Experience Seamless Full Ebook Downloads for Every Genre at ebookluna.

com

(eBook PDF) Stat2 : Building Models for a World of

Data

https://ebookluna.com/product/ebook-pdf-stat2-building-
models-for-a-world-of-data/

OR CLICK BUTTON

DOWNLOAD NOW

Explore and download more ebook at https://ebookluna.com

 Instant digital products (PDF, ePub, MOBI) available
Download now and explore formats that suit you...

(eBook PDF) Building Classroom Management: Methods and

Models 12th Edition

https://ebookluna.com/product/ebook-pdf-building-classroom-management-
methods-and-models-12th-edition/

ebookluna.com

(Original PDF) Stats Data and Models, 3rd Canadian Edition

https://ebookluna.com/product/original-pdf-stats-data-and-models-3rd-
canadian-edition/

ebookluna.com

(eBook PDF) Stats Data and Models 2nd Canadian Edition

https://ebookluna.com/product/ebook-pdf-stats-data-and-models-2nd-
canadian-edition/

ebookluna.com

(eBook PDF) A Phonetics Workbook for Students: Building a

Foundation for Transcription

https://ebookluna.com/product/ebook-pdf-a-phonetics-workbook-for-
students-building-a-foundation-for-transcription/

ebookluna.com
(eBook PDF) Loss Models: From Data to Decisions 5th
Edition

https://ebookluna.com/product/ebook-pdf-loss-models-from-data-to-
decisions-5th-edition/

ebookluna.com

Stats: Data and Models 4th Edition by Richard D. De Veaux

(eBook PDF)

https://ebookluna.com/product/stats-data-and-models-4th-edition-by-
richard-d-de-veaux-ebook-pdf/

ebookluna.com

(eBook PDF) Stats: Data and Models 5th Edition by Richard

D. De Veaux

https://ebookluna.com/product/ebook-pdf-stats-data-and-models-5th-
edition-by-richard-d-de-veaux/

ebookluna.com

Conn's handbook of models for human aging 2nd Edition Ram

- eBook PDF

https://ebookluna.com/download/conns-handbook-of-models-for-human-
aging-ebook-pdf/

ebookluna.com

(eBook PDF) Computational Models of Brain and Behavior by

Ahmed A. Moustafa

https://ebookluna.com/product/ebook-pdf-computational-models-of-brain-
and-behavior-by-ahmed-a-moustafa/

ebookluna.com
 Preface

“Please, sir, I’d like some more.”

— Oliver Twist

This book introduces students to statistical modeling beyond what they learn in an introductory
course. We assume that students have successfully completed a Stat 101 college course or an AP
Statistics course. Building on basic concepts and methods learned in that course, we empower
students to analyze richer datasets that include more variables and address a broader range of
research questions.

Guiding Principles
Principles that have guided the development of this book include:
• Modeling as a unifying theme. Students will analyze many types of data structures with a
wide variety of purposes throughout this course. These purposes include making predictions,
understanding relationships, and assessing differences. The data structures include various
numbers of variables and different kinds of variables in both explanatory and response roles.
The unifying theme that connects all of these data structures and analysis purposes is statisti-
cal modeling. The idea of constructing statistical models is introduced at the very beginning,
in a setting that students encountered in their Stat 101 course. This modeling focus continues
throughout the course as students encounter new and increasingly more complicated scenarios.

Basic principles of statistical modeling that apply in all settings, such as the importance
of checking model conditions by analyzing residuals with graphical and numerical, are em-
phasized throughout. Although it’s not feasible in this course to prepare students for all
possible contingencies that they might encounter when fitting models, we want students to
recognize when a model has substantial faults. Throughout the book, we offer two general
approaches for analyzing data when model conditions are not satisfied: data transformations
and computer-intensive methods such as bootstrapping and randomization tests.

Students will go beyond their Stat 101 experience by learning to develop and apply mod-
els with both quantitative and categorical response variables, with both quantitative and
categorical explanatory variables, and with multiple explanatory variables.

vii
viii PREFACE

• Modeling as an interactive process. Students will discover that the practice of statisti-
cal modeling involves applying an interactive process. We employ a four-step process in all
statistical modeling: Choose a form for the model, fit the model to the data, assess how well
the model describes the data, and use the model to address the question of interest.

As students gain more and more facility with the interplay between data and models, they
will find that this modeling process is not as linear as it might appear. They will learn how to
apply their developing judgment about statistical modeling. This development of judgment,
and the growing realization that statistical modeling is as much an art as a science, are more
ways in which this second course is likely to differ from students’ Stat 101 experiences.

• Modeling of real, rich datasets. Students will encounter real and rich datasets through-
out this course. Analyzing and drawing conclusions from real data are crucial for preparing
students to use statistical modeling in their professional lives. Using real data to address gen-
uine research questions also helps to motivate students to study statistics. The richness stems
not only from interesting contexts in a variety of disciplines, but also from the multivariable
nature of most datasets.

This multivariable dimension is an important aspect of how this course builds on what stu-
dents learned in Stat 101 and prepares them to analyze data that they will see in our modern
world that is so permeated with data.
Prerequisites
We assume that students using this book have successfully completed an introductory statistics
course (Stat 101), including statistical inference for comparing two proportions and for comparing
two means. No further mathematical prerequisites are needed to learn the material in this book.
Some material on data transformations and logistic regression assumes that students are able to
understand and work with exponential and logarithmic functions.

Overlap with Stat 101

We recognize that Stat 101 courses differ with regard to coverage of topics, so we expect that stu-
dents come to this course with different backgrounds and levels of experience. We also realize that
having studied material in Stat 101 does not ensure that students have mastered or can readily
use those ideas in a second course. To help all students make a smooth transition to this course,
we recommend introducing the idea of statistical modeling while presenting some material that
students are likely to have studied in their first course. Chapter 0 reminds students of basic statis-
tical terminology and also uses the familiar two-sample t-test as a way to illustrate the approach
of specifying, estimating, and testing a statistical model. Chapters 1 and 2 lead students through
specification, fit, assessment, and inference for simple linear models with a single quantitative pre-
dictor. Some topics in these chapters (for example, inference for the slope of a regression line)
may be familiar to students from their first course, but most likely not in the more formal setting
of a linear model that we present here. A thorough introduction of the formal linear model and
related ideas in the “simple” one-predictor setting makes it easier to move to datasets with multiple
PREFACE ix

predictors in Chapter 3. For a class of students with strong backgrounds, an instructor may choose
to move more quickly through the first chapters, treating that material mostly as review to help
students get “up to speed.”

Organization of Chapters
After completing this course, students should be able to work with statistical models where the
response variable is either quantitative or categorical and where explanatory/predictor variables
are quantitative or categorical (or with both kinds of predictors). Chapters are grouped to consider
models based on the type of response and type of predictors.

Chapter 0: Introduction. We remind students about basic statistical terminology and present
our four-step process for constructing statistical models in the context of a two-sample t-test.

Unit A (Chapters 1–4): Linear regression models. These four chapters develop and exam-
ine statistical models for a quantitative response variable, first with one quantitative predictor and
then with multiple predictors of both quantitative and categorical types.

Unit B (Chapters 5–8): Analysis of variance models. These four chapters also consider
models for a quantitative response variable, but specifically with categorical explanatory vari-
ables/factors. We start with a single factor (one-way ANOVA) and then move to models that
consider multiple factors. We follow this with an overview of experimental design issues.

Unit C (Chapters 9–11): Logistic regression models. These three chapters introduce models
for a binary response variable with either quantitative or categorical predictors.

These three units follow a similar structure:

• Each unit begins by considering the “simple” case with a single predictor/factor (Chapters
1–2 for Unit A, 5 for Unit B, 9 for Unit C). This helps students become familiar with the basic
ideas for that type of model (linear regression, analysis of variance, or logistic regression) in
a relatively straightforward setting where graphical visualizations are most feasible.

• The next chapter of the unit (Chapters 3, 6, 10) extends these ideas to models with multiple
predictors/factors.

• Each unit then presents a chapter of additional topics that extend ideas discussed earlier
(Chapters 4, 7, 11). For example, Section 1.5 gives a brief and informal introduction to
outliers and influential points in linear regression models. Topic 4.3 covers these ideas in
more depth, introducing more formal methods to measure leverage and influence and to
detect outliers. The topics in these chapters are relatively independent and so allow for
considerable flexibility in choosing among the additional topics.

• Unit B also has a chapter providing an overview of experimental design issues (Chapter 8).
x PREFACE

Flexibility within and between Units

The units and chapters are arranged to promote flexibility regarding order and depth in which
topics are covered. Within a unit, some instructors may choose to “splice” in an additional topic
when related ideas are first introduced. For example, Section 5.4 in the first ANOVA chapter
introduces techniques for conducting pairwise comparisons with one-way ANOVA using Fisher’s
LSD method. Instructors who prefer a more thorough discussion of pairwise comparison issues
at this point, including alternate techniques such as the Bonferroni adjustment or Tukey’s HSD
method, can proceed to present those ideas from Section 7.2. Other instructors might want to move
immediately to two-way ANOVA in Chapter 6 and then study pairwise procedures later.
Instructors can also adjust the order of topics between the units. For example, some might prefer
to consider logistic regression models (Unit C) before studying ANOVA models (Unit B). Others
might choose to study all three types of models in the “simple setting” (Chapters 1–2, 5, 9), and
then return to consider each type of model with multiple predictors. One could also move to the
ANOVA material in Unit B directly after starting with a “review” of the two-sample t-test for
means in Unit 0, then proceed to the material on regression.
Technology
Modern statistical software is essential for doing statistical modeling. We assume that students
will use statistical software for fitting and assessing the statistical models presented in this book.
We include output from both Minitab and R throughout the book, but we do not include specific
software commands or instructions. Our goal is to allow students to focus on understanding sta-
tistical concepts, developing facility with statistical modeling, and interpreting statistical output
while reading the text. Toward these ends, we want to avoid the distractions that often arise when
discussing or implementing specific software instructions. This choice allows instructors to use
other statistical software packages (e.g., SAS, SPSS, DataDesk, JMP, etc.).

