Bevezetés
A hasznos véletlen hiba

I. Adatredukciós módszerek
1. Főkomponens-elemzés
1.1. A főkomponens jelentése
1.2. Mikor használjunk főkomponens-elemzést?
1.3. A puding próbája
1.3.1. Az egyenlő teherviselés
2. Faktorelemzés
2.1. A modell javítgatása
2.2. Lássunk tisztán! A rotálás
2.3. Mentsük, ami menthető: a faktorszkórok létrehozása
2.4. Amiért fáradoztunk: létrejöttek a látens változók
2.5. A hiányzó adatok kezelése
2.6. A faktorelemzés buktatói
2.6.1. A Kaiser-Meyer-Olkin mutató és a Bartlett-teszt
2.6.2. Amikor a faktorok 100 százaléknál többet magyaráznak
2.6.2.1. A legnagyobb kommunalitású változók kihagyása
2.6.2.2. A rosszul interpretálható változók kihagyása
2.6.2.3. Az egyeduralomra törő változók esete
2.6.2.4. Vissza az elágazási ponthoz
2.6.3. A változók tartalma és a faktorok jellemzése
2.6.4. A konfirmációs modell
2.6.5. Amikor minden reménytelen
2.6.5.1. Kétségbeesett kísérlet
2.6.5.2. Feladás helyett: visszahátrálás a főkomponensbe
2.7. Szezon és fazon
3. Klaszterelemzés
3.1. Tudás versus anyagi javak
3.2. Hierarchikus klaszterek
3.2.1. A hierarchikus klaszterezés módszerei
3.2.1.1. A legközelebbi, illetve a legtávolabbi szomszéd
3.2.1.2. Klaszterek távolsága mint a klaszterelemek távolságainak átlaga
3.2.1.3. Klaszterek távolságának meghatározása a klaszterközéppontok segítségével
3.2.2. Miben mérjük a távolságot?
3.2.2.1. Euklideszi távolság
3.2.2.2. Az euklideszi távolság négyzete
3.2.2.3. Asszociáción alapuló közelség-távolság
3.2.3. Sok hűhó majdnem semmiért
3.3. Klaszterezés nagy file-okon
3.3.1. Iniciális klaszterközéppontok
3.3.2. Útban a tökéletesség felé: iterálás
3.3.3. A klaszterek interpretálása
3.3.3.1. Kendőzetlen őszinteség versus a standardizálás álcája
3.4. Kilépés az életbe: típuskeresés klaszterekkel
3.4.1. És megint elölről: iterálás több lépésben
3.4.2. Névadás: klaszterek interpretálása
3.4.3. Adjunk-e profilt a bizonytalankodóknak? A hiányzó adatok kezelése
3.4.4. Egy tautológia két jelentése: ANOVA egy kicsit másképpen
3.4.5. Minden út Rómába vezet? Változtassunk a kezdőpontokon!
3.4.5.1. A magunk ásta verem és a kiút
3.5. Tanulságok

