Components of Variance 1st Edition D.R. Cox (Author)

Components of Variance 1st Edition D.R. Cox
(Author) download
https://ebookname.com/product/components-of-variance-1st-edition-
d-r-cox-author/
Get Instant Ebook Downloads – Browse at https://ebookname.com

Instant digital products (PDF, ePub, MOBI) available
Download now and explore formats that suit you...
Linear models the theory and application of analysis of
variance 1st Edition Brenton R. Clarke
https://ebookname.com/product/linear-models-the-theory-and-
application-of-analysis-of-variance-1st-edition-brenton-r-clarke/
Superflirt 1st Edition Tracey Cox
https://ebookname.com/product/superflirt-1st-edition-tracey-cox/
Analysis of Variance and Functional Measurement A
Practical Guide includes 1st Edition David J. Weiss
https://ebookname.com/product/analysis-of-variance-and-
functional-measurement-a-practical-guide-includes-1st-edition-
david-j-weiss/
Hammer s German Grammar and Usage 4th Edition Martin
Durrell
https://ebookname.com/product/hammer-s-german-grammar-and-
usage-4th-edition-martin-durrell/

Artificial Neural Networks Methods and Applications 1st
Edition Hugh M. Cartwright B.Sc
https://ebookname.com/product/artificial-neural-networks-methods-
and-applications-1st-edition-hugh-m-cartwright-b-sc/
Race and Ethnicity in America 2nd Edition John Iceland
https://ebookname.com/product/race-and-ethnicity-in-america-2nd-
edition-john-iceland/
War and the Crisis of Youth in Sierra Leone The
International African Library 1st Edition Krijn Peters
https://ebookname.com/product/war-and-the-crisis-of-youth-in-
sierra-leone-the-international-african-library-1st-edition-krijn-
peters/
A Guide to Sources of Texas Criminal Justice Statistics
R. Scott Harnsberger
https://ebookname.com/product/a-guide-to-sources-of-texas-
criminal-justice-statistics-r-scott-harnsberger/
Law and Society 4th, Canadian Edition Steven Vago
https://ebookname.com/product/law-and-society-4th-canadian-
edition-steven-vago/

Diagnostic Imaging Ultrasound 1st Edition Anil T. Ahuja
Md Frcr
https://ebookname.com/product/diagnostic-imaging-ultrasound-1st-
edition-anil-t-ahuja-md-frcr/

MONOGRAPHS ON STATISTICS AND APPLIED PROBABILITY
General Editors
V. Isham, N. Keiding, T. Louis, N. Reid, R. Tibshirani, and H. Tong
1 Stochastic Population Models in Ecology and Epidemiology M.S. Barlett (1960)
2 Queues D.R. Car and W.L. Smith (1961)
3 Monte Carlo Methods J.M. Hammersley and D.C. Handscomb (1964)
4 The Statistical Analysis of Series of Events D.R. Cox and P.A.W. Lewis (1966)
5 Population Genetics W.J. Ewens (1969)
6 Probability, Statistics and Time M.S. Barlett (1975)
7 Statistical Inference S.D. SiIvey (1975)
8 The Analysis of Contingency Tables B.S. Everitt (1977)
9 Multivariate Analysis in Behavioural Research A.E. Maxwell (1977)
10 Stochastic Abundance Models S. Engen (1978)
I 1 Some Basic Theory for Statistical Inference E.J.G. Pitman (1979)
12 Point Processes D.R. Cox and V /sham (1980)
13 Identification of Outliers D.M. Hawkins (1980)
14 Optimal Design S.D. Silvey (1980)
15 Finite Mixture Distributions B.S. Everitt and D.J. Hand (1981)
16 Classification A.D. Gordon ( 1981)
17 Distribution-Free Statistical Methods, 2nd edition J.S. Maritz (1995)
18 Residuals and Influence in Regression R.D. Cook and S. Weisberg (1982)
19 Applications of Queueing Theory, 2nd edition G.F. Newell (1982)
20 Risk Theory, 3rd edition R.E. Beard, T Pentikainen and E. Pesonen (1984)
21 Analysis of Survival Data D.R. Cox and D. Oakes (1984)
22 An Introduction to Latent Variable Models B.S. Everitt (1984)
23 Bandit Problems D.A. Berry and B. Fristedt (1985)
24 Stochastic Modelling and Control M.H.A. Davis and R. Vinter (1985)
25 The Statistical Analysis of Composition Data J. Aitchison (1986)
26 Density Estimation for Statistics and Data Analysis B.W. Silverman (1986)
27 Regression Analysis with Applications G.B. Wetherill (1986)
28 Sequential Methods in Statistics. 3rd edition
G.B. Wetherill and K.D. Glazebrook (1986)
29 Tensor Methods in Statistics P McCullagh (1987)
30 Transformation and Weighting in Regression
R.J. Carroll and D. Ruppert ( 1988)
31 Asymptotic Techniques for Use in Statistics
G.E. Bandorff-Nielsen and D.R. Cox (1989)
32 Analysis of Binary Data. 2nd edition D.R. Car and E.J. Snell ( 1989)
33 Analysis of Infectious Disease Data N.G. Becker (1989)
34 Design and Analysis of Cross-Over Trials B. Jones and M.G. Kenward (1989)

35 Empirical Bayes Methods, 2nd edition J.S. Maritz and T Lavin (1989)
36 Symmetric Multivariate and Related Distributions
K.T. Fang, S. Katz and K.W. Ng (1990)
37 Generalized Linear Models, 2nd edition P. McCullagh and J.A. Nelder (1989)
38 Cyclic and Computer Generated Designs, 2nd edition
J.A. John and E.R. Williams (1995)
39 Analog Estimation Methods in Econometrics C.F. Manski (1988)
40 Subset Selection in Regression A.J. Miller (1990)
41 Analysis of Repeated Measures M.J. Crowder and D.J. Hand (1990)
42 Statistical Reasoning with Imprecise Probabilities P Walley (1991)
43 Generalized Additive Models TJ. Hastie and R.J. Tibshirani (1990)
44 Inspection Errors for Attributes in Quality Control
N.L. Johnson, S. Kotz and X. Wu (1991)
45 The Analysis of Contingency Tables, 2nd edition B.S. Everitt (1992)
46 The Analysis of Quantal Response Data B.J.T. Morgan (1992)
47 Longitudinal Data with Serial Correlation—A state-space approach
R.H. Jones (1993)
48 Differential Geometry and Statistics M.K. Murray and J.W. Rice (1993)
49 Markov Models and Optimization M.H.A. Davis (1993)
50 Networks and Chaos—Statistical and probabilistic aspects
O.E. Barndafil-Nielsen, J.L. Jensen and W.S. Kendall (1993)
51 Number-Theoretic Methods in Statistics K.-T. Fang and Y. Wang (1994)
52 Inference and Asymptotics O.F. Barndorff-Nielsen and D.R. Cox (1994)
53 Practical Risk Theory for Actuaries
C.D. Daykin, T. Pentikiiinen and M. Pesonen (1994)
54 Biplots J.C. Gower and D.J. Hand (1996)
55 Predictive Inference—An introduction S. Geisser (1993)
56 Model-Free Curve Estimation M.E. Tarter and M.D. Lock (1993)
57 An Introduction to the Bootstrap B. Efron and R.J. Tibshirani (1993)
58 Nonparametric Regression and Generalized Linear Models
P.J. Green and B.W. Silverman (1994)
59 Multidimensional Scaling T.F. Cox and M.A.A. Cox (1994)
60 Kernel Smoothing M.P. Wand and M.C. Jones (1995)
61 Statistics for Long Memory Processes J. Beran (1995)
62 Nonlinear Models for Repeated Measurement Data
M. Davidian and D.M. Giltinan (1995)
63 Measurement Error in Nonlinear Models
R.J. Carroll, D. Rupert and L.A. Stelanski (1995)
64 Analyzing and Modeling Rank Data J.J. Marden (1995)
65 Time Series Models—In econometrics, finance and other fields
D.R. Cox, D.V. Hinkley and O.E. BarndorffNielsen (1996)
66 Local Polynomial Modeling and its Applications J. Fan and I. Gijbels (1996)
67 Multivariate Dependencies—Models, analysis and interpretation
D.R. Cox and N. Wermuth (1996)

68 Statistical Inference—Based on the likelihood A. Azza/ini (1996)
69 Bayes and Empirical Bayes Methods for Data Analysis
B.P. Carlin and TA Louis (1996)
70 Hidden Markov and Other Models for Discrete-Valued Time Series
I.L. Macdonald and W Zucchini (1997)
71 Statistical Evidence—A likelihood paradigm R. Rovall (1997)
72 Analysis of Incomplete Multivariate Data J.L. Schafer (1997)
73 Multivariate Models and Dependence Concepts H. Joe (1997)
74 Theory of Sample Surveys M.E. Thompson (1997)
75 Retrial Queues G. Falin and J.G.C. Templeton (1997)
76 Theory of Dispersion Models B. Jorgensen (1997)
77 Mixed Poisson Processes J. Grande?! (1997)
78 Variance Components Estimation—Mixed models, methodologies and applications
P.S.R.S. Rao (1997)
79 Bayesian Methods for Finite Population Sampling
G. Meeden and M. Ghosh (1997)
80 Stochastic Geometry—Likelihood and computation
O.E. Barndorff-Nielsen, W.S. Kendall and M.N.M. ran Lieshout (1998)
81 Computer-Assisted Analysis of Mixtures and Applications—
Meta-analysis, disease mapping and others D. Muting (1999)
82 Classification, 2nd edition A.D. Gordon (1999)
83 Semimartingales and their Statistical Inference B.L.S. Prakasa Rao (1999)
84 Statistical Aspects of BSE and vCJD—Models for Epidemics
C.A. Donnell• and N.M. Ferguson (1999)
85 Set-Indexed Martingales G. Ivanof and E. Merzbach (2000)
86 The Theory of the Design of Experiments D.R. Car and N. Reid (2000)
87 Complex Stochastic Systems
0.E. Barndoiff-Nielsen, D.R. Co.r and C. Kilippelberg (2001)
88 Multidimensional Scaling, 2nd edition T.T: Coy and M.A.A. Cox (2001)
89 Algebraic Statistics—Computational Commutative Algebra in Statistics
G. Pistone, E. Riccomagno and H.P. Wynn (2001)
90 Analysis of Time Series Structure—SSA and Related Techniques
N. Golyandina, V Nekrutkin and A.A. Zhigljaysky (2001)
91 Subjective Probability Models for Lifetimes
Fabio Spizzichino (2001)
92 Empirical Likelihood Art B. Owen (2001)
93 Statistics in the 21st Century Adrian E. Raftery, Martin A. 7-annei:
and Martin T Wells (2001)
94 Accelerated Life Models: Modeling and Statistical Analysis
Vilijandas Bagdonaricius and Mikhail Nikulin (2001)
95 Subset Selection in Regression. Second Edition
Alan Miller (2002)
96 Topics in Modelling of Clustered Data
Marc Aerts, Helena Geys, Geert Molenberghs, and Louise M. Ryan (2002)
97 Components of Variance D.R. Cox and P.J. Solomon (2002)

Components
of Variance
D.R. Cox
Honorary Fellow
Nuffield College, Oxford, UK
P.J. Solomon
Associate Professor of Statistics
University of Adelaide, Australia
em
CHAPMAN & HALL/CRC
A CRC Press Company
Boca Raton London New York Washington, D.C.

