület lehet a szubjektív különbség okainak elemzése.

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 425 csopotképző ismévnek. A vizsgálatok ezen utóbbi szintje aa a kédése kees választ, hogy a pá szeeplői azonosan válaszolnak-e az egyes változókban felmeülő kédése, vagyis homogének-e a szeeplők válaszai, az adott kédése azonos választ adnak-e. 4 Az 1. táblázat a páok válaszait egy-egy változó szeint ételmezi. Ha aa lennénk kíváncsiak, hogy változók közötti kapcsolatot hogyan hatáozzuk meg, akko ez nehézséget okozna. A változók közötti lineáis kapcsolat meglétét a klasszikus Peason-féle koelációval má nem számíthatjuk ki. Ee alkalmas módsze lehet a kanonikus koeláció. Ebben az esetben a kanonikus koelációt a változók egyes adatpájainak, diádjainak lineáis kombinációival agadhatjuk meg. Képlettel leíva: ( + + ) co a X a X ; b Y b Y, 1 1 2 2 1 1 2 2 ahol az a 1, a 2, b 1 és b 2 étékek az egyes adatvektookhoz endelt súlyokat jelentik. A kanonikus koelációszámítás soán azokat az a és b étékeket hatáozzuk meg, amelyeke az előbb felít koeláció maximális (Kovács [2003]). A klasszikus többváltozós adatelemzés egyik központi módszee a egesszióelemzés, ahol több független változó egy kiválasztott változóa gyakoolt hatását vizsgáljuk. Az 1. táblázat má sejtetni engedi, hogy ilyen típusú vizsgálatok végehajtása, ebből a táblázatos fomából kiindulva, nehézségekbe ütközhet. Az előbb ismetetett ANOVA-tábla lehetővé teszi az egyes diádokon belüli homogenitás- és kanonikuskoeláció-vizsgálatát. A páos lekédezés ugyanakko lehetővé teszi az ún. kettős adatfelvitel (double enty) módszeének alkalmazását, amiko minden összetatozó adatpából (diádból) két vektot képezünk úgy, hogy a diád elemeinek (az összetatozó adatoknak) a soendjét megváltoztatjuk (Gonzalez Giffin [2000]). Az ANOVA-tábla vektookká alakítását a 2. táblázat mutatja be. Az eljáás keetében két új változót definiálunk, amelyeket X és X szimbólumokkal jelölünk. Ha például az első megfigyelést tekintjük, akko az ANOVA-tábla x 11 és x 12 étékei a kettős adatbeviteli tábla X változójához tatozó étékek lesznek. Az X változó étékei pedig ezek megfodított soendjeiként képezhetők. Az új változók képzését a 2. táblázat szemlélteti, melyből kitűnik, hogy az X és X változók megfigyeléseinek száma éppen a duplája a diádok számának. Ee a tanszfomációa azét van szükség, hogy táblázatok (mátixok) helyett vektookkal lehessen az elemzéseket elvégezni. A pá tagjainak egy kédése adott válaszainak homogenitásvizsgálatát ennek a táblázatnak a segítségével végezhetjük el, és ez a epezentáció lehetővé teszi a vál- 4 Az ANOVA a diádok közötti, belüli és vegyes változók felsoolt típusainak megkülönböztetését is jellemezheti. Ekko a diádok közötti változóknál a belső szóásnégyzet nulla, a diádokon belüli változóknál a külső szóásnégyzet nulla. A vegyes esetben ételmes a felbontás hagyományos módja.

