Download ebooks file Spatial Cluster Modelling Monographs on Statistics and Applied Probability 1st Edition Andrew B. Lawson all chapters

Download as pdf or txt
Download as pdf or txt
You are on page 1of 60

Download the full version of the ebook at ebookname.

com

Spatial Cluster Modelling Monographs on Statistics


and Applied Probability 1st Edition Andrew B.
Lawson

https://ebookname.com/product/spatial-cluster-modelling-
monographs-on-statistics-and-applied-probability-1st-
edition-andrew-b-lawson/

OR CLICK BUTTON

DOWNLOAD EBOOK

Download more ebook instantly today at https://ebookname.com


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

Cluster Analysis Fifth Edition Wiley Series in Probability


and Statistics Brian S. Everitt

https://ebookname.com/product/cluster-analysis-fifth-edition-wiley-
series-in-probability-and-statistics-brian-s-everitt/

ebookname.com

An Introductory Guide to Disease Mapping 1st Edition


Andrew B. Lawson

https://ebookname.com/product/an-introductory-guide-to-disease-
mapping-1st-edition-andrew-b-lawson/

ebookname.com

Statistical Analysis and Modelling of Spatial Point


Patterns Statistics in Practice 1st Edition Janine Illian

https://ebookname.com/product/statistical-analysis-and-modelling-of-
spatial-point-patterns-statistics-in-practice-1st-edition-janine-
illian/
ebookname.com

Stoppard s Theatre Finding Order amid Chaos Literary


Modernism Series 1st Edition John Fleming

https://ebookname.com/product/stoppard-s-theatre-finding-order-amid-
chaos-literary-modernism-series-1st-edition-john-fleming/

ebookname.com
100 People Who Are Screwing Up America First Edition
Bernard Goldberg

https://ebookname.com/product/100-people-who-are-screwing-up-america-
first-edition-bernard-goldberg/

ebookname.com

Memory Maps The State and Manchuria in Postwar Japan The


World of East Asia Mariko Asano Tamanoi

https://ebookname.com/product/memory-maps-the-state-and-manchuria-in-
postwar-japan-the-world-of-east-asia-mariko-asano-tamanoi/

ebookname.com

The Dynamics of Managing Diversity Second Edition Gill


Kirton

https://ebookname.com/product/the-dynamics-of-managing-diversity-
second-edition-gill-kirton/

ebookname.com

Man Meets Dog Routledge Classics 2nd Edition Konrad Lorenz

https://ebookname.com/product/man-meets-dog-routledge-classics-2nd-
edition-konrad-lorenz/

ebookname.com

Cutaneous Lymphomas Basic and Clinical Dermatology 1st


Edition Gunter Burg (Editor)

https://ebookname.com/product/cutaneous-lymphomas-basic-and-clinical-
dermatology-1st-edition-gunter-burg-editor/

ebookname.com
Anti IgE Therapy in Asthma and Allergy 1st Edition S.H.
Arshad

https://ebookname.com/product/anti-ige-therapy-in-asthma-and-
allergy-1st-edition-s-h-arshad/

ebookname.com
SPATIAL
CLUSTER
MODELLING
SPATIAL
CLUSTER
MODELLING
Edited by
Andrew B. Lawson
Department of Mathematical Sciences
University of Aberdeen
Aberdeen, UK

David G.T. Denison


Department of Mathematics
Imperial College of Science, Technology and Medicine
London, UK

CHAPMAN & HALL/CRC


A CRC Press Company
Boca Raton London New York Washington, D.C.
Library of Congress Cataloging-in-Publication Data

Lawson, Andrew (Andrew B.)


Spatial cluster modeling / edited by Andrew B. Lawson, David G.T. Denison.
p. cm.
Includes bibliographical references and index.
ISBN 1-58488-266-2 (alk. paper)
1. Cluster analysis. 2. Spatial analysis. I. Denison, David G. T. II. Title.

QA278 .L39 2002


519.5′3—dc21 2002019297

This book contains information obtained from authentic and highly regarded sources. Reprinted material
is quoted with permission, and sources are indicated. A wide variety of references are listed. Reasonable
efforts have been made to publish reliable data and information, but the authors and the publisher cannot
assume responsibility for the validity of all materials or for the consequences of their use.

Neither this book nor any part may be reproduced or transmitted in any form or by any means, electronic
or mechanical, including photocopying, microfilming, and recording, or by any information storage or
retrieval system, without prior permission in writing from the publisher.

All rights reserved. Authorization to photocopy items for internal or personal use, or the personal or
internal use of specific clients, may be granted by CRC Press LLC, provided that $1.50 per page
photocopied is paid directly to Copyright Clearance Center, 222 Rosewood Drive, Danvers, MA 01923
USA. The fee code for users of the Transactional Reporting Service is ISBN 1-58488-266-
2/02/$0.00+$1.50. The fee is subject to change without notice. For organizations that have been granted
a photocopy license by the CCC, a separate system of payment has been arranged.

The consent of CRC Press LLC does not extend to copying for general distribution, for promotion, for
creating new works, or for resale. Specific permission must be obtained in writing from CRC Press LLC
for such copying.
Direct all inquiries to CRC Press LLC, 2000 N.W. Corporate Blvd., Boca Raton, Florida 33431.

Trademark Notice: Product or corporate names may be trademarks or registered trademarks, and are
used only for identification and explanation, without intent to infringe.

Visit the CRC Press Web site at www.crcpress.com

© 2002 by Chapman & Hall/CRC

No claim to original U.S. Government works


International Standard Book Number 1-58488-266-2
Library of Congress Card Number 2002019297
Printed in the United States of America 1 2 3 4 5 6 7 8 9 0
Printed on acid-free paper
Contents

List of Contributors xi

Preface xiii

1 Spatial Cluster Modelling: An Overview 1


1.1 Introduction 1
1.2 Historical Development 3
1.2.1 Conventional Clustering 6
1.2.2 Spatial Clustering 8
1.3 Notation and Model Development 12
1.3.1 Nonparametric Approaches 13
1.3.2 Point or Object Process Modelling 15
1.3.3 Random Effect Modelling 16
1.3.4 Partition Modelling 18
1.3.5 Spatio-Temporal Process Modelling 18

I Point process cluster modelling 21

2 Significance in Scale-Space for Clustering 23


2.1 Introduction 23
2.2 Overview 24
2.3 New Method 29
2.4 Future Directions 35

3 Statistical Inference for Cox Processes 37


3.1 Introduction 37
3.2 Poisson Processes 39
3.3 Cox Processes 41
3.4 Summary Statistics 43
3.5 Parametric Models of Cox Processes 45
3.5.1 Neyman-Scott Processes as Cox Processes 45
3.5.2 Log Gaussian Cox Processes 48
3.5.3 Shot Noise G Cox Processes 49
3.6 Estimation for Parametric Models of Cox Processes 51
vi CONTENTS

3.7 Prediction 54
3.7.1 Conditional Simulation for Neyman-Scott Processes 55
3.7.2 Conditional Simulation for LGCPs 55
3.7.3 Conditional Simulation for Shot-noise G Cox Pro-
cesses 56
3.8 Discussion 58

4 Extrapolating and Interpolating Spatial Patterns 61


4.1 Introduction 61
4.2 Formulation and Notation 62
4.2.1 Germ–grain Models 63
4.2.2 Problem Statement 63
4.2.3 Edge Effects and Sampling Bias 64
4.2.4 Extrapolation 65
4.3 Spatial Cluster Processes 66
4.3.1 Independent Cluster Processes 67
4.3.2 Cox Cluster Processes 68
4.3.3 Cluster Formation Densities 69
4.4 Bayesian Cluster Analysis 72
4.4.1 Markov Point Processes 72
4.4.2 Sampling Bias for Independent Cluster Processes 74
4.4.3 Spatial Birth-and-Death Processes 75
Example: Redwood Seedlings 76
4.4.4 Parameter Estimation 78
Example: Cox–Matérn Cluster Process 80
4.4.5 Adaptive Coupling from the Past 80
4.4.6 Example: Cox–Matérn Cluster Process 84
4.5 Summary and Conclusion 86

5 Perfect Sampling for Point Process Cluster Modelling 87


5.1 Introduction 87
5.2 Bayesian Cluster Model 89
5.2.1 Preliminaries 89
5.2.2 Model Specification 90
5.3 Sampling from the Posterior 93
5.4 Specialized Examples 95
5.4.1 Neyman–Scott Model 95
5.4.2 Pure Silhouette Models 98
5.5 Leukemia Incidence in Upstate New York 100
5.6 Redwood Seedlings Data 106

6 Bayesian Estimation and Segmentation of Spatial Point


Processes Using Voronoi Tilings 109
6.1 Introduction 109
CONTENTS vii

6.2 Proposed Solution Framework 110


6.2.1 Formulation 110
6.2.2 Voronoi Tilings 111
6.2.3 Markov Chain Monte Carlo Using Dynamic Voronoi
Tilings 111
6.3 Intensity Estimation 112
6.3.1 Formulation 112
6.3.2 MCMC Implementation 112
Fixed Number of Tiles 113
Variable Number of Tiles 114
6.4 Intensity Segmentation 115
6.4.1 Formulation 115
Fixed Number of Tiles 115
Variable Number of Tiles 117
6.5 Examples 117
6.5.1 Simulated Examples 117
A Sine Wave 117
A Linear Feature 118
6.5.2 New Madrid Seismic Region 118
6.6 Discussion 119

II Spatial process cluster modelling 123

7 Partition Modelling 125


7.1 Introduction 125
7.2 Partition Models 126
7.2.1 Partitioning for Spatial Data 127
7.2.2 Bayesian Inference 128
7.2.3 Predictive Inference 131
7.2.4 Markov Chain Monte Carlo Simulation 132
7.2.5 Partition Model Prior 133
7.3 Piazza Road Dataset 135
7.4 Spatial Count Data 135
7.4.1 The Poisson-Gamma Model for Disease Mapping 137
7.4.2 Disease Mapping with Covariates 138
7.4.3 East German Lip Cancer Dataset 141
7.5 Discussion 144
7.6 Further Reading 144

8 Cluster Modelling for Disease Rate Mapping 147


8.1 Introduction 147
8.2 Statistical Model 148
8.3 Posterior Calculation 150
8.4 Example: U.S. Cancer Mortality Atlas 153
viii CONTENTS

8.4.1 Breast Cancer 154


8.4.2 Cervical Cancer 155
8.4.3 Colorectal Cancer 155
8.4.4 Lung Cancer 159
8.4.5 Stomach Cancer 159
8.5 Conclusions 159

9 Analyzing Spatial Data Using Skew-Gaussian Processes 163


9.1 Introduction 163
9.2 Skew-Gaussian Processes 164
9.2.1 The Model 165
9.2.2 Bayesian Analysis 166
9.2.3 Computational Strategy 167
9.3 Real Data Illustration: Spatial Potential Data Prediction 168
9.4 Discussion 171

10 Accounting for Absorption Lines in Images Obtained with


the Chandra X-ray Observatory 175
10.1 Statistical Challenges of the Chandra X-ray Observatory 175
10.2 Modeling the Image 179
10.2.1 Model-Based Spatial Analysis 179
10.2.2 Model-Based Spectral Analysis 183
10.3 Absorption Lines 184
10.3.1 Scientific Background 184
10.3.2 Statistical Models 185
10.3.3 Model Fitting 188
10.3.4 A Simulation-Based Example 190
10.4 Spectral Models with Absorption Lines 192
10.4.1 Combining Models and Algorithms 192
10.4.2 An Example 195
10.5 Discussion 196

11 Spatial Modelling of Count Data: A Case Study in Mod-


elling Breeding Bird Survey Data on Large Spatial Do-
mains 199
11.1 Introduction 199
11.2 The Poisson Random Effects Model 200
11.2.1 Spectral Formulation 202
11.2.2 Model Implementation and Prediction 204
Selected Full-Conditional Distributions 205
Prediction 206
Implementation 206
11.3 Results 206
11.4 Conclusion 207
CONTENTS ix

III Spatio-temporal cluster modelling 211

12 Modelling Strategies for Spatial-Temporal Data 213


12.1 Introduction 213
12.2 Modelling Strategy 214
12.3 D-D (Drift-Drift) Models 215
12.4 D-C (Drift-Correlation) Models 220
12.5 C-C (Correlation-Correlation) Models 222
12.6 A Unified Analysis on the Circle 224
12.7 Discussion 225