Library of Congress Cataloging-in-Publication Data
Cox, D. R. (David Roxbe)
Components variance / D.R. Cox and P.J. Solomon.
p. cm. — (Monographs on statistics and applied probability ;
97)
Includes bibliographical references and index.
ISBN 1-58488-354-5 (alk. paper)
1. Analysis of variance. I. Solomon, P. J. II. Title. III. Series.
QA279 .C69 2002
519.5'38—dc21
2002073622
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 author 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.
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
CD 2003 by Chapman & Hall/CRC
No claim to original U.S. Government works
International Standard Book Number 1-58488-354-5
Library of Congress Card Number 2002073622
Printed in the United States of America 2 3 4 5 6 7 8 9 0
Printed on acid-free paper

Contents
Preface ix
1 Key models and concepts 1
1.1 Preliminaries 1
1.2 Some simple special models 4
1.3 A distributional specification 14
1.4 Two key concepts 16
1.5 Objectives 16
1.6 Bibliographic notes 17
1.7 Further results and exercises 18
2 One-way balanced case 21
2.1 Analysis of variance 21
2.2 Sonic more assumptions 27
2.3 Synthesis of variance 30
2.4 Finite population aspects 31
2.5 Formulation 34
2.6 Some more theory 37
2.7 Bibliographic notes 38
2.8 Computational/software notes 39
2.9 Further results and exercises 39
3 More general balanced arrangements 43
3.1 Preliminaries 43
3.2 Components of covariance and regression 43
3.3 Time as a factor 51
3.4 Bayesian considerations 54
3.5 Measurement error in regression 62
3.6 Heterogeneous variability 66
3.7 Design issues 67
3.8 Bibliographic notes 70
3.9 Computational/software notes 71
3.10 Further results and exercises 72
4 Unbalanced situations 73
4.1 Introduction 73
vii

viii CONTENTS
4.2 One-way classification 74
4.3 A more general formulation 76
4.4 A special case 78
4.5 Synthesis of studies 90
4.6 Maximum likelihood and REML 96
4.7 A different approach 99
4.8 Bibliographic notes 100
4.9 Computational/software notes 101
4.10 Further results and exercises 102
5 Nonnormal problems 103
5.1 Preliminaries 103
5.2 Poisson distribution 103
5.3 Binomial distribution 109
5.4 Survival data 111
5.5 Some extensions 113
5.6 A more general formulation 116
5.7 Generalized linear mixed model 116
5.8 Development of analysis 117
5.9 An outline example 119
5.10 Bibliographic notes 120
5.11 Computational/software notes 121
5.12 Further results and exercises 121
6 Model extensions and criticism 123
6.1 Introduction 123
6.2 Modifications of structure 125
6.3 Outliers 125
6.4 Robust estimation of an internal variance 126
6.5 Model assessment: predicting exceedances 127
6.6 Analysis of variability within small groups 129
6.7 Analysis by model elaboration: a nonlinear form 134
6.8 Analysis by model elaboration: transformation 138
6.9 Nonparametric estimation of distributional form 144
6.10 Bibliographic notes 146
6.11 Further results and exercises 146
Appendix 149
A.1 Fitting separate logistic regressions to the ANZICS data 149
References 151
Author index 161
Subject index 165

Preface
The notion that haphazard variation may arise from a number of sources
and that it may be valuable to identify these sources and measure their
impact has a long history and many applications and implications. Indeed.
it is only in very simple situations that it is likely to be satisfactory to rep-
resent haphazard variation by independent identically distributed random
variables or by the essentially equivalent notion of random sampling from
a hypothetical infinite population.
The statistical ideas. models and methods associated with structured
haphazard variability arose in industrial applications especially in the tex-
tile industries via the work in the 1930s in the cotton industry by L.H.C.
Tippett and in the wool industries by H.E. Daniels. In those industries pro-
ducing very uniform output from very variable input is a key issue. It was
in this setting that one of the authors (DRC) first encountered components
of variance. The other author (PJS) met them in the context of the varia-
tion of blood pressure and other features in large clinical trials. There are.
of course, many other applications, of which biometrical genetics. animal
and plant breeding and psychometric testing are important examples.
Early work emphasized balanced data. More recently. driven largely by
computational advances, the emphasis has shifted to unbalanced data and
to the closely related theme of multi-level modelling in which the variation
is attached to underlying parameters such as regression coefficients rather
than directly to the observations.
In this book we have aimed to set out the essential principles of the sub-
ject concentrating on formulation of models which are the base for detailed
analysis as well as on the statistical techniques themselves. A number of
examples of realistic complexity are described at least in outline. The book
is intended for a wide range of readers, some with no initial knowledge of
the subject and others interested in very specific issues. To guide the reader
towards key passages and particular topics we have preceded each chapter
by a short preamble.
As in almost all applications of statistical methods computational aspects
are both critical and subject to rapid change. We have aimed to give a guide
to the current position without making the book too dependent on specific
tools.
ix

x PREFACE
Although written primarily for statisticians, the book is intended to be
accessible to users of statistical methods, although sonic familiarity with
key theoretical concepts is needed for some parts, especially those describ-
ing new or recent developments.
The subject has a very large literature; in the bibliographic notes we
have aimed to lead the reader to some of the key papers.
We are indebted to David Firth for his careful reading and comments
on an earlier version of the manuscript, and to Michael Murray for his
expertise in LATEX.
We are grateful to The University of Adelaide and ARC (DRC) and
to Nuffield College, Oxford and EPSRC (PJS) for support of travel in
connection with our work.
D.R. Cox and P.J. Solomon
Oxford, UK and Adelaide, Australia

CHAPTER 1
Key models and concepts
Preamble
The chapter deals with simple situations involving more than one level of
random variation. The emphasis is on careful specification of how the ob-
servations depend on underlying fixed parameters and random variables.
There are two particularly important concepts. One is the distinction be-
tween nesting and cross-classification as aspects of data structure. This
determines the nature of the sources of variation that can be examined
from a particular set of data. The second is the choice between the rep-
resentation of variation via fixed parameters. often as a basis for studying
contrasts, and via random variables. usually summarised in the first in-
stance by their variance. The second leads typically to consideration of a
number of components of variance. For linear systems there are two par-
allel representations of the random part of the variation. one by sums of
random variables and one by structured covariance matrices (Section 1.3).
A number of examples are outlined. most notably aspects of the analysis
of data from microarrays (Section 1.2).
1.1 Preliminaries
A recurring theme in statistical analysis concerns patterns of variation that
are partly systematic and partly haphazard. The haphazard variation may
arise from natural variability between similar individuals. be they patients.
subjects, experimental animals. batches of material or whatever. or front
measurement or sampling error. The systematic component may be vari-
ation between individuals to be explained via dependence on explanatory
features or, in an experiment. via the experimental manipulations or treat-
ments.
In the simplest situation of single observations on separate individuals
the haphazard variation may be represented through independent random
variables, one for each individual and. in particular, often by independent
and identically distributed random variables. This leads us to various mod-
els that are widely applicable and in a sense the core of elementary statis-
tical methods. Typical examples are to treat n observations of a response
variable as having one of the following forms:
1

2

KEY MODELS AND CONCEPTS
• Yi =
• Yj = 130 + xj +
• Yi = (xi , 0) + cj;
• Yi is binary, taking values 0 and 1 and with P(Yi = 1) = g ,0).
These represent, respectively, a random sample of observations, a linear
regression on an explanatory variable x, a nonlinear regression on x of
specified functional form involving unknown parameters 0 and finally a
series of binary observations with a distribution determined via the ex-
planatory variable x and the function g(xj,0), and where P(A) denotes
the probability of the event A.
In the first three models the haphazard component is represented by in-
dependent and identically distributed random variables el , , en of zero
mean and variance 7 =r2, the random variables possibly also being as-
sumed to be normally distributed. The other Greek letters represent un-
known parameters or functions specifying the systematic structure assumed
present.
All these models and their many immediate generalizations have a single
random component corresponding to each observed individual. There are
two rather different reasons why this may be inadequate. The first is that
the haphazard variation may have more complex multi-component struc-
ture arising because that variation arises from several sources which can be
identified. The second is that the parameters describing the systematic part
of the variation may themselves change randomly, say between individuals
or groups of individuals.
From a formal point of view these two possibilities may not need to
be distinguished, although there are certainly differences in terms of the
objectives of an analysis. The first approach has a long history under the
general heading of components of variance. The second is frequently called
multi-level modelling or sometimes hierarchical modelling or, in the older
literature still regression models of the second kind. Many but certainly
not all the former developments are tied to balanced data whereas the
latter strand of work, much of it driven by the unbalanced observational
data of the social sciences, is not restricted to balanced data and tends to
make extensive use of powerful methods of fitting made feasible by modern
computational developments.
We aim to cover both aspects of the topic although we begin with the
former in which it is easier to see the conceptual issues involved largely
shorn of technical detail.
The objectives of statistical analysis can be classified in various ways.
For instance, one comparison is between analysis, interpretation and under-
standing as contrasted with prediction and the development of automatic or
semi-automatic decision rules. In the present context, however, the main

PRELIMINARIES 3
contrast is between interest lying primarily in the haphazard variability
versus a focus on the systematic structure.
Illustration. A careful study of a measurement technique, for example
in industrial chemistry, might take the following form. Several very differ-
ent batches of raw material are individually thoroughly mixed and divided
into subsamples as homogeneous as is feasible. Subsamples are sent to a
number of labs at each of which there are a number of operators and sets
of apparatus. The study protocol aims to achieve blindness subject to bal-
ance between batches, labs. operators and sets of apparatus. The object
is to examine the relative contribution to variability of the various sources
of haphazard variation, namely between subsamples. between sets of ap-
paratus and between operators. allowing for possible interaction effects.
The ultimate outcome may be suggestions for improved standardization
and recommendations over the amount of replication desirable in routine
application.
Illustration. In animal breeding studies. milk yields may be obtained
from records in many farms. of different breeds of cattle. and of cows sired
by various bulls, themselves classified in various ways. The objective is to
assess the importance of the different sources of variability. in particular
genetic components, to milk yield.
By contrast, the interest in other kinds of study may lie more in the
nature of the systematic variation that is present.
Illustration. Suppose that during the progression of a disease a marker.
for example log viral load in the case of AIDS, varies systematically for each
individual patient. A first crude approximation might be a linear regression
with time. Thus each patient has notionally parameters (3o. 31) in the nota-
tion above. In addition there will be random variation about the regression
line. When a group of patients are examined, however, it would be very un-
likely that they all have the same (30.30. One would first aim to explain
that variation, in particular by a further higher level regression model in
winch (3o, 3i) are themselves regarded as responses observed with an er-
ror of estimation. Even after this. however. some random variation would
remain and therefore we consider models in which these parameters them-
selves have random structure. Interest focuses on the magnitudes of the
random variation of individual responses about their regression line. in the
variation in the intercepts and slopes. as well as, of course, on explanatory
determinants of those regression parameters.
In the following treatment we begin by introducing some key ideas via
simple cases where the random variation has a simple balanced structure
with a small number of different components and lead on from this to more
complex situations.

4 KEY MODELS AND CONCEPTS
1.2 Some simple special models
Here are some important idealized situations.
Situation 1. A group of individuals each has a notional 'true' value of a
feature, e.g., blood pressure. Let pi denote the value for individual j for j =
1 Tt,j For each individual one measurement is made by a conditionally
unbiased method, i.e., for every pi the corresponding observation is
= tij Ejl
where
E(Ej) = 0, yar(Ei) — o
2
= T,,

(1.2)
say. We call 7, the component of variance within individuals (or for sam-
pling or measurement error or whatever).
The notion of 'true' value is, of course, not simple. It may be defined
by a 'gold-standard' method of measurement different from that used in
obtaining Y, in which case the assumption of no bias or systematic error is a
serious one. In some situations, however, the 'true' value is the hypothetical
mean of a large number of repetitions under the same conditions in which
case the requirement that E(e) = 0 is a matter of definition.
Situation Suppose that the individuals are regarded not as the basis
for specific contrasts between individuals or groups of individuals but as a
random sample from a hypothetical infinite population of mean p. Then
we write pi = + i.e.,
Yj =µ+ + ci (1.3)
where by definition and the assumed unbiased character of the measuring
process,
E(j) = 0, yar((i) coy

= 0.

(1.4)
Here r is called the component of variance between individuals.
It follows that the variance has two components, one representing vari-
ability between individuals, the other representing variability within indi-
viduals, i.e.,
var(-17.j) = T& TE; (1.5)
it is clearly not possible to estimate the separate components from data
, Y„, without supplementary information. Such information might be
repeated observations on an individual or an external estimate of r derived
from other studies or from theory.
Situation 3. Suppose now that on each individual we make several measure-
ments of each type in the context of Situation 2. This gives observations
= P, + fj8, (1.6)

SOME SIMPLE SPECIAL MODELS 5
where we shall assume that the repeat observations s = 1 , n s are nested
within individuals, for example that observation 1 on individual j has no
especial connection with observation 1 on individual k, j k. Also we
assume that all the random variables c, are mutually uncorrelated. this
being a nontrivial assumption as applied to repeat observations on the same
individual. Note that the correlation coefficient between repeat observations
on the same randomly chosen individual is
P =
TE +
This is called the intra-class correlation coefficient.
With ns = 2 as an example, the structure of the data may be represented
as .
Individual 1 Y11 V12
2 Y21 Y22
3 Y31 V32
The rows correspond to individuals 1 n j- but the ordering of the
observations within each row is arbitrary, and the second suffix does not
carry subject—matter meaning across individuals. The model assumes the
individual's condition is stable so that p ei is constant, and that each
observation has measurement error ens. where all the cis's are uncorrelated.
This last assumption should be given reasonably critical consideration.
Suppose. for example, that two samples of blood were taken from all HIV
positive individual at the same clinic visit for the purpose of determining
viral load. If the samples were combined and homogenized, split again into
two subsamples and measured blind to their identity, then the measurement
errors could reasonably be assumed to be uncorrelated. On the other hand
in this configuration the magnitude of variation between distinct samples
taken at the same time could not be assessed separately.
Generally, relevant aspects to be considered, many on points of design.
include
• Is the assumption of uncorrelated errors reasonable? Is there some way
of checking it?
• Was the investigation done 'blind'?
• How much of the variation is real variation between samples. and how
much is local measurement error?
• How much better would we do in estimating the relative magnitudes of
the between- and within-sample components of variance if there were.
say, three replicates rather than two?
TF
(1.7)