II. Magyarázó modellek
4. Variancia-analízis
4.1. Egyutas variancia-analízis
4.2. Kétutas variancia-analízis
4.3. Az interakció
4.3.1. Az interakcióról bővebben
4.3.2. A négyzetösszegek értelmezése a kétutas ANOVA-ban
4.3.3. Az interferencia
4.4. A hierarchikus ANOVA
4.5. Korlátozó feltételek
4.5.1. Normalitás-vizsgálat
5. Lineáris regresszióanalízis
5.1. A regressziós egyenes egyenlete
5.2. Egyszerű példa a lineáris regresszióra
5.3. Illeszkedés: mennyire vehetjük komolyan a regressziós egyenest
5.4. Lineáris regresszióanalízis „élesben” – egyszerű modell
5.4.1. A „deviánsokról”
5.4.2. Vissza az output-hoz
5.5. Kétváltozós regressziós modell
5.5.1. Kétértékű vagy dummy változók
5.5.2. Modellépítés
5.5.3. Még egy kicsit a dummy változókról
5.6. Többváltozós regressziós modell
5.6.1. Ordinális független változók
5.6.2. A Lazarsfeld-paradigma és a regresszió
5.7. Interferencia a regresszióban: a változószelektálás módszerei
5.7.1. A FORWARD módszer
5.7.2. A BACKWARD módszer
5.7.3. A STEPWISE módszer
5.7.4. Az ENTER módszer
5.8. Nominális mérési szintű változók becsempészése a regressziós modellbe: dummyzás
5.9. Összefüggő független változók: a multikollinearitás
5.9.1. Függvényszerű multikollinearitás
5.9.1.1. A baj nem jár egyedül: magas mérési szintű és dummy változók a regressziós modellben
5.9.1.2. Amikor csak a gondolkodás segít – dummyzzunk másként
5.9.1.3. Szabaduljunk meg a nominális változóktól
5.9.2. Függvényszerű kapcsolat – sztochasztikus multikollinearitás
5.9.2.1. Miért félünk a sztochasztikus multikollinearitástól?
5.9.2.2. Barátságosabb út a multikollinearitás meghatározására – kétféle mérőszám
5.9.2.3. Hogyan védekezhetünk a sztochasztikus multikollinearitás ellen?
5.10. Hab a tortán:a homoszkedaszticitás és az elsőrendű autokorreláció
5.11. Biztos, ami biztos: a regressziós modellek validitása
6. Útmodellek
6.1. Az utak erősség
6.2. Közvetlen és közvetett hatások
6.3. Gondolkodási sémák
6.3.1. Mi az ok és mi az okozat?
6.3.2. A modell továbbépítése
6.3.3. A modell interpretációja
6.4. Az útmodell korlátai
7. Diszkriminancia-analízis
7.1. A romák lehetséges beilleszkedése a többségi társadalomba: ahogy a többség látja
7.1.1. Sok kicsi sokra megy?
7.1.2. A magyarázó változók együttes jelentése: a diszkrimináló függvények
7.1.3. Az üdvözlendő diszkrimináció
7.1.4. Sose lehetünk elég óvatosak – átlagok és eloszlások összehasonlítása
7.1.5. Lássuk a medvét!
7.2. Komplex-modell
7.2.1. Antiszemitizmus és cigányellenesség
7.2.2. Státus és attitűdök: együttes magyarázat
8. Többdimenziós skálázás
8.1. Kisebbségek egy rokonszenv-térképen
8.1.1. Többdimenziós skálázás az SPSS-ben
8.1.2. Meddig mehetünk el? A dimenziócsökkentés határai
8.2. Etnikai csoportok az egymásról alkotott vélemények terében
9. Logisztikus regresszió
9.1. A „sztahanovista” lineáris regresszió. Miért van szükség logisztikus regresszióra?
9.2. A legfontosabb fogalmak
9.2.1. A valószínűség és az esély
9.2.2. Az esélyhányados
9.3. Út a logisztikus regresszióanalízis felé
9.4. Egy egyszerű modell
9.4.1. A likelihood függvényről
9.4.2. Az output érdemi része
9.4.3. A modell magyarázóereje
9.4.3.1. Találatmátrix a logisztikus regresszióban
9.4.4. A független változó hatása
9.5. A modell bővítése
9.5.1. Összemérhető hatások: a standardizált regressziós együttható
9.6. Kategoriális független változó a logisztikus regresszióban
9.7. Mindent bele! Sokváltozós modell
9.8. Ugyanaz másképpen

Mellékelt
A parancsikonok használata: Főkomponens- és faktorelemzés
A parancsikonok használata: Klaszterelemzés
Hierarchikus klaszterezés
K-Means klaszterezés
A parancsikonok használata: Variancia-analízis
A parancsikonok használata: A lineáris regresszióanalízis
A parancsikonok használata: Diszkriminancia-analízis
A parancsikonok használata: A többdimenziós skálázás
A parancsikonok használata: A logisztikus regresszió

Felhasznált irodalom