13 Spatio-Temporal Partition Modelling: An Example from


Neurophysiology 227
13.1 Introduction 227
13.2 The Neurophysiological Experiment 227
13.3 The Linear Inverse Solution 228
13.4 The Mixture Model 229
13.4.1 Initial Preparation of the Data 229
13.4.2 Formulation of the Mixture Model 230
13.5 Classification of the Inverse Solution 232
13.6 Discussion 234

14 Spatio-Temporal Cluster Modelling of Small Area Health


Data 235
14.1 Introduction 235
14.2 Basic Cluster Modelling approaches 235
14.2.1 Case Event Data Models 236
Inter-Event versus Hidden Process Modelling 236
14.2.2 Small Area Count Data Models 239
14.2.3 Spatio-Temporal Extensions to Cluster Models 239
14.3 A Spatio-Temporal Hidden Process Model 240
14.4 Model Development 240
14.4.1 Estimation of g(s,t) 243
The Prior Distribution for Cluster Centres 244
Choice of Cluster Distribution Function 245
Other Prior Distributions and the Posterior Distri-
bution 245
14.4.2 Region Counts 246
Integrated Intensity 247
14.5 The Posterior Sampling Algorithm 248
14.5.1 Goodness-of-Fit Measures for the Model 249
14.6 Data Example: Scottish Birth Abnormalities 249
14.6.1 Introduction 249
14.6.2 Exploratory Analysis 250
x CONTENTS

14.6.3 Model Fitting Results 252


14.7 Discussion 256

References 259

Index 277

Author Index 281


List of Contributors

Adrian Baddeley University of Western Australia

Dankmar Böhning Free University of Berlin

Simon D. Byers AT&T Labs, New Jersey

Allan B. Clark University of Aberdeen

Murray K. Clayton University of Wisconsin, Madison

David G.T. Denison Imperial College, London

José Tomé A.S. Ferreira Imperial College, London

Jürgen Gallinat Free University of Berlin

Ronald B. Gangnon University of Wisconsin, Madison

Fred Godtliebsen University of Tromsø

Christopher M. Hans Duke University

Christopher C. Holmes Imperial College, London

John T. Kent University of Leeds

Hyoung Moon Kim Texas A&M University

Andrew B. Lawson University of Aberdeen

Marc Loizeaux Florida State University, Tallahassee

Ian W. McKeague Florida State University, Tallahassee


xii LIST OF CONTRIBUTORS

Bani K. Mallick Texas A&M University

Kanti V. Mardia University of Leeds

J. Steve Marron University of North Carolina, Chapel Hill

Jesper Møller Aalborg University

Stephen M. Pizer University of North Carolina, Chapel Hill

Adrian E. Raftery University of Washington, Seattle

Peter Schlattmann Free University of Berlin

David A. van Dyk Harvard University

Marie-Colette van Lieshout CWI, Amsterdam

Rasmus P. Waagepetersen Aalborg University

Christopher K. Wikle University of Missouri–Columbia


Preface

The development of statistical methodology for the analysis of spatial data


has seen considerable advances since the publication of the seminal work
of Cressie (1993). In particular, the development of fast computational
algorithms for sampling of complex Bayesian models (most notably Markov
chain Monte Carlo algorithms) has allowed a wide range of problems to
be addressed which hitherto could not be directly analysed. Many spatial
problems can be considered within the paradigm of hierarchical Bayesian
modelling and so the emphasis within this volume will lie within that area.
The aim of this volume is not to present a general review of spatial statis-
tical modelling but rather to focus on the area of spatial cluster modelling.
Hence the theme of this work is the highlighting of the diverse approaches
to the definition of clusters and clustering in space (and its adjunct space-
time), and to present state-of-the-art coverage of the diverse modelling
approaches which are currently available. In Chapter 1 we provide a brief
historical introduction to the subject area and, in particular, compare con-
ventional and spatial clustering. In addition this chapter introduces the
notation and different areas of study explored. After this initial chapter
the volume is split into 3 parts, each relating to a specific area of cluster
modelling. Part I deals with point and object process modelling, Part II
involves spatial process modelling, while Part III contains papers relating
to spatio-temporal models.
One of the features of modelling spatial data is the need to use fast
computational algorithms to be able to evaluate the complex posterior dis-
tributions or likelihood surfaces which arise in spatial applications. The
1980s saw the development of Markov chain Monte Carlo algorithms based
on the Gibbs and Metropolis-Hastings samplers, and witnessed rapid de-
velopment of models for complex spatial problems. Not only could existing
models be sampled from but newer more sophisticated models could also
be developed and applied. Often these models are of a hierarchical form
so this naturally leads to the Bayesian paradigm being of importance in a
great deal of the work.
As the potential fields of application for spatial methods are so wide
we cannot hope to cover all of them. Nevertheless the chapters here do
make reference to data in astrophysics (Chapter 10), spatial epidemiology
(Chapters 5,7,8,14), ecology (Chapters 4,11), imaging (Chapter 13), ge-
xiv PREFACE

ology and the geosciences (Chapters 6,4,7,9,12). In addition, the volume


provides a useful insight into the current issues and methodology used for
spatial cluster modelling. We have specifically included the burgeoning area
of spatio-temporal modelling as an important extension to standard spatial
data analysis and Chapters 12,13,14 specifically deal with this topic.
Finally we would like to thank all the contributors for their timely and
thoughtful articles. In addition, we acknowledge the help of the staff at
CRC Press, in particular Kirsty Stroud, Jasmin Naim and Helena Redshaw
for their continued support and encouragement in the production of this
volume.
CHAPTER 1

Spatial Cluster Modelling: An


Overview

A.B. Lawson D.G.T. Denison

1.1 Introduction

When analysing spatial data one is often interested in detecting deviations


from the expected. For instance, we may be interested in the answers to
questions like, “Is there an unusual aggregation of leukemia cases around a
nuclear power station ?” or, “Where is it likely that the air pollution level
is above the legally allowed limit ?”. In both cases the focus is on finding
regions in (usually two-dimensional) space in which higher than expected
counts, or readings, are observed. We shall call such areas clusters and
determining their nature forms the focus of this work.
This volume brings together a collection of papers on the topic of spatial
cluster modelling and gives descriptions of various approaches which begin
to solve the problem of detecting clusters. The papers are statistical in
nature but draw on results in other fields as diverse as astrophysics, medical
imaging, ecology and environmental engineering.
Two examples of the sort of spatial processes that we shall consider here
are displayed in Figs. 1.1-1.2. Fig. 1.1 is an example of a point process,
where each dot is an “event” (in this case the occurrence of a cancer).
Here it is of interest to determine whether the cases are more aggregated,
or clustered, than expected and whether the clustering relates to the loca-
tions of any possible pollution sources. To assess this a background control
disease map (which is not shown) is often used to represent the expected
variation in the distribution of cases; this is often a function of the relative
population density.
Fig. 1.2 is an example of a dataset that consists of observations of an
underlying spatial process at a number of locations. The usual aim of an
analysis of this type of data is to determine the value of the spatial process
at all the locations in the domain of interest, assuming that each mea-
surement is only observed in the presence of a random error component.
However, we may also be interested in determining areas where the pro-
cess is above some predefined limit or even, in some sense, above average.
2 SPATIAL CLUSTER MODELLING: AN OVERVIEW
4 larynx cancer case locations
x 10
4.3

200




•• •• • • •• • •• • ••• •• ••



• • •



• •

•• •
•• •• •

4.28 •• • • •• •
•• • • •• •

• •



••
•• • •• •• • •• ••
•• • •

•• •
• •

• • •

•• • •• •• • •• • • ••
• • •

•• •• • • • • •


• ••

•••• • • • •
4.26 •

• •• •• •• • • ••• • •

150
• •

• •
• •
• •

••

•• •• • ••
• •• •• • • • • • • • •
• • •

•• ••
• ••


4.24 • • ••• •• •


• • •
• • •

•• • • •• • •
• •

• ••
• •• •••• •• • • •• • • •
• • •
• • •
• • •• •

•• •
•• •• •• •• •
• • • • • • • •

y-coord

4.22
•• • ••

•• • •• •• • • •

100
• • • • ••
• • • • •

•• • • • • • • • • •• • ••

• •
• • • •
• •
•• •

4.2
•• • • • • ••• • ••• •• • •

•••• • • ••• • • •• •

• • • •• •
• • •

•••••
• • •
• •
• •
• • •

•• • • • • • ••


• • •
4.18 • • • • •

• •• • • • • • • •• •• •
• •

•• • •
• • • •
• • •

50
•• • ••

•• • • •

• •
•• • • •

• • • ••

• • • ••
• •
4.16 • • •


• • •• • •• ••

• •

•• •

• • •

•• • • • • •••
• • •

• • ••

4.14

••
• •• • •

• • •
•••• ••• • • •
••
• •
•• •


•• • • • •

• ••
• •

•• •••••

• • • • •
• •

• • •• •• • •• • • •
• •
• •

• •

0
4.12
3.48 3.5 3.52 3.54 3.56 3.58 3.6 3.62 0 20 40 60 80 100
4
x 10 x-coord

Figure 1.1 An example of a point pro- Figure 1.2 An example of observations


cess: The Larynx cancer case event of a spatial process: The Piazza Road
map (Diggle 1990) relating to cases in data (Higdon et al. 1999). Each dot
Lancashire, UK from 1974 to 1983. represents a location where a measure-
ment of the dioxin concentration in an
area around the Piazza Road is taken.
The size of the dots gives an indication
of the observed measurements, with
larger dots representing higher concen-
trations.

Spatio-temporal data will also be looked at in this volume. In these ex-


amples either measurements or point processes are observed over time and
similar questions arise but now clusters can occur in space, in time, or even
in space and time jointly.
The analysis of spatial clustering has had a varied history with develop-
ments often resulting from particular applications, and so these develop-
ments have related to varying interest over time in different applications.
For example, much work in the 1960s and 1970s on clustering developed
from ecology applications (e.g. Diggle 1983, Ripley 1981), whereas an in-
creased interest in image analysis in the 1980s led to associated advances
in image segmentation and object recognition (e.g. Besag et al. 1991). In-
creased public and scientific interest in environmental hazards and health
in the late 1980s and 1990s, has led to increased emphasis on cluster de-
tection in small area health studies (Lawson et al. 1999, Elliott et al. 1999,
Lawson 2001). The context of this historical development in relation to
methodological progress is discussed more fully in the next section.
HISTORICAL DEVELOPMENT 3

1.2 Historical Development

The analysis of clustering has a long history in statistical science. In one


dimension the analysis of aggregation of data around a preferred location
is at the heart of much statistical work, whether the focus is on the mean
tendency of the aggregation of data or on its spread or variance. In addition
in cluster studies the location of the maximum aggregation may also be of
interest (modal property). In two dimensions, the natural extension of these
ideas is to a two-dimensional aggregation, perhaps around a single point.
In this case the centre of the aggregation may be defined either by mean
or modal properties while the variance or spread of the aggregation can be
defined around the putative centre which is now a two-dimensional location.
In the case of spatial data these quantities have obvious interpretations as
cluster centre location and cluster spread.
In the spatial domain, it is possible to view a clustered pattern in different
ways depending on the focus of the analysis. First, it may be possible
to conceive of the pattern as the realisation of a random process which
produces aggregations as a result of the global structure of the process,
whereby a small number of parameters control the scale and frequency of
aggregations but the defined process does not parameterise the locations of
the aggregations. This is akin to the geostatistical view of random processes,
where the intensity or local density of events is defined by, for example, a
spatial Gaussian process. The peaks of this process would correspond with
local aggregations, but no parameterisation of the locations is made. Recent
examples of this approach can be found in Cressie (1993) and Diggle et al.
(1998). Essentially, this approach regards the aggregations as produced
by random effects which are governed by global model parameters, i.e. the
degree of aggregation and spread of the aggregations would be controlled by
a small number of global parameters. This form of random effect modelling
is at the heart of much hierarchical Bayesian modelling in this context,
and in the literature of spatial applications the term clustering or cluster
modelling is used to refer to such random effect modelling. An example
from small area health studies is Clayton and Bernardinelli (1992).
The second approach to the modelling of clusters is to include within the
modelled process specific elements which relate to cluster location and how
these locations relate to the surrounding data. Much of the early work in
stochastic geometry relating to point processes examined clustering of point
processes and models such as the Neyman-Scott and Cox cluster processes.
The fundamental feature of these processes was the definition of a set of
cluster centres around which the offspring (data) lie. The term offspring
comes from the idea that the clustering could arise from a multigenerational
process. The variation in the local aggregation of data is thought to be
summarised by the local density of events around the cluster centre set. In
the case of a Neyman-Scott or Poisson cluster process the local density is
4 SPATIAL CLUSTER MODELLING: AN OVERVIEW