KEY MODELS AND CONCEPTS
Table 1.1 Percentage heroin measurements in nine illicit heroin preparations.
Sample % Heroin
1 2.2 2.3
2 8.4 8.7
3 7.6 7.5
4 11.9 12.6
5 4.3 4.2
6 1.1 1.0
7 14.4 14.8
8 21.9 21.1
9 8.8 8.4
• What are the design implications for the estimation of the mean?
• What are the relative rather than absolute values of the variance compo-
nents? We sometimes use relative values when, for instance, comparing
different measuring techniques.
To illustrate this last point, if two ways of measuring some feature are
studied on individuals drawn randomly from the same population but the
measurements are not on directly comparable scales, the ratio of variance
components between and within subjects would be a reasonable initial basis
for comparison. On the other hand, if the two methods give measurements
in the same units and two groups of subjects are used which may differ in
their real variability, then the absolute rather than the relative values of
components of variance should be used.
The following simple example illustrates several key features of the one-
way component of variance model (1.6) described by Situation 3.
Example 1.1. Illicit heroin preparations. Nine samples of illicit heroin
preparations were analysed in duplicate by gas chromatography (Skoog et
al., 1995). The percentages of heroin obtained are given in Table 1.1.
The overall sample mean and standard deviation for the pooled data are
8.96% and 6.25%. However, assuming that the investigator analysed the
duplicates from each preparation 'blind' and that the preparations can be
regarded as a simple random sample from some population, the variability
should be split into components between and within preparations, i.e., into
r and Te the latter representing measurement error. We will see how to
estimate these variance components in Chapter 3. For now, note that the
average difference in the replicate measurements is 0.042% which is only a
small fraction of the observed standard deviation between the individual
sample means of 6.44%. It is also apparent from Figure 1.1 that there is a

•
•
_
0
`c.
cc
0
0 • •
•
Cl _
O
O
• • • •
Abso
lu
te
di
fference

SOME SIMPLE SPECIAL MODELS

5

10

15

20
Mean percentage heroin
Figure 1.1 Percentage heroin sample absolute differences versus means.
variance- mean relationship in which the within-sample variance increases
with the sample mean.
Situation 4. Suppose that individuals are cross-classified. in two directions.
so that ptik is, for example. the 'true mean for person j on visit k for
j = k = 1 , n K . Suppose also that there are observations
nested within the individuals. For example, if Time 1 and Time 2 represent
the beginning and end points of a study and there are Its = 3 replicates
nested within each patient x time combination, the structure of the data
may be portrayed as in Table 1.2.
Suppose that, for this example, we are interested in this particular set of
n j patients, and the two particular times.
In general we write
Yjks = fijk Cjks (1.8)
= P + - P..) + (rt.k - +

— — p..)+ Ejks•

8 KEY MODELS AND CONCEPTS
Table 1.2 Data layout for two-way cross-classified design given as an example of
Situation 4.
Time 1 Time 2
Patient 1 Yin Y121
Y112 Y122
Y113 Y123
2 Y211 Y221
Y212 Y222
Y213 Y223
71,1 Ynj11 Ynj21
Ynj12 Ynj22
Ynd13 Yrtj23
in a conventional notation for averaging over suffices, so that, for example,
= kltJk/nK. We say that rows are crossed with columns arid observa-
tions nested within row-column combinations. In some situations we might
use the provisional working assumption that the row X column interaction
term, the fourth on the right-hand side of (1.8), is zero.
Situation 5. Now suppose that one of the classifications, say rows, continues
to represent individual levels of specific concern whereas the levels of the
other, the columns, correspond to a random sample from an infinite pop-
ulation. For example, in a cross-over design, the rows may correspond to
specific treatments of interest, whereas the columns correspond to patients.
We then write
Y3us = µ + (tti it) + + + €3.s.

(1.9)
where the g, e are zero mean, uncorrelated random variables with vari-
ances T 77 TE. representing components of variance between columns, for
interaction and within cells. Note that in (1.8) Ttj. is defined after averaging
/./jk over a finite set of levels of k, whereas in (1.9) ,u‘i is an average over a
hypothetical infinite population of levels of (u, s).
Example 1.2. A crossover design for a heroin trial. A cross-over de-
sign was one of several proposed for a trial of prescription heroin in the
Australian Capital Territory (Bammer and McDonald. 1994). The trial
ultimately did not proceed following its rejection by the Federal Govern-
ment in 1997, but in the cross-over design proposed, eligible injecting drug

SOME SIMPLE SPECIAL MODELS
Table 1.3 Data layout for the 3 x 3 cross-over design for the heroin trial in
Example 1.2.
Treatment
1 2
Drug user
71.7-
IH Y-111 17232 Y0,123
IH + OM Yi21 Y212 Yni 33
OM 17131 Y222 j 13
users currently enrolled on a methadone program would have been ran-
domized to one of three groups. The first group would have received in-
jectable heroin (IH) for six months. followed by injectable heroin plus oral
methadone (IH+0M) for six months. then oral methadone only (OM) for
six months. The second group would have received treatments in the order
III+ OM OM -+ IH over the same 18-month period. and the third group
OM -+ IH IM + OM. It was also suggested that participants be allowed
a free choice of any treatment for a further six months at the end of the
trial, but we ignore that possibility here.
Numerous individual and community outcome measures were of interest.
including licit and illicit drug use. health. social functioning and crime rates.
Suppose Y measures duration of illicit drug use, then Table 1.3 sets out
the hypothetical structure of the data assuming no replicates.
The first subscript, for example. indicates that individual 1 belongs to
the first group which receives treatments in the order IH. IH+0M. OM.
represented by the second subscript whereas the nith individual belongs to
the third group which receives treatments in the order OI\I, IH. IH+OI\I.
We can write the model as
Yjku = P + 6hal Ak-1,u Ejku (1.10)
where is a contribution specific to the jth subject. j = 1 j• ^ik is
the kth period parameter for k = 1. 2. 3: Sk is the direct effect of treatment
in period k in the tith group, u = 1. 2. 3. and Ak_1,„ is the carryover effect
of treatment from period k - 1 in group it. Here, the specific treatment
combinations are of interest, whereas the columns correspond to a sample
of injecting drug users taken to be representive in some sense of the injecting
drug population. The variance of Yik „ is
Tile investigators were keen to include a valid control group as a basis for
comparison, here the 'oral methadone only' group, but there are obvious
ethical and practical difficulties in implementing such a design. Switching

10 KEY MODELS AND CONCEPTS
individuals from one treatment regime to another after the relatively short
period of six months could cause withdrawal problems as the effects of
methadone are more long-lasting than those of heroin. Moreover, on the one
hand, questions concerning long-term maintenance in treatment could not
be addressed, and on the other hand, the time needed to measure outcomes
reliably may be unacceptably long for participants. The treatments could
not be given 'blind' and no allowance in this design is made for client choice.
This last point is important as many drug users would be likely to consent
to participate in such a trial in order to gain access to heroin. Compliance
to treatment would therefore be a major design and analytical issue.
Situation 6. If rows are crossed with columns and observations nested within
cells and both rows and columns are regarded as random samples from
infinite populations, we write
Yfrs 7-11) (, fjvs
and so on.
Example 1.3. Spotted cDNA microarrays. Microarrays are a powerful tool
for studying the expression levels of many thousands of genes simultane-
ously. They belong to the new biotechnologies designed to exploit DNA se-
quence data arising, for example, from the Human Genome Project, and are
driving the new multidisciplinary- fields of functional genomics and bioinfor-
matics. The primary statistical challenge at present is the design, analysis
and interpretation of the voluminous amounts of data representing the ge-
netic blueprint of a living organism.
Spotted complementary DNA (cDNA) microarray experiments compare
the relative quantities of messenger RNA sequences in different cell popu-
lations. In the first step of the technique, single-stranded DNA clones with
known sequence content are robotically spotted out and fixed onto a glass
slide or other solid substrate (i.e., the microarray). In the second step of
the technique, purified mR.NA from two cell populations under study are
reverse-transcribed into cDNA and labelled with one of two fluorescent
dyes, usually but riot always, red and green. The two pools of differentially
labelled cDNA are then combined and applied to the microarray during
which process strands of cDNA from the pool hybridize to their comple-
mentary sequences on the array.
The fixed spots are usually called 'genes' although they can also represent
expressed sequence tags (ESTs) of known or unknown function or DNA
from another source. The red R and green G intensity signals from a spot
represented by digital images measure the relative abundance of the mRNA
in the two cDNA samples. Red is often used to label the 'treatment' sample,
and green the 'control' sample, although increasingly so-called dye-swapped
experiments in which the experiment is repeated with the dye-assignment

SOME SIMPLE SPECIAL MODELS 11
reversed are used in practice to avoid confounding with differences between
samples and to gain insight into an important class of systematic dye effects.
One of the primary aims of microarray experiments is to identify differ-
entially expressed genes. The simplest experiments seek to identify changes
in gene expression between different tissues types, drug treatments. or over
time points in a biological process. A complete experiment will typically
involve multiple slides and numerous sources of systematic and random
variation which are not yet fully understood. The structure of the resul-
tant data, the appropriate analyses and the quality and reliability of the
results are determined by the experimental design as well as by the techni-
cal conduct of the experiment itself. In addition, the image processing for
extracting information from the microarray images has a big impact on the
downstream statistical analysis.
Two major issues of analytical importance for microarrays are adjusting
the raw intensity measurements for background, and normalisation. The
motivation for background correction is that a spot's measured fluores-
cence intensity for both R and G includes a contribution which is not due
to the hybridization process of interest. but for example. may be due to the
presence of other chemicals. We will assume here that the data are back-
ground adjusted and suitably transformed, usually to log base 2. being a
natural scale of measurement for multiplicative changes in expression lev-
els, commensurate with the 16-bit microarray images, and usually inducing
effective additivity of the effects.
The purpose of normalisation is to identify and remove systematic and
other sources of variation, especially biases due to different labelling effi-
ciencies and scanning properties of the two dyes across genes. spatial ef-
fects on the slide, or other systematic experimental variation. A substantial
proportion of the variation observed in microarray data is due to such sys-
tematic effects.
A relatively simple model which accommodates global normalisation ef-
fects and the gene-specific effects of interest in microarray experiments is
of the form
Yjkuvs =- ft + by Akv (jvs E jkays • (1.12)
where Yjkuvs is the background-adjusted. log-transformed fluorescent in-
tensity from array (i.e., slide) j = 1, nj, cDNA sample k = 1 tit
dye u = 1, 2, gene r = 1 n v and gene replicate s = 1 ns.Re-
cent experience has shown that the array and dye effects alone may not
fully account for observed intensity and spatial dependence. and that it is
advantageous to fit such models to the within-slide normalised intensities.
Using the Eisen and Brown (1999). Brown and Botstein (1999) proto-
cols, between nv = 10.000 and nv = 20, 000 cDNAs can be spotted onto
a microscope slide. (The more technologically sophisticated Affymetrix ar-
rays contain up to 40,000 distinct short oligonucleotides.) The number of

12 KEY MODELS AND CONCEPTS
samples or cell populations 11K typically range from 2 to 100 or more, de-
pending on the nature of the investigation, and the actual number of arrays
T] may equal the number of samples nK, or something larger if whole ar-
rays are replicated. Here, ns is the number of replicates of a particular gene
within an array and will be equal to one or more depending on physical
and other constraints, such as availability of rnRNA.
The fixed gene effects of interest are the interactions Ay?, for gene vin
cDNA sample k; the kk's are fixed main effects for cDNA samples which are
of interest in their own right and occur when samples have higher or lower
overall expression levels. The gene main effects, 7,, occur when particular
genes emit a higher or lower overall intensity compared to other genes, for
example due to different labelling efficiency for different genes. The dye
main effects, Su, measure differences in the two dye fluorescent labels (the
green is usually brighter than the red, being a stronger dye), and p, repre-
sents the overall mean value. The array and spot effects and (i„,, may be
treated as random since overall differences in fluorescent signals from array
to array can be viewed as having arisen from approximately normal dis-
tributions due to the accumulation of many small independent laboratory
effects; accounts for spot-to-spot variation within genes within arrays,
here assuming that spots are replicated within arrays; e, is an independent
random error term with mean zero and variance T.
Note that a more general model accounting for heterogeneity among
genes would be to replace the independent error variance 7, by r , and of
course the model may be extended in other ways as appropriate.
Example 1.4. The inheritance of height. In statistical genetics, compo-
nents of variance models are known as polygenic models and are widely
used in animal and plant breeding. The term polygenic refers to the fact
that the phenotype (i.e., the observed trait) is the result of the joint action
of a very large number of genes, each with an individually small contri-
bution to the phenotype, together with the environment. Such models are
used in human genetics to help identify groups with a significant genetic
component in their aetiology of disease, and in genetic counselling.
Height is widely cited as the classic polygenic trait and is typically mod-
elled as the combined result of genetic and environmental components.
Solomon et al. (1983) considered the form of the population distribution
for height in 392 three-generation Finnish families. The primary aim of the
early 1970s study from which these data were derived was to investigate
genetic predisposition to high lipid levels and coronary disease, but height
was found to constitute a major confounding factor.
A simple genetic model for an individual's height value adjusted for re-
gional, generation and sex differences is
Y=µ+ ±71 (1.13)

SOME SIMPLE SPECIAL MODELS 13
where Y is the phenotypic value. is the additive genetic effect in the
population representing the combination of main effects at all loci. is
the common sib-environment effect in the population which represents the
resemblance between siblings reared together in a common environment.
and € is the individual environmental effect, i.e., residual variation. We
include g here as an alternative to a dominant-type genetic effect as the
two are indistinguishable on small pedigrees. Moreover, fixed regression
effects z can be incorporated directly into the model via a term Ek ,43k2k
where the 13's are regression parameters to be estimated.
Each of the random variables in (1.13) are assumed independently nor-
mally distributed with mean zero and components of variance
respectively, with the variance of Y equal to TE. Covariance
matrices of coefficients represent the degree of relationship between relative
pairs of individuals j, k. An introductory exposition of the formulation of
variance component models in terms of covariance matrices is given in the
next section.
The basic polygenic inheritance model assumed for height in Solomon et
al.'s study was
1 (
6p,

(1.14)
where .m and f represent mother and father and fp denotes the individual
genotypic variation, normally distributed with zero mean. that will be in-
herited by the offspring. Further. the correlation r between the observed
heights of the parents, Yrn and Yf. . say. can be shown to induce covariance
where H = v is the heritability between and giving the
correlation between genetic effects in a couple. Heritability is an important
quantity in population genetics and measures the proportion of the total
phenotypic variance that is due to additive genetic variation.
Example 1.5. Woollen carding. In part of processing in the woollen indus-
try, a wide web of material is divided into 100 ends of slubbing. arranged
vertically in four large bobbins. each thus containing 25 ends. Uniformity
in the mass per unit length of the product is crucial for the quality of the
final output. To examine this, a typical study would weigh a fixed length
of slubbing taken simultaneously from each bobbin. This then is repeated
a number of times. The resulting data form a three-way cross classification
arranged by times, bobbins and position across the card. The nature of
the sources of variability that can be assessed from such data is set out
in the following table, interactions between different sources. in the usual
statistical meaning of interaction, being denoted by x. The notion of an
analysis of variance table will be developed in Chapter 2. but readers famil-
iar with such tables may verify that if the number of repeat tests is three
the degrees of freedom are as shown.