426 Gelei Andea Dobos Ime Sugá Andás tozók közötti (hagyományos statisztikai eszközökkel végzett, de egész más ételmezési lehetőségeket is nyújtó) koeláció- és egesszióelemzést is. A kettős adatbevitel egy vagy két változójának (vektoának) képzése (double enty) 2. táblázat Megfigyelés 1. változó 2. változó X X Y Y 1. számú pá (alapsoend) x 11 x 12 y 11 y 12 1. számú pá (felcseélt soend) x 12 x 11 y 12 y 11 2. számú pá (alapsoend) x 21 x 22 y 21 y 22 2. számú pá (felcseélt soend) x 22 x 21 y 22 y 21 3. számú pá (alapsoend) x 31 x 32 y 31 y 32 3. számú pá (felcseélt soend) x 32 x 31 y 32 y 31 4. számú pá (alapsoend) x 41 x 42 Y 41 y 42 4. számú pá (felcseélt soend) x 42 x 41 y 42 y 41 Foás: Gonzales Giffin [2000]. A kettős adatbevitel a diadikus jelenségek vizsgálatának egyik lehetséges módszee. Ezzel az eljáással vizsgálhatjuk: 1. a pát alkotó személyek ugyanazon kédéseke (változóka, X és X ) adott válaszai közötti kapcsolatokat, hasonlóságokat (homogenitás vizsgálat); 5 2. a pát alkotó egyik személy (válaszadó) különböző kédéseke adott saját válaszai közötti összefüggéseket (X és Y); 3. a pá egyik tagjának bizonyos kédése adott válasza milyen kapcsolatban van a tásának egy másik kédése adott válaszával (X és Y ). Kettős adatbevitelko a változók közötti kapcsolat vizsgálatát is a 2. táblázat alapján végezhetjük el. Az adatfelvétel soán az egy pát alkotó két válaszadó eltéő alaphelyzetben lehet. Gondoljunk például az ovos-páciens kapcsolatoka, ahol minden pá egy ovosból és egy betegből áll. Ezeket a páokat nevezzük megkülönböztethető eseteknek (distinguishable case), hiszen az eltéő alaphelyzetek váhatóan eltéő válaszokat is geneálhatnak. Amiko a két válaszadó helyzete nem eltéő, felcseélhető esetnek 5 Átvettük a diadikus adatelemzésben használt homogenitás kifejezést, jóllehet tisztában vagyunk vele, hogy a fogalmat a statisztikában más jelenségek így például két eloszlás egyezőségének vizsgálatáa is használják.

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 427 (exchangeable case) nevezzük. Az eltéő helyzet hatással lehet a észtvevők válaszaia, ezét homogenitásvizsgálata lehet szükség, amely azt mutatja meg, hogy a pá válaszadói hasonló vagy lényegesen különböző válaszokat adnak-e az egyes kédéseke, változóka. 6 3. A diadikus adatelemzés módszeei és a kutatási eedmények Tanulmányunk e fejezetében a diadikus adatelemzés soán alkalmazott módszeeket mutatjuk be. Elsőként a homogenitásvizsgálata, ezt követően a koelációszámítása, majd a egessziószámítás kédésköée téünk ki. Édemes kiténi a leíó-következtető elemzések poblémaköée (leíó elemzésen a magya statisztikai iodalomban a sokaság lehető legteljesebb leíását étik, míg a következtető statisztika minta alapján von le annak mintavételi hibáját, az ebből fakadó bizonytalanságot figyelembe véve következtetéseket a sokasága vonatkozóan). A koelációszámítás leíó módon is ételmezhető, az nem csupán mintákból ételmes elemzési eszköztá. A egessziószámítása szintén igaz, hogy nemcsak mintákon ételmes, de a standad nomális-lineáis modellben leíó jellegű adatbázis esetén is megfelelő hipotézisvizsgálatok végzésée. A diadikus adatelemzések soán endelkezése álló felméések megfigyelései nem feltétlenül alkotnak klasszikus (visszatevéses vagy visszatevés nélküli) véletlen mintát, elég csak aa gondolni, hogy sokszo önkéntes észtvevőket kének fel, például bizalmi vagy egyéb viszonyokat felméő kédőívek kitöltésée. Ilyenko a klasszikus statisztikai tesztek (például t-póbák) alkalmazási feltételei eősen csobulhatnak. Ezét is célszeű olyan módszeeket választani ilyenek a koeláció- és egessziószámítás, amelyeknek a szigoúan vett véletlen minta nem előfeltétele. 3.1. Homogenitásvizsgálat Diadikus adatelemzésko mivel páok válaszait vizsgáljuk felmeül a kédés, hogy a válaszadók azonos válaszokat adnak-e a feltett kédéseke, vagy sem. Mint azt az előzőkben említettük, ez a homogenitásvizsgálat tágya. Esetünkben ez azt jelenti, hogy egy X és X változó közötti kapcsolatot vizsgáljuk a koelációszámítás 6 A klasszikus statisztika homogenitásvizsgálat alatt két sokaság eloszlásának egyezőségét, illetve ennek tesztelését éti. A diadikus adatelemzésben mint látni fogjuk e fogalom a pá tagjainak egy kédése adott válaszai közötti hasonlóságot vizsgálja (Sugá [2008b]).