a function of distance from the cluster centre set within an infinite plane.
The appearance of such clustered event sets is controlled by the location
of centres and the spread of the distribution around these centres.
The dichotomy between these two approaches leads from the different
focus and objectives of the analyses. While both approaches use global
parameters to describe the local variation in space, they are distinguished
by their specificity with regard to cluster location. Within this volume a
range of approaches to clustering is described including examples from both
types of analysis and some where the distinctions are more blurred.
Most of the earliest work in clustering related to the development of
theoretical models for clusters and cluster processes, with limited applica-
tion of the models to real data. In addition, the earliest theoretical work
concerned one-dimensional processes. Early reference sources for such mod-
els and their properties are Snyder (1975) and Cox and Isham (1980). In
the 1970s, increased attention was paid to the application of cluster mod-
els to ecological and biological examples. In these developments, summary
statistics were developed which would allow the assessment of first second
order properties of realisations of point processes. The Ripley-K function,
nearest neighbour and inter-event statistics are all examples of these devel-
opments (see Diggle 1983). Such methods have been further developed in
applications to processes of objects other than points (e.g. Baddeley 1999).
During the 1980s, developments in the analysis of pixellated images led
to the application of Markov random field (MRF) models. These models
were intended for segmentation or noise reduction in images. These models
were often characterised by the inclusion of a neighbourhood effect, often
included within a prior distribution for the image. Bayesian hierarchical
modelling of images was a natural development as prior beliefs about the
spatial structure of the image could be incorporated within a spatial prior
distribution, while measurement error could be included within the likeli-
hood.
Associated with these developments, were the increased use of stochastic
algorithms for maximising or sampling posterior distributions of image fea-
tures – in particular, the development of Gibbs and Metropolis-Hastings
samplers (e.g. Gilks et al. 1996) and simulated annealing for maximisa-
tion (Ripley 1988). These developments regard aggregation as described by
non-specific neighbourhood structures with associated global parameters.
As such they have similarities to geostatistical models where continuous
variation is modelled by predefined covariance structures. Essentially these
are random effect models.
At the other end of the spectrum during the 1980s and 1990s, another
form of image modelling developed which emphasised the specific locational
features of the image. This approach can be described as object recognition
or object modelling. In this collection of approaches the locational charac-
teristics of the image features are specifically modelled (e.g. the landmark
HISTORICAL DEVELOPMENT 5

methods of Dryden and Mardia 1997). Object process modelling is one area
which has seen considerable development. Here a noisy image is assumed
to have an underlying distribution of objects. The aim is to reconstruct
the noise-free object set. Often for simplicity the objects are assumed to
be simple geometric shapes and have associated with them a specific point
which fixes their location. Simple processes could consist of lines, circles or
even tessellations and triangulations.
The recovery of such processes from images has seen the development
and application of sophisticated Markov Chain Monte Carlo (MCMC)
(Baddeley and van Lieshout 1993, Cressie and Lawson 2000) culminat-
ing in the use of special birth-death MCMC algorithms (Geyer and Møller
1994, Stephens 2000).
The above two approaches to image analysis have many variants which
consist of either components of random effect and object recognition tasks.
For example some models attempt to group or classify areas of images, and
these partition models can be thought of as cluster models with locational
components. A review of these different approaches is found in Hurn et al.
(2001).
While image analysis has seen the greatest development of novel method-
ologies, other application areas have also seen considerable progress in re-
cent years, particularly in the application of Bayesian hierarchical models.
Such areas as climatology, geosciences, environmetrics, genetics and spatial
epidemiology have seen considerable advances in the modelling of clustered
data. Within climatology and geo-/environmental sciences the development
of geostatistical methods related to kriging and Bayesian hierarchical mod-
els for random effects has been marked (e.g. Wikle et al. 1998, Mardia et
al. 1998).
In the last decade a considerable body of work has developed with a
focus on small area health data, mainly in the area of spatial epidemiology.
The study of disease clustering has a considerable history and many ap-
proaches have been advanced ranging from hypothesis testing for clusters
to more recently non-specific (random effect) and specific cluster modelling
(for a review see Chapter 6 of Lawson 2001). Model-based approaches to
clustering of diseases has developed both in terms of random effect mod-
elling of clustering (Clayton and Bernardinelli 1992, Breslow and Clayton
1993, Bernardinelli et al. 1995, Waller et al. 1997a, Zia et al. 1997, Knorr-
Held and Besag 1998, Langford et al. 1999, Diggle et al. 1998, Ghosh et
al. 1998, Best et al. 1998, Byers and Besag 2000, Knorr-Held 2000, Sun et
al. 2000, Best and Wakefield 1999, Lawson and Clark 2001) and, to a lesser
extent, in specific modelling of clusters and their locations (Lawson and
Clark 1999a, Lawson and Clark 1999b, Gangnon and Clayton 2000). Vari-
ants of these two extremes of random effect and random object modelling
have been proposed. For example, partition models which group small ar-
eas into constant risk classes have been suggested as a form of cluster
6 SPATIAL CLUSTER MODELLING: AN OVERVIEW

modelling (Schlattmann and Böhning 1993, Knorr-Held and Rasser 2000).


On the other hand, in disease mapping it may be beneficial to assume little
prior information about parametric forms of cluster, and so nonparametric
approaches may also be useful (e.g. Kelsall and Diggle 1995a, Kelsall and
Diggle 1998).
In what follows we reflect this spectrum of approaches between random
effect and random object modelling approaches by presenting a review of
the range of approaches currently advocated for cluster modelling. We also
include nonparametric approaches which provide a weakly model-based
alternative to the parameterised approaches discussed above.

1.2.1 Conventional Clustering

Cluster analysis in conventional non-spatial statistical applications has de-


veloped in parallel with its spatial counterpart but has a longer pedigree. In
the following, we seek to draw parallels with conventional cluster analysis
and to show how spatial approaches closely relate to a subset of non-spatial
clustering methods. A recent review of the field of non-spatial cluster anal-
ysis is given in Everitt et al. (2001). The basis of cluster analysis is the
notion of classification of objects into categories based on a measure of
similarity. Often classification is a task which allows the differentiation of
sub-populations at an early stage of a subject’s development, and indeed
cluster analysis is often applied to yield information about groupings or
aggregations in the data at an exploratory stage in an analysis.
Before considering the basic parametric forms of clustering it should be
noted that exploratory clustering analysis of multi-dimensional data is often
performed by using nonparametric density estimation or related techniques
(see the relevant chapters of Everitt et al. 2001, Duda et al. 2001). These
methods are also applicable where the domain is spatial or spatio-temporal.
An application of these methods is discussed here in Chapter 2, and exam-
ples of their use in epidemiological applications are given in Bithell (1990),
Kelsall and Diggle (1995b).
Bayesian decision theory can be applied to simple classification problems
where measurements on a range of variables are used to classify data into
particular groups. For example, in medical diagnoses a range of physical and
biomedical measurements is made on patients and these are used to classify
the patient (in the simple binary-state model) into “having a disease”, or
not. Often in this case a simple belief network and naive Bayesian classifier
can be applied (Lucas 2001). More complex Bayesian approaches can be
used for multi-state models and Bayesian discrimination can approximate
the behaviour of neural network classification algorithms. Many of these
algorithms use information about the labelling (or classification) of data
items, using some training data, i.e. in the medical diagnosis problem the
HISTORICAL DEVELOPMENT 7

distributions of measurements/symptoms for a particular disease are known


from historical data and these can be used to train the classifier.
In clustering studies the aim is usually to examine data which do not
contain labels and it is the focus of the analysis to find groupings, or clus-
ters, in the data. This is a form of unsupervised learning, where no training
data are used (see Chapter 10 of Duda et al. 2001). In the case of cluster-
ing, the focus is to assign labels to the data, which represent the clusters
in the data. Often the number of clusters will be unknown as well as the
labelling. In addition, it may be important to estimate some characteris-
tic feature of the cluster. For example, it may be hypothesised that each
cluster has a centre around which the data aggregate. Hence the emphasis
in classification is to recover the labels of data, whereas the object of clus-
tering is often to assess the number and location and/or scale of cluster
features. An example would be the estimation of the number and location
of galaxies in an astrophysical example. The labelling of stars with galaxy
number could be a secondary task. However, in many forms of analysis the
labelling and estimation of cluster features are related and can be included
within iterative algorithms for cluster feature extraction. For example the
conditional distribution of galaxy number and location could be specified
in relation to a given labelling of stars, and in turn the labelling of stars
could be conditionally related to the number and location of galaxies.
Usually clustering algorithms are based on a metric which describes how
closely related respective data items are to each other, or to unobserved
cluster features. These metrics can be distance-based or take other forms
(see Chapter 3 of Everitt et al. 2001). In addition to this, such algorithms
use a clustering criterion to establish the appropriate grouping or labelling
of the data.
A fundamental form of model which can be used for cluster problems
is that of the mixture distribution. The classical cluster mixture assumes
that the data come from a number of clusters, m, where the prior proba-
bility of each cluster is known along with the forms of cluster-conditional
probability densities. However, the values of the cluster feature vector and
the total number of clusters m are unknown. We define a data vector by
x, the feature vector by θ = (θ1 , . . . , θm ), the prior cluster probability as
p(ωj ) (j = 1, . . . , m) and the jth cluster-conditional probability densities
as p(x|ωj , θj ). Then the probability density function of the data vector is

m
p(x|θ) = p(x|ωj , θj )p(ωj ). (1.1)
j=1

Usually the focus is on estimation of the feature vector θ. For example, these
could be means and variances of Gaussian densities, or could be other rel-
evant feature parameters. If classification is the goal, then once θ is known
the mixture can be decomposed into its components and a maximum a
8 SPATIAL CLUSTER MODELLING: AN OVERVIEW

posteriori classifier could be used. If the component densities are Gaus-


sian then it is possible for mixture components to overlap and hence the
clustering criterion does not restrict the cluster form to be disjoint. Other
mixture forms produce disjoint non-overlapping partitions of the space.
The above brief discussion focuses on what is, in computer science ter-
minology, a ‘flat’ classification: that is, the clusters exist within one level
of organisation only. Flat classifications could be disjoint (such as discrim-
inant functions) or overlapping (such as mixture densities). However it is
also possible that multiple levels of clustering exist within the data, and to
deal with this situation hierarchical clustering algorithms have also been
developed. These algorithms have many natural applications in the sciences
as hierarchical classes or groupings are commonly found. Their basis lies
in the the use of threshold values for clustering of data based on some
form of distance metric. By changing the distance threshold the cluster
membership at the new level in the hierarchy is defined.
In the above discussion the issue of unknown numbers of clusters has not
been addressed. In this situation, both the cluster features and the number
of clusters are unknown. With little information to inform the problem it
is difficult to proceed without recourse to prior assumptions concerning the
nature of the components or clusters. One approach is to apply algorithms
for a range of c values and examine a comparison criterion (a type of profile
inference). Alternatively, the whole space of the joint distribution of number
and cluster feature must be examined.
In the next section we compare and contrast the forms of spatial cluster-
ing which have been developed and attempt to relate these to conventional
non-spatial approaches.

1.2.2 Spatial Clustering


Basic random effect modelling in spatial applications considers groupings
as random disturbances described by model factors. These factors are often
treated as random effects and modelled via prior distributions. More specif-
ically, let us define an arbitrary spatial location as x and a spatial process
at that location as z(x). The observed process at x, y say, consists of z(x)
and some form of uncorrelated measurement error ε(x). For example, an
additive form is sometimes assumed so that
y = z(x) + ε(x).
The spatial process z(x) can include long range effects (e.g. spatial trend)
and short range covariance effects. This model is that underlying geo-
statistical modelling of spatial processes, and kriging is a method which
yields point estimates of values of z(x) at various locations (e.g. Chapter
3, Cressie 1993). Often a zero-mean Gaussian process is assumed to un-
derlie the z(x) process. In space-time this model could be simply extended
HISTORICAL DEVELOPMENT 9

to

y = z(x, t) + ε(x, t)

where t denotes a time point.