14 KEY MODELS AND CONCEPTS
Degrees of freedom
Bobbins 3
Across card 24
Times 2
Bobbins x Across card 72
Bobbins x Times 6
Across card x Times 48
Three-factor interaction 144
Each line in this table has an associated component of variance. The
physical interpretation of each component centres on the technical process
involved. One of the terms, that between times, is of little direct interest in
the present context in that it reflects largely variation in the input mate-
rial. Three of the terms represent systematic variation in principle capable
of being eliminated or at least reduced by better adjustment of the ma-
chine. These are the variation between bobbins, the systematic variation
across the card and the interaction between the two, sometimes called a
tape effect, because it reflects systematic differences between the tapes that
divide the material into the 100 ends. In addition to the bottom term which
represents in some sense residual random variation, there are two sources
of effectively random variation, namely interaction with times in the sys-
tematic effects across the card and between bobbins, representing what can
only be treated as haphazard variation in the corresponding systematic ef-
fects. In reeling the fixed length for testing all ends from a given bobbin
are dealt with together, so that any error in reeling contributes to all ends
from the bobbin at that time and so is a contributor to the interaction
Bobbins x Times.
1.3 A distributional specification
The development above is phrased in terms of underlying component ran-
dom variables and this is the approach that in most respects is focused di-
rectly on the structure of the data and thus best for interpretation and as a
base for generalization to new situations. Because the component random
variables have zero mean, constant variances and zero correlations there
is a virtually equivalent formulation in terms of covariance matrices. Also
with the strong extra assumption that the component random variables
are independently normally distributed, a full distributional specification
is obtained.
To illustrate this we deal with the simple one-way model
Yjs = + Eis = 1, , n j; s = , n (1.15)
where the j and cis have the properties previously indicated. For fixed j

Exploring the Variety of Random
Documents with Different Content

Vaunuihin päästyään ruustinna käski kyytimiehen ajaa
Ingmarilaan.
Suuri oli ingmarilaisten hämmästys, kun he näkivät tulijan.
He lähtivät ulos, nostivat hänet vaunuista ja saattoivat
väentupaan. Siellä oli useita hellgumilaisia koolla. He istuivat
parhaillaan pöydässä. Näinä viime aikoina he olivat usein
kokoontuneet yhteisille niukoille aterioille riisiä ja teetä ja muita
kevyitä ruokalajeja nauttimaan, siten valmistuakseen tulevaan
korpivaellukseensa.
Ruustinna seisahtui kynnykselle ja silmäili ympäri huonetta. Jotkut
koettivat puhella hänelle, mutta tänään hän ei kuullut yhtään mitään.
Hän kohotti kätensä ja lausui kuivalla, kovalla äänellä, niinkuin
kuurot usein tekevät:
"Kosk'ette enää tule minun luokseni, tulin minä teidän luoksenne
ja varoitan teitä lähtemästä Jerusalemiin. Se on paha kaupunki.
Siellä meidän Vapahtajamme ristiinnaulittiin."
Katri koetti vastata hänelle, mutta hän jatkoi vain mitään
kuulematta: "Se on paha kaupunki, ja siinä asuu kelvotonta väkeä.
Siellä Kristus ristiinnaulittiin.
"Tulin tänne sen vuoksi", hän jatkoi, "että tämä on ollut hyvä talo.
Ingmarien nimi on ollut hyvä. Se on aina ollut hyvä nimi. Jääkää te
tähän pitäjään!"
Sitten hän kääntyi ja meni ulos. Hän oli tehnyt tehtävänsä, nyt hän
saattoi rauhassa kuolla. Tämä oli viimeinen työ, mitä elämä häneltä
vaati.

Ruustinnan lähdettyä Ingmarilan Katri itki. "Ehk'emme teekään
oikein, kun lähdemme", hän sanoi. Mutta samalla hän iloitsi
ruustinna-vanhuksen sanoista: "Se on hyvä nimi. Se on aina ollut
hyvä nimi."
Tämän ainoan kerran nähtiin Ingmarilan Katrin epäröivän tuota
suurta hanketta.

LÄHTÖ
Pitkä jono rattaita ja vankkureita lähti eräänä kauniina heinäkuun
aamuna Ingmarilasta. Se oli Jerusalemiin lähtijäin matkue, joka nyt
oli menossa kaukaiselle rautatieasemalle, saatuaan viimeinkin
varustuksensa valmiiksi.
Kylän läpi ajaessaan matkalaiset joutuivat kulkemaan myöskin
Myckelsmyran mökkirähjän ohi.
Siinä asui sellaista kylänheittiöväkeä, jota Jumalan mieliharmiksi
luodaan hänen katsahtaessaan muuanne tai jotakin muuta
toimiessaan.
Talossa oli suuri joukko likaisia, repaleisia lapsia, jotka päivät
päästään haukkua räkyttivät ohikulkijoita; oli siellä myöskin vanhan
vanha akka, joka tavallisesti nuokkui humalaisena tien vieressä, ja
mies ja vaimo, jotka riitelivät ja tappelivat alituiseen.
Työssä heitä ei koskaan nähty, eikä osattu sanoa kumpi heidän
pääelinkeinonsa oli, kerjuuko vai varkaus.
Mutta nyt, matkueen kulkiessa tuon hökkelin ohi, joka oli sellaisen
näköinen, miksi sen ties kuinka monen vuotiset tuulet ja säät olivat

turmelleet, seisoi tuo vanha akka suorana ja horjumatta samalla
paikalla tien vieressä, missä hän ennen oli nuokkunut ja löperrellyt
humalaisen puheita. Hänen ympärillään seisoi neljä lasta, jotka
samoin kuin eukkokin olivat puhtaiksi pestyt ja kammatut ja niin
siisteissä puvuissa kuin mahdollista.
Heidät nähdessään ensi rattailla ajajat hiljensivät vauhtia ja
antoivat hevosen käydä hyvin hitaasti, ja samoin toisetkin ajoivat
sillä kohdalla niin hiljaa, että hevoset tuskin liikuttivat jalkojaan.
Ja kaikki poislähtijät puhkesivat yht'äkkiä hillitsemättömään itkuun,
täysikasvuiset hiljaa nyyhkyttäen, mutta lapset parkuen ja valittaen
kovasti.
Jäljestäpäin tätä lähtöään muistellessaan Jerusalemiin menijät
eivät voineet ymmärtää, miksi he olivat enimmän itkeneet juuri
Kerjuu-Leenaa, joka viheliäisenä ja raihnaana oli seisonut
tiepuolessa. Ja he saattavat itkeä vielä tänäkin päivänä, kun sattuu
tulemaan puheeksi se, että hän oli sinä päivänä jättänyt ryyppynsä
ottamatta ja tullut lasten kanssa kammattuna ja pestynä ulos
kunnioittamaan heidän lähtöänsä.
Heidän mentyään ohi Kerjuu-Leenakin herahti itkuun. "Nuo ovat
menossa taivaaseen tapaamaan Jeesusta", hän sanoi lapsille. "Ne
kaikki menivät taivaaseen, mutta meidän on jäätävä istumaan
tiepuoleen."
Kun tuo pitkä rattaitten ja vankkurien jono oli ajanut läpi puolen
pitäjää, tuli se pitkälle lauttasillalle, joka keinuu joen laineilla.
Siitä on hevosella vaikea kulkea. Ensin laskeudutaan jyrkkää
mäkeä alas vedenpinnan tasalle, sitten on kohottava pari kertaa

korkealle kaarelle, jonka alitse veneet ja tukkilautat pääsevät
kulkemaan, ja toisella rannalla on taas noustava sellainen äkkitörmä,
että hevosia ja ihmisiä hirvittää ajatellessa miten siitä selviää.
Tuosta sillasta on usein paljon vastusta. Sen palkit lahoilevat ja
niitä täytyy alinomaa korjailla. Jäänlähdön aikaan on yötä päivää
vartioitava, ettei se menisi pirstaleiksi, ja kun sattuu olemaan kovat
kevättulvat, tempaavat ne sillasta usein suuria kappaleita mukaansa,
kuljettaen niitä Bergsån ruukin koskille saakka.
Mutta mistään eivät pitäjäläiset ole niin mielissään kuin sillastaan.
Mitenkä voitaisiin tulla ilman sitä toimeen, kun jok'ikinen kerta joen
yli mentäessä olisi käytettävä venettä tai lauttaa?
Silta natisi ja notkui Jerusalemin matkueen ajaessa sen yli, ja vesi
purskui palkkien välistä hevosten jaloille.
Lähtijöistä oli haikeata erota rakkaasta sillastaan. Heistä se oli
aivan kuin kaikkien yhteistä omaisuutta.
Taloilla, pelloilla ja metsillä oli kullakin eri omistajansa, mutta silta
oli heidän kaikkien oma, ja sen jättäminen tuntui jokaisesta ikävältä.
Mutta eikö heillä sitten enää ollut muuta yhteistä? Eikö kirkko, joka
kohosi tuolla sillan toisella puolen koivujen siimeksessä, ja eikö
kaunis, valkoiseksi maalattu koulutalo ja pappila olleet heidän?
Ja kuinka paljon muuta yhteistä heillä vielä olikaan! Tuo ihana
maisemakin, joka näkyi sillalta. Ja tuo kaunis näköala yli leveän,
mahtavan joen, jonka he puunlatvojen välitse näkivät hiljakseen ja
kesäisen kirkkaana virtailevan, tuo näköala koko laakson halki
kaukana sinertäville kukkuloille saakka.

Se oli heidän, se oli kuin syöpynyt heidän silmiinsä. Ja sitä he eivät
enää koskaan pääse näkemään!
Ehdittyään puoliväliin siltaa matkalaiset alkoivat laulaa erästä
Sankeyn laulua.
"Kerran toisemme kohdatahan", he lauloivat, "loistoss' armahan
Eedenin maan."
Sillalla ei ollut ainoatakaan ihmistä heitä kuulemassa. Kotimaan
sinerville kukkuloille, joen harmaalle vedelle, huojuville rannan puille
he lauloivat.
He tiesivät nyt näkevänsä ne viimeistä kertaa, ja heidän
jäähyväislaulunsa värähteli kurkkua pusertavasta itkusta.
Kuule meitä, kaunis kotiseutu, sinä jonka lehvikköjen varjossa
piilevät punavalkoiset talot, jonka hyvät pellot, haat ja laidunmaat ja
pitkä, solean joen kahtia jakama laakso ovat olleet mieluisana
seuranamme! Suokoon Jumala, että kerran vielä kohtaisimme
toisemme, että vielä taivaassa saisimme sinut nähdä!
* * * * *
Sillan toisella puolella tuo pitkä matkue ajoi hautausmaan ohitse.
Hautausmaalla oli suuri, laakea paasi, jota ajan hammas oli jo
hyvin kuluttanut. Siinä ei ollut mitään vuosilukua eikä nimeä, mutta
kansa muisti, että sen alla lepäsi eräs Ljungosukuun kuuluva
talonpoika.
Ljungo Björn Olavinpoika, joka nyt matkusti Jerusalemiin, ja hänen
veljensä Pekka olivat kerran lapsina ollessaan istuneet tuolla paadella

juttelemassa.
Alussa he olivat istuneet hyvinä ystävinä, mutta lopuksi oli jostakin
syystä syttynyt riita ja he olivat kiivastuneet ja alkaneet huutaa
toinen toistansa kovemmin.
Kiistan aihe oli heiltä sittemmin unohtunut, mutta sen he muistivat
vielä ikämiehinäkin, että he tulisimmin riidellessään olivat kuulleet
alapuolelta selvästi ja harvakseen koputettavan heidän kiveensä.
He olivat heti vaienneet, tarttuneet toinen toisensa käteen ja
hiipineet sieltä pois. Ja sen jälkeen tuo tapaus johtui heidän
mieleensä jok'ainoa kerta kun he tuon kiven näkivät.
Ajaessaan nyt hautausmaan ohi Ljungo Björn näki Pekka veljensä
istuvan tuolla paadella pää käsien varassa.
Ljungo Björn seisautti hevosensa ja antoi merkin toisille, että he
pysähtyisivät odottamaan häntä. Hän astui alas rattailta, kiipesi
hautausmaan aidan yli ja meni istumaan kivelle veljensä viereen.
Silloin Pekka Olavinpoika sanoi heti: "Sinä, Björn, myit talon." —
"Niin myin", Björn vastasi, "olen antanut kaiken omaisuuteni
Jumalalle." — "Niin, mutta se ei ollut sinun", veli sävyisästi
huomautti. — "Eikö se ollut minun?" — "Ei, vaan suvun."
Ljungo Björn ei vastannut, odotti vain äänetönnä. Hän tiesi, että
veli oli asettunut tälle kivelle sanoakseen rauhassa sanottavansa.
Hän odotteli tyynesti, mitä Pekka hänelle sanoisi.
"Minä ostin talon takaisin", veli sitten sanoi.