Exercises
Developing skills of statistical modeling requires considerable practice working with real data.
Homework exercises are an important component of this book. Exercises appear at the end of each
chapter, except for the “Additional Topics” chapters that have exercises after each independent
topic. These exercises are grouped into four categories:
• Conceptual exercises. These questions are brief and require minimal (if any) calculations.
They give students practice with applying basic terminology and assess students’ understand-
ing of concepts introduced in the chapter.
• Guided exercises. These exercises ask students to perform various stages of a modeling
analysis process by providing specific prompts for the individual steps.
• Open-ended exercises. These exercises ask for more complete analyses and reporting of
conclusions, without much or any step-by-step direction.
• Supplemental exercises. Topics for these exercises go somewhat beyond the scope of the
material covered in the chapter.
PREFACE xi

To the Student
In your introductory statistics course you saw many facets of statistics but you probably did little
if any work with the formal concept of a statistical model. To us, modeling is a very important
part of statistics. In this book, we develop statistical models, building on ideas you encountered in
your introductory course. We start by reviewing some topics from Stat 101 but adding the lens of
modeling as a way to view ideas. Then we expand our view as we develop more complicated models.
You will find a thread running through the book:
• Choose a type of model.

• Fit the model to data.

• Assess the fit and make any needed changes.

• Use the fitted model to understand the data and the population from which they came.

We hope that the Choose, Fit, Assess, Use quartet helps you develop a systematic approach to
analyzing data.
Modern statistical modeling involves quite a bit of computing. Fortunately, good software exists
that enables flexible model fitting and easy comparisons of competing models. We hope that by
the end of your Stat2 course, you will be comfortable using software to fit models that allow for
deep understanding of complex problems.

Stat2 Book Companion Web site at www.whfreeman.com/stat2 provides a range of resources.

Available for instructors only:
- Instructor’s Manual
- Instructor’s Solutions Manual
- Sample Tests and Quizzes
- Lecture PowerPoint Slides
Available for students:
- Datasets (in Excel, Minitab, R, .csv, and .txt formats)
Each new copy of Stat2 is packaged with an access code students can use to access premium re-
sources via the Book Companion Web site. These resources include:
- Student Solutions Manual
- R Companion Manual
- Minitab Companion Manual

Acknowledgments
We are grateful for the assistance of a great number of people in writing Stat2.
First, we thank all the reviewers and classroom testers listed at the end of this section. This group
of people gave us valuable advice, without which we would have not progressed far from early drafts
of our book.
xii PREFACE

We thank the students in our Stat2 classes who took handouts of rough drafts of chapters and gave
back the insight, suggestions, and kind of encouragement that only students can truly provide.

We thank our publishing team at W. H. Freeman, especially Roland Cheyney, Katrina Wilhelm,
Kirsten Watrud, Lisa Kinne, Liam Ferguson, and Ruth Baruth. It has been a pleasure working
with such a competent organization.

We thank the students, faculty colleagues, and other researchers who have generously provided
their data for use in this project. Rich interesting data are the lifeblood of statistics and critical to
helping students learn and appreciate how to effectively model real-world situations.

We thank Emily Moore of Grinnell College, for giving us our push into the uses of LaTex typesetting.

We thank our families for their patience and support. The list would be very long if eight authors
listed all family members who deserve our thanks. But we owe them a lot and will continue to let
them know this.

Finally, we thank all our wonderful colleagues in the Statistics in the Liberal Arts Workshop
(SLAW). For 25 years, this group has met and supported one another through a variety of projects
and life experiences. Of the 11 current attendees of our annual meetings, 8 of us became the au-
thor team, but the others shared their ideas, criticism, and encouragement. These individuals are
Rosemary Roberts of Bowdoin College, Katherine Halvorsen of Smith College, and Joy Jordan of
Lawrence University.

We also thank four retired SLAW participants who were active with the group when the idea for a
Statistics 2 textbook went from a wish to a plan. These are the late Pete Hayslett of Colby College,
Gudmund Iversen of Swarthmore College, Don Bentley of Pomona College, and David Moore of
Purdue University. Pete taught us about balance in one’s life, and so a large author team allowed us
to make the project more fun and more social. Gudmund taught us early about the place of statis-
tics within the liberal arts, and we sincerely hope that our modeling approach will allow students to
see our discipline as a general problem-solving tool worthy of the liberal arts. Don taught us about
sticking to our guns and remaining proud of our roots in many disciplines, and we hope that our
commitment to a wide variety of applications, well represented by many datasets, will do justice to
his teaching. All of us in SLAW have been honored by David Moore’s enthusiastic participation in
our group until his retirement, and his leadership in the world of statistics education and writing
great textbooks will continue to inspire us for many years to come. His work and his teaching give
us a standard to aspire to.

Ann Cannon George Cobb Brad Hartlaub Julie Legler

Cornell College Mount Holyoke College Kenyon College St. Olaf College

Robin Lock Tom Moore Allan Rossman Jeff Witmer

St. Lawrence University Grinnell College Cal Poly San Luis Obispo Oberlin College
PREFACE xiii

Reviewers
Carmen O. Acuna Bucknell University
David C. Airey Vanderbilt School of Medicine
Jim Albert Bowling Green State University
Robert H. Carver Stonehill College
William F. Christensen Brigham Young University
Julie M. Clark Hollins University
Phyllis Curtiss Grand Valley State University
Lise DeShea University of Oklahoma Health Sciences Center
Christine Franklin University of Georgia
Susan K. Herring Sonoma State University
Martin Jones College of Charleston
David W. Letcher The College of New Jersey
Ananda Manage Sam Houston State University
John D. McKenzie, Jr. Babson College
Judith W. Mills Southern Connecticut State University
Alan Olinsky Bryant University
Richard Rockwell Pacific Union College
Laura Schultz Rowan University
Peter Shenkin John Jay College of Criminal Justice
Daren Starnes The Lawrenceville School
Debra K. Stiver University of Nevada, Reno
Linda Strauss Pennsylvania State University
Dr. Rocky Von Eye Dakota Wesleyan University
Jay K. Wood Memorial University
Jingjing Wu University of Calgary
Class Testers
Sarah Abramowitz Drew University
Ming An Vassar College
Christopher Barat Stevenson College
Nancy Boynton SUNY, Fredonia
Jessica Chapman St. Lawrence University
Michael Costello Bethesda-Chevy Chase High School
Michelle Everson University of Minnesota
Katherine Halvorsen Smith College
Joy Jordan Lawrence University
Jack Morse University of Georgia
Eric Nordmoe Kalamazoo College
Ivan Ramler St. Lawrence University
David Ruth U.S. Naval Academy
Michael Schuckers St. Lawrence University
Jen-Ting Wang SUNY, Oneonta
 To David S. Moore,
with enduring affection, admiration, and thanks:

Thank you, David, for all that your leadership has done for our profession,
and thank you also for all that your friendship, support, and guidance
have done for each of us personally.
 CHAPTER 0

What Is a Statistical Model?

The unifying theme of this book is the use of models in statistical data analysis. Statistical models
are useful for answering all kinds of questions. For example:
• Can we use the number of miles that a used car has been driven to predict the price that is
being asked for the car? How much less can we expect to pay for each additional 1000 miles
that the car has been driven? Would it be better to base our price predictions on the age of
the car in years, rather than its mileage? Is it helpful to consider both age and mileage, or do
we learn roughly as much about price by considering only one of these? Would the impact of
mileage on the predicted price be different for a Honda as opposed to a Porsche?
• Do babies begin to walk at an earlier age if they engage in a regimen of special exercises? Or
does any kind of exercise suffice? Or does exercise have no connection to when a baby begins
to walk?
• If we find a footprint and a handprint at the scene of a crime, are they helpful for predicting
the height of the person who left them? How about for predicting whether the person is male
or female?
• Can we distinguish among different species of hawks based solely on the lengths of their tails?
• Do students with a higher grade point average really have a better chance of being accepted
to medical school? How much better? How well can we predict whether or not an applicant
is accepted based on his or her GPA? Is there a difference between male and female students’
chances for admission? If so, does one sex retain its advantage even after GPA is accounted
for?
• Can a handheld device that sends a magnetic pulse into the head reduce pain for migraine
sufferers?
• When people serve ice cream to themselves, do they take more if they are using a bigger
bowl? What if they are using a bigger spoon?
• Which is more strongly related to the average score for professional golfers: driving distance,
driving accuracy, putting performance, or iron play? Are all of these useful for predicting a

1
2 CHAPTER 0. WHAT IS A STATISTICAL MODEL?

golfer’s average score? Which are most useful? How much of the variability in golfers’ scores
can be explained by knowing all of these other values?