In these models concentrations of values of the random process are rep-
resented by peaks in the resulting fitted surface. These peaks could be
regarded as containing location information about elevated values in the
data. Of course these are peaks of a process and not concentrations of
data locations (as in conventional clustering). However, there is a close
correspondence between these ideas. For example if the density or inten-
sity of points or objects on a map were to be modelled then peaks in the
density/intensity surface would hold information concerning clustering and
cluster locations. In fact the treatment of the intensity of an object process
as a random field is one fruitful approach to modelling clustering of objects
in the spatial or spatio-temporal domain. For example, in spatial epidemi-
ology problems, it is possible to model peaks in relative disease risk surfaces
and these peaks correspond to local aggregations of cases of disease.
Random effect models in imaging have a structure similar to geosta-
tistical models except they usually use simplified covariance structures to
describe spatial correlation (i.e. neighbourhood effects).
Although it is possible to attempt to adapt random effect models to pro-
vide information about cluster related features, basic random effect models
are mainly designed to provide smooth reconstructions of surfaces. As ag-
gregations or peaks in density are by nature not smooth, these models may
not be successful in describing clustering. However, the residual from a
smoothed surface estimate could contain cluster information.
In the spatial domain the closest correspondence with conventional clus-
ter analysis can be found in the analysis of point or object processes and
derived processes such as counting measures in disjoint regions. Define a
spatial study window as T and within this window a realisation of a spatial
point process is observed. Denote the n points of this realisation as {xi }
i = 1, ..., n. It is believed that the spatial point process is clustered. At this
point, conventional clustering methods could be used in the reconstruction
of the clusters within the pattern, e.g. simple Bayesian classifiers could be
used to make a flat classification or more sophisticated mixture models
could be applied.
At this point a difference arises in the approaches depending on whether
the nature of the underlying spatial point process is to be taken into con-
sideration. Probability models for clustering can be specified in the form
of mixtures which do not directly use point process properties. For ex-
ample, we can assume that the c components of a mixture have densities
fj (xi |θj ) and, in a likelihood formulation, two forms can be examined: a)
10 SPATIAL CLUSTER MODELLING: AN OVERVIEW

a classification likelihood

n
Lclass = fγi (xi |θγi )
i=1

where the γi are discrete label values: γi = j if xi belongs to the jth


component (cluster), and b) a mixture likelihood

n 
m
Lm = pj fγi (xi |θj )
i=1 j=1

where pj is the probability that an observation belongs to the jth com-


ponent. Fraley and Raftery (1998) (see also Banfield and Raftery 1993)
use this approach as a basis for a variety of clustering algorithms. Usually
the form of the component densities is multivariate normal. The covariance
structure of the components determines the form of the clusters likely to
be found in these models. A variety of algorithms have been proposed for
the estimation of the parameters in these models. The EM algorithm can
be used, and is often used when incomplete data are available. In clus-
tering, the complete data would consist of both the {xi } set and a set of
labels associating the data to clusters. Often these labels are unknown and
hence the {xi } themselves constitute the incomplete data. A complete data
likelihood is then formed and the EM algorithm iterates between estima-
tion of the labels and maximisation of the complete data likelihood. A full
Bayesian approach to mixture models can be adopted. Binder (1978) out-
lined many of the issues in this approach – see also Richardson and Green
(1997). While these mixture modelling approaches can be and are applied
to spatial problems, the basic form of the mixture is quite general and these
models are closest to those of conventional cluster analysis. They do not
directly employ spatial stochastic process models for the distribution of the
events in the clustered pattern.
Models for spatial clustering can also be based on the stochastic process
assumed to underlie the spatial distribution of the data. For example, if
the {xi } are a realisation of a spatial point process, then it is possible
to include features of the process in the model formulation. In the case
of clustered point processes a simple model might be the Poisson cluster
process, where the points are thought to cluster around unobserved cluster
centres. In this approach the cluster features are the centre locations and
a variance parameter determining the cluster spread. This approach is also
based on a mixture of cluster components where the centres form a hidden
point process. In this approach the approximate first order intensity of the
process is defined (conditional on the centre process) to be:
 
 m 
λ(x|cj ) = ρ f h(x − cj ; θ)
 
j=1
Random documents with unrelated
content Scribd suggests to you:
A tipikus pesti család

Abból az alkalomból, hogy egy tisztességes, komoly, de nagyon


naiv fiatal ember hosszu levélben panaszolja el nekem a maga
siralmas helyzetét, szóvá kell tennem a tipikus pesti családot, mely
számtalan kollekcióban él, mulat és busul is néha ebben a szédelgő,
nagyvárosi sokadalomban. A tipikus pesti családot, mely ma még
nem tudja bizonyosan, hogy holnap mit fog ebédelni, de azért
vidám, jókedvü, optimista és szakasztottan ugy él, mintha egy
pedáns jószágigazgató hónaponként pontosan a postára tenné a
vidéki nagybirtokai jövedelmét.
Itt van az apa, a derék, gondtalan csirkefogó, aki hajnali tizkor
kel, gondosan megborotválkozik, aztán reggelizni a kávéházba siet,
ahol csevegéssel és ujságolvasással tölti el a délelőtti órákat. Délben
megebédel, majd feketekávézni ujra elmegy a kávéházba, ahol estig
egy-egy jövedelmező tartli-partieval üti agyon a hosszu és unalmas
időt. Vacsora után természetesen ismét elsiet a kávéházba s napi
programmjában csak akkor áll be némi változás, ha a Lovar-egylet
plakátjai megjelennek az utcai hirdető-oszlopokon. Ilyenkor délután
a totalizatőr és a bookmakerek körül kószál, tipeket hajszol, gyanus
alakokkal tárgyal s néha tekintélyes bankjegyekkel tér meg családi
tüzhelyéhez. Szóval: e derék ember a kedvező véletlenek kivárásával
tölti el az életét s ez nem csupán a játékra vonatkozik, mert
abszolute nincs elvi kifogása az ellen se, hogy más uton szerezze
meg azt a csinos összeget, melyre szüksége van. Olykor váratlan jó
üzletek akadnak a kávéházban is: alkalmi ügynökösködések,
megszorult gavallérok összehozása a kedélyes uzsorás bácsikkal, sőt
nem ritkán olyan kedvezően alakulnak az üzleti konjunkturák, hogy
egy-egy váltócskát is el lehet helyezni valamelyik kevéssé
skrupulózus szövetkezetben. Pénz tehát mindig cseppen valahonnan
s ilyenkor a lelkes apa – akiből a közszereplés nem ölte ki a családja
iránt érzett szeretetet – sugárzó kedvvel toppan be a háromszobás
lakásba s félóráig azzal tölti az idejét, hogy a magával hozott
csomagokat bontogatja. Ami e csomagokban van, az talán a néhai
öreg Esterházy herceget is sárga irigységgel töltené el; mert e derék
embernek semmise drága, csakhogy familiájának örömet szerezzen.
Tengeri rák, friss szőlő januárban, szamóca március közepén, sárga
dinnye áprilisban: mindez inycsiklandozó illatok kiséretében kerül az
asztalra, miközben a vidám családfő szemcsiptetve ezt mondja:
– Egye meg a fene, ugyis meghalunk, hát legalább éljünk jól!
Igaz, hogy némelykor marhahusra se jut pénz, hogy a végrehajtó
hetenként kétszer felirja a diófaszekrényeket és az ebédlői
kredencet, hogy a füszeres legénye olykor botrányokat csap az
előszobában, – de ki törődik az életnek ezekkel az apró és
szórványos kellemetlenségeivel? Ha nincs pénz, akkor az ember
legfeljebb hitelbe tartlizik, de ha van, akkor páholyba megy és ifju
libákat ebédel, még pedig haragos zöld saláták kapcsán.
Itt van a mama, a kissé elhizott, de még mindig mutatós asszony,
aki kettőkor már öltözködni kezd, nehogy a kávéházból lekéssék, aki
a hitelezők megnyugtatásában széditő virtuozitásra tett szert
házasélete huszonhat esztendeje alatt, aki a lelke harmóniáját nem
áldozza fel olyan csekélységeknek, hogy a mindenesleány nem
tisztogat alaposan (mire való az ágy alja, ha nem arra, hogy alája
söpörjék a szemetet?) s aki bámulattal és elragadtatással néz az
urára, mikor meghallja, hogy ismét szerencsésen elhelyezett egy
háromszáz koronás váltót. Itt vannak a fiuk, akik ellopják az
ezüstnemüt (ha ugyan nincs zálogban) s annak az árából játszszák
meg a favoritokat a lóversenyen. Itt vannak a felnőtt leányok, akik
titokban az összes antikvárius-kiadványokat végigolvassák, a lelkük
mélyén arról álmodoznak, hogy egy magánsziniiskolába fölvétetik
magukat s az utcán ráütnek a fiatal emberek kezére, mert azok
szemtelen s nagyon is egyértelmü tréfákkal mulattatják őket. Nem
édes, csillogó és nagyszerü családi élet-e ez? Nem kell-e
mindnyájunknak irigykedve tekintenünk e jókedvü, okos, gondtalan
és mulatós emberekre, akiknek frisseségét, humorát, rugalmasságát,
könnyü vérét ugyancsak nem pusztithatja el az életnek semmi
váratlan csapása?
Nekem és olvasóimnak is bizonyára imponál ez a szimpatikus
pesti család, de a fiatal ember, aki ma egy hosszu levélben fordul
hozzám tanácsért, nincs olyan könnyü helyzetben, mint mi vagyunk:
ő ugyanis – szegény – halálosan szerelmes egy csinos leányba, akit
ebben a milieuben neveltek fel s mivel ő maga komoly, derék és
szorgalmas hivatalnok, most attól fél, hogy örök életére
szerencsétlenné lehet, ha ezt a szép leányt feleségül veszi. Tőlem
vár vigasztalást és bátoritást, de én – ha nem lenne a levelében egy
olyan passzus is, melyre azonnal vissza fogok térni – fájó szivvel azt
tanácsolnám neki: hogy fusson, de minél gyorsabban fusson el
ezeknek a jókedvü szédelgőknek a közeléből s inkább vonuljon be
trappista vagy ferencrendi barátnak valami kolostorba, semhogy
ilyen auspiciumokkal kezdje meg a családi életét. Ezek a
kisasszonyok ugyanis tényleg a magánsziniiskolák számára születtek,
de arra igazán nincsenek kvalifikálva, hogy egy pedáns és
tisztességes magánhivatalnok ingébe reggelenként a gombokat
betegyék. Ezt felelném, még pedig minden habozás nélkül, ha az én
ismeretlen barátom még valamit nem irna a levelében: azt, hogy a
szóbanforgó fiatal hölgy egyáltalában nem hasonlit a szüleire, mert
mindennek inkább látszik, mint léha, felületes és könnyüvérü
teremtésnek. Sőt inkább: nagyon szolid, egyszerü és házias leány. Őt
nem is a kisasszony karaktere aggasztja, hanem a szülei élete, mert
azt hiszi, hogy az ilyen környezetben felnőtt leányból később épp
olyan haszontalan asszony lesz, mint az édes anyjából. Tisztelt
barátom, szabad kérdeznem, hogy miért etette meg Ön velem a
békát? Mért adott föl olyan problémát, mely nem is probléma? Azt
mondom Önnek, hogy siessen el gondolkodás nélkül abba a
kávéházba, ahol e derék kis teremtés édesapja tartlizni szokott s a
vén csirkefogótól minden gondolkodás nélkül kérje meg a leánya
kezét. Mert abból a gyermekből, aki egy ilyen házban szolid és
egyszerü maradt, oly derék és tökéletes feleség lesz, hogy a
legszkeptikusabb szaldo-kontista is már előre megnyalhatja a száját,
ha az a jó kis leány a kezét elfogadja.
A kölcsönkérés technikája