428 Gelei Andea Dobos Ime Sugá Andás módszeével. Ezt a homogenitásvizsgálatot befolyásolja, hogy felcseélhető, vagy megkülönböztethető esetől van-e szó. Felcseélhetőségko elegendő az X és X változó közötti koeláció kiszámítása ahhoz, hogy a homogenitást eldönthessük. Amennyiben ez a koeláció a nullához közel esik, akko a pá két tagja az adott kédése szignifikánsan eltéő választ ad. Ugyanakko az egyhez közeli koeláció esetén a válaszok homogénnek tekinthetők. A koelációt a Peason-féle eljáással hatáozhatjuk meg. A szakiodalom ezt csopoton belüli koelációnak (intaclass coelation) nevezi (Kenny Kashy Cook [2006]). Vegyük észe, hogy ebben az esetben ugyan 2N elemű a változónk, de ez a koelációs együttható egyszeűen az adatok duplázása alapján készül. 7 Megkülönböztethető esetben figyelembe kell vennünk, hogy a pá tagjai előe azonosítható módon, eltéő alaphelyzetben vannak (féfi-nő, ovos-beteg stb.), eltéő szeepet töltenek be. Ezét ezt az alaphelyzetet egy megkülönböztető változó segítségével modellezhetjük. A koelációelemzés célja ebben az esetben is, hogy megvizsgálja, az egyes páok tagjai hasonló vagy statisztikailag eltéő válaszokat adnak-e adott kédése. Amennyiben megkülönböztető esetől van szó, úgy szükség lehet a paciális koelációk ( xx. c) számításáa is (a paciális koeláció itt ugyanazt jelenti, mint a hagyományos statisztikában így nevezett mutatószám, a bevont hamadik általában kététékű változó az eltéő helyzetet epezentálja): xx '. c = xx ' cx cx ' 2 2 ( 1 cx )( 1 cx ' ). Ez annak vizsgálatát célozza, hogy a páok előe ismet eltéő helyzete (például féfi-nő), vagy más elméletileg ételmezhető tényező (például az adatfelvitel soendje) hatással van-e a válaszok közötti különbségeke. A 3. táblázat példájában az elméletileg ételmezhető befolyásoló tényező, változó a válaszadó neme, amit C-vel jelölünk. (Adott esetben, ha C = 0, akko ételmezhető, mint nő, ekko C = 1 jelenti a féfit, illetve C = 0 és 1 a kétféle soend.) A kettős adatbevitel, azaz a felvitel soendjének módosítása szintén befolyásolhatja a homogenitást. Ekko előe nem tehetünk különbséget válaszadóink között, de az adatfelvitel soendje évén felcseélhető esethez hasonló vizsgálat válik szükségessé. A homogenitásvizsgálat speciális esete tehát ez, amiko az adatfelvitel so- 7 Temészetesen matematikai-statisztikai szempontból poblémás az adatduplázás a koelációs együttható kiszámításánál, de mi most aa vagyunk kíváncsiak, hogy ez a szélsőétékekhez, és/vagy a nullához állnak-e közel. A koelációs együttható itt is inkább leíó statisztikai mutató. Bá észletes a módszeek alkalmazhatóságáa vonatkozó elemzést cikkünkben nem végzünk, megjegyezzük, hogy a diádokból számolt koeláció bizonyos esetekben ugyanazt az eedményt adja (mint például vizsgálatunkban), mint az adatok duplázása nélküli számítás, más esetekben elté ettől az étéktől.