These questions reveal several purposes of statistical modeling:

a. Making predictions. Examples include predicting the price of a car based on its age,
mileage, and model; predicting the length of a hawk’s tail based on its species; predicting the
probability of acceptance to medical school based on grade point average.

b. Understanding relationships. For example, after taking mileage into account, how is the
age of a car related to its price? How does the relationship between foot length and height
differ between men and women? How are the various measures of a golfer’s performance
related to each other and to the golfer’s scoring average?

c. Assessing differences. For example, is the difference in ages of first walking different enough
between an exercise group and a control group to conclude that exercise really does affect age
of first walking? Is the rate of headache relief for migraine sufferers who experience a magnetic
pulse sufficiently higher than those in the control group to advocate for the magnetic pulse
as an effective treatment?

As with all models, statistical models are simplifications of reality. George Box, a renowned statis-
tician, famously said that “all statistical models are wrong, but some are useful.” Statistical models
are not deterministic, meaning that their predictions are not expected to be perfectly accurate. For
example, we do not expect to predict the exact price of a used car based on its mileage. Even if
we were to record every imaginable characteristic of the car and include them all in the model, we
would still not be able to predict its price exactly. And we certainly do not expect to predict the
exact moment that a baby first walks based on the kind of exercise he or she engaged in. Statistical
models merely aim to explain as much of the variability as possible in whatever phenomenon is
being modeled. In fact, because human beings are notoriously variable and unpredictable, social
scientists who develop statistical models are often delighted if the model explains even a small part
of the variability.

A distinguishing feature of statistical models is that we pay close attention to possible simplifica-
tions and imperfections, seeking to quantify how much the model explains and how much it does
not. So, while we do not expect our model’s predictions to be exactly correct, we are able to state
how confident we are that our predictions fall within a certain range of the truth. And while we
do not expect to determine the exact relationship between two variables, we can quantify how far
off our model is likely to be. And while we do not expect to assess exactly how much two groups
may differ, we can draw conclusions about how likely they are to differ and by what magnitude.
0.1. FUNDAMENTAL TERMINOLOGY 3

More formally, a statistical model can be written as

DAT A = M ODEL + ERROR

or as

Y = f (X) + ϵ
The Y here represents the variable being modeled, X is the variable used to do the modeling,
and f is a function.1 We start in Chapter 1 with just one quantitative, explanatory variable X
and with a linear function f . Then we will consider more complicated functions for f , often by
transforming Y or X or both. Later, we will consider multiple explanatory variables, which can be
either quantitative or categorical. In these initial models we assume that the response variable Y
is quantitative. Eventually, we will allow the response variable Y to be categorical.

The ϵ term in the model above is called the “error,” meaning the part of the response variable Y
that remains unexplained after considering the predictor X. Our models will sometimes stipulate
a probability distribution for this ϵ term, often a normal distribution. An important aspect of our
modeling process will be checking whether the stipulated probability distribution for the error term
seems reasonable, based on the data, and making appropriate adjustments to the model if it does
not.

0.1 Fundamental Terminology

Before you begin to study statistical modeling, you will find it very helpful to review and practice
applying some fundamental terminology.

The observational units in a study are the people, objects, or cases on which data are recorded.
The variables are the characteristics that are measured or recorded about each observational unit.

Example 0.1: Car prices

In the study about predicting the price of a used car, the observational units are the cars. The
variables are the car’s price, mileage, age (in years), and manufacturer (Porsche or Honda).
⋄

Example 0.2: Walking babies

In the study about babies walking, the observational units are the babies. The variables are whether
or not the baby was put on an exercise regimen and the age at which the baby first walked.
⋄
1
The term “model” is used to refer to the entire equation or just the structural part that we have denoted by
f (X).
4 CHAPTER 0. WHAT IS A STATISTICAL MODEL?

Figure 0.1: Health facilities in U.S. metropolitan areas

Example 0.3: Metropolitan health care

You may find it helpful to envision the data in a spreadsheet format. The row labels are cities, which
are observational units, and the columns correspond to the variables. For example, Figure 0.1 shows
part of a Minitab worksheet with data compiled by the U.S. Census Bureau on health-care facilities
in metropolitan areas. The observational units are the metropolitan areas and the variables count
the number of doctors, hospitals, and beds in each city as well as rates (number of doctors or beds
per 100,000 residents). The full dataset for 83 metropolitan areas is in the file MetroHealth83.
⋄
Variables can be classified into two types: quantitative and categorical. A quantitative variable
records numbers about the observational units. It must be sensible to perform ordinary arithmetic
operations on these numbers, so zip codes and jersey numbers are not quantitative variables. A
categorical variable records a category designation about the observational units. If there are
only two possible categories, the variable is also said to be binary.

Example 0.1 (continued): The price, mileage, and age of a car are all quantitative variables.
The model of the car is a categorical variable.
⋄
Example 0.2 (continued): Whether or not a baby was assigned to a special exercise regimen is
a categorical variable. The age at which the baby first walked is a quantitative variable.
⋄

Example 0.4: Medical school admission

Whether or not an applicant is accepted for medical school is a binary variable, as is the gender of
the applicant. The applicant’s undergraduate grade point average is a quantitative variable.
⋄
0.1. FUNDAMENTAL TERMINOLOGY 5

Another important consideration is the role played by each variable in the study. The variable that
measures the outcome of interest is called the response variable. The variables whose relationship
to the response is being studied are called explanatory variables. (When the primary goal of the
model is to make predictions, the explanatory variables are also called predictor variables.)

Example 0.1 (continued): The price of the car is the response variable. The mileage, age, and
model of the car are all explanatory variables. ⋄
Example 0.2 (continued): The age at which the baby first walked is the response variable.
Whether or not a baby was assigned to a special exercise regimen is an explanatory variable. ⋄
Example 0.4 (continued): Whether or not an applicant is accepted for medical school is the
response variable. The applicant’s undergraduate grade point average and sex are explanatory
variables. ⋄
One reason that these classifications are important is that the choice of the appropriate analy-
sis procedure depends on the type of variables in the study and their roles. Regression analysis
(covered in Chapters 1–4) is appropriate when the response variable is quantitative and the ex-
planatory variables are also quantitative. In Chapter 3, you will also learn how to incorporate
binary explanatory variables into a regression analysis. Analysis of variance (ANOVA, considered
in Chapters 5–8) is appropriate when the response variable is quantitative, but the explanatory
variables are categorical. When the response variable is categorical, logistic regression (considered
in Chapters 9–11) can be used with either quantitative or categorical explanatory variables. These
various scenarios are displayed in Table 0.1.

Keep in mind that variables are not always clear-cut to measure or even classify. For example,
measuring headache relief is not a straightforward proposition and could be done with a quantita-
tive measurement (intensity of pain on a 0–10 scale), a categorical scale (much relief, some relief,
no relief), or as a binary categorical variable (relief or not).

We collect data and fit models in order to understand populations, such as all students who are

Response Predictor/explanatory Procedure Chapter

Quantitative Single quantitative Simple linear regression 1, 2
Quantitative Single categorical One-way analysis of variance 5
Categorical Single quantitative Simple logistic regression 9
Categorical Single binary 2 × 2 table 11
Quantitative Multiple quantitative Multiple linear regression 3, 4
Quantitative Multiple categorical Multiway analysis of variance 6, 7
Categorical Multiple quantitative Multiple logistic regression 10, 11
Categorical Multiple categories 2 × k table 11

Table 0.1: Classifying general types of models

6 CHAPTER 0. WHAT IS A STATISTICAL MODEL?

applying to medical school, and parameters, such as the acceptance rate of all students with a
grade point average of 3.5. The collected data are a sample and a characteristic of a sample, such
as the percentage of students with grade point averages of 3.5 who were admitted to medical school,
out of those who applied, is a statistic. Thus, sample statistics are used to estimate population
parameters.

Another crucial distinction is whether a research study is a controlled experiment or an observa-

tional study. In a controlled experiment, the researcher manipulates the explanatory variable
by assigning the explanatory group or value to the observational units. (These observational units
may be called experimental units or subjects in an experiment.) In an observational study,
the researchers do not assign the explanatory variable but rather passively observe and record its
information. This distinction is important because the type of study determines the scope of con-
clusion that can be drawn. Controlled experiments allow for drawing cause-and-effect conclusions.
Observational studies, on the other hand, only allow for concluding that variables are associated.
Ideally, an observational study will anticipate alternative explanations for an association and in-
clude the additional relevant variables in the model. These additional explanatory variables are
then called covariates.

Example 0.5: Handwriting and SAT essay scores

An article about handwriting appeared in the October 11, 2006, issue of The Washington Post. The
article mentioned that among students who took the essay portion of the SAT exam in 2005–2006,
those who wrote in cursive style scored significantly higher on the essay, on average, than students
who used printed block letters. This is an example of an observational study since there was no
controlled assignment of the type of writing for each essay. While it shows an association between
handwriting and essay scores, we can’t tell whether better writers tend to choose to write in cursive
or if graders tend to score cursive essays more generously and printed ones more harshly. We might
also suspect that students with higher GPAs are more likely to use cursive writing. To examine
this carefully, we could fit a model with GPA as a covariate.