Az a fiu, aki ma egy hosszu levélben a kölcsönkérés technikája


felől tudakozódik nálam, nem tartozik a humor nélkül szükölködő
szegények közé. A fiatal ur előbb bizalmasan beavat abba a titokba,
hogy ő tizennyolc éves kora óta állandóan pénzzavarban szenved
(nyolcvan forint fizetésből nem élhet meg egy pesti gavallér, aki
társaságba jár és tisztességesen öltözködik), aztán nemes nyiltsággal
igy folytatja a levelét:
Lehet, hogy könnyelmü fickó vagyok, lehet, hogy nem
vagyok rosszabb, mint a többi, de annyi bizonyos, hogy nem
emlékszem olyan időre, amikor három napig mentes lettem
volna az anyagi gondoktól. Ha ma nem is volt gondom az
ebédre és a vacsorára, ha a hatalmas istenek egyszer meg is
engedték érnem azt a gyönyörüséget, hogy a
szabószámlámat pontosan kifizethessem, – a következő nap
már kétségtelenül nehéz gondok közt virradt rám s a
kávéházban, reggelizés közben, már azon kellett törnöm a
fejemet, hogy, jó isten, miből fogok ma borravalót adni a
képviselőék szobalányának, aki a zsur után a kabátomat
fölsegiti. Három napig egymásután még sohasem örvendtem
ugynevezett konszolidált pénzviszonyoknak s igy Ön, aki –
legalább eddig ugy vettem észre – nem holmi pedáns
smokkoskodással kezeli a fiatal urak könnyelmüségét –
bizonyosan nem itél meg valami sulyosan azért, hogy amióta
az eszemet tudom, jóformán mindig kölcsönből élek. A
pénzügyi politikámnak az az alapja, hogy – az egyik lyukat
állandóan betömöm a másik lyukkal. Vagyis: ma azt fizetem
meg, amit tegnap kölcsön kértem, s holnap azt fogom
megfizetni, amivel jószivü barátaim a mai napon kisegitettek.
Ez a politika egészen célszerü is lenne (hiszen utóvégre én is
el fogok egyszer jutni abba a nyugodalmas révbe, amelynek
hajóhidján egy jószivü após várakozik a kikötni készülő fiatal
emberre), ha nem lenne egy borzalmas tulajdonságom, mely
állandóan Damokles-kardjaként függ a fejem fölött: az, hogy
még mindig ostoba módon zavarba jövök, ha valakit arra
kérek, hogy tiz forinttal kisegitsen. Ebben a tekintetben
hasonlitok Blaha Lujzához, aki emlékirataiban megirta, hogy
bár gyermekkora óta folytonosan a szinpadon mozog, még
mindig halálos lámpaláz gyötri, ha a kulisszák közt a jelenésre
várakozik. Talán szemtelenség tőlem, ha a nemzet
csalogányához hasonlitom magamat, de bizonyos, hogy én is
ugy vagyok, mint ő: bár innen-onnan tizenöt esztendeje lesz,
hogy a kölcsönkérési müveletekben a drámai hős szerepét
játszom, még mindig összeszorul a torkom a lámpaláztól,
amikor a kulisszák közt a jelenésemre várakozom. És ez –
bármennyire mulasson is rajtam, öreg tanácskofa – nagy, igen
nagy, sőt borzasztóan nagy szerencsétlenség reám nézve,
mert a kölcsönkérés átka, mint egy indus bölcs már kétezer
és egynehány évvel ezelőtt megállapitotta, föltétlenül abban
rejtőzik, hogy micsoda ábrázattal s a biztosság milyen
mértékével tudom meghóditani a leendő hitelezőmet. Ha
sápadtan, reszketve, izgatott dadogással adom elő a
kérésemet, tiz eset közül nyolcszor okvetetlen tagadó
válaszban van részem. Ellenben, ha mosolyogva, nyugodt
nonchalance-szal (mint a boldogult Degré Alajos hiszi) s az
előkelő ember könnyedségével kérek holnapig huszonöt
koronát, alig akad még a fukar férfiak közt is olyan cinikus
fickó, aki könyörtelenül kosarat adna. A nyugodt hang tehát a
kölcsönkérőnél szinte exisztenciális kérdés, mert e nélkül ezen
a pályán csak a legritkább ember boldogulhat. Mit tegyek hát,
hogy ezt a nyugodtságot elsajátitsam? Már tiz nyilt brosurát
elolvastam, melyeknek ez volt a cimük: Wie werde ich
energisch? – de, fájdalom, egyik se használt. Végső
zavaromban hozzád fordulok hát egy jó tanácsért s biztositlak
róla, hogy még a legutolsó váltóm aláirásakor is hálával fogok
visszagondolni rád, ha most az egyszer a bölcs
utbaigazitásodat meg nem vonod tőlem.
Az imént azt mondtam, hogy a levél irója nem szükölködik
minden humor nélkül, de a dolog tulajdonképpen ugy áll, hogy
ezeknek a soroknak a látszólagos humora alatt komoly és érdekes
pszikhológiai igazságok rejlenek. Régi tapasztalás, hogy a
kölcsönkérő akció sikere sohase a szenvedő féltől függ (vagyis attól,
akit a sors hitelezőnek predesztinált), hanem mindig attól, aki mint
adós készül szerepelni a keletkező ügyletben. Egy öreg barátom, aki
negyven évig a barátai jóvoltából élt – még pedig jól és előkelően élt
– a bizalmas vallomások egy pillanatában egyszer elmesélt erről
nekem egyet-mást, a maga tapasztalatainak gazdag és érdekes
tárházából.
– Ha azzal a szándékkal megyek valakihez, – mondta ez a vidám
kóbor lovag – hogy a tárcáján eret vágjak, én már a lépcsőházban
csalhatatlanul megérzem, vajjon sikerrel vagy kudarccal fogok-e
távozni a kiszemelt áldozat lakásáról? Ebben az érzésemben még
sohase csalódtam. És tudja, hogy miért nem? Azért, mert a siker
mindig és kizárólag az én pillanatnyi diszpoziciómtól függ. Ha
inspirálva vagyok (hiába nevet, a kölcsönkéréshez épp olyan
inspiráció kell, mint a lirai költemények irásához), nincs az a fukar
kutya, aki ellent tudna állani a kérésemnek, – viszont bizonyos, hogy
a leghitványabb kifogással is le tud valaki rázni a nyakáról, ha
gyáván, minden ihlet nélkül adom elő a dadogó kérésemet. A
szuggerálás ereje seholse nyilatkozik meg oly elemi erővel, mint a
kölcsönkérés gyönyörü és magasztos perceiben…
Igy szólt a legklasszikusabb pumpoló, akit világéletemben
megismertem, – nálam inkább tehát senkise tudja méltányolni azt a
panaszos levelet, amelyet ma ez a fiatal ur hozzám intéz. De ha
méltányolom is a bánatát, segiteni nem tudok rajta, mint ahogy az
orvos se tud segiteni azon a betegén, aki tüdővészes lázában igy szól
hozzá:
– Mentsen meg, – és én még a haló porában is áldani fogom…
Hogyan mentse meg, ha a halál már eljegyezte magának? Uj
tüdőt még a világ legnagyobb doktora se adhat a betegének, –
aminthogy uj energiát se lehet adni annak a szerencsétlen
embernek, akit a természet gyávának és izgatottnak alkotott, vagyis:
aki nincs inklinálva arra, hogy a közadósi pályából megéljen. Fáj a
szivem, de én megjósolom, hogy az én fiatal barátom betegsége
gyógyithatatlan s hogy egyszer – oh, rémes nap! – el fog érkezni az
az idő, mikor a szegény fiu arra lesz utalva, hogy a fizetéséből
megéljen. Ez ugyan borzalmas perspektiva, de istenem, a halandó
ember mindig kénytelen belenyugodni abba a szörnyüségbe, hogy a
végzet egy értékes talentumot megtagadott tőle.
Sértődések

A sértődés, mely bizonyos tekintetben közös betegsége az egész


emberiségnek, aligha grasszál valahol oly hatalmas mértékben, mint
minálunk. A legtöbb ember napjában egyszer okvetetlen
megsértődik, függetlenül attól a poziciótól, melyet a társadalmi
életben elfoglal. A képviselő sértődötten vonul félre, ha a miniszter
egy fokkal hidegebben viszonozta a köszöntését, az ügyvéd
megsértődik, ha a tárgyaló biró az ékesszólása zsilipjeit egy brüszk
közbeszólással elzárja, az orvos morózus arccal veszi tudomásul,
hogy a paciens nem tartja szentirásnak mindazt, amit ő a
betegágynál enunciál. Az uriasszony megsértődik, ha az előkelő
estélyre meg nem hivják, de esetleg akkor is megsértődik, ha
meghivják, mert a levél hangja nem felel meg teljesen az izlésének.
A kávéházi vendég a maga méltatlan lealázásának veszi, ha két
másodpercen belül nem kapja meg azt az ujságot, melyet a
pikkolótól kért. A vidéki fiatal ur haragos arccal veszi tudomásul,
hogy a kaszinó rendező-bizottságába nem választották be, de az
arca akkor se lesz barátságosabbá, ha beválasztották, mert igy meg
abban lát célzatos tendenciát, hogy nem ültették bele az alelnöki
vagy a főpénztárosi méltóságba. A nyárspolgár panamáról beszél, ha
nem választják meg iskolaszéki tagnak, az iskolaszéki tag csuf
mellőzésről beszél, amiért nem vették fel a bizottsági tagok listájába.
Akit egy estélyre, egy eljegyzésre, egy esküvőre, egy névnapra meg
nem hivtak, akinek a köszönését nem ugy viszonozzák, mint az
abruzzói hercegét, akinek a szerelmi vallomására nem csókkal és
lázas öleléssel válaszolnak, akinek a villamos kalauz nem
„parancsoljon nagyságos ur“ – megszólitással adja vissza a husz
fillérjéből kijáró nyolc fillért, az mind a legkomolyabban megsértődik,
s föltétlenül meg van győződve a felől, hogy embertársai viselkedése
és tettei mögött határozott mellőzés és kisebbités rejtőzik.
Mindezt régen tudom, s polgártársaimnak e csuf betegség iránt
való fogékonyságát jól ismerem, de mégis meglep az a levél, melyet
ma egy intelligens uri asszony intéz hozzám. Ez a fiatal és
szeretetreméltó hölgy keservesen panaszkodik amiatt, hogy őt
érzékenyen megsértették, s mivel nem tudja, hogyan szerezzen
magának elégtételt, hozzám fordul, hogy tanácsaimmal a
szolgálatára legyek. Panaszának az a lényege, hogy a törvényszéki
elnök, a város egyik legtekintélyesebb polgára, a minap meghalt s
gyászbaborult özvegye, aki a halálesetet diszes partecédulában
tudatta a kisváros értelmiségével, őt – bizonyára szándékosan – nem
tisztelte meg a gyászjelentéssel. „Mindenki kapott partét, – irja
izgatott levelében – mindenki, aki csak valamit is számit az idevaló
társaságban. Én azonban, aki vagyok annyi, mint akárki, nem
kaptam, még pedig bizonyosan azért, mert az a felfuvalkodott nő
örömet talált abban, hogy ilyen módon megsértsen. Roppantul
lekötelezne, ha megirná, hogyan viszonozzam ezt a szemtelen és
bizonyára tendenciózus mellőzést.“
Merem állitani, hogy engem már a legnagyobb abszurdummal se
lehet kihozni a sodromból, de ez a levél megtette azt, amire immár
hosszu idők óta nem vagyok képes: őszintén és a legnagyobb
mértékben megdöbbentett. Hogy a sértődés még a koporsó mellett
is grasszálhat, ezt még én se hittem, aki pedig mindent elhiszek, s
aki szeretett polgártársaimat még a legőrültebb lehetetlenségek
elkövetésére is képeseknek tartom. Ő nagysága szakasztottan ugy ir,
mintha egy vidám és kedélyes mulatságon mellőzték volna, s mintha
valami nagy kitüntetés lenne, ha valakit egy temetésre meghivnak. A
gyászszertartásnak ez a batyu-bállal vagy névnapi mulatsággal való
összetévesztése már csakugyan több a soknál, sőt több mindannál,
amit eddig nálunk a sértődés terén produkáltak. Pedig az európai
rekord ezen a téren ősidőktől fogva állandóan a miénk volt.
Ugyan mondja csak, kedves, érzékeny lelkü, nagyságos
asszonyom: nem gondolt egy pillanatig se arra, hogy a mellőzésnek
más oka is lehetett, mint az, hogy Kegyedet tudatosan megsérteni
akarták? Nem gondolt például arra, hogy egy gyászbaborult
özvegynek az ura koporsója mellett talán más egyéb is járhat az
eszében, mint a temetésre meghivandók névsora? És nem hiszi,
hogy lehetnek pillanatok az életben, mikor valaki ártatlan is lehet
abban, hogy az etikett szabályai ellen véteni merészelt? Én azt
ajánlom, tegye jégre a haragját addig a napig, amelyen a
törvényszéki elnökné majd a legidősebb leányát férjhez adja, s Önt,
aki minden tiszteletre érdemes, elfelejti meghivni az esküvői ebédre.
A szép férfi