Ljungo Björn vavahti. "Etkö voinut sietää, että se olisi joutunut
vieraille?"
"En ole niin rikas, että vain sen vuoksi olisin näin tehnyt", veli
vastasi.
Björn katsoi kysyvästi häneen. "Tein sen siksi, että sinulla olisi
jotakin takaisin palataksesi." Björnin kohosi itku kurkkuun ja hän
alkoi nyyhkiä. "Ja että sinun lapsillasi olisi jotakin palataksensa
takaisin." Björn laski käsivartensa veljensä kaulalle ja hyväili häntä.
"Ja rakkaan kälyni tähden", Pekka sanoi, "sillä hyvä hänen on tietää,
että häntä on koti ja kontu odottamassa. Tuo vanha koti on avoinna
kenelle tahansa teistä, joka palaa takaisin."
"Pekka", sanoi Björn, "käy sinä noille rattaille ja lähde
Jerusalemiin, niin minä jään kotiin. Sinä ansaitset paremmin päästä
luvattuun maahan kuin minä." — "Enpä niinkään", veli sanoi
hymyillen, "käsitän kyllä tarkoituksesi, mutta minä soveltunen
sentään paremmin tänne." — "Taivaaseen sinä soveltuisit", Björn
sanoi. Hän nojasi päätään veljensä olkapäätä vasten. "Anna nyt
minulle kaikki anteeksi", hän sanoi.
He nousivat ja puristivat toinen toisensa käsiä jäähyväisiksi. "Tällä
kertaa ei meille sentään koputettu", Pekka sanoi. — "Kovin
merkillistä oli, että sinä tulit istumaan tänne", Björn sanoi. — "Viime
aikoina kohdatessamme me veljekset emme ole aina olleet oikein
sovussa." — "Luulitko että minä tänään olisin ollut riitainen?" — "En,
minä itse vain olen kiukutellut ajatellessani että menetän sinut."
He astuivat alas maantielle, ja Ljungo Pekka puristi lämpimästi
Björnin vaimon kättä. "Minä olen ostanut Ljungolan", hän sanoi.

"Sanon sen nyt sinulle, jotta tietäisit saavasi palata sinne milloin
tahansa."
Samoin hän puristi myöskin vanhimman lapsen kättä. "Muistahan
se, että sinulla on koti ja kontu asuaksesi, jos tahdot vast'edes
palata kotimaahan."
Hän sanoi samat sanat vuorotellen kaikille lapsille, kunnes vihdoin
tuli kaksivuotiaan Pikku-Erkin kohdalle, joka ei vielä voinut ymmärtää
hänen tarkoitustaan. "Muistakaahan te kaikki lapset kertoa Pikku-
Erkille, että hänellä on koti ja kontu asuaksensa, milloin tahansa
tahtoo palata tänne."
Ja tuo pitkä jono jatkoi matkaansa edelleen.
* * * * *
Hautausmaa takana oli tätä pitkää matkuetta vastassa suuri
joukko poislähtijöiden sukulaisia ja ystäviä, jotka olivat tulleet
jäähyväisille.
Matkalaisten täytyi pitkäksi ajaksi pysähtyä, sillä kaikki tahtoivat
puristaa heidän käsiään ja lausua pari sanaa jäähyväisiksi.
Kun he sitten ajoivat kirkonkylän läpi, olivat tienvieret täynnä
väkeä, joka tahtoi nähdä heidän lähtönsä. Joka kuistilla seisoi
ihmisiä, muutamat kurottelivat ulos ikkunoista, toiset olivat
kiivenneet aidoille istumaan, ja kauempana asuvat olivat nousseet
kummuille ja mäille ja viittoivat hyvästiä heille.
Hiljakseen tuo pitkä matkue ajoi eteenpäin ohi ihmisjoukkojen,
kunnes se saapui lautamies Lauri Klemetinpojan talolle. Sen kohdalla
se pysähtyi, ja Gunhild meni sisälle jäähyväisiä sanomaan.

Gunhild oli asunut Ingmarilassa siitä lähtien, kun hän päätti lähteä
Jerusalemiin toisten kanssa. Hän piti parempana asua poissa
vanhempiensa luota kuin aina riidellä heidän kanssaan, sillä he eivät
voineet leppyä ajatellessaan, että Gunhild jättäisi heidät.
Rattaille noustuaan Gunhild näki kotinsa olevan ihan autiona.
Pihalla ei näkynyt ketään, eikä kukaan katsonut ikkunoistakaan.
Veräjälle tullessaan Gunhild huomasi sen suljetuksi, mutta hän
astui porraspuuta myöten aidan yli. Eteisenkin ovi oli lukossa.
Gunhild kiersi talon keittiönovelle, mutta se oli sisäpuolelta pantu
säppiin.
Gunhild kolkutti pari kertaa, mutta kun ketään ei kuulunut
avaamaan, hän veti ovea puoleensa, pisti tikun sen raosta sisään ja
nosti säpin paikoiltaan. Siten hän pääsi sisälle huoneisiin.
Keittiössä ei ollut yhtään ihmistä, väentupakin oli tyhjänä, eikä
peräkamarissakaan ollut ketään.
Gunhild ei tahtonut lähteä antamatta vanhemmilleen merkkiä, että
hän oli poikennut kotiin jäähyväisiä sanomaan. Hän meni
nurkkakaapille ja aukaisi sen. Hän tiesi, että isä piti mustetta ja
kynäänsä siellä.
Hän ei löytänyt mustetta heti, vaan haki sitä joka laatikosta. Silloin
hänen silmänsä sattuivat vanhaan tuttuun lippaaseen. Se oli äidin,
hän oli saanut sen morsiuslahjaksi mieheltään, ja Gunhildin lapsena
ollessa äiti oli usein näytellyt lipasta hänelle.
Lipas oli valkoiseksi kiilloitettu, sen ulkoreunaan oli maalattu
koristeeksi kukkasköynnös, ja kannen sisäpuolelle oli kuvattu paimen

soittelemassa valkoiselle karitsalaumalle. Gunhild aukaisi kannen
katsoakseen paimenen kuvaa vielä kerran.
Ennen aikaan äiti oli säilyttänyt lippaassa kaikki kalleutensa. Siellä
oli ollut kätkössä hänen äitivainajansa ohut vihkimäsormus,
isävainajan vanha kello ja hänen omat kultaiset korvarenkaansa.
Mutta nyt Gunhild näki, että lippaasta oli kaikki kalleudet otettu
pois, ja niiden sijalla oli yksi ainoa kirje.
Se kirje oli hänen oma kirjoittamansa. Pari vuotta sitten hän oli
tehnyt matkan Mooraan, ja hänen kulkiessaan Siljanjärven yli oli
vene mennyt kumoon. Useat hänen matkatovereistaan olivat
menettäneet henkensä, ja vanhemmille oli kerrottu, että Gunhildkin
muka oli hukkunut.
Gunhild ymmärsi, että äiti oli niin ilostunut saadessaan kirjeestä
nähdä tyttärensä vielä olevan hengissä, että hän oli tyhjentänyt
morsiuslippaansa ja asettanut kirjeen siihen kalleimpana aarteenaan.
"Nyt tiedän, että minä murhaan äidin", hän sanoi.
Hän ei enää ajatellutkaan kirjoittaa mitään, vaan riensi ulos. Hän
nousi istumaan rattaille eikä vastannut mitään toisten kyselyihin,
oliko hän tavannut vanhempansa. Koko matkan hän istui
liikkumattomana, kädet helmassa ja tuijotti eteensä. Minä murhaan
äidin, hän ajatteli. Minä tiedän, että äiti kuolee.
Tästä lähtien minulla ei ole onnen päivää, hän ajatteli. Vaikka
kohta pääsenkin tuonne pyhään maahan, niin minä kuitenkin
murhaan oman äitini.
* * * * *

Kirkonkylän ja laakson halki ajettuaan tuo pitkä matkue viimein tuli
pieneen metsikköön.
Täällä Jerusalemin matkalaiset ensi kerran huomasivat, että kaksi
tuntematonta henkilöä ajoi heidän jäljessään.
Poislähtijöillä oli tähän asti pitkin matkaa ollut hyvästejä
heitettävänä ja terveisiä lähetettävänä, niin etteivät he joutaneet
huomaamaan noita vieraita rattaita ennen kuin nyt vasta lehdossa.
Ne ajoivat milloin koko matkueen ohi ja kulkivat sen etunenässä,
milloin taas hiljensivät vauhtiaan ja päästivät kaikki muut ajamaan
ohitsensa.
Ne olivat vain tavalliset työrattaat, joita käytettiin jokapäiväisissä
ajoissa. Mutta juuri siksi olikin mahdotonta tietää kenen ne olivat.
Eikä kukaan tuntenut hevostakaan.
Ajajana oli vanha ryppykäsinen ja valkopartainen äijä, joka istui
hyvin kyyryssä paikallaan. Varmaa oli, ettei kukaan tuntenut häntä.
Hänen vieressään istui nainen, joka ei näyttänyt ihan oudolta.
Mutta kukaan ei erottanut hänen kasvojaan, sillä hän oli kietonut
päänsä ympärille mustan saalin ja piti sitä niin tiukasti käsillään
kiinni, ettei edes hänen silmiään sen alta vilahtanut.
Useat koettivat hänen ryhdistään ja koostaan arvata, kuka hän oli,
mutta kukaan ei osannut arvata niin, että toiset olisivat olleet samaa
mieltä.
Lautamiehen Gunhild sanoi heti: "Se on minun äitini", mutta Israel
Tuomaanpojan vaimo vakuutti sitä sisarekseen.

Tuskin kukaan piti häntä tavallisena matkalaisena, vaan jokainen
oli
hänessä näkevinään jonkun tuttavan. Timmin Halvor luuli häntä
vanhaksi
Eeva Gunnarintyttäreksi, joka ei ollut saanut lähteä heidän
mukanaan
Jerusalemiin.
Rattaat seurasivat heitä koko matkan, mutta nainen ei kertaakaan
ottanut saalia kasvoiltaan.
Toisten kuvitteluissa hän muodostui joksikuksi, jota he rakastivat,
toisten joksikuksi, jota he pelkäsivät, useimmat sentään aavistivat
häntä joksikuksi ennen hylkäämäkseen.
Missä tie sattui olemaan kylliksi leveä, nuo oudot vieläkin useita
kertoja ajoivat koko matkueen ohi ja pysähtyivät sitten antaakseen
toisten ajaa ohitse.
Tuo vieras nainen istui silloin aina matkalaisia kohden
kääntyneenä, katsellen heitä herkeämättä, mutta ei millään tavalla
osoittanut ketään erittäin tuntevansa, eikä kukaan arvannut entistä
varmemmin kuka hän oli.
Hän seurasi heitä rautatieasemalle saakka, missä he odottivat
saavansa nähdä hänen kasvonsa. Mutta kun he siellä rattailta
noustuaan etsivät katseillaan häntä, oli hän kadonnut.
* * * * *
Kun tuo pitkä ajoneuvojen jono ujui halki pitäjän, ei näkynyt
ketään ihmistä vainioilla heinää niittämässä, eikä kukaan ollut

tarttunut haravaansa mennäkseen kasaamaan heiniä laisteilta
rukoihin.
Työt saivat sinä aamuna jäädä tekemättä ja kaikki ihmiset joko
kerääntyivät tienvarsille seisomaan tai lähtivät pyhävaatteissaan
saattamaan poislähteviä matkalle. Toiset ajoivat peninkulman, toiset
kaksi, muutamat rautatieasemalle saakka.
Yksi ainoa mies nähtiin työssä koko aikana, minkä matkue pitäjän
kautta ajoi, ja se mies oli Höökin Matti Erkinpoika.
Hän ei ollut lähtenyt heinää niittämään, sillä se työ oli hänestä
paljasta leikin tekoa, vaan raivaamaan kiviä maasta, niinkuin hän
ennen nuoruutensa päivinä oli tehnyt alkaessaan uutisviljelystään
raataa.
Ajaessaan tuossa pitkässä jonossa kotinsa ohi Gabriel Matinpoika
näki isänsä. Höökin Matti puuhaili ulkona haassa, väänteli kangellaan
kiviä maasta ja latoi niistä kiviaitaa. Hän ei nostanut silmiään työstä,
kanneskeli vain sylissään kiviä, joista muutamat olivat niin raskaita,
että Gabriel luuli ukon selän ihan katkeavan. Sitten hän heittää
täräytti ne kiviaidalle niin voimakkaasti, että tulta iski ja kivien reunat
lohkeilivat.
Gabriel käveli kuorman vieressä hevosta ajaen, mutta pitkän aikaa
hevonen sai astella omin neuvoin, sillä Gabriel kulki silmät isään päin
käännettyinä.
Vanha Höökin Matti ei herjennyt työstään. Hän ponnisteli yhtä
hellittämättä kuin pojan pienenä ollessa, jolloin hän koetti raivata
peltoansa laajemmaksi.