The article also mentioned a different study in which the identical essay was shown to many graders,
but some graders were shown a cursive version of the essay and the other graders were shown a
version with printed block letters. Again, the average score assigned to the essay with the cursive
style was significantly higher than the average score assigned to the essay with the printed block
letters. This second study involved an experiment since the binary explanatory factor of interest
(cursive versus block letters) was controlled by the researchers. In that case, we can infer that
using cursive writing produces better essay scores, on average, than printing block letters.
⋄
0.2. FOUR-STEP PROCESS 7

0.2 Four-Step Process

We will employ a four-step process for statistical modeling throughout this book. These steps are:
• Choose a form for the model. This involves identifying the response and explanatory vari-
able(s) and their types. We usually examine graphical displays to help suggest a model that
might summarize relationships between these variables.
• Fit that model to the data. This usually entails estimating model parameters based on the
sample data. We will almost always use statistical software to do the necessary number-
crunching to fit models to data.
• Assess how well the model describes the data. One component of this involves comparing
the model to other models. Are there elements of the model that are not very helpful in
explaining the relationships or do we need to consider a more complicated model? Another
component of the assessment step concerns analyzing residuals, which are deviations between
the actual data and the model’s predictions, to assess how well the model fits the data. This
process of assessing model adequacy is as much art as science.
• Use the model to address the question that motivated collecting the data in the first place.
This might be to make predictions, or explain relationships, or assess differences, bearing in
mind possible limitations on the scope of inferences that can be made. For example, if the
data were collected as a random sample from a population, then inference can be extended to
that population; if treatments were assigned at random to subjects, then a cause-and-effect
relationship can be inferred; but if the data arose in other ways, then we have little statistical
basis for drawing such conclusions.
The specific details for how to carry out these steps will differ depending on the type of analysis
being performed and, to some extent, on the context of the data being analyzed. But these four
steps are carried out in some form in all statistical modeling endeavors. To illustrate the process,
we consider an example in the familiar setting of a two-sample t-procedure.

Example 0.6: Financial incentives for weight loss

Losing weight is an important goal for many individuals. An article2 in the Journal of the American
Medical Association describes a study in which researchers investigated whether financial incentives
would help people lose weight more successfully. Some participants in the study were randomly
assigned to a treatment group that offered financial incentives for achieving weight loss goals, while
others were assigned to a control group that did not use financial incentives. All participants were
monitored over a four-month period and the net weight change (Bef ore − Af ter in pounds) was
recorded for each individual. Note that a positive value corresponds to a weight loss and a nega-
tive change is a weight gain. The data are given in Table 0.2 and stored in WeightLossIncentive4.

2
K. Volpp, L. John, A.B. Troxel, L. Norton, J. Fassbender, and G. Lowenstein (2008), “Financial Incentive-based
Approaches for Weight Loss: A Randomized Trial”, JAMA, 300(22): 2631–2637.
8 CHAPTER 0. WHAT IS A STATISTICAL MODEL?

Control 12.5 12.0 1.0 −5.0 3.0 −5.0 7.5 −2.5 20.0 −1.0
2.0 4.5 −2.0 −17.0 19.0 −2.0 12.0 10.5 5.0
Incentive 25.5 24.0 8.0 15.5 21.0 4.5 30.0 7.5 10.0 18.0
5.0 −0.5 27.0 6.0 25.5 21.0 18.5

Table 0.2: Weight loss after four months (pounds)

The response variable in this situation (weight change) is quantitative and the explanatory factor
of interest (control versus incentive) is categorical and binary. The subjects were assigned to the
groups at random so this is a statistical experiment. Thus, we may investigate whether there is a
statistically significant difference in the distribution of weight changes due to the use of a financial
incentive.

CHOOSE

When choosing a model, we generally consider the question of interest and types of variables
involved, then look at graphical displays, and compute summary statistics for the data. Since the
weight loss incentive study has a binary explanatory factor and quantitative response, we examine
dotplots of the weight losses for each of the two groups (Figure 0.2) and find the sample mean and
standard deviation for each group.

Figure 0.2: Weight loss for Control versus Incentive groups

Variable Group N Mean StDev

WeightLoss Control 19 3.92 9.11
Incentive 17 15.68 9.41

The dotplots show a pair of reasonably symmetric distributions with roughly the same variability,
although the mean weight loss for the incentive group is larger than the mean for the control
group. One model for these data would be for the weight losses to come from a pair of normal
distributions, with different means (and perhaps different standard deviations) for the two groups.
Let the parameter µ1 denote the mean weight loss after four months without a financial incentive,
and let µ2 be the mean with the incentive. If σ1 and σ2 are the respective standard deviations
and we let the variable Y denote the weight losses, we can summarize the model as Y ∼ N (µi , σi ),
0.2. FOUR-STEP PROCESS 9

where the subscript indicates the group membership3 and the symbol ∼ signifies that the variable
has a particular distribution. To see this in the DAT A = M ODEL + ERROR format, this model
could also be written as

Y = µi + ϵ
where µi is the population mean for the ith group and ϵ ∼ N (0, σi ) is the random error term. Since
we only have two groups, this model says that

Y = µ1 + ϵ ∼ N (µ1 , σ1 ) for individuals in the control group

Y = µ2 + ϵ ∼ N (µ2 , σ2 ) for individuals in the incentive group

FIT
To fit this model, we need to estimate four parameters (the means and standard deviations for
each of the two groups) using the data from the experiment. The observed means and standard
deviations from the two samples provide obvious estimates. We let y 1 = 3.92 estimate the mean
weight loss for the control group and y 2 = 15.68 estimate the mean for a population getting the
incentive. Similarly, s1 = 9.11 and s2 = 9.41 estimate the respective standard deviations. The
fitted model (a prediction for the typical weight loss in either group) can then be expressed as 4

ŷ = y i

that is, that ŷ = 3.92 pounds for individuals without the incentive and ŷ = 15.68 pounds for those
with the incentive.

Note that the error term does not appear in the fitted model since, when predicting a particular
weight loss, we don’t know whether the random error will be positive or negative. That does not
mean that we expect there to be no error, just that the best guess for the average weight loss under
either condition is the sample group mean, y i .

ASSESS
Our model indicates that departures from the mean in each group (the random errors) should
follow a normal distribution with mean zero. To check this, we examine the sample residuals or
deviations between what is predicted by the model and the actual data weight losses:

residual = observed − predicted = y − ŷ

For subjects in the control group, we subtract ŷ = 3.92 from each weight loss and we subtract
ŷ = 15.68 for the incentive group. Dotplots of the residuals for each group are shown in Figure 0.3.
3
For this example, an assumption that the variances are equal, σ12 = σ22 , might be reasonable, but that would lead
to the less familiar pooled variance version of the t-test. We explore this situation in more detail in a later chapter.
4
We use the caratˆsymbol above a variable name to indicate predicted value, and refer to this as y-hat.
10 CHAPTER 0. WHAT IS A STATISTICAL MODEL?

Figure 0.3: Residuals from group weight loss means

Note that the distributions of the residuals are the same as the original data, except that both
are shifted to have a mean of zero. We don’t see any significant departures from normality in the
dotplots, but it’s difficult to judge normality from dotplots with so few points. Normal probability
plots (as shown in Figure 0.4) are a more informative technique for assessing normality. Departures
from a linear trend in such plots indicate a lack of normality in the data. Normal probability plots
will be examined in more detail in the next chapter.

(a) Control (b) Incentive

Figure 0.4: Normality probability plots for residuals of weight loss

As a second component of assessment, we consider whether an alternate (simpler) model might fit

the data essentially as well as our model with different means for each group. This is analogous to
testing the standard hypotheses for a two sample t-test:

H0 : µ1 = µ2
Ha : µ1 ̸= µ2

The null hypothesis (H0 ) corresponds to the simpler model Y = µ+ϵ, which uses the same mean for
both the control and incentive groups. The alternative (Ha ) reflects the model we have considered
here that allows each group to have a different mean. Would the simpler (common mean) model
suffice for the weight loss data or do the two separate groups means provide a significantly better
explanation for the data? One way to judge this is with the usual two-sample t-test (as shown in
the computer output below).
Random documents with unrelated
content Scribd suggests to you:
 The Project Gutenberg eBook of
Mustapartainen mies herättää pahennusta
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Mustapartainen mies herättää pahennusta

32 juttua

Author: Väinö Albert Nuorteva

Release date: June 1, 2024 [eBook #73747]

Language: Finnish

Original publication: Helsinki: Otava, 2007

Credits: Tapio Riikonen

*** START OF THE PROJECT GUTENBERG EBOOK

MUSTAPARTAINEN MIES HERÄTTÄÄ PAHENNUSTA ***
MUSTAPARTAINEN MIES HERÄTTÄÄ PAHENNUSTA

32 JUTTUA
Kirj.

OLLI [Väinö Nuorteva]

Helsingissä, Kustannusosakeyhtiö Otava, 1921.

SISÄLLYS:

Mustapartainen mies herättää pahennusta.

Gyges ja Kandaules.
Leipomisen taito.
Puuanturat.
Kinkku.
Uutinen.
Jouluaattona.
Tilinpäätös.
Rasvattu Salama.
Salaperäinen hissi.
Merikylpylä.
Yhteiskunnalliset velvollisuudet.
Salinkalusto.
Takaisin luontoon.
Helluntaiksi maalle.
Kirjakaapin ostaja.
Eteisen ovi.
Ovela luonnonlaki.
Pilvilinnojen murskaama.
Mustapartainen mies ja ikäneito.
Suomalainen sauna Tyynen valtameren luodolla..
Mäkelän isännän lankeemus.
Happamat omenat.
Nujerrettu asiantuntija.
Sisäänkäynti ja uloskäynti.
Joulumarkkinat.
Kostoonsa sortunut.
Pörssikeinottelija.
Tavattomia tapahtui.
Helsinkiläisen kesäasunto.
Mustapartainen mies ja keskusteleva pariskunta.
Romaanin loppu.