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 429 endje a megkülönböztető változó. C jelöli, hogy melyik megfigyelés szeepel adatbázisunkban az első, illetve melyik a második helyen. Aa a kédése kaphatunk választ, hogy a homogenitása lényeges befolyással van-e az adatfelviteli soend. Paciális koelációszámításhoz használt tábla egy megkülönböztethető esetben 3. táblázat Diád A válaszadó neme vagy a felvitel soendje (C) Változó X X 1. számú pá 0 x 11 x 12 1 x 12 x 11 2. számú pá 0 x 21 x 22 1 x 22 x 21 3. számú pá 0 x 31 x 32 1 x 32 x 31 4. számú pá 0 x 41 x 42 1 x 42 x 41 Foás: Gonzalez Giffin [2000]. Kutatási kédésünk megválaszolása kapcsán sem volt egyételmű, hogy az egyes diadikus kapcsolatokban vizsgált megfigyelésekhez tatozó két adat közül melyik keüljön az elemzés soán előe. Nem volt egyételmű tehát, hogy felcseélhetők-e a páok szeeplői az adatfelvétel soendisége alapján. Ezét az adatfelvitelko mindkét lehetséges soendben ögzítenünk kellett az adatokat. (Ezt az elemzést ételmezhetjük úgy is, hogy teszteljük az eedmények soende való ézékenységét.) 3.2. Koelációszámítás A koelációszámítás célja a változók közötti kapcsolat eősségének méése. A diadikus adatelemzés öt különböző koelációs fogalommal opeál (Gonzalez Giffin [2000]). Ezek a következők: 8 1. A diadikus adatelemzés soán vizsgálhatjuk a pát alkotó egyik személy (válaszadó) különböző kédéseke adott saját válaszai közötti 8 A bemutatott koelációs együtthatók némelyike egynél nagyobb is lehet, ami nem felel meg a klasszikus statisztika elváásainak. Mivel a szezők egy új módszetan bemutatását tűzték ki célul az iodalom bemutatásával, ezét az abban fellelhető matematikai inkoektségek kijavítását nem akatuk végehajtani. Ez a feladat egy új dolgozat célja lehet.

430 Gelei Andea Dobos Ime Sugá Andás összefüggéseket (X és Y), például a közöttük levő koelációt. Ezt nevezzük a válaszadó belső koelációjának (oveall within-patne coelation). Például egy adott személy patnee iánti bizalmi és a vele kapcsolatban ézett elégedettségi szintje. 2. A pá egyik tagjának bizonyos kédése adott válasza milyen apcsolatban van a tásának egy másik kédése adott válaszával (X és Y ). Ezt nevezzük a pát alkotó személyek közötti keesztkoelációnak (coss-intaclass coelation). Az előbbi példánkat követve; egy adott házaspá nőtagjának féje iánt ézett bizalmi szintje, és a féj felesége kapcsán ézett elégedettségi szintje közötti koeláció. 9 1. ába. A diadikus adatelemzés koelációinak gafikus bemutatása X xy xy Y xx yy Foás: Gonzalez [2010]. X x y x y Y 3. Két változó közötti kapcsolat diadikus elemzésée ad alkalmat az is, ha a páok által adott válaszok átlagai közötti összefüggést vizsgáljuk. Ezt diádszintű koelációnak (mean-level coelation vagy coelation between dyad means) nevezzük. Ebben az esetben az egyes páokhoz egy, és csak egy adatot endelünk hozzá. Fomálisan ez a koeláció a következő módon hatáozható meg: m = xy + xy ( 1+ xx ) ( 1+ yy ). Ennek a koelációnak az édekessége, hogy étéke egynél nagyobb is lehet, ami megnehezíti a koelációs együttható ételmezését. Ilyen esetekben a többi típusú koelációs együtthatók segíthetik az ételme- 9 A koelációs együttható a klasszikus statisztikában egy szimmetikus mutató, azaz nem különböztet meg ok-okozati viszonyt. A diadikus elemzésben lehet logikailag ok-okozati viszony, a módszetan ilyenko is koelációt számol, met igazán a mutatószám nagysága az édekes, és ebben a fázisban nem fontos az ok-okozati jelleg, azt majd a egessziós észben elemezzük.

