Elemzéseinket két lépcsőben végeztük el. Első körben a húsz mintavételi időpontban végzett
felmérések adatait, a vonatkozó napok időjárási és naptári adataival egészítettük ki1. A létrehozott
adatbázis nyomán lineáris regressziós modell hoztunk létre a látogatottsági adatok becslésére. A
regressziós modell célja, hogy a függő változó szóródását, a független változók lineáris kombinációján
keresztül magyarázzuk a 𝑌𝑖 = 𝐵0 + 𝐵1𝑋1+𝐵2𝑋2 + 𝐵3𝑋3 + ⋯ 𝐵12𝑋12 + 𝜀 függvény szerint.
Ahol,
𝑌𝑖 = 𝑎 𝑙á𝑡𝑜𝑔𝑎𝑡ó𝑘 𝑠𝑧á𝑚𝑎
𝐵0 = 𝑎 𝑓ü𝑔𝑔𝑣é𝑛𝑦 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑠𝑎
𝐵1,2,3…10, = 𝑎 ℎ𝑎𝑡ó 𝑡é𝑛𝑦𝑒𝑧ó
𝑋123…10 = 𝑎𝑧 𝑎𝑑𝑜𝑡𝑡 𝑓ü𝑔𝑔𝑒𝑡𝑙𝑒𝑛 𝑣á𝑙𝑡𝑜𝑧ó
𝜀 = 𝑎 𝑏𝑒𝑐𝑠𝑙é𝑠 ℎ𝑖𝑏𝑎𝑡𝑎𝑔𝑗𝑎
A független változók készletét Stepwise módszerrel határoztuk meg. A módszer többszörös iteráció
révén azt a változó kombinációt vonja be a modellbe, amely a független változó varianciájának
alakulását a legnagyobb arányban magyarázza. A változók iterációját addig futtattuk ameddig a
változók számának növelése szignifikánsan növelte a megbecsült variancia hányadát (r-négyzet).
A végső modellben egy konstans érték és harminchárom független változó szerepel. A változókhoz
tartozó B-együttható értéke az alábbi táblázatban látható. A B-együtthatók értéke azt mutatja, hogy
az adott független változó egységnyi növekedés esetén milyen mértékű növekedést regisztrálhatunk a
függő változó esetén.
(Constant)
-98,744
Eötvös út és Normafa út
26,217
sarok+Normafa
Pilot nap
27,448
Jánoshegyi megálló
14,433
március
18,778
nyár
-,185
Síház melletti parkoló
11,783
1930
-13,704
1 A nominális jellegű adatokat (például: helyszín, időpont, nap) dichotomizáltuk.
2000
-14,436
0830
-13,672
május
8,931
csütörtök
-8,170
1900
-12,249
0900
-12,044
0930
-10,654
1830
-10,164
Libegő felső állomás
6,783
Virágvölgy megálló
6,060
Piros csík jelzés
5,767
Szépjuhászné felől
tavasz
-4,145
1800
-8,316
1000
-8,182
1730
-6,532
1030
-5,942
1700
-4,637
1100
-4,147
augusztus
5,144
október
-6,223
június
-3,221
péntek
-1,514
Mátyás király út sorompó
1,742
1200
-2,171
légnyomás
,110
iskolaszünet
7,406
Második lépésben a kapott regressziós egyenlet révén a független változók lineáris kombinációját
felhasználva becslést adtunk az vizsgált év – napi – látogatottsági adataira vonatkozóan a 𝑌𝑖 =
−98,744 + 26,2171𝑋1+14,4332𝑋2 + 18,778𝑋3 + ⋯ 7,40612𝑋12 + 15,35632
függvény
alapján.
A napi látogatottsági adatokra vonatkozó becslést két módon prezentáltuk:
1. A napi látogatottsági adatokat évszakonként illetve éves szinten aggregáltuk
2. A becslő függvény felhasználása révén manuálisan állítható becslést hoztunk létre, amely
meghatározott peremfeltételek (időpont, hónap, nap, iskolaszünet, rendezvény, légnyomás)
mentén add becslést a látogatottsági számra.