Suru yritteli väkivoimin häntä lannistaa, mutta Höökin Matti kiskoi
vain yhä raskaampia kivenmöhkäleitä ja kantoi niitä kiviaitaan.
Kohta matkueen mentyä ohi puhkesi kova ukkosilma ja alkoi
rankasti sataa. Kaikki ihmiset riensivät sisään, ja Höökin Mattikin
aikoi etsiä suojaa, mutta malttoi mielensä ja jäi ulos. Hän ei
rohjennut lähteä pois työstään.
Puolenpäivän aikaan hänen tyttärensä tuli tuvanovelle ja kutsui
häntä aterialle.
Vaikk'ei Höökin Matin ollut varsin nälkä, ajatteli hän kuitenkin, että
saattaisihan tuota syödäkin kirpaleen. Mutta hän ei mennyt sisälle,
sillä hän ei tohtinut jättää työtään.
Höökin Matin vaimo oli saattanut poikaansa asemalle. Myöhään
illalla hän palasi yksinään kotiin. Hän meni miehensä luokse
puhelemaan siitä, että poika nyt oli poissa, mutta ukko väänteli vain
rautakangellaan kiviä louhikosta ja kulki kiviaidan ja työpaikkansa
väliä. Hän ei tahtonut keskeyttää työtään kuunnellakseen vaimonsa
puheita.
Naapurit olivat huomanneet, että Höökin Matti sinä päivänä
erikoisesti reuhtoi ja ponnisteli. He menivät aitovierelle katselemaan
häntä, seisoivat hetkisen hiljaa ja kertoivat sitten tupaan palattuaan:
"Hän puuhaa siellä vielä, koko päivän hän on raatanut
huokaisematta."
Ilta tuli, mutta ulkona oli vielä valoisaa, ja Höökin Matti raatoi yhä
vain. Hänestä tuntui siltä, että jos hän jättäisi työnsä niin kauan kuin
vain paikaltaankaan pääsi liikahtamaan, niin suru hänet kerrassaan
lannistaisi.

Vaimo tuli taas häntä katsomaan. Haka oli raivattuna, kiviläjä
suurentunut, mutta yhä vain mies puuhaili siellä jättiläiskiviä
kanniskellen.
Muutamia naapureja oli maantiellä kävelemässä vain nähdäkseen,
vieläkö
Höökin Matti teki työtä, mutta kukaan ei puhutellut häntä.
Ilta hämärtyi yöksi, ja hän peittyi pimeään. Mutta yhä vain kuului
haasta rautakangen väännähtelyä, ja kun hän paiskasi kiviä aidalle,
lenteli kipinöitä hänen ympärillään.
Mutta kerran kun hän väänsi kiviä, solahti kanki hänen kädestään.
Kumartuessaan sitä ylös ottamaan hän kaatui. Hän jäi maahan
pitkäkseen, ja ennen kuin oli ajatellutkaan nousta hän oli
nukahtanut.
Hetkistä myöhemmin hän astui tupaan. Hän ei puhunut mitään, ei
välittänyt vuoteesta, heittäytyi vain puiselle rahille ja nukkui sikeään
uneen.
* * * * *
Tuo pitkä matkue oli viimeinkin saapunut rautatieasemalle.
Rata oli hiljan rakennettu, ja asema oli ihan uusi. Keskelle sakeinta
korpea oli sille raivattu suunnattoman suuri ala. Sen ympäristössä ei
ollut kyliä eikä peltoja eikä puutarhoja, mutta asema oli kuitenkin
tehty laajaksi ja komeaksi, sillä sen otaksuttiin tulevan koko
sydänmaiden liikkeen keskukseksi.
Itse asemahuoneen ympäristöt olivat tasaisiksi hiekoitetut, leveä
asemasilta oli kivestä tehty, ja sitä paitsi siellä oli suuria tavaran

purkamispaikkoja ja aavoja, tyhjiä sorakenttiä.
Pari kauppapuotia ja työpajaa, valokuvaamo ja hotelli oli jo
rakennettu noiden sorakenttien laiteille, mutta niiden taustat
metsänrajaan asti olivat perkaamatonta kannokkoa.
Dal-joki virtasi täälläkin. Sydänmaiden rajuna poikana se syöksyi
metsien povesta esiin ja ryöppysi pieninä koskina eteenpäin.
Jerusalemiin lähtijöistä se tuollaisena oli aivan toista kuin se leveä,
mahtava kymi, jonka yli he aamulla olivat kulkeneet.
Täällä ei ollut lempeää laaksomaisemaa silmiä ilahduttamassa, sillä
tummat kuusimetsää kasvavat harjut sulkivat näköalan.
Kun pikku lapset, joiden piti seurata vanhempiaan Jerusalemiin,
nostettiin asemalla rattailta, alkoivat niiden suupielet vetäytyä
väärään ja ne pyrskähtivät itkuun. Lapsista oli aina ennen ollut kovin
hauskaa päästä matkalle, mutta kodista erotessaan ne jo olivat kovin
itkeneet, ja täällä oudossa paikassa niistä tuntui haikeammalta kuin
koskaan ennen.
Aikaihmiset nostelivat matkakapineita rattailta ja veivät niitä
tavaravaunuun. Kaikki olivat siinä puuhassa, eikä kukaan joutanut
pitämään lapsia silmällä.
Mutta lapset kerääntyivät tiheään piiriin jonkun neuvokkaimman
ympärille keskustelemaan.
Kun oli siinä jonkin aikaa tuumittu, vanhemmat lapset tarttuivat
nuorempien käsiin ja poistuivat parittain asemalta, aina suurempi ja
pienempi rinnatusten. He astuivat samaa tietä takaisin, jota olivat

tulleet, hiekkakentän ja raivaamattoman kannokon ja joen yli
synkkään metsään.
Hetkisen päästä muuan matkueen naisista muisti lapset. Hän
aukaisi eväsarkun antaaksensa niille ruokaa.
Hän kutsui niitä, mutta kukaan ei vastannut. Ne olivat teillä
tietämättömillä, piti oikein laittaa pari miestä niitä hakemaan.
He seurasivat pienten jalkojen hiekkaan painamia jälkiä, ja
metsään asti ehdittyään he näkivät lasten tallustelevan kaukana
maantiellä.
Ne kulkivat parittain pitkässä jonossa, suurempi ja pienempi aina
rinnan. Miesten huudoista ne eivät välittäneet, vaan astuivat
topakasti edelleen.
Silloin miesten täytyi pistää juoksuksi saadakseen lapset kiinni.
Lapset koettivat myös pistää juoksuksi päästäkseen pakoon, mutta
pienimmät eivät pysyneet rinnalla, vaan kompastelivat.
Silloin lapset jäivät tielle seisomaan, vedet silmissä ja onnettoman
näköisinä.
"No, mutta minne te lapset olette oikein menossa?" eräs mies
kysyi.
Silloin pienimmät lapset puhkesivat parkumaan suureen ääneen,
mutta isoin poika vastasi:
"Me emme tahdo tulla Jerusalemiin. Me menemme takaisin kotiin."

Ja metsästä palattuaankin lapset vielä kauan aikaa asemalla ja
vaunuissakin itkivät ja valittelivat:
"Emme tahdo lähteä Jerusalemiin. Me tahdomme takaisin kotiin."
PYHÄSSÄ MAASSA
EDELLINEN OSA

PYHÄ KALLIO JA PYHÄ HAUTA
Palestiinassa oli kuuma elokuu. Auringon rata kävi joka päivä
suoraan keskitaivaan yli. Pilviä ei ollut ensinkään, eikä sadetta ollut
saatu huhtikuusta lähtien. Samanlaista oli tosin ollut kaikkina
muinakin vuosina, mutta kuitenkin se taas tuntui melkein
sietämättömältä. Ei oikein tiennyt, miten tässä helteessä
toimeentulla tai minne päästä sitä pakoon.
Parasta oli ehkä meren rannikolla Jaffassa. Ei sentään itse
kaupungissa, jonka jyrkälle kalliolle tiukkaan ahdetut talot näyttivät
yhdeltä ainoalta linnaröykkiöltä ja jonka likaisilta kaduilta ja suurista
suopatehtaista levisi tukahduttava löyhkä. Mutta aivan kaupungin
ääressä oleva meri piti ilmaa edes hiukan viileänä. Ja verraten
vilpoista oli myöskin Jaffan ympäristön monissa sadoissa
puutarhoissa, joissa appelsiiniraakiloita pilkotti kovien, tumman
vihreiden lehtien alla, suojassa auringon säteiltä.
Mutta näännyttävän kuuma oli sentään Jaffassakin. Korkeiden
risiinipensasten suunnattoman suuret lehdet olivat nuutuneet
kuivuudesta, eivätkä edes sitkeät pelargonit enää jaksaneet kukkia,
vaan maata retkottivat kivikoissa ja kuopissa puolittain hiekkaan
hautautuneina. Kun katseli kaktuspensasten punaisia kukkia, tuntui

aivan kuin kaikki niiden turpeisiin runkoihin kesän kuluessa imeytynyt
lämpö nyt olisi leimahtanut suuriksi, punaisiksi liekeiksi. Kuinka
kuuma oikein oli, sen käsitti vasta kun näki lasten juostessaan
rantahietikon yli uimapaikalle voihkien kipristelevän jalkojaan, sillä
kaunis, valkoinen hiekka poltteli kuin hehkuva hiillos.
Mutta jos nyt Jaffassakin oli liian kuuma, minne sitten pääsi
hellettä pakoon? Siellä oli ainakin suojaisempaa kuin peninkulman
levyisessä Saaronin laaksossa, joka erottaa meren vuoristosta. Tällä
tasangolla oli tosin siellä täällä pikkukaupunkeja ja kyliä, ja ihmisiä
niissä vielä asui. Mutta kummalta tuntui, ettei päivän paahde ja
kuivuus jo ollut heitä tyyten tuhonnut. Harvoin he uskalsivatkaan
pistäytyä ulos ikkunattomista asunnoistaan eivätkä koskaan menneet
kylää kauemmas, sillä siinä ainakin talojen seinät ja jotkut yksinäiset
puut hiukan siimestivät auringolta.
Mutta aukealta tasangolta oli yhtä turha etsiä vihreätä
ruohonkortta kuin ihmistä. Keväiset loistavat punavuokot ja unikot,
pikkuiset arokaunokit ja neilikat, jotka olivat peittäneet maan aivan
kuin tiivis, valkoisen punerva matto, kaikki ne olivat kuin kulon
polttamat. Samoin oli vehnä, ruis- ja durralaihot jo korjattu pois
kaupunkien läheisiltä pelloilta, ja leikkuuväki oli tanssinsa
tanssittuaan ja laulunsa laulettuaan palannut kotikyliinsä härkineen
ja aaseineen. Ainoana muistona kevään ihanuudesta olivat päivän
korventamilla kentillä korkeat, kärventyneet liljanvarret, jotka olivat
aikoinaan kantaneet kauniita, tuoksuvia kukkia.
Monet ihmiset tosiaan väittivät tulevansa kesällä parhaiten
toimeen Jerusalemissa. He sanoivat, että kaupunki kyllä oli ahdas ja
täpötäynnä väkeä, mutta että sillä oli sellainen asema Palestiinan läpi

kulkevalla vuorenselänteellä, johon vilvoittava tuulenhenki aina
sattui, puhalsipa mistä ilmansuunnasta tahansa.
Mutta noista ylistetyistä tuulista ja kevyestä vuoristoilmasta
huolimatta oli kyllä kesähellettä Jerusalemissakin. Ihmiset makasivat
yönsä katoilla ja sulkeutuivat päiviksi huoneisiinsa. Heidän oli
tyydyttävä pahanhajuiseen juomaveteen, jota talvisateilla oli koottu
maanalaisiin vesisäiliöihin, olivatpa vielä huolissaan, kuinka kauaksi
sitäkään riittäisi. Kevytkin tuulenhenkäys pyöritteli ilmassa paksuja
kalkkitomupilviä, ja valkoisilla teillä kaupungin ulkopuolella
tallustaessa jalka painui nilkkaa myöten tiiviiseen, silkinpehmoiseen
pölyyn.
Mutta pahinta oli, että kesän kuumuus esti ihmisten yöunta.
Kaikkikin nukkuivat huonosti, mutta useimpain oli pakko valvoa
monta yötä peräkkäin. Ja tämän unettomuuden vuoksi
jerusalemilaiset olivat päivisin raukeita ja ärtyisiä, öisin heitä
ahdistivat kamalat näyt ja tuskallinen toivottomuus.
Eräänä tuollaisena kuumana yönä muuan keski-ikäinen
amerikkalainen rouva, joka jo useita vuosia oli asunut Jerusalemissa,
kääntelehti ja heittelehti vuoteellaan saamatta unta. Hän siirsi
vuoteensa avonaiselle parvekkeelle, joka kiersi rakennusta, ja koetti
jäähdyttää päätään kylmillä kääreillä, mutta mikään ei auttanut.
Hän asui viiden minuutin matkan päässä Damaskoksenportin
ulkopuolella isossa, palatsimaisessa talossa yksinäisellä paikalla.
Siellä siis olisi pitänyt olla puhdas, raitis ilma, mutta tänä yönä tuntui
koko kaupungin hiottava kuumuus asettuneen talon ympärille. Tuulta
tosin hiukkasen tuntui, mutta se tuli erämaasta ja oli hirvittävän
kuumaa, aivan kuin täynnä näkymätöntä tuhkaa. Lisäksi vielä parvi