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 431 zést. A következőkben olyan koelációs mutatókat ismetetünk, amelyek ányalhatják az ételmezést. 4 5. A diadikus adatelemzés speciális poblémája, hogy a vizsgált változók étékeit és így az azok közötti összefüggéseket is két hatás befolyásolja. Egyészt hatnak á a kitöltő egyéni, személyes jellemzői, de az is, hogy éppen kivel kapcsolatosan, melyik konkét pában kéik válaszát. Ezt a két hatást nevezzük egyéni (individual) és páos (dyadic) hatásnak. Vajon mit tudunk mondani páos adatfelvétel esetén két lekédezett változó (például a bizalom és az elégedettség) közötti kapcsolatól? Amennyiben egyszeűen a bizaloma és elégedettsége vonatkozó konkét személyek által adott válaszok közötti koelációt számítjuk, a kapott eedményünk nem tatalmazza azokat a hatásokat, melyek abból fakadnak, hogy a kitöltő személye egy konkét páa vonatkozóan adta meg válaszait. Kimaad tehát az ún. páos hatás. Amennyiben viszont átlagoljuk egy adott pá tagjainak válaszait a vizsgált dimenzióka, majd az így kapott átlagos étékek közötti koelációt számítjuk, az egyéni hatások keülnek figyelmen kívül hagyása. Elképzelhető, hogy az első számítási móddal kapott eedményünk azt mutatja, hogy a bizalom és az elégedettség közötti kapcsolat pozitív (tehát a magasabb bizalmi szinttel endelkező páok elégedettebbek is pájukkal). Ez ugyanakko nem zája ki annak lehetőségét, hogy egyéni szinten a két változó közötti kapcsolat negatív, hiszen előfodulhat, hogy egy adott pá egyik tagja magas bizalmi szint mellett is kevésbé elégedett, met elégedettségét pája őiánta ézett bizalmi szintje is befolyásolja. Az említett hiányosságok kiküszöbölésée a diadikus adatelemzés bevezeti az egyéni szintű ( i ) és a páosszintű ( d ) koeláció fogalmát. A két koelációt a következő módon számíthatjuk ki: = i xy xy ' ( 1 xx ) ( 1 yy ' ), d xy =. xx yy Vegyük észe, hogy az i és d koelációs együtthatóinkat a koábban bemutatott koelációk felhasználásával számoltuk. (Lásd a 2. ábát.) Az egyéni szintű i koeláció számlálója az xy és xy különbsége-

432 Gelei Andea Dobos Ime Sugá Andás ként adódik, ahol xy az egyéni és a páos hatásokat is, míg xy csak a diadikus hatást tatalmazza. Így i alkalmas az egyéni hatás megagadásáa. A nevezők a vizsgált változók nomálásáa szolgálnak. 10 A koelációs vizsgálatok megbízhatóságáa a diadikus adatelemzésől szóló elméleti munkák a Z-tesztet javasolják, ami a nomalitást tételezi fel. Elemzéseink soán a nyet eedmények szignifikanciavizsgálatáa mi a klasszikus statisztikában megismet p-étéket használjuk, mivel a számunka eléhető statisztikai pogamcsomagok ezt tatalmazzák a koeláció megbízhatóságának jellemzésée. Ez a gyakolat nem mond ellent a diadikus adatelemzést alkalmazó empiikus kutatások soán tapasztaltnak (Buk Steglich Snijdes [2007]). 