Mustapartainen mies herättää pahennusta.

Mustapartainen mies astui kadulle 1 huoneen ja 0 keittiön

huoneistostaan ilman nyky- tai entisajan mukavuuksia.

Hänellä oli kainalossaan salaperäinen käärö.

Emme tahdo kiusata lukijan uteliaisuutta, joten heti ilmoitamme,

mitä siinä käärössä oli. Siinä oli 68 senttimetrin pituinen palotorvi.

Käveltyään 3 minuuttia Helsingin horisontin mukaan,

mustapartainen mies lähestyessään kadunkulmaa riisui kääröstä
paperit, kohotti palotorven mustapartaisille huulilleen ja puhalsi
torveen. Siitä lähti kaamea, voimakas ulvahdus. Ällistyneenä koko
katuliikenne pysähtyi 1 minuutin ajaksi.
 Mustapartainen mies jatkoi hieman kalpeana, mutta päättäväisenä
matkaansa ja kuljettuaan 7 metriä hän taas töräytti torvellaan niin
että ikkunaruudut tärähtivät ja katulyhtyjen lasit helisivät ja ihmiset
toisella puolen kaupunkia kysyivät hätääntyneinä toisiltaan, että joko
nyt alkoi?

Mustapartainen mies jatkoi matkaansa Pohjois-Esplanaadikatua

kohden.
Hänen perässään kulki n. 185 uteliasta ihmistä.

Mustapartainen mies katujen risteyksessä taas kamalasti töräytti

torveaan. Hänen perässään kulki 620 uteliasta ihmistä.

Kuusi metriä kuljettuaan mustapartainen mies taas puhalsi

palotorveensa — tuuuu — tuuu — tutuu — tuuuuuuu! Hänen
saattojoukkonsa nousi 1,058 sieluun.

Taas mustapartainen mies töräytti. 2,560 uteliasta. Nyt huomasi

muuan sattumalta ohikulkeva poliisikonstaapelikin, että jotakin
mahdollisesti oli tekeillä.

— Oletteko hullu, sanoi hän, ei saa puhaltaa! Kuinka uskallatte

kadulla puhaltaa tuollaiseen torveen!

— Tuuu — tuu — tutuu, puhalsi mustapartainen mies.

Hetkisen kuluttua oli läsnä 3,001 uteliasta ihmistä ja 2 poliisia.

— Lopettakaa heti! huusivat poliisit.

— Tuuu — uu — uuu — — —
 — Pois torvi!… Ottakaa kiinni tuo mies!… Herra on hyvä ja seuraa
meitä poliisikamariin!

— Miksi minä en saa töräytellä torveeni?

— Ei semmoista saa täällä kadulla!

— Miksei saa?

— Se herättää yleistä pahennusta.

— Herättäköön. Tuu — tutuu — uuuuuuu —

— Lopettakaa!!

— Tämä on raakaa yksilön vapauden sortamista! Minä kuulen yötä

päivää ulkoa kadulta torven töräyksiä. Vallan helvetillistä ulinaa.
Kenen luvalla autot päästelevät eläimellisiä ääniään vaikkapa keskellä
yötä? Niitten mölinä herättää kuolleet ja tappaa elävät. Yksinpä
polkupyöräilijät toitottavat kaikenkaltaisia torvipelejä. Raitiovaunutkin
ovat varustetut jonkunlaisilla höyrylaivapilliäänilaitteilla. Miksi minä
en muka saisi kadulla kävellessäni antaa torvella merkkejä, että
vastaantulijat tietävät väistyä oikealle puolelle? Mitä? — Tuuuu —
tuu — — — tuuu!

— Torvi tänne! Ette saa puhaltaa!

— Miksi minä en saa puhaltaa? Miksi kaikki muut saavat?

— Se koskee vain ajoneuvoja. Vangitsemme teidät! Saatte

sakkoja!

— Vai koskee se ainoastaan ajoneuvoja, sanoi mustapartainen

mies ja kiipesi ajurin rattaille. — Ajelkaa tunnin aika, huusi hän ja löi
ajuria selkään, — tuu — tuu — tuu tuuu!

Gyges ja Kandaules.

4-näytöksinen historiallinen näytelmä. Melko vapaasti Herodotoon

mukaan. Huom! Kielletty lapsilta alle 15 v:n.

HENKILÖT:

Kandaules, Lydian kuningas. Kuningatar. Gyges, sotapäällikkö.

I NÄYTÖS.

Kandauleen linnan puutarha.

Kuningas: Gyges, ystäväni, olen onnellinen, niin onnellinen!

Gyges: Mikäpä on ollessa, kun sosialistien ja bolshevikien

maailmaan ilmestymiseen vielä on aikaa pari tuhatta vuotta. Eikä
parlamentarismistakaan…

Kuningas: Hiiteen politiikka! Minä puhun vaimostani. Olen saanut

puolisokseni maailman ihanimman naisen!

Gyges: Niin ne sanovat kaikki juuri naimisiin mentyään.

Kuningas: Mutta hän on maailman ihanin nainen!

 Gyges: Siltä kuuluu.

Kuningas: Kuuluu, kuuluu! Mutta sinä et kuitenkaan usko.

Lydialainen ei usko ennenkuin näkee. Sinun on nähtävä vaimoni.

Gyges: Kuten teidän majesteettinne käskee.

Kuningas: Ja sinun on nähtävä hänet ilman vaatteita! Eevan

puvussa!

Gyges: Mahdotonta, hirveätä! Toisen miehen, jopa itse kuninkaan

vaimoa alastomana! Sehän olisi rikos maamme tapoja ja lakeja
vastaan! Solvaus vaimoanne kohtaan!

Kuningas: Minä käsken! Sinä tottelet! Kuoleman uhalla! Toimitan

sinulle pääsyn kuninkaallisen uimalaitoksen alueelle. Puolisoni ja
minun mennessä kylpemään kätkeydyt pensaan taa. Ei hänen eikä
kenenkään tarvitse koskaan mitään tietää koko jutusta. Luulenpa,
että nähtyäsi uskot.

Gyges: Tapahtukoon niin. Vähemmälläkin suostun. Ilman

kuolemanuhkauksiakin, suoraan sanoen, olen valmis katselemaan
kaunista naista uimarannassa!

II NÄYTÖS.

Kuninkaallinen uimaranta.

Kuningas (ui ja ottaa aurinkokylpyjä).

Kuningatar (ottaa aurinkokylpyjä ja ui).

Gyges (kurkistelee pensaan takaa).

III NÄYTÖS.

Kuningattaren vierashuone.

Gyges: Teidän majesteettinne on kutsuttanut minut tänne.

Kuningatar: Niin. Olette loukannut minua häpeällisellä tavalla.

Olette salaa katsellen nähneet minut Eevan puvussa.

Gyges: Mutta…

Kuningatar: Ei, ei, älkää kieltäkö, tiedän kaiken. Miehelläni on

hauska tapa puhua unissaan. Halpamaisen tekonne voi vain kuolema
sovittaa.

Gyges (erikseen). Tämäpä on kaunista! Katsoin tai olin katsomatta

— henki pois!

Kuningatar: Kuninkaan syyllisyys on kenties yhtä suuri. Valitkaa:

joko surmaatte kuninkaan ja otatte minut puolisoksenne tai
surmautan minä teidät!

Gyges (raapii päätään): Naiminen tai kuolema. Ankarat

vaihtoehdot! — Saanko nöyrimmästi anoa vähän miettimisaikaa.

Kuningatar: 25 minuuttia.

IV NÄYTÖS.

Kuningattaren vierashuone.

Gyges: En tapa kuningasta.

 Kuningatar: Siis kuolette itse. (Tarttuu soittokelloon.)

Gyges; Malttakaa, teidän majesteettinne. Olen syytön. Tässä on

todistukset siitä. (Näyttää paperikääröä kädessään.)

Kuningatar: Mitä tarkoitatte? Mitä siinä on?

Gyges: Nämä ovat uusimmat Parisin muotilehdet. Suvaitkaa

silmäillä 1921-vuoden naisten juhlapukumuoteja. Rohkenen
vakuuttaa, että teidän kuninkaallinen majesteettinne ei ollut ilkialasti,
kun minulla oli kunnia ja ilo nähdä teidän kuninkaallista
majesteettianne pensaan takaa. Teidän majesteettinne oli silloin
oikeastaan miltei täysin pukeutunut 1921-vuoden Parisin muotien
mukaisesti. Aivan »chic».

Kuningatar: Niin, niin… oikeastaan… tosiaankin… tietysti, tietysti,

minä olen aina »chic». Olette vain nähnyt minut uusimmassa
europalaisessa muotipuvussa. Saatte pitää henkenne. Menkää
tiehenne.

Gyges: Hyvästi, teidän majesteettinne.

Kuningatar: Seis, seis, odottakaa!… Jättäkää muotilehdet tänne!

Esirippu.