katukoiria juoksenteli talon ympärillä, herkeämättä haukkuen ja
ulisten.
Useita tunteja valveilla maattuaan amerikkalainen rouva tunsi
itsensä sanomattoman alakuloiseksi. Hän muistutteli mieleensä, että
sitten kun hän ilmestyksessä kuultuaan Jumalan äänen oli tullut
Jerusalemiin, oli hänellä kaikessa ollut menestystä. Hän oli
perustanut seurakunnan ja voittanut monet vainot ja ahdistukset.
Mutta nyt ei mikään tuntunut rauhoittavan, hänen hätänsä vain
kiihtymistään kiihtyi.
Hän kuvitteli siinä maatessaan, että hän ja hänen ystävänsä ovat
hengenvaarassa, että heidän vihamiehensä ovat sulkemassa käytäviä
ja sytyttävät talon tuleen. Hänestä tuntui äkkiä aivan varmalta, että
Jerusalemin kaupunki lähetti hänen kimppuunsa kaikki kiihkoilijansa,
kaiken ilkeyden ja hävityshimon, mitä sen muurien sisälle oli
kasautunut.
Hän koetti tahdon ponnistuksella palauttaa tavallisen iloisen,
turvallisen mielentilansa. Miksi hänen juuri nyt piti joutua
toivottomuuteen, kun hänen asiansa juuri oli voimakkaasti
edistymässä, kun Gordonin siirtokuntaan oli Amerikasta tullut lisäksi
lähes viisikymmentä ruotsalaista talonpoikaa, kaikki kunnon väkeä,
ja kun vielä useampia näiden luotettavien, kelpo ihmisten tovereita
oli tulossa Ruotsista. Tosiaan hänen hankkeensa juuri nyt näytti
toiveikkaammalta kuin koskaan ennen.
Vapautuakseen hädän painajaisesta hän viimein nousi vuoteeltaan
ja heitti yllensä pitkän, väljän kävelyviitan. Hän meni ulos pienestä
takaovesta ja lähti astumaan Jerusalemiin päin. Vähän matkaa
käytyään hän poikkesi tieltä ja kiipesi pienelle kummulle. Sen
huipulta hän kuutamossa näki kaupungin särmäharjaiset muurit ja

lukemattomain kirkkojen isot ja pienet kupukatot tummaa yötaivasta
vasten.
Vaikk'ei hän siinä seisoessaankaan saanut mielensä hädältä
rauhaa, huomasi hän kuitenkin yön juhlallisen ihanuuden. Palestiinan
vaaleanvihreässä, väräjävässä kuutamossa näytti kaikki satumaisen
ihmeelliseltä. Yht'äkkiä hänen mieleensä johtui, että samoin kuin
jotkut vanhain linnojen huoneet ovat aaveiden tyyssijoja, kenties
tämäkin ikivanha kaupunki ja sen ympäristön autiot kukkulat ovat
vanhan maan kummitteluhuone. Täällä varmaankin saa nähdä
menneiden suuruuksien leijailevan vuoren rinteillä ja entisajan
vainajien rauhattomina kiertelevän yön pimeydessä.
Mrs Gordon ei kammoksunut näitä kuvittelujaan. Päinvastoin
hänen mielensä nyt ilahtui odottamaan jotakin. Siitä yöstä lähtien,
jolloin hän joutui L'Univers laivassa haaksirikkoon ja kuuli Jumalan
äänen hänelle puhuvan, oli hänelle usein tullut sanomia toisesta
maailmasta. Hän alkoi aavistaa, että jotakin samanlaista tapahtuu
nytkin. Hänen aivonsa tuntuivat laajenevan, ajatukset kävivät
tavattoman selviksi ja joustaviksi. Ja hänen aistinsa teroittuivat
teroittumistaan, kunnes hän huomasi ettei yö ollutkaan hiljainen,
vaan täynnä ääniä ja ihmeellistä puheensorinaa.
Ennen kuin hän oikein ehti tajuta sitä muutosta, mikä hänessä oli
tapahtunut, kuuli hän mahtavasti kumisevan, ikään kuin ikivanhasta
röysteisestä rinnasta lähtevän äänen lausahtavan nämä sanat:
"Totisesti, minä tohdin uljaana kohottaa otsani maan tomusta, sillä ei
ole ketään, joka olisi voittanut minut vallassa, kunniassa tai
pyhyydessä."
Tuskin oli nämä sanat lausuttu, kun tuima kellon kalahdus kuului
pyhän haudan kirkosta. Siihen yhteen läppäykseen se loppui, mutta

se kajahti ylpeästi ja jyrkästi kuin vastaväite.
Ensimmäinen ääni jatkoi: "Minä se olen nostanut tämän kaupungin
erämaahan ja suojellut sitä tähän päivään asti. Minä olen koko
maailman tehnyt jumalaapelkääväksi. Minä, minä olen asettunut
padoksi maailmanvirtaan ja heittänyt sen uuteen uomaan."
Mrs Gordon tähysteli ympärilleen. Ääni tuli idästä päin, sieltä missä
Salomon temppeli aikoinaan oli seisonut ja missä nyt Omarin
moskeija kuvastui harmaanvihreältä taivaalta. Olikohan joku
rukousten huutaja kiivennyt moskeijan minareetin huippuun tällä
tavalla julistaakseen ylistystään yön hiljaisuuteen?
"Kuulkaa", jatkoi sama ääni vanhan temppelin paikalta, "minä
muistan tämän seudunkin jo aikaa ennen kuin mitään kaupunkia oli
vuorelle kohonnut. Hankalakulkuisena louhikkovuoristona sen
muistan. Alkuaan se oli yhtämittaista selännettä, mutta kaikki ne
vedet, mitä maailman luomisesta asti on sen kupeita myöten
virrannut, ovat sitä murennelleet ja halkoneet lukemattomiksi
vaaroiksi. Muutamat vaarat jäivät loivarinteisiksi, toisista tuli laajoja
jyrkkäseinäisiä ylänköjä, jotkut taas lohkeilivat ja typistyivät ikään
kuin siltapylväiksi eri kukkulain välille."
Kun järeä ääni lopetti kertomuksensa, kuului tiheitä
kellonkalahduksia pyhän haudan temppelistä. Mrs Gordon, joka nyt
oli tottunut yön salaperäisiin ääniin, alkoi huomata, että nekin olivat
puhekieltä, kun sen sanoja vain ymmärsi. Ja hän oli kuulevinaan
lyhyen huudahduksen: "Olen minäkin tuon nähnyt."
Edellinen ääni jatkoi taas: "Muistan, kuinka tämän vuoriston
ylimmältä harjalta kohosi kukkula, jonka nimi oli Mooria. Se oli
kolkonnäköinen ja pelottava noustessaan äkkijyrkin seinin, huippu

poikkinaisena syvistä, pimeistä laaksoista, joiden pohjalla hurjia
virtoja temmelsi. Idän, etelän ja lännen puolelta oli Moorian vuoren
pystysuoria seiniä mahdoton kiivetä, ainoastaan pohjoisen puolelta
sen yhdisti leveä kannas sillan tapaisena laaksoja ympäröivään
vuoristoon."
Mrs Gordon istahti pienelle kivikasalle, painoi päänsä käsien
varaan ja kuunteli.
Heti kun ensimmäinen ääni pysähtyi, ikään kuin huokaisemaan
pitkästä puheesta, tuli toisaalta: "Muistan minäkin, miltä vuori
alkuaan näytti."
"Sitten eräänä päivänä", kuului taas temppelistä päin, "muutamat
paimenet, laumoineen vuoristoa kierrellessään, osuivat näkemään
tämän ylängön. Se oli heistä niin erikoisen hyvässä suojassa sekä
laaksojen että vuoriston puolelta, että varmaan siinä oli tallessa
suuria aarteita tai ihmeellisiä salaisuuksia. He kiipesivät sen lakealle
huipulle ja löysivät sieltä erinomaisen pyhän esineen."
Tässä kohden kellonääni äkkiä otti itselleen puheenvuoron.
"Eivätkä löytäneet muuta kuin kalliomöhkäleen ylängön itäisen
rinteen läheltä. Se oli iso, pyöreä, vähän litistynyt paasi, jota
kivipönkkä keskikohdalta piti maasta koholla; melkein sen näköinen
kuin jättiläissieni."
"Mutta paimenet", jatkoi ensimmäinen ääni, "jotka tunsivat kaikki
pyhät tarinat maailman luomisesta alkaen, ihastuivat suuresti sen
nähdessään. Tämä on se suuri, heiluva kallio, josta vanhat ovat niin
paljon kertoneet, he sanoivat. Tämä on se kivi, jonka Jumala ensiksi
teki maailmaa luodessaan. Tältä kalliolta hän maanpinnan pani

levenemään länteen, itään, pohjoiseen ja etelään, tältä hän vuoret
rakensi ja laittoi meret vyörymään kauas taivaanrantoihin saakka."
Puhuja pysähtyi hetkeksi, ikään kuin odottaakseen vastaväitettä,
mutta kellonääni oli vaiti.
Tämäpä kummallista, mrs Gordon ajatteli. Ihmisiä nuo puhujat
eivät voi olla. Mutta oikeastaan se ei hänestä ollut yhtään
kummallista. Tukehduttavassa tuulessa ja yön vihreän väreilevässä
valossa tuntui ihmeellisinkin luonnolliselta.
"Paimenet riensivät nopeasti alas kukkulalta", jatkoi vanha ääni,
"ilmoittaakseen koko seudun asukkaille, että he olivat löytäneet
maailman peruskiven. Ja kohta minä näin ihmisten joukoittain
vaeltavan Moorian vuorelle, ja minun, heiluvan kallion, päällä he
polttivat Herralle kiitosuhreja hänen ihanasta luomistyöstään."
Tämän sanottuaan tuo matala ääni kohosi ikään kuin veisuuseen.
Ja sitten se huusi, melkein samalla laulavalla äänellä kuin koraania
lukeva erämaan dervishi.
"Siitä lähtien minulle alettiin uhrata ja pitää palvelusmenoja minun
ääressäni. Maineeni kantautui yhä kauemmas. Melkein joka päivä
näkyi pitkiä karavaanimatkueita kiemurtelevan valkoisenharmaiden
vuorien rinteillä, Moorian vuorelle pyrkien. Tosiaankin minä saatan
uljaasti kohottaa pääni. Minun vuokseni tämä vuorentörmä pääsi
olemasta yksinäisenä ja hylkiönä. Minun vuokseni Moorialle alkoi
virrata niin paljon väkeä, että kauppiaatkin älysivät tulla tänne
tavaramarkkinoille. Minun vuokseni tämä kukkula sai vakinaisia
asukkaita, jotka elivät kaupitsemalla uhraajille puita ja vettä, pyhää
savua ja tulta, kyyhkysiä ja karitsoita."

Toinen ääni oli yhä vielä vaiti, mutta mrs Gordon kohousi
kummastuneena katsomaan. Se, jonka ääntä hän oli kuunnellut, oli
varmaan pyhä kallio itse. Se oli se suuri paasi, jonka suojaksi Omarin
moskeijan mosaiikkikoristeiset holvit oli rakennettu.
Nyt sen ääni taasen kuului: "Minä olen ensimmäinen, minä olen
ainoa, minä olen se, jota ihmiset eivät koskaan lakkaa
kunnioittamasta."
Näihin sanoihin tuli heti pyhän haudan kirkosta kumiseva,
voimakas vastaus: "Etpä muistakaan kertoa, että noin keskikohdalla
samaa vuoriylänköä, jolta sinäkin kohosit, oli pikkuinen mäentöyräs,
täynnä pensastuneita öljypuita. Ja varmaan sinä mieluummin
unohtaisit senkin, kuinka kerran vanha patriarkka Seem, joka oli
ihmisten toisen kantaisän, Nooan poika, saapui Moorialle. Hän oli
sangen vanha, melkein jo haudan partaalla, ja laahusti eteenpäin
hyvin vitkalleen. Hänen seurassaan tuli kaksi palvelijaa, kantaen
haudanhakkaajan työaseita."
Nyt tuo vanha, järeä ääni vuorostaan oli vaiti.
"Sinä et ole tietävinäsi, että Seemin isä Nooa oli huostassaan
säilyttänyt Aatamin, ensimmäisen ihmisen, pääkalloa, kalliina
muistona ihmissuvun esi-isästä. Kuollessaan Nooa jätti pääkallon
perinnöksi Seemille eikä kenellekään muista pojistaan, sillä hän tiesi,
että kansoista etevin oli Seemistä polveutuva. Ja Seem, tuntiessaan
loppunsa lähestyvän, päätti haudata pyhän sukumuiston Moorian
vuorelle. Mutta hänelläpä oli ennustuslahja, eikä hän siis
haudannutkaan pääkalloa pyhän paaden alle, vaan siihen
vähäpätöiseen mäentöyrääseen, joka kasvoi öljypuistoa ja joka siitä
päivästä sai nimen Golgata eli pääkallonpaikka."