2. ába. Az egyéni és páos koelációk kiszámítása i i i Egyedi X vaiancia Egyedi X vaiancia Egyedi Y vaiancia Egyedi Y vaiancia 1 xx 1 xx 1 yy 1 yy X X Y Y xx Osztott X vaiancia xx yy Osztott Y vaiancia yy d Foás: Gonzalez [2010]. 3.3. Regessziószámítás A lineáis kapcsolatok elemzése után áttéhetünk az ok-okozati tényezők vizsgálatáa. Ebben az esetben azt kutatjuk, hogy a függetlennek választott változók milyen hatással vannak a függőnek választottaka. A klasszikus statisztikában a független változók megválasztása egyszeűbbnek tűnik a diadikus adatelemzéssel szemben. A diadikus adatelemzés soán ugyanis figyelembe kell vennünk az egyéni és páos hatásokat is. A diadikus adatelemzés egesszióvizsgálata ezét má egy független és 10 Technikailag poblémát jelenthet, hogy a páosszintű koeláció számításánál a nevezőben a gyök alatt szeepelhet negatív szám. Ez olyan esetben fodulhat elő, amiko a válaszolókat alkotó páok egy változó esetében is ellentétes tendenciájú válaszokat adnak. Ez azonban tatalmilag azt jelenti, hogy a vizsgált bizalmi vagy egyéb jellegű jellemzők a páok között minimális szinten sem kapcsolódnak össze. Amennyiben ez a helyzet, a további elemzésnek nem édemes nekiállni.

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 433 egy függő változó esetén is több tényező figyelembevételével töténhet meg. Ezek a tényezők a következők: cselekvő hatás (acto effect), patnehatás (patne effect), kölcsönös hatás (mutual effect). Ezen tényezők számának ismeetében építhetők fel a diadikus adatelemzés egessziós modelljei. Ezekből kettőt mutatunk be (Gonzalez [2010]): az iodalomban osztályon belüli koelációs együtthatónként (intaclass coelation coefficient ICC) ismetet, amely csak a cselekvő- és patnehatást építi be a egessziós modellbe; a szeeplő-patne egymásautaltsági modellt (acto-patne intedependence model APIM), ami mindháom, azaz a cselekvő-, a patne- és a kölcsönös hatást is kezeli. A következőkben öviden ismetetjük a modelleket. Az ICC-modell Az ICC-modell tehát csak a páok egymása hatását képezi le. A modell matematikai fomája: Y = β + β X + β X, 0 1 2 ahol az X és X a kettős adatbevitel soán nyet független változók, míg Y a függő változó. A β 0, β 1 és β 2 étékek a egessziós együtthatók. E egessziós együtthatók meghatáozása: ( ) sx ( 1 xx ) s β = y xy xy xx 1 2 ( ) x ( xx ) s és β2 = 2 s 1 y xy xy xx, ahol s x és s y az X és Y változók szóása, míg xx az X változó csopoton belüli koelációja, xy az X és Y változók közötti koeláció, az ún. válaszadó belső koelációja. Végül xy az X és Y változók közötti koeláció, az ún. pát alkotó személyek közötti keesztkoeláció. Ezek az összefüggések is nyilvánvalóvá teszik, hogy az ICC-modell valóban a csopoton (páokon) belüli koelációk meghatáozásával adja meg a egessziós összefüggéseket. A egessziós összefüggésben β 1 X előejelzi, hogy a pá egyik szeeplője, a cselekvő X változója hogyan jelzi előe ugyanezen a szeeplő Y változójának étékét.