Az a kérdés, melyet egy olvasóm ma hozzám intéz, eszembe


juttatja a hires anekdótát, melyet a zsidó talmud-bölcsek ma is
gyakran emlegetnek: az anekdótát az eleven és a holt csukáról. A
levél ugyanis, mely természetesen négyoldalas (az emberek nem
tudják megtanulni nálunk a rövidséget), abban a kérdésben
konkludál: miért van, hogy a legtöbb szép asszony és szép leány
nem szereti a nagyon is szép férfiakat? Mielőtt a problémával
foglalkoznám, elmondom a nagyszakállu zsidó bölcs esetét, akihez
hivei egy napon azt a kérdést intézték: miért sulyosabb a holt csuka,
mint az eleven csuka? A bölcs bezárkózott a szobájába, két hétig
bujta a könyveket és a szentirásokat, aztán kijelentette, hogy a
meglepő sulybeli differenciának a vér elváltozása az oka. A hivek
megnyugodtak a magyarázatban, de egy akadékoskodó hitsorsos
ekkor hirtelen közbeszólt:
– De vajjon igaz-e, hogy a holt csuka sulyosabb, mint az eleven
csuka?
A talmudtudós meghőkölt, s a hivek erre megmérték a csukát: és
ekkor kiderült, hogy az árnyékvilágból elköltözött csuka egyáltalában
nem sulyosabb, mint az eleven. A bölcset tehát egyszerüen
felültették.
A levél, mely a mai problemát elibém terjeszti, élénken felidézi
bennem a régi anekdotát s én is azt kérdezem, amit amaz izgága
hitsorsos kérdezett:
– De vajjon igaz-e, hogy a szép férfiut kevésbbé szeretik az
asszonyok és leányok, mint a csunya férfit?
Az én alázatos nézetem ugyanis az, hogy ez az egész probléma
hamis, mert hiába filozófálunk, kedves atyámfiai, hiába hozakodunk
elő a szép emberek közmondásos ostobaságával, a dolog, fájdalom,
ugy áll, hogy ezeknek a délceg, csinos bajuszu férfiaknak sokkal
nagyobb a szerencséjük a nőknél, mint nekünk, elmésségtől sugárzó
legényeknek. Az átlag-nő (tehát a többség) bizony szó nélkül ott
hagy bennünket a faképnél, mikor egy ilyen ragyogó külsejü, szép
fiu a látóhatáron feltünik, s hiába a mi francia esprit-nk és egyéni
szeretetreméltóságunk, egy karcsu termet, egy domboru mellkas, s
egy szabályszerüen megkonstruált arc mindig többet nyom a latban,
mint a mi legjobb és legfrappánsabb ötleteink. Ne tartsuk mi az
asszonyt különbnek, mint a férfit: az első, ami a nőt megkapja,
mindig a külső megjelenés, aminthogy – terringettét, valljuk csak be!
– mi se a szép lelket keressük a korzón és a Váci-utcában, hanem a
gyönyörü alakot, a bájosan pisze orrot, s nevető buzavirágszin vagy
éjfekete szempárt. A szép nőnek (hiába a nagy bölcseségünk és
elmésségünk) már a legelső pillanatban nyert ügye van nálunk,
amint hogy a nők se az én ragyogó szellememmel fognak kokettálni
a verőfényes tavaszi délelőttökön, hanem a mulandó, de formás testi
mivoltommal. A csunya férfinak, ha érvényesülni akar, előbb
diadalmasan meg kell küzdenie azzal a kellemetlen impresszióval,
amit külső megjelenése okoz. Nem mondom, hogy ez lehetetlen:
hiszen csakugyan elég példa van rá, hogy egy rosszabb külsejü
férfiu, a szellemi felsőbbségével, le tudja győzni azokat a
vetélytársait is, akik nála, testi megjelenés dolgában,
beszámithatatlanul különbek. De ez először is mindig sokkal nagyobb
időbe kerül, mint amennyit az ugynevezett szép emberek az átlag-
hóditásaikra rendesen forditanak. Másodszor: a csunya emberek
csak a szellemileg nagyon kiváló nőknél arathatnak igazi szerelmi
sikert. Az a leány, vagy asszony, aki az esztétikai érzés rovására a
csunya férfiut jobban kitünteti, mint a szépet: föltétlenül csak finom,
előkelő gondolkodásu, tartalmas nő lehet, akinek lelkében épp oly
antipátiát kelt a szép emberek nevetséges parvenü-gőgje és affektált
szerénysége, mint amennyire őszinte rokonérzésekre hangolják az
igazi férfi nemes és imponáló belső tulajdonságai. Hála isten, ilyen
nő is elég van, s ez éppen a legmeggyőzőbb cáfolata azoknak a frivol
pszichológusoknak, akik az asszony lelkét alábbvalónak mondják a
férfiénál. A csunya, de elmés férfiak szerencséje gyönyörü
bizonysága a női lélek finomságainak, s annak az igazságnak, hogy a
magasabbrendü gondolkodás sohase a nemtől függ, hanem az
ember egyéni diszpozicióitól.
Pikantériák

Őszintén szólva, nagyon szeretnék a szemébe nézni a mai levél


irójának, mielőtt pikáns, de közérdekü levelére a választ megadnám.
Mert – ha be szabad vallanom az igazat – nekem az a gyanum, hogy
ennek a szép asszonynak a megbotránkozása nem egészen komoly,
bár én, akit afféle morálcsősznek tartanak, nagyon örülnék, ha
csakugyan egy haragtól csillogó szempár rejtőznék az érdekes levél
mögött. De a tapasztalásaim, fájdalom, arra tanitottak, hogy az
effajta panaszok többnyire csak elméleti alapokon nyugszanak, s
hogy a divatos asszonyok egyáltalában nem veszik rossz néven, ha a
gavallérjaik kissé megfeledkeznek arról a tiszteletről, melyet a régi,
naiv illemkódexek előirtak.
Beszéljünk világosabban: egy csinos hölgy – aki önjellemzése
szerint hüséges feleség és jó anya – az iránt panaszkodik, hogy a
társaságokban, amelyekben az urával megfordul, a fiatal urak olyan
tónusban beszélgetnek vele, amely neki, a szerény és jólnevelt
teremtésnek, mindig az arcába kergeti a vért. „A szinházban még
csak megjárja ez a hang, – mondja szép levéliróm – mert ott az
előadás alatt, nagyon bölcsen, elhomályositják a nézőteret s a
szinészek, akik kétértelmüségeket mondanak és cselekesznek, nem
csupán nekem, a zsöllyémen diszkrétül meghuzódó asszonynak
beszélnek, hanem mind a kétezer embernek, aki a földszintet, a
páholyokat és az emeleteket megtölti. Ott legalább a szemem elé
tarthatom a gukkeremet, vagy lázasan belemerülhetek a szinlap
tanulmányozásába, szóval: meg van hozzá a módom, hogy
elterelhetem magamról a figyelmet. Nem tagadom, hogy a
szinházban jól is mulatok ezeken a pikantériákon, hiszen mi,
becsületes asszonyok is rászomjazunk némelykor egy kis elméleti
erkölcstelenségre. De a társaságban, a villamos lámpák ragyogó
fényében, amikor szemtől-szemben ülök egy idegen férfiuval, már
egészen másképp áll a helyzet: ott direkte nekem mondják a
sikamlósságokat, s direkte azért mondják, hogy zavarba hozzanak.
És itt még a gukkert se emelhetem a szememhez, még a szinlapot
se tarthatom magam elé, hanem kénytelen-kelletlen meg kell
hallgatnom azokat az impertinenciákat, amelyekkel ezek a léha urak
mulattatnak. Sőt mosolyognom is kell, nehogy ostobának, vagy
prude-nek tartsanak. Mi erről az ön véleménye, tisztelt globetrotter
uram? Kénytelen vagyok-e eltürni ezt a haszontalan modort, vagy
megmondjam-e nyiltan azoknak az uraknak, hogy szemtelenül
viselkednek? Az uramnak semmi esetre se panaszkodom, mert ő,
amilyen hübele-Balázs, még képes lenne belekötni a gavallérjaimba,
s arra már igazán semmi kedvem, hogy ezt a derék embert lovagias
affaire-ba kényszeritsem.“
Azt mondtam az imént, hogy szeretnék a szemébe nézni a mai
levél irójának, s ime, ez a csinos és haragos asszony akaratlanul
többet mutat, mint amit kivántam: megengedi, hogy a lelkébe
vethessek egy pillantást. Elárulja ugyanis, hogy még a becsületes
asszonyok is rászomjaznak némelykor egy kis elméleti
erkölcstelenségre s ezért nagyon jól érzik magukat azokban a
szinházakban, melyeknek szinpadján a házasságtörő feleség rendes
és szivesen látott habitüé. Tehát nem a pikantériák ellen van
kifogásuk, hanem a külső látszat ellen. Ott, ahol óvatosan
elrejtőzhetnek a nézőtér kétezer főnyi sokaságában, egyenesen
élvezetet okoz nekik, ha a szinmüvész ur vagy a szinmüvésznő ő
nagysága malacságokat beszél; de a társaságban ugyanezért már
megbotránkoznak, mert ott nincs szinlap és nincs gukker, amelylyel a
közfigyelmet elterelhetik magukról. A morál tultengésének ezt a
felfogást bizonyára nem mondhatom, de megérteni megértem,
hiszen a legtöbb becsületes asszony igy gondolkozik. Sőt elismerem,
hogy a két eset közt van is némi különbség, mert a szinész egy nagy,
személytelen nézőtérnek beszél, mig az a fiatal ur direkte egy-egy
pironkodó nagyságos asszony zavarában és szeméremérzékének
feltámadásában keres valami kellemes izgalmat a maga számára. De
tulontul tragikusnak még ennek a fiatal urnak a viselkedését sem
tartom, mert – ismerjük csak be – a mai hölgyek rákapatták a
gavallérjaikat erre a tónusra, sőt majdnem provokálják, hogy igy
beszéljenek velük. A pikáns és kétértelmü beszélgetés: ez éppen a
privilégiuma szerintük a feleségi méltóságnak. Persze-persze, azok az
urak kötelesek lennének tekintetbe venni, hogy kivel beszélnek, de
istenem: miért bocsátkoznának szegények pszikologiai kutatásokba,
amikor majdnem bizonyosra vehetik, hogy a sikamlósságaikat
minden asszony szivesen meghallgatja?
Hogy mégis miképp védekezzenek a szolid asszonyok az eféle
erkölcsi orvtámadás ellen? Nagyon egyszerüen: ne csináljanak
különös kázust az esetből. Hallgassák meg, – mit tehetnének
egyebet? – a gavallérjuk kétértelmüségeit, de egyáltalában ne
reagáljanak rájuk; se bájos mosolylyal, se azzal, hogy – a vidék
némely pontjain ez szokásos – a legyezőjükkel ráüssenek az
udvarlóik kezére. Hallgassák meg nyugodtan a pikantériákat, aztán
térjenek át minden megjegyzés nélkül egy más témára: ennyi
tökéletesen elég, hogy azok az urak a tónusukat megváltoztassák. A
védekezésnek ez az egyetlen módja, hogy nem szabad táplálékot
adni a megkezdett téma folytatásának: se nevetéssel, se
tiltakozással, se megbotránkozott pillantással. De ez a mód
mindenesetre veszedelmes, mert ezektől az uraktól csakugyan
kitelik, hogy nem mondanak többé egyetlen pikantériát se.
Tavaszi gondok