Leipomisen taito.

— Olen tehnyt keksinnön, sanoi ystäväni ja huonetoverini

Niemeläinen, olen keksinyt liisterin!
 Minä en vastannut mitään, vaan itkin. Olin jo puolen tunnin ajan
sisäänlämpiävän kaakeliuunimme ääressä koettanut saada
sananlaskua »ei savua ilman tulta» pitämään paikkaansa. Mutta se ei
pitänyt. Savua tuli kuin pienestä valtamerihöyrylaivasta, mutta tulta
ei vain näkynyt.

— Tosin liisteri on jo aikaisemminkin keksitty, mutta olen sen nyt

keksinyt uudestaan aivan omintakeisesti, jatkoi Niemeläinen.

— Kuka sinun käski ruveta liisteriä keksimään! Sinunhan piti keksiä

jotakin aivan muuta. Olisi jo aika, että keksisit vehnäleipätaikinan,
muuten sinut paha perii!

Tämä tapahtui niinä suurina sotavuosina, jolloin leipä ja jauhot

olivat loppumassa ja niitä sai niukalti vain korteilla. Niemeläinen ja
minä olimme kuulleet asiantuntevalta taholta, että leipomalla itse
leipää, korteilla saadusta jauhoannoksesta saisi enemmän kuin
ostamalla valmista leipää. Koska Niemeläinen kerskaili osaavansa
leipoa, päätimme yrittää.

Olin jo saanut tulen uuniin. Niemeläisen liisteri kävi yhä

liisterimäisemmäksi. Hän vakuutti, että sellaista muka joskus sattuu
taikinanteossa ja että se oli vain ohimenevä ilmiö.

Ilmiön ohimeneminen näytti kuitenkin kestävän sietämättömän

kauan.

— Se on sinun syysi! ärähti Niemeläinen tuskastuneena. — Eihän

tästä parhaalla tahdollakaan voi tulla muuta kuin liisteriä, kun
seisoskelet siinä vieressä ja tuijottelet ja härnäilet! Mene ostamaan
hiivaa!
 Menin. Kävin myymälästä toiseen. Kävin herkeämättä toista tuntia
saamatta hiivaa: Sanotaan, että hiiva on käymisprosessin tulos,
mutta kyllä se vain ei ainakaan tällä kertaa ollut.

Apteekista lopulta sain eräänlaista hiivapulveria, jonka vakuutettiin

olevan niin tehokasta, että sillä saisi nousemaan vaikka
rautatievetureita.

Kotiin tullessani ei Niemeläinen vieläkään ollut keksinyt

vehnäleipätaikinaa. Hän yhä vielä viimeisteli liisterinkeksintöään.

Sekoitimme hiivapulverin liisteriin ja odotimme jännittyneinä

tuloksia.

— Älä pistä nokkaasi niin lähelle, varoitin Niemeläistä, jos taikina

hyvinkin äkkiä ja rajusti sattuu nousemaan — tämä pulveri kun on
kuulemma niin voimakasta.

Ei taikina sentään noussutkaan äkkiä ja voimakkaasti. Se ei

noussut ollenkaan. Lopulta se päinvastoin alkoi entisestäänkin laskea
ja litistyä.

— Pannaan kaikin mokomin uuniin, neuvoin minä, se käy jo niin

arveluttavan litteäksi, että tulemme tässä muuten vielä paperinkin
keksijöiksi!

Työnsimme hiilille paistinpannun, johon sekoitus oli mätetty.

Kun alkoi tuntua käryä, otimme sen jälleen ulos.

Taikina oli niin kiihtynyt pannuun, että emme millään tahtoneet

saada sitä irtaantumaan. Taltan ja vasaran avulla se lopulta
luonnistui.
 — Tiedätkö mitä, — sanoin Niemeläiselle tutkittuamme työmme
tulosta, — luulen, että olemme kuin olemmekin keksineet viisaitten
kiven.

Päässäni on kuhmu. Niemeläinen löi minua sillä »leivällä».

Puuanturat.

Ystäväni ja huonetoverini Kalle Niemeläinen tarkasteli kenkiään.

Ne muistuttivat kehnoa naturalistista esikoismurhenäytelmää.

— Minä luulen — sanoi Niemeläinen — luulen, että vien nämä

kengät syksyn tuulessa humisevien puitten juurelle, kaivan niille
syvän haudan, istutan kummulle kukkia ja rupean
paljasjalkatanssijaksi.

— Yritä vielä kerran viedä suutarille.

— Viime kerralla oli koko kaupungissa yksi ainoa suutari, joka viitsi
ja uskalsi ruveta tätä paikkakokoelmaa, näitä nahkaisia
juoksuhautoja, paikkaamaan, ja hän on kuulemma nykyään
hermosairaalassa.

— Osta uudet kengät.

— Sanoitko sen tosissasi?

— En.
 — No, älä siis puhu mielettömyyksiä! Ei, kukapa miestä auttaa,
ellei mies itse. Minä paikkaan itse jalkineeni.

— Mistä luulet saavasi nahkaa?

— Nahkaa! Missä on kirjoitettu, että siihen tarvitaan nahkaa? Olen

nähnyt eräässä ulkomaalaisessa aikakauslehdessä ohjeen miten
jokainen voi itse valmistaa kenkiin anturat puusta. Onhan kellarissa
tietääkseni halkoja. Ainakin yksi halko. Ja se riittää aluksi.

En yritä kuvata Niemeläisen kengänpaikkausta. Sitä varten pitäisi

olla vähintään sotakirjailija. Lönnrotin sanakirjan uutta painosta
varten merkitsin muistiin aivan uusia, meheviä sanoja, joita
Niemeläinen keksi tukuttain joka kerta kun hän iski vasaralla
peukaloonsa.

Työnsä päätyttyä Niemeläinen veti kengät jalkaansa. Oikeastaan

on ehkä väärin sanoa niitä kengiksi. Ne näyttivät pikemmin olevan
kaksi tankkia pienoiskoossa.

— Nauratko sinä! huusi Niemeläinen uhkaavasti.

Vakuutin, etten nauranut, ja kätkin kasvoni käsiini.

— Tule mukaan, sanoi Niemeläinen, minä lähden koettamaan

minkälaisen vaikutuksen kenkäni tekevät yleisöön.

Ensimäinen vastaantulija oli varovainen. Hän siirtyi jo ajoissa

toiselle puolen katua.

Toinen vastaantulija oli suurikokoinen mies. Hän hymyili.

 — Suokaa anteeksi, että vaivaan, sanoi Niemeläinen kohottaen
hattuaan, minulleko irvistätte?

Mies katsahti merkitsevästi Niemeläisen jalkoihin ja hymyili.

— Kuule, sanoi Niemeläinen minulle, mene hakemaan ajuria.

Luulen, että tämä herra on hetkisen kuluttua vietävä kirurgiin.

Menin mielihyvällä. Sain ajurin ja palasin parahiksi viedäkseni

Niemeläisen kirurgiin. Pahoinpitely ei ollut vaarallista laatua, joten
hän pian toipui.

Niemeläinen oli ylpeä. Hän tunsi olevansa reformaattori, joka saa

kärsiä uuden aatteen puolesta.

Hänen ei tarvinnut kärsiä kauan. Jo seuraavana päivänä

molemmat pohjat irtaantuivat, ja tipahtivat kadulle, jonne jäivät.

Kinkku.

Ystävälleni ja huonetoverilleni Niemeläiselle oli jotakin tapahtunut.

Hän kuljeskeli nokka pystyssä, puhui suuriäänisesti ja esiintyi yleensä
harmittavan itsetietoisena.

— Nykyinen aika vaatii tarmokkaita ja älykkäitä miehiä — sanoi

hän sytyttäen ainoan sikarini ja viskaten tulitikunpätkän irvistelevää
villakoiraamme Jussia kohden. — Olemassaolon taistelu on
järkkymätön luonnonlaki, josta emme mihinkään pääse. Älykkäät ja
voimakkaat yksilöt yhä edelleenkin ovat määrätyt kehitystä
jatkamaan heikompien ja saamattomien jäädessä jälkeen, ja… ja…
 — Älähän rehentele, vaan sano suoraan, mistä on kysymys!

— Kinkusta. Haa, mitä sanot? Et mitään. Istut ja haaveilet

olemattomista kinkuista. Märehdit mahdottomuuden
mahdottomuutta. Minä, minä olen hankkinut kinkun!

— Mitä se maksoi?

— Ole huoletta. Sitä ei vielä oltu punnittu, mutta mies oli tuttavani
ja lupasi toimittaa sen uskomattoman halvalla. Toki meidän vähät
rahamme sentään yhteen kinkkuun riittävät.

— Hm.

Iltapäivällä ilmestyi mies ja kinkku. Meidän täytyi sitoa Jussi kiinni

sängynjalkaan. Se ei ollut saanut kunnollista ateriaa kokonaiseen
viikkoon ja kinkun näkeminen vaikutti siihen kovin järkyttävästi.

— Paljonko se nyt maksaa, kysyin minä mahdollisimman

huolettomasti, vaikka ääneni hieman värisi, ja otin esille lompakosta
kokonaisen viiden kymmenen markan setelin. Ainoan settiimme.

— Tässä on runsaasti viisi kiloa — vastasi mies. Ystävän kauppoja

kun tässä tehdään, niin olkoon kuljetuskustannuksineen 40 markkaa
kilolta. Tasan kaksisataa markkaa.