434 Gelei Andea Dobos Ime Sugá Andás Másik oldalól, a β 2 X összefüggés mutatja, hogy a patne X változója (vagyis X ) hogyan jelzi előe a cselekvő Y változójának étékét. Ez a egessziós összefüggés tehát a kapcsolatok eősségén túl a kapcsolat iányát is mutatja, ugyanis az X változó Y változóa gyakoolt lineáis hatását agadja meg. Temészetesen az ellentétes logikai összefüggést, vagyis az Y változó X változóa gyakoolt hatását is megagadhatjuk teljesen hasonló módon, annak függvényében, hogy mit akaunk vizsgálni a két változó kapcsolatában. Az APIM-modell Az APIM-modell csak kissé különbözik az ICC-től, nemcsak a páok egymása hatását képezi le, de figyelembe veszi azok kölcsönös egymása hatását is. A modell matematikai fomája tehát Y = β + β X + β X + β X X, 0 1 2 3 ahol a β 0, β 1 és β 2 étékeket teljesen hasonlóan definiáljuk, mint az ICCmodellben. Az egyedüli eltéés az, hogy a kölcsönös hatást is beépítjük a modellbe a β 3 X X kifejezés szeepeltetésével. Az X X szozat, esetünkben új változó, a pá mindkét szeeplőjének a kölcsönös, együttesen kifejtett hatását mutatja a cselekvő Y változójáa. A paaméteek becslése teljesen hasonló módon töténik ebben a modellvezióban is, amint azt az előbbiekben bemutattuk. A észletek iánt édeklődők a teljes levezetéseket Kenny Kashy Cook [2006] munkájában megtalálják. 4. A diadikus adatelemzés alkalmazása: kutatási eedményeink Kédőívünkben négy diadikus jelenség szeepelt: a páokat alkotó személyek közötti ismetség, baátság és bizalom szintje, illetve az, hogy a páok adott szeeplői egymásnak milyen kockázati szint mellett súgnának, vagy sem. Kutatásunk hipotézise szeint diadikus kapcsolatokban a kapcsolatot alkotó felek cselekvését mind a konkét döntési szituáció kockázati szintje, mind a kapcsolatot alkotó felek egymás iánt ézett bizalmi szintje befolyásolja. Váakozásunk az volt, hogy a magas kölcsönös bizalmi szinttel endelkező kapcsolatokban a magas kockázati szinttel endelkező inteakciók is megvalósulnak. E hipotézis tesztelése a egessziószámítás alkalmazását igényelte, előtte azonban elvégeztük a homogenitásvizsgálatot és a koelációelemzéseket is.