Kedves barátaim, azt mondom nektek, hogy az ilyen fehérhaju,


gyékényen guggoló magánbölcs élete se mindig olyan fenékig tejfel
ám, ahogy ti, a láthatatlan messzeségben, hiszitek… Lám, ma reggel
a posta – ajánlott, express-levélben – egy sereg sulyos
gorombaságot hozott a ti szegény, vén szolgátoknak, aki bizonyára
nem adott még okot arra, hogy ilyen szigoruan bánjanak vele. Van
bennem annyi hiuság, hogy az egész levelet nem árulom el nektek,
de egyet-mást mégis kiszedek belőle, hogy az együgyü reflexióimat
nyilvánosságra hozhassam.
„Bölcs kádi – mondja a levél – én szédületesen el vagyok
ragadtatva a te hatalmas eszedtől, de engedd meg azt az alázatos
megjegyzést, hogy a tanitásaid nem érnek egy fabatkát.
Összegyüjtött müveidet meg nem érdemelt figyelemmel olvasom
minden nap, de olyan bölcseségre, aminek én is hasznát vehetném,
még nem akadtam az irásaidban. Mit akarsz folyton-folyvást a
szerelemtől, s azoktól a rejtelmes, lelki processzusoktól, amiket csak
a dologtalan novellisták találtak ki? Te is azt hiszed, hogy az egész
világ csak a szerelem körül forog? Nem akarlak kiábránditani, öreg
világcsavargóm, de hidd el nekem, hogy ez mind csak olyan smonca,
ahogy ti, pesti irók, oly bájos közvetetlenséggel mondani szoktátok.
Nekem például, aki e sorokat irom, százszor, sőt ezerszer több
gondot okoz az a probléma, hogy miből fogom előteremteni a
családom fürdőzési költségeit, mint az, hogy miféle viharok
játszódnak le a Tusznelda grófnő szivében. Ezt a problemát oldd meg
bölcs kádi, s akkor én, a józan pesszimista, is le fogom emelni
előtted tönkrezüllött borzalino-kalapomat. Hagyj nekem békét a
szerelemmel, de mondd meg magyarán és értelmesen: honnan
keritsek elő junius végéig nyolcszáz forintot, mert legalább is ennyire
van szükségem, ha nem akarom, hogy tisztelt nőm ő nagysága az
egész nyaramat megkeseritse.“
Ime, száraz magva a „józan pesszimista“ levélnek, melynek egyes
kifejezéseiért még a VI. ker. kir. járásbiróság is habozás nélkül
megállapitaná a becsületsértést. Én azonban nem fogom föl a dolgot
nagyon érzékenyen, hiszen jól tudom, hogy a pénztelen ember nem
szokott pályázni a középeurópai udvariassági rekordra. Sőt azt is
elismerem, hogy a haragos levélirónak némileg igaza van, mert
azokban az esetekben, mikor üres az erszényünk, csakugyan nem
szoktunk érdeklődni a Tusznelda grófnő szerelmi problemái iránt. De
ha én ilyen nemeslelkü és konciliáns vagyok, viszont névtelen
levélirómtól is megkivánhatom, hogy ne engem okoljon azokért a
bajaiért, melyeknek előidézésében igazán nincs részem. Tovább
megyek: még módom sincs hozzá, hogy legalább a tanácsaimmal
segitsek. A gyékényen ülő remeték ugyanis feltétlenül bölcs férfiak,
de mint váltógiránsok nem tartoznak a legjobbak közé. Kornfeld
Zsigmond is, Lánczy Leó is gondolkodás nélkül ajtót mutatnának az
öreg Diogénesnek, ha mint jótálló vagy készfizető kezes akarná a
jóakaratukat megnyerni. Igy tehát – bármennyire szeretném – nem
ajánlhatom fel a gondbaborult családapának szerény girómat, sőt
még azt se tanácsolhatom neki, hogy a szövetkezetekhez forduljon,
mert, ha a klienseimtől hallott hirek megfelelnek a valóságnak, akkor
a szövetkezeti vezérigazgatók mostanában adósak maradnak a
főpincérnek a kávéjuk árával. Gyakorlati utbaigazitást tehát nem
adhatok, de egy tényállást mégse hallgathatok el: azt, hogy ezek a
különleges tavaszi gondok tisztára a mi szép hazánk specialitásai. A
külföldön minden középsorsu polgár már októberben számolni kezd
a nyaralás kérdésével, s jövedelmeiből pedánsul félrerak egynehány
százalékot, hogy aztán junius végén, vagy julius elején elvihesse a
családját a nagyvárosból. A fürdőköltség rendes, szigoruan
respektált rovata a német, francia, vagy angol háztartás
budgetjének. Nálunk, nehány komoly hivatalnok-családtól eltekintve,
a fürdőzés problemája csak akkor kerül felszinre, mikor a fürdők
nagyhangu prospektusai megjelennek az ujságokban. Ilyenkor aztán
megered a futkosás: a véres hajsza a pénz után, a szégyenkezések,
megalázások és megőszülések korszaka, amikor a bankok előszobái
mindig tele vannak verejtékező uri emberekkel, s amikor az
államnyomda fokozott üzemmel nyomatja a váltókat és az
adósleveleket. Mindenki a bank pénzéből akarja meghozatni szerető
családjának a sárgadinnyét, ahelyett, hogy ahoz az összeghez
nyulna, melyet – a viszonyaihoz képest – az egész év folyamán
félrerakott. Ez a baj, tisztelt atyámfia, nem pedig az, hogy én
szerelmi smoncákat irok. Mert nekem nem az anyagi ügyek
elintézése a resszortom, hanem a lelki problémák földeritése. Az
anyagi kérdéseket az okos ember mindig a saját eszével oldja meg, s
nem fordul miattuk öreg remetékhez, akik boldogok, ha sóskát és
salátát ehetnek, s ha a finom és illatos dohány naphosszat ki nem
fogy a pipájukból…
Az utipodgyász

Mostanában, amikor még az is utazási tervekkel bibelődik, aki


még a zálogház esedékes kamatait se tudja kifizetni, nagyon aktuális
az a kérdés, amelyet egy „gazdag, budapesti magánzó“ intéz
hozzám: hogy mit visz magával a praktikus ember, ha négy-öt heti
időre fürdőkkel és idegen városokkal cseréli fel a megszokott
otthonát. „Eddig ugyanis – irja az óvatos magánzó – sem én, sem a
feleségem sohase tudtuk teljesen élvezni azt a gyönyörüséget, amit
az ilyen céltalan kóborlás nyujt; mert habár mindig kitünően éreztük
magunkat, s a sok uj látnivaló nagy lelki élvezetet okozott
mindkettőnknek, volt valami, ami következetesen elrontotta az
örömünket: a podgyász. Nem beszélek a vámvizsgálatokról, ahonnét
az ember mindig agyonhajszolt állatként kerül vissza a kupéjába;
nekünk az ugynevezett kispodgyász is mindig elkeseritette az
életünket. Az a két-három kézi koffer, az utitáska, a kalapskatulyák,
az esernyőtartók: mindez oly pokoli gyötrelmeket okozott az átszálló
állomásokon, hogy akárhányszor még azt a percet is megátkoztuk,
amikor az utazásra elszántuk magunkat. Nem is akarok most azzal
előhozakodni, hogy a temérdek hordárdij jóformán megkétszerezte
az utazás költségeit, mert ebben még csak megnyugodtam volna, de
azt a sok vesződséget, izgalmat, futkosást, amivel az ilyen aprólékos
podgyász szállitása jár, csakugyan nem birja ki az olyan ember,
akinek nincsenek hajókötelekből az idegei. Higyje meg, hogy inkább
lemondok az utazásról, semhogy még egyszer ezeket a borzasztó és
türhetetlen izgalmakat átszenvedjem.“
Ha van kérdés, melyhez illetékesen hozzászólhatok, ugy ennek a
levélnek a problémája bizonyára az, hiszen a Kegyetek öreg szolgája
ugyszólván az élete háromnegyed részét a vasuti kupékban és a
nagy hajók födélzetén töltötte. Mint elsőrangu szakember
mondhatom tehát, hogy szeretett honfitársaim abszolute nem is
konyitanak az utazás müvészetéhez. Akárhányszor megtörtént
velem, hogy belső részvéttel néztem a szegény, verejtékező
magyart, aki a vasutról a hátán vitte át a podgyászát a
hajóállomáshoz – hordárt tudvalevőleg nem mindig kap az ember –
mig a felesége könnyes szemmel tipegett mellette a gyalogjárón. Az
ilyen pillanatokban mindig elhatároztam, hogy nyilttérben fogom
figyelmeztetni turista-honfitársaimat a praktikus utazás törvényére,
de az ilyen fogadalmakat öt perc mulva, fájdalom, mindenki elfelejti.
Most tehát jóváteszem a mulasztásomat, s ideirom azt az
aranyszabályt, mely csupán egyetlen §-ból áll, de amelynek
megtartásával temérdek pénzt, vesződséget és gyötrelmet
megtakarithatunk, s mely igy hangzik:
„Az okos ember mindig csak annyi podgyászt visz
magával, amennyit végszükségben sajátkezüleg is el tudna
vinni két kilométernyire, anélkül, hogy ezt a hátidegei
megsinylenék.“
Kegyetek ezt az aranyszabályt még némi kételkedéssel olvassák
végig, de az amerikai, az angol, sőt ujabban a francia utas is már
teljesen tisztában van vele, hogy a kényelmes utazásnak ez a
paragrafus a legfontosabb biztositéka. A kultur-utazó ma ugyanis
kétféle módszer szerint utazik: másképp, ha például egy fényüző
fürdőben akar eltölteni nehány hetet, – és másképp, ha egyik
városból a másikba siet, vagyis, ha jóformán naponként más és más
szállodában akarja nyugalomra hajtani a fejét. Az első esetben
egyszerüen mindazt becsomagolja, amire a reprezentációs helyen
szüksége lehet, s az egész podgyászt feladja arra az állomásra,
amelyik a vasuti utjának a végcélja. A második esetben csupán a
legszükségesebb holmit viszi magával, vagyis: a hölgy némi
fehérnemüt, két bluzt, s egy esti parádés ruhát, az ur egy jó és
finom uti ruhát, – ez rajta van – s egy tisztességes smoking-
öltözéket. Ezenfelül két puha inget, négy kemény inget, a többi
elengedhetetlen fehérnemüt, s egy fogport, kefét s egyebeket
magában foglaló utinecessaire-t. Minden más holmi teljesen
fölösleges. Uton a legelőkelőbb hölgy is állandóan bluzban jár, s a
legelegánsabb ur is szürke öltözetben nézheti végig a képtárakat, a
templomokat és az egyéb látnivalókat. Öltözködni csak este kell, a
diner-hez, s ehhez a hölgy egyetlen estélyruhája s az ur egyetlen
smokingja tökéletesen elegendő. A fehérnemüt minden jó hotelben
huszonnégy óra alatt megtisztitják, s ha még valamire hirtelen
szükség van: ezt utközben bizvást meg lehet venni abból a pénzből,
amit az ember a hordárokon és a kocsikon megtakarit. Az amerikai
milliárdosok kivétel nélkül ennek a principiumnak az alapján utaznak,
s józan észszel igazán nem lehet belátni, hogy mi, a szegény
emberek, miért lennénk előkelőbbek, mint a newyorki vasutkirályok
és szilvaizhercegek.
Persze, mindezt könnyebb leirni, mint betartani, mert a mi
hölgyeink még mindig valami lealázkodásfélét látnak abban, ha nem
öt kalappal, három napernyővel és nyolc elegáns toilette-tel
száguldnak végig a svájci vagy az olaszországi hoteleken. De arra
való a férj, hogy az ilyen kérdésekben egész a késhegyig energikus
legyen. Mint udvarias férfiu, halálomig azt vallom, hogy a házassági
konfliktusokban föltétlenül a férj kötelessége a kapitulálás, de e
szabály alól van egy kivétel: az a konfliktus, mely az utipodgyász
ügyében támad. A férj, aki ebben a kérdésben enged, kihallgatás
nélkül megérdemel hat hónapi börtönt, vagy – ami ezzel
egyenértékü – két esztendei szanatoriumot.
Téli fürdőzés