Minun silmissäni pyöri kuu ja aurinko ja pari tusinaa pyrstötähtiä.

Niemeläinen mutisi jotakin janosta ja vedestä sekä hävisi toiseen

huoneeseen.

— Niin, sanoin minä, perin kohtuullinen hinta. Tietysti perin

kohtuullinen. Nyt kun kulutus — hm — a tuotanto — hm — ja
menekki — hm hm… mitä se tuo koirakin tuossa rimpuilee… oletkos
alallasi, vintiö! — Niin, jaa, tuota… ikävä kyllä tässä on sattunut pieni
väärinkäsitys. Asianlaita on oikeastaan sellainen, että ystäväni ja
minä itse asiassa olemme kasvissyöjiä — ehdottomasti kasvissyöjiä.
Ette suinkaan vain mitenkään ole tullut siihen käsitykseen, että
aikomuksemme olisi kinkkua ostaa? Emme ole vielä eläissämme
ostaneet kinkkua ja tuskinpa milloinkaan tulemme ostamaankaan.
Ystäväni vain muuten lienee hintoja kysellyt… anteeksi, tuhannesti
anteeksi, surullista, että tällainen erehdys.

— Erehdys, niin, ikävä erehdys — sanoi Niemeläinen, joka oli nyt

rohkaissut mielensä ja tuli sisään. — En ollenkaan tiennyt, että… että
ystäväni jo oli ennättänyt mennä ostamaan muualta kinkun —
kaksikin kinkkua. Meillä on nyt lihaa koko talveksi. Ikävä kyllä, emme
enää voikaan teidän kinkkuanne ostaa…

Nyt minä vuorostani nopeasti hävisin jättäen Niemeläisen

selvittämään asioita.

Mies meni kinkkuineen. Hän puheli mennessään tavattoman

epäkohteliaasti.

Jussi katseli kauan hänen jälkeensä. Silmät kosteina ja suupielet

vieläkin kosteampina.

Jussi parka!

Uutinen.
 Illan tyyni rauha lepäsi tupakansavupilvien yllä. Niemeläinen ja
minä olimme vajonneet syvämietteiseen filosofiseen keskusteluun
inhimillisen arvostelukyvyn epäluotettavaisuudesta, kun nuori mies
tuli meitä häiritsemään.

— Minulla on suuri uutinen, huusi hän pakahtumaisillaan

kertomahalusta, — se on kuitenkin toistaiseksi niin salaista laatua,
ettei sitä voi kertoa.

— Siellä taitaa olla pakkanen ulkona, sanoi Niemeläinen.

— Minä olen kuullut vallan luotettavalta taholta. Ihmeellistä!

Uskomatonta!

— Pian se jo taas taitaa joulukin tulla, sanoin minä tarjoten sikaria,

koska tiesin, että nuori mies ei ollut tupakkamies.

— Nykyään kyllä liikkuu mitä ihmeellisimpiä huhuja, mutta tämä ei

ole huhua, tämä on vallan ehdottomasti tosiasia — intti nuori mies.

— Olen tässä lujasti miettinyt, sanoi Niemeläinen, että taitaisi

sittenkin olla paras käännättää tämä vanha pukuni vielä kolmannen
kerran. Housut kyllä ovat vähän niin ja näin, mutta takista ainakin
tulee kalua…

— Kunpa tietäisitte, mitä minä tiedän, jatkoi nuori mies, ette istuisi
näin rauhallisina!

— Kun oikein ajattelee, niin kyllä se sentään on aika kaunis laulu

se »mustalaiseks olen syntynyt» — sanoin minä.

— Kaunis on, myönsi Niemeläinen, — varsinkin jos sen kauniisti

laulaa.
 Nuori mies tärisi mielenliikutuksesta: — Jos lupaatte ehdottomasti
olla vaiti, niin ehkä sentään voisin sen teille kertoa. Ehkä voisin
kertoa.

— Minkä sitten?

Nuori mies sai vaivoin pidätetyksi epätoivoisen voihkauksen: —

Sen uutisen!

— Ahaa, vai niin, sanoi Niemeläinen ja rupesi huolettomasti

viheltelemään.

— Paljonko sinä tätä nykyä maksat vuokraa huoneestasi? kysyin

minä nuorelta mieheltä, jonka kasvolihakset alkoivat omituisesti
nytkähdellä.

— Taitaa olla teille yhdentekevää kerronko sen vai en — sanoi hän

käheästi.

— Minkä niin?

Nuori mies kohautteli kiivaasti olkapäitään, 4 kertaa.

— Onko sinulla reumatismi olkapäissäsi? kysyin minä. Se on

vietävän ikävä tauti. Toissatalvena minä siitä sain tarpeekseni. Se
johtui avantoon putoamisesta. Oli hieman sumuinen päivä. Lähdin
lystikseni hiihtelemään… muistathan sinä, Niemeläinen, sen
Koivikkoniemen töyrään Rutajärven rannalla?

— Muistan; siinähän minulle se ankerias kerran tarttui

hauenkoukkuun. Se vasta oli lystikäs juttu. Ala-Rämpän vaari oli
mukana sillä kertaa. Ja nyt oli sillä tavalla, että Ala-Rämpän vaari
pelkää ankeriasta kuin syntiä…
 Nuori mies pakahtui.

Jouluaattona.

Tänään on jouluaatto.

Ystäväni ja huonetoverini Kalle Niemeläinen, minä ja villakoiramme

Jussi olemme mekin omalta vähäiseltä osaltamme valmistautuneet
vastaanottamaan joulujuhlaa vaatimattomassa yhden huoneen
huoneistossamme, jossa on kovasti uloslämpiävä ja sisäänsavuava
kaakeliuuni, vielä jonkun verran seinäpapereita, pieni osa nykyajan
mukavuuksia, kaunis näköala, jonka valitettavasti vastapäätä oleva
kiviseinä estää näkymästä, ja ikkunalla ruusupensas, jossa tosin on
vain varsi ja piikit ja ruukku, mutta jonka kerran toivomme
puhkeavan kukoistukseensa — ehkä sitten kun kiviseinä on sortunut
ja meillekin paistaa aurinko.

Muuta omaisuutta meillä ei tällä hetkellä liene. Ainakaan emme

nyt löydä mitään, mitä tarvitsemme. Meillä oli näet eilen joulusiivous.

Aikaisempien kokemusten nojalla peläten mitä pahinta, rukoilimme

liikuttavin sanoin ja elein siivoojamatamia jättämään irtaimen
omaisuutemme siirtämättä pois paikoiltaan tai ainakin asettamaan
esineet ja paperitavarat edes suunnilleen niille seuduille, missä ne
ennen siivousta olivat sijainneet.

Matami sekä loukkaantui että heltyi ja vannoi asettavansa kaiken

millimetrilleen entisille paikoille.
 Siivouksen jälkeen olivat entisillä paikoillaan vain hämähäkinverkot
katonrajassa.

Myöhään eilen illalla suursiivouksen aikaansaama hermoärsytys

laukesi liikatunteellisuuteen. Muistelimme lapsuuden aikoja, jolloin —
niin no, tuo kaikkihan on tunnettua. Loppujen lopuksi olimme niin
pehmeitä, että päätimme ostaa joulukuusen. Emme olleet 10
vuoteen istuneet jouluaattoiltana oman kuusen ääressä. Tänä
aamuna tietysti häpesimme lapsellisuuteen lankeamistamme, mutta
koska kerran päätös oli tehty, ei itsetuntomme enää sallinut
peruuttamista.

Käytyämme lainaamassa rahoja jouluostoksiin vedimme arpaa

siitä, kenen oli mentävä joulukuusta ostamaan. Arpa lankesi
Niemeläiselle.

Puolentoista tunnin kuluttua palasi Niemeläinen.

— Mikä pensasrähjä tuo on? kysyin minä Niemeläiseltä, joka

kopisteli ja ravisteli huoneeseen hehtolitran verran lunta.

— Pensasrähjä!

— Niin, pensasrähjä tai nuohoojan suti, miksi sitä nyt

sanoisinkaan.

— Koska ei kuuseni kelpaa, niin menköön! Niemeläinen puristi

huulensa yhteen, avasi ikkunan ja pudotti kuusen alas pihalle, mistä
se silmänräpäyksessä katosi talonmiehen lasten suosiollisella
avustuksella. Talonmiehen lasten suosiollisella avustuksella katoaa
silmänräpäyksessä yleensä kaikki, mitä pihallemme joutuu.

— Osta itse parempi, ärähti Niemeläinen.

 — No, älähän nyt huoli pahastua. Eihän sitä voi erinomaisia
vaatiakaan, kun asiantuntemus on vaillinainen, lohduttelin minä
katuen loukkaustani.

Lähdin vuorostani kuusta ostamaan ja palasin tunnin kuluttua.

— Hah hah hah hah — ulvoi Niemeläinen nähdessään minun

kuuseni — mistä sinä olet saanut joululahjaksi mokoman
pitkävartisen uuninluudan? Hah hah, ja varressakin on pari
oksantynkää, hah hah hah! Hän kiemurteli naurusta.

Tunsin veren kohoavan päähäni. Avasin ikkunan ja retkautin

kuusen alas pihalle, mistä se silmänräpäyksessä katosi talonmiehen
lasten suosiollisella avustuksella.