Bevezetés a diadikus adatelemzésbe elmélet és alkalmazás 435 Mint azt koábban má említettük, empiikus adatfelvételünk soán összesen 50 pá lekédezésée keült so. Alkalmaztuk a kettős adatbevitel módszeét, így mintanagyságunk 100 lett. A kettős adatbevitel miatt ugyanakko szükség volt az esetek felcseélhetőségének, azaz a válaszadás homogenitásának vizsgálatáa. Ezét számítottuk az X és az X változók közötti Peason-koelációt ( FE ). 4. táblázat Az esetek felcseélhetőségét vizsgáló Peason-koeláció a kédőívben szeeplő diadikus jellemzők esetén Változó Ismetség1 Ismetség2 Baátság1 Baátság2 Bizalom1 Bizalom2 Súgna1 Súgna2 Ismetség1 Peason-koeláció 0,764** Kétoldalú szignifikancia 0,000 Ismetség2 Peason-koeláció 0,764** Kétoldalú szignifikancia 0,000 Baátság1 Peason-koeláció 0,705** Kétoldalú szignifikancia 0,000 Baátság2 Peason-koeláció 0,705** Kétoldalú szignifikancia 0,000 Bizalom1 Peason-koeláció 0,313** Kétoldalú szignifikancia 0,002 Bizalom2 Peason-koeláció 0,313** Kétoldalú szignifikancia 0,002 Súgna1 Peason-koeláció 0,032 Kétoldalú szignifikancia 0,753 Súgna2 Peason-koeláció 0,032 Kétoldalú szignifikancia 0,753 Megjegyzés. Itt és a 6. táblázatban a * 5, a ** 1 százalékos szignifikanciaszinten szignifikáns kapcsolatot jelöl. A 4. táblázat az adott megfigyeléshez tatozó adatok (például kölcsönös ismetség esetén a diádban szeeplő két személy válaszai az ismetsége vonatkozóan) közötti Peason-koelációt mutatja (vastagon bekeetezett cellák). E téglalapok mindegyikében, tehát minden megfigyelés esetében két koelációs éték található, hiszen pont azt vizsgáljuk, hogy a két megfigyelési egység felviteli soendje változtat-e eedményeinken. Mint látjuk, az első háom megfigyelésünk esetén (ismetség, baátság, bizalom szintje) a koelációs étékek szignifikánsak, a közepesnél némileg gyengébb vagy közepesnél némileg eősebb kapcsolatot mutatnak. A vizsgált háom változó a diádok szintjén tehát homogénnek tekinthető. Az utolsó kédés kapcsán az hogy a

436 Gelei Andea Dobos Ime Sugá Andás páokban szeeplő egyének súgnának-e a másiknak, vagy sem az esetek felcseélhetőségét vizsgáló koeláció nullához közeli étéket mutat és nem szignifikáns. Ez azt jelenti, hogy az adott változóa az egyes diádok szeeplői eltéően válaszolnak, ez a változó a diádok szintjén nem tekinthető homogénnek. Vajon miét van ez így? Hipotézisünk szeint azét, met a kédőívünkben szeeplő e kédése adott válaszokat a diádban szeeplő egyének közötti tásas jellemzők (kiemelten a bizalom) mellett más jellemző is befolyásol, méghozzá az adott helyzet kockázati szintje. Az esetek megkülönböztetésesét vizsgáló paciális koeláció étékei a kédőívben szeeplő diadikus változók esetén 5. táblázat Változó Ismetség1 Ismetség2 Baátság1 Baátság2 Bizalom1 Bizalom2 Súgna1 Súgna2 Ismetség1 Koeláció 0,764 Kétoldalú szignifikancia 0,000 Ismetség2 Koeláció 0,764 Kétoldalú szignifikancia 0,000 Baátság1 Koeláció 0,709 Kétoldalú szignifikancia 0,000 Baátság2 Koeláció 0,709 Kétoldalú szignifikancia 0,000 Bizalom1 Koeláció 0,313 Kétoldalú szignifikancia 0,002 Bizalom2 Koeláció 0,313 Kétoldalú szignifikancia 0,002 Súgna1 Koeláció 0,022 Kétoldalú szignifikancia 0,828 Súgna2 Koeláció 0,022 Kétoldalú szignifikancia 0,828 Elvégeztük továbbá az esetek megkülönböztethetőségét vizsgáló koelációelemzést ( ME ) is. E koelációelemzés célja, hogy megvizsgálja, befolyásolja-e a pában szeeplők válaszait valamilyen elméletileg ételmezhető változó (például a válaszadók neme), a válaszok az adott változó szeint megkülönböztethetők-e, vagy sem. Kédőívünkben nem vizsgáltuk a válaszadók nemek szeinti megoszlását és egyéb olyan előzetes változó sem fogalmazódott meg bennünk, mely alapján az esetek megkülönböztethetőségét édemesnek láttuk volna vizsgálni. Előző eedményünket a válaszok homogenitásvizsgálatát ugyanakko az ME számításával tesztelhetjük,