Hogy mi a véleményem a téli fürdőzésről általában és azokról az


emberekről, akik havas esőben, minusz tiz fokos hidegségben
szakitják el magukat a hivataluktól és a rendes társaságuktól, hogy a
természet szüzi fehérségével, vagy a délszaki vidékek aranyos
napsugaraival cseréljék fel a budapesti zsurokat és a füstös
kávéházakat? Édes nagyságos asszonyom, attól tartok, hogy engem
is épp ugy le fog nézni, mint azokat a csavargókat, akikről oly
fensőséges lenézéssel beszél a levelében, mert – mi tagadás benne
– én, a fehérhaju öreg is, akárhányszor sárga irigységgel gondolok
szerencsésebb barátaimra, akik ilyenkor a nagy, angol bőröndjeiket
csomagolják, s távirati uton rendelnek egy jó hálóhelyet a
szentpétervár-nizzai luxusvonat egyik kényelmes fülkéjében. Sőt:
még azt is irigységgel hallom, ha ezek a csavargók – Ön nevezte igy
a téli fürdőzőket – egy-két hétre kiszabaditják magukat a rendes
igájukból, s a Tátra hótól és jégtől csillogó világában skiznek,
ródliznak és tobogánoznak. Akár csavargók, akár nem, én őszinte
szivvel irigylem őket, mert az a meggyőződésem, hogy voltaképpen
valamennyien a kószálásra születtünk, s hogy emberi hivatásukat
talán leginkább nyughatatlan vérü ősapáink közelitették meg, akik
addig maradtak egy helyben, amig lovaik és marháik a körülöttük
zöldelő friss füvet lelegelték. Az az ördögmalom, amelyben mi az
életünket leéljük, egyszerüen megöli a fantáziánkat, kipusztitja
belőlünk a lelkünk rugalmasságát, s időnek előtte megvénit és
kiszárit bennünket. Ne hozakodjék nekem elő a boldog és nyugodt
öregekkel, akik halálukig se hagyták el a kedves falujuk határát,
mert ezek a boldog emberek még nem ismerték az idegek
intézményét, s bizonyára sohase gondoltak olyan együgyüségre,
hogy rostélyos és töltött káposzta helyett bromnatriummal kinozzák
a gyomrukat. A mi idegrendszerünk más, mint az övék, még pedig,
fájdalom, a mi hátrányunkra. Mi nemcsak, hogy belepenészesedünk
a mindennapiságba, hanem egyenesen fizikai szenvedések között
éljük le monoton életünket, ha néha-napján a rendes
környezetünknek bucsut nem mondunk. Nem is beszélek most az
irókról, a müvészekről, s azokról az egyéb szellemi foglalkozásokat
üző emberekről, akik időnek előtte kimerülnek a munkájukban; de
azt mondom, hogy manapság e lázas és tülekedő világban még a
hivatalnoknak, a kereskedőnek vagy az iparosnak is szüksége van
arra, hogy egyszer-másszor uj milieuben frissitse föl elernyedt lelki
képességeit. Ennek a változatosságnak a vágya oly élénken él
mindnyájunkban, hogy akárhányszor sirva, tehetetlen dühvel
forgatjuk a vasuti menetrendet, s anarchista vérszomjusággal
gondolunk a boldog kiváltságosokra, akik ilyenkor az aranytapétás
express vonatokban szelik át a tavaszi szellőktől illatos Itáliát, s
kupéjuk ablakából ragyogó pillantást vethetnek a Cote d’azur
narancserdeire, a zöld lombok közül kifehérlő villákra, a Földközi-
tenger olvasztott fejérhabjaira, s a virágoktól, ezüsttől csillogó
nagyvilági pensiókra, ahol dekolletált asszonyok kacagásában
fürödhetik a frakkosok és szmokingosok hada. Dehogy is szabad
csodálkoznia, ha a szivem már a gondolatára is kalimpál annak a
gyönyörüségnek, hogy én is ott lehessek ebben a paradicsomban, s
ha megvetés helyett olajsárga irigységgel bucsuzom azoktól a
csavargóktól, akiknek ilyenkor, havas tél derekán is módjuk van
hozzá, hogy ezt a nagyszerü milieut megvásárolhassák maguknak.
Persze más kérdés – s itt rögtön egy nézeten leszünk – az, vajjon
helyes-e, hogy manapság már nemcsak a gazdag emberek, de a
szerényebben szituáltak is rendszeresen beállanak a téli fürdőzők
mind jobban megsokasodó gárdájába? Ennél a pontnál már nem
térnek el véleményeink, mert magam is azt mondom, hogy nagy
átlagban bizony nem ugy élünk, ahogy a vagyoni viszonyaink
megengednék. Ez különben egyáltalában nem ujság, hiszen akik
társaséletünket figyelemmel kisérik, régóta tudják, hogy percentuális
tekintetben talán mi közülünk kerül ki a legtöbb szédelgő Európában.
Nem azokat a szédelgőket értem, akik hiszékenyebb embertársaikat
rászedik és megkárositják s akik a számlájuk és a podgyászuk
hátrahagyásával távoznak az elegáns hotelekből, hanem azokat, akik
minden reális alap nélkül játszszák a dusgazdag és könnyüpénzü
utazót. Ezt a tipust mi képviseljük a legsürübben, amiről mindenki
tanuságot tehet, aki télen Nizzában vagy Cairóban, nyáron
Ostendében vagy Aix les Bains-ben megfordult. A belga
tengerparton, vagy a montecarlói kaszinóban lépten-nyomon
összetalálkozunk olyan honfitársainkkal, akiknek tudomásunk szerint
nemcsak hogy vagyonuk nincs, de akik évi jövedelem tekintetében
se igen mehetnének tul a ránk-herlányi fürdő határain. Gyanus
alakok, akiknek semmi látható kenyérkeresetük nincs, elsőrangu
hotelekben laknak, pezsgőt bontatnak fel az ebédjükhöz, s olyan
összegekben játszanak, amilyet a középsorsu államhivatalnok
legfölebb csak álmában lát. Honnan szerzik meg ezek az urak a
passzióikhoz szükséges pénzeket? Csak a jó isten tudja. Ha hölgyek
volnának, – mert azok még nagyobb számban vannak – könnyen
meg tudnók fejteni a nagy titkot, de hol az a zsilip, melyen át e férfi-
szédelgők ölébe hull az aranyak és bankjegyek zuhatagja? Ezt
sohase tudtam kitalálni, de annyit, ugyebár, jogosan sejthetek, hogy
derék honfitársaim nem idegenkednek a szelidebb fajtáju
szédelgésektől, s hogy nem mindenki szükségszerüleg gentleman,
aki frakkot és fehér nyakkendőt ölt, ha a Palace Hotel-ek diner-jein
megjelenik?
Ezért, nagyságos asszonyom, azt ajánlom, egyezzünk ki ötven
százalékra, s mondjuk ki határozatilag, hogy a téli fürdőzés igen
okos divat, de csupán azok számára, akik a kellő óvatossággal
választották meg annak idején a kedves szülőiket, vagy akik legalább
is három nagy bankban huzzák az igazgatói tantiéme-eket.
Levéltitok

A régi francia drámákból mindenki emlékszik a redingot-kabátos,


előkelő marquisra, aki a faragványos rokokó-kandalló előtt, melyben
vigan égnek a tölgyfahasábok, merev arccal veszi el a lakájtól az
ezüst-tálcán átnyujtott leveleket, majd igy szól ahhoz a hajporos,
fiatal dámához, aki lorgnonján át eddig egy selyemkötéses
diszmüben lapozgatott:
– Marquisné, ez a levél a kegyedé…
A fiatal hölgy átveszi és felbontja az illatos levelet, futólag
végigszalad a sorokon, aztán egyszerüen a kandalló tüzébe dobja a
halványkék velinpapirt. A marquis ur pedig nyugodtan olvassa
tovább a Temps hireit, s ugyancsak nem jut eszébe az a dőreség,
hogy a levél tartalma felől tudakozódjék.
Igy volt a régi, francia drámákban és a nézőtér szép, polgári
asszonyai, akik irigykedő pillantásokat vetettek a szalon pompás
butoraira, a kandallóban égő hasábokra, s a lakáj aranyszegélyes
frakkjára, meghatva és elámulva gondolták:
– Istenem, milyen finomak és előkelők ezek a francia marquis-k
és marquisnék!… Egészen ugy viselkednek egymás iránt, mintha
abszolute nem lenne közük egymáshoz…
A szép polgári hölgyeknek ugyanis nagyon imponált, hogy a
hajporos dáma nem mutatta meg az urának a levelet s hogy az ura
még csak nem is érdeklődött az iránt, vajjon nem valami fiatal
gavallér irt-e neki lángoló szerelmi vallomást? Elvileg gyönyörünek
találták ezt az arisztokratikus bizalmat, de otthon, mikor a rokokó
szalon milieujéből a maguk ó-német ebédlőjébe visszatértek,
ugyancsak más hurokat pengettek volna, ha a férjek ezt az előkelő
szokást a maguk házi tüzhelyénél meghonositani próbálják…
A marquis-k és marquisnék párbeszéde abból az alkalomból jut
eszembe, hogy egy olvasónőm ma kérdést intéz hozzám az iránt,
vajjon illő-e, helyes-e, megengedhető-e, hogy a házastársak az
egymás leveleit fölbontsák és elolvassák? A levélből azt
következtetem, hogy ő nagysága már rég megoldotta ezt a
problémát, még pedig oly módon, hogy ő minden lelkifurdalás nélkül
felbontja az urához érkező irásokat. Sőt azt is tudom, hogy a polgári
asszonyok legnagyobb része habozás nélkül elolvassa az ura egész
korrespondenciáját, részint nyiltan, minden titkolódzás nélkül, részint
a hajtü, horgolótü és egyéb tüfajok segitségével. Az asszonyok
ugyanis elég naivok ahoz, hogy ilyen egyszerü és gyermekes módon
akarnak hozzájutni a ravasz férjük titkaihoz. Elfelejtik, hogy a férj –
még az is, aki a legártatlanabbnak látszik köztük – sokkal óvatosabb
annál, semhogy a gyanus leveleket, ha ilyenek egyáltalában
érkeznek hozzá, a lakására cimeztesse. Menjen el ő nagysága a
kaszinóba, a kávéházba, vagy a férje hivatalába, ott esetleg elcsiphet
egy olyan levelet, amelyért az ura szemeit kikarmolhatja; de otthon
nyugodtan meg fogja érni az aranylakodalmát, annélkül, hogy valami
diszkrét titoknak a nyomára akadjon. A kalandor-férjnek ezer és ezer
módja van ahhoz, hogy gazságaihoz az előmunkálatokat
megtehesse; s nagyon ostoba legény lenne, ha galád cselszövése
szálait a saját lakásán vezetné keresztül. Ezért nincs praktikus célja
annak, hogy a feleség az ura levelei után kémlelődjék. Az ilyen
szokás csak arra jó, hogy a bizalmat a két fél köztt megrontsa, s a
kölcsönös, nobilis tisztelet helyett a gyanakodás méltatlan bázisára
helyezze egymáshoz való viszonyukat. Az én nézetem szerint az
egész házaséletnek finomabb és előkelőbb a tónusa, ha a férj és
feleség a külső látszat szerint is biznak egymásban. Az az asszony,
aki nem nyul az ura postájához s az a férj, aki gyanutlanul és –
olvasatlanul adja át a feleségének még a leggyanusabb levélkét is,
okvetetlenül nagyot nő a másik fél becsülésében. És ezt annál
könnyebb megtenni, mert igazi, telivér titkokhoz ugy se lehet
hozzájutni a hajtü és a horgolótü utján.
A döntvény tehát, melyet a hozzám intézett kérdésben hoznom
kell, föltétlenül az, hogy a levéltitkot az okos házasoknak
respektálniok kell. Természetesen nincs kétségem benne, hogy a
kiváncsi és ideges feleségek az én döntvényem ellenére se fognak
megváltozni s ezután is izgatottan fogják kihuzni a frizurájukból a
hajtüt, ha a levélhordó az előszoba ajtaján becsönget.
Lovagiasság

Egy vidéki kaszinóban két ur kártyázik. Az egyik nyer, a másik –


természetesen – veszit. Ez a másik egyébként igen jóravaló uri
ember, de nem tartozik ama gentlemanok közé, akik az Ohnet-
mester regényeiben egy szemhunyoritás nélkül fizetnek ki a
partnerüknek tizezer aranyat, ha a kártyaszerencse elfordul tőlük. Az
Ohnet hősei ugyanis az ilyen esetben nyugodtan leteszik a kezükből
a kártyát, a zsebükből egy zöldboritékos könyvecskét vesznek elő,
aztán igy szólnak, miközben a havannájukból bodor füstmacskákat
eregetnek a plafond felé:
– Itt van, tengernagy, egy tizezer aranyról szóló cheque. Holnap
majd eljövök a revancheért…
Az én vidéki uriemberem nagyon szereti olvasni az Ohnet
regényeit, de az őrgrófok és tengernagyok példája nem hat reá: ő
nem veszi elő a cheque-könyvét, nem bocsát bodor füstmacskákat a
levegőbe, hanem igen dühösen fizeti ki a kilencforintos
kártyadifferenciát. Sőt annyira nem nyugszik bele a végzetébe, hogy
igy szól fizetség közben a partneréhez:
– A fene ette volna meg azt az ötletemet, hogy magával
kártyázzam.
– Hogy érti ezt? – kérdi a szerencsés nyerő.
– Ugy értem, hogy csak olyan emberekkel passzió kártyázni, akik
szépen és uri módon játszanak. Önt a hideg rázza félelmében, hogy
esetleg husz krajcárt elveszit…

You might also like