Hetkistä myöhemmin olimme sopineet ja lähdimme yhdessä

ostamaan kuusta. Tuloksena oli kuusenkuvatus, jonka rinnalla
molemmat edelliset olivat olleet suorastaan ihanteita, mutta
kummallakaan ei nyt ollut mitään sanomista. Meillä on siis kuusi.

Joululahjojen osto on vielä jälellä. Tietysti minä tulen ostamaan

Niemeläiselle samaa, mitä Niemeläinen ostaa minulle ja mitä meillä
kummallakin jo on ennestään.

Villakoirallemme Jussille ostamme luun ja kamman. Emme

kuitenkaan osta luukampaa. Se voisi Jussin johtaa väärinkäytöksiin.
Nykyaikana niin helposti langetaan väärinkäytöksiin.

Tilinpäätös.
 Haluaako joku aivan ilmaiseksi tavattoman yksinkertaisen
parannetun kaksinkertaisen italialaisen kirjanpitojärjestelmän?

Sen on sommitellut, soveltanut ja keksinyt ystäväni ja

huonetoverini Kalle Niemeläinen yksityistalouttamme silmälläpitäen.
Sattuneesta syystä emme omasta puolestamme enää halua sitä
jatkaa.

Eräänä tammikuun aamuna Niemeläinen pilasi partaveitseni

teroittamalla sillä lyijykynänsä, ja ilmoitti alkavansa tehdä
tilinpäätöstä.

Pahaa aavistamatta lausuin julki tyytyväisyyteni päätöksen

johdosta.

Parin tunnin ajan hän senjälkeen tonki tilejä, piti kaunopuheisia

esitelmiä kirjanpidon verrattomasta hyödyllisyydestä säästäväisyyden
edistäjänä ja lateli myrkyllisiä huomautuksia erinäisten tilien —
varsinkin »sekalaisten satunnaisten menojen» tilin —
kohtuuttomasta suuruudesta, johon minä muka olin syypää.

— Menehän ostamaan laatikollinen sikareja ja 1/2 kiloa

nakkimakkaroita! — huudahti hän äkkiä riemukkaasti.

— Kernaasti, sanoin minä, kunhan vain annat ostoksiin tarvittavan

pääoman.

— Ota siitä sadastaviidestätoista markasta

kolmestakymmenestäkolmesta pennistä.

— Mistä sadastaviidestätoista? Minun tietääkseni koko nykyinen

omaisuutemme rahassa on kolme epäpuhdasta markan seteliä ja
neljä viiden pennin postimerkkiä.
 — Älä yritä vetää minua nenästä! Kirjojen mukaan meillä on
kassassa sataviisitoista markkaa kolmekymmentäkolme penniä. Mikä
on kirjoitettu, se on kirjoitettu!

Laajan keskustelun jälkeen, jossa käytettiin runsaasti

puheenvuoroja, suostui Niemeläinen tarkistamaan laskelmiaan ja teki
nyt sen jossain määrin epämieluisan huomion, että kassassamme
olikin 375 mkn 45 pennin suuruinen vajaus.

Seuraavan tunnin kuluessa hän teki meidät kolmasti

keppikerjäläisiksi ja yhtä monasti pikku kapitalisteiksi. Vuoroon
voitonriemuisesti napsautellen sormiaan, vuoroon takoen nyrkkiään
pöytään hän toisinaan hirnahti ilosta, toisinaan vajosi synkimmän
epätoivon kuiluun, kunnes lopulta ryhtyi vimmatusti metsästämään
jotakuta laskuvirhettä, joka muka oli syypää kaiken sotkeutumiseen.

Luultavasti Dante, joka oli italialainen, tunsi italialaisen

kirjanpidon, mutta epäiltävää on tiesikö hän mitään parannetusta
kaksinkertaisesta italialaisesta kirjanpidosta. Varmasti hän muuten
olisi käyttänyt sitä hyväkseen helvettikuvauksissaan.

Illan tullen muistutti Niemeläinen enemmän amerikkalaista

puimakonetta kuin italialaista kirjanpitäjää. Tuhottuaan erinäistä
irtainta omaisuutta, kaadettuaan mustepullon, revittyään
kirjanpitokirjat siekaleiksi ja heitettyään niitten säpäleet uuniin hän
sai rauhan, anasti yllämainitut 3 markan seteliä ja meni ulos.

Rasvattu Salama.
 Huom.! Arvoisa tarvitseva yleisö. Huom.!

Ystäväni Kalle Niemeläinen ja minä olemme nyttemmin päättäneet

perustaa pikatoimiston »Rasvattu Salama» sekä olemme valmiit
lähitulevaisuudessa ojentamaan kiireisiinsä menehtyvälle arv.
yleisölle auttavia käsiä ynnä jalkoja.

»Rasvattu Salama» tulee toimimaan noudattaen niitä tunnettuja

periaatteita, jotka pikatoimistoissa yleensä vallitsevat. Toimiston
johtajilla on pikatoimistojen juoksupoikien ja yleensä juoksupoikien
työtavoista ja työtehosta laaja ja taattu kokemus.

Toimistolla tulee olemaan kaksi puhelinta. Kaupunkipuhelin, joka

on epäkunnossa silloin kun se ei ole ylösotettu ja ylösotettu silloin
kun se ei ole epäkunnossa. Ynnä kaukopuhelin, jolla ei pääse
minnekään.

Juoksupoika-armeijansa on toimisto valinnut erikoisella huolella.

Huom.! Uutuus! Olemme tarkoitusta varten monien ponnistusten ja
vaivannäköjen jälkeen saaneet pestatuksi lauman mustalaispoikia,
joilla on aivan synnynnäisiä taipumuksia ensiluokkaisiksi
pikatoimistojuoksupojiksi.

Ankarasta kilpailusta huolimatta tulee pikatoimisto »Rasvattu

Salama» juoksupoikiensa likaisuuteen nähden viemään voiton
kaikista muista pikatoimistoista. Juoksupoikamme juoksevat
ainoastaan nähdessään saippuan ja pesuvadin.

Juoksupoikamme kykenevät aivan helposti suorittamaan 5

minuutin matkan 2 l/2 tunnissa — erittäin kiireellisissä tapauksissa
jopa 3—5 tunnissa.
 Juoksupoikamme ovat taatusti täysin tylsiä; eivät käsitä
alkeellisimpiakaan asioita eivätkä yksinkertaisimpia tehtäviä ja
löytävät ainoastaan takaisin lähtöpaikkaan perimään
kahdenkertaisen maksun.

Edelläesitetyn nojalla rohkenemme lämpimästi suositella

juoksupoikiamme, joita ei toimistostamme tarvittaessa milloinkaan
ole saatavissa. Paitsi erittäin tärkeissä tapauksissa, jolloin maksu on
kolminkertainen. Liike vastaa siitä, että tilatut lähetit saapuvat
hyvissä ajoin määräajan jälkeen — mikäli mahdollista jo seuraavana
päivänä.

Huom.! Arvolähetyksiä vastaanotetaan mielihyvällä sekä

talletettaviksi että kuljetettaviksi. Huom.! Liike ei vastaa kadonneista
tavaroista!

Toimisto tarjoutuu myös välittämään erilaatuisten tavarain ostoa;

tilauksia seuraavien, etukäteen suoritettavien maksujen nopea ja
huolellinen vastaanotto tällöin taataan.

Suosittelemme! Suosittelemme!

Pikatoimisto Rasvattu Salama.

Salaperäinen hissi.

Koska olimme kuulleet, että rouva Jakari oli matkustanut

Jyväskylään, päätimme ystäväni Niemeläinen ja minä käydä herra
Jakaria tervehtimässä.
 Herra Jakari asuu uudenaikaisen kerrostalon neljännessä
kerroksessa. Talossa on hissi.

Yritimme avata pohjakerroksessa olevaan hissiin johtavan oven. Se

ei auennut.

— Hissi on siis jätetty johonkin toiseen kerrokseen.

Paina nappulaa, sanoi Niemeläinen.

Painoin nappulaa.

Hissin ovi aukeni. Sen aukaisi sisältäpäin vanhanpuoleinen

herrasmies. Hän oli avopäin ja hänellä oli sanomalehti kourassaan.
Odotimme kohteliaasti, että hän astuisi ulos. Hän ei astunut ulos
vaan ärähti meille jotakin ruotsiksi.

Koska olimme hyvin kasvatettuja nuoria miehiä, emme ärähtäneet

mitään takaisin, vaan odotimme vieläkin kohteliaammin, että hän
astuisi ulos. Mutta hän ei astunut. Mutisi vielä jotakin ja paiskasi
oven kiinni.

— Luulenpa, hitto vieköön, että äijä istuu hississä lukemassa

sanomalehtiä ja estää ihmisiä käyttämästä hissiä. Ovi on kiinni! Paina
nappulaa! huusi Niemeläinen, joka nyt vain varsin lievästi muistutti
hyvinkasvatettua nuorta miestä.

Painoin nappulaa. Sama herrasmies avasi taaskin oven, ärjäsi

kiukkuisesti tusinan verran ruotsalaisia sarvipäitä ja paiskasi oven
kiinni. Painoin uudelleen nappulaa. Ovi ei enää auennut.

— Nyt minä suutun, sanoi Niemeläinen. Mennäänpä kerrosta

ylemmäksi ja kutsutaan se äijä hisseineen sinne.
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebookluna.com