"Muistan tuon tapauksen vallan hyvin", järeä ääni taas vastasi, "ja
muistan myöskin, että kallion palvelijoista se oli kummallista. He
arvelivat, että patriarkka oli ylen vanha ja kuolemansairas oikein
tietääkseen mitä teki."
Yksi ainoa helähdys kuului kirkolta päin. Mrs Gordonista se tuntui
aivan ivanaurun pyrskäykseltä.
"Mutta mitäpä sellaisista pikkuseikoista", kuului moskeijan taholta
uudelleen. "Suuren paaden arvo ja pyhyys kasvoi kasvamistaan.
Ruhtinaita ja kansoja vaelsi sen ääreen uhraamaan onnekseen ja
menestyksekseen. Muistan myöskin, kuinka eräänä päivänä
Seemiäkin suurempi patriarkka kävi vuorella. Minä olen nähnyt
Aabrahamin valkopartaisena ja kunnianarvoisena vaeltavan tänne,
Iisak poikansa mukanaan. Ja Aabraham ei huolinut sinusta, Golgata,
vaan heiluvan kallion laelle hän rakensi uhrirovion ja sitoi
poikasensa."
Tässä hautakirkon ääni pahastuneena keskeytti toisen äänen.
"Totta kai sitä alati pidetäänkin sinun kunnianasi, mutta muista
sentään jakaa minullekin pikkuisen maineestasi. Etkö muista, että
kun Jumalan enkeli oli temmannut veitsen patriarkan kädestä ja hän
lähti etsimään uhrieläintä vuoren takaa, hän löysi Golgatalta oinaan,
sarvistaan takertuneena öljypuun oksiin."
Mrs Gordon kuunteli yhä aivan jännityksissään pyhäkköjen kiistaa.
Mutta samalla hän alkoi tuntea mielensä yhä alakuloisemmaksi, sillä
kaiken aikaa hän ajatteli omaa kutsumustaan. "Voi, hyvä Jumala,
miksi annoit minun tehtäväkseni julistaa yhteishengen käskyä? Riita
ja eripuraisuushan on ollut maailman ainoa pysyväinen mahti
luomispäivästä alkaen."

Yht'äkkiä vanha ääni alkoi uudelleen.
"Pysyy maar minun muistissani, mikä muistamisen arvoista on. En
ole unohtanut sitäkään, että jo Aabrahamin aikaan tämä ylänkö oli
asuttuna. Täällä oli kaupunki ja siinä kuningas, joka oli pyhän kallion
ylimmäinen pappi ja jonka kansana oli pyhän kallion pappeja ja
muita sen palvelijoita. Tämä kuningas Melkisedek asetti
ensimmäisenä säännölliset, määräaikaiset uhrit ja sääti kauniita
palvelusmenoja, jotka toimitettiin pyhän kallion ääressä."
Toiselta taholta tuli heti vastaus. "Tunnustan minäkin Melkisedekin
sekä pyhäksi mieheksi että profeetaksi. Ei mikään sen paremmin
todista, että hän oli Jumalan valittuja, kuin että hänet omasta
tahdostaan haudattiin Golgatan juurelle, samoihin kalliohautoihin,
missä Aataminkin pääkallo lepäsi. Onko sinun mieleesi koskaan
johtunut, mitä se sellainen ennustaa, kun ensimmäinen syntinen ja
ensimmäinen ylimmäinen pappi haudattiin samalle paikalle?"
"Sinä kuulut tosin pitävän tuota suuriarvoisena", pyhä kallio
vastasi, "mutta vielä minä tiedän tärkeämpääkin. Vuorella oleva
kaupunki kasvoi ja laajeni. Nuo ympäristön laaksot ja mäet saivat
asukkaansa ja kukin oman nimensä. Pian ruvettiin yksinään ylängön
itäpuolta, missä pyhä kallio oli, sanomaan Mooriaksi. Eteläpuolella
sen nimeksi tuli Siion, lännessä Gareb, pohjoisessa Beseta."
"Kaupunki tällä vuorella kyllä oli, mutta kovin pikkuinen", vastattiin
heti kirkolta päin. "Joitakuita paimenia ja pappeja siinä asui.
Ihmisten ei oikein tehnyt mieli muuttaa hedelmättömään
kivikorpeen."
Siihen tuli niin tiukka ja kopea vastaus, että mrs Gordon melkein
kavahti istualtaan sen kuullessaan.

"Minä olen nähnyt kuningas Daavidin, yllään punainen ihokas ja
välkkyvä haarniska, katselevan tätä kaupunkia, ennen kuin hän siirsi
tänne kuninkaanistuimensa. Miksei hän valinnut rikasta, hymyilevää
Betlehemiä, miksei Jerikoa tuolta viljavasta laaksosta? Miksei hän
tehnyt Gilgalia eikä Hebronia Israelin pääkaupungiksi? Minä sanon,
että kuuluisan kallion takia hän valitsi tämän paikan. Hän valitsi sen
sen vuoksi, että Israelin kuningasten piti asua sillä vuorella, joka jo
vuosisatoja oli saanut osaa minun pyhyyteni maineesta."
Ja nyt ääni alkoi uudelleen hitaasti lausua veisuun tapaista
ylistystään.
"Minä muistan sen suuren kaupungin muureineen ja torneineen.
Minä muistan kuninkaanlinnan Siionin kukkulalla tuhansine
huoneineen. Minä muistan kauppakojut ja työpajat, ja
suojelusmuurit ja korkeat portit ja tornit. Minä muistan väkirikkaat
kadut, koko Daavidin kaupungin ihanuuden ja loiston.
"Ja tätä ajatellessani minä voin syystä sanoa: Oi kallio, suuri on
mahtisi! Sinä olet tämän tyhjästä luonut. Pidä sinä vain otsaasi
uljaasti koholla! Ei kenenkään pyhyys ja kunnia vedä sinulle vertoja!
"Mutta sinä, Golgata, olit paljas täplä maassa, kalju kukkula
kaupungin takamailla. Kuka sinua palveli, kuka sinun pyhyyttäsi
kunnioitti, kuka sinun maineestasi mitään tiesi?"
Yht'aikaa tämän yöllisen ylistysveisuun kanssa kuului myöskin
kellonääni puhuvan hyvin närkästyneenä, mutta kuitenkin hiljempää
kuin ennen, ikään kuin kunnioituksesta hilliten itseään. "Näkyy, että
olet käynyt vanhaksi; sinähän liioittelet kaikkea, mitä nuorena
ollessasi näit, ihan kuin vanhat ukot. Daavidin kaupunkihan mahtui
kokonaan Siionille, tuonne etelänurkkaan. Ei se ulottunut edes

minuun asti, vuoren keskelle. Olihan silloin ihan luonnollista, että
minun oli jäätävä sen muurien ulkopuolelle."
Mutta laulava ääni jatkoi, välittämättä keskeyttäjästä: "Suurimman
kunniasi sinä, kallio, sait Salomon aikaan. Kivimäki allasi tasoitettiin
sileäksi kuin lattia ja sen päälle laskettiin perustus laakeista paasista.
Ja ylt'ympäri tämän lattian kierrätettiin pylväskäytävä, samanlainen
kuin kuningasten juhlasaleissa. Temppeli rakennettiin keskelle, ja
siinä oli pyhäkkö sekä kaikkein pyhin. Ja sinun yllesi, kallio, tämä
temppeli kohotettiin, ja sinä, joka olet maailman perustuskivi, sait
kannattaaksesi liiton arkin ja lain taulut kaikkein pyhimmässä."
Nyt ei kirkosta kuulunut vastausta, vaan ainoastaan kumajava
ääni, joka tuntui valitukselta.
"Ja Salomon aikana johdettiin vettä laaksojen pohjasta
Jerusalemin ylängölle, sillä Salomo oli viisain kuninkaista. Silloin
versoi puita kuivilla, tuhkanharmailla vuorilla, ja ruusuja kukki kivien
lomissa. Ja syksyllä poimittiin vuoriston ihanista yrttitarhoista
viikunoita ja viinirypäleitä, kranaattiomenia ja oliiveja ilahduttamaan
Salomon sydäntä. Mutta sinä, Golgata, olit yhä vielä kalju kukkula
kaupungin takamailla. Sinä olit niin halpa ja niin hedelmätön, ettei
yksikään Salomon aikaisista rikkaista ollut aidannut sinua
yrttitarhansa sisään eikä yksikään köyhä ollut sinulle viiniköynnöstä
istuttanut."
Tästä uudesta hyökkäyksestä vastustaja kuitenkin tuntui saavan
rohkeutta puolustautumaan.
"Sinä sentään unohdat, että tähänkin aikaan muuan tapaus
ennusti Golgatan vastaista loistoa. Sillä juuri silloin Saaban viisas
kuningatar tuli Salomoa tervehtimään, ja kuningas otti hänet vastaan

palatsissaan, jota sanottiin Libanonin metsän huoneeksi, se kun oli
rakennettu Libanonilta asti tuoduista hirsistä.
"Salomon näytellessä tätä erinomaista rakennusta, jonka vertaista
hän ei koskaan ollut nähnyt, arabialainen kuningatar tuli
tarkastaneeksi yhtä seinään salvettua hirttä. Se oli tavattoman
paksu, ja tarkkaan katsoen huomasi, että siinä oli kolme puunrunkoa
kasvanut yhteen.
"Viisas kuningatar kummastui nähdessään tämän puun kuninkaan
palatsissa ja kertoi kiireesti Salomolle sen historian. Hän tiesi, että
enkeli, joka ensimmäisten ihmisten lankeemuksen jälkeen vartioi
paratiisin porttia kerran oli päästänyt Aatamin pojan Seetin siihen
ihanaan yrttitarhaan. Hänen sallittiin kulkea sinne asti, mihin elämän
puu näkyi. Seetin lähtiessä pois enkeli sitten antoi hänelle hyvästiksi
kolme siementä tuosta ihmeellisestä puusta. Nämä siemenet Seet
kylvi Libanoniin Aatamin haudalle, ja niistä kasvoi kolme runkoa,
jotka yhtyivät yhdeksi puuksi.
"'Se on tämä sama puu', kuningatar sanoi, 'jonka Hiramin
hakkausmiehet ovat sinulle, kuningas, kaataneet ja joka nyt on sinun
palatsisi seinässä. Mutta tästä hirrestä on sanottu, että sillä kerran
ihminen kuolee, ja kun se on tapahtunut, silloin Jerusalem kukistuu
ja kaikki Israelin suvut hajoitetaan maan ääriin.'
"Jottei näin paha ennustus toteutuisi, hän neuvoi kuningasta
hävittämään puun, ja Salomo otatti sen pois palatsinsa seinästä ja
käski heittämään sen Betesdan lammikkoon."
Tätä pitkää puhetta seurasi hiljaisuus. Mrs Gordon melkein luuli
molempien yön äänien kokonaan vaienneen.

Vihdoin kellonääni alkoi: "Muistelen kovia aikoja. Muistan
temppelin sortuneena ja kansan vankeudessa. Missäs silloin sinun
kunniasi ja loistosi oli, kallio?"
Vasta kotvasen kuluttua tuli kalliolta vastaus: "Olenko minä
kaikkivaltias? — Mutta vaikka olenkin joskus langennut, aina minä
olen jälleen noussut pystyyn. Muistelehan minun säteilevää loistoani
Herodeksen aikana! Muistatko niitä kolmea esipihaa, jotka temppeliä
ympäröivät, muistatko polttouhrialttarin tulta, jonka loimu öisin
valaisi koko kaupungin! Muistatko Herodeksen kaunista
pylväskäytävää, johon oli pystytetty toista sataa porfyyripilaria?
Muistatko temppelin pyhänsavun tuoksua, joka länsituulella saattoi
tuntua Jerikoon asti? Muistatko, miten komeasti vaskiovet avatessa
ulvahtivat? Muistatko kaikkein pyhimmän esirippua, joka oli
täpötäynnä ruusukkeita taotusta kullasta?"
Kirkosta kajahti lyhyt ja jyrkkä vastaus:
"Tuon kyllä muistan, mutta minä muistan myöskin, että siihen
aikaan Herodes puhdistutti Betesdan lammikon. Muistan, että hänen
työmiehensä sen pohjasta löysivät elämänpuun, joka oli ollut
Salomon palatsin seinässä, ja he heittivät tuon paksun hirren
rannalle."
"Mutta muistatko", jatkoi kalliotemppelin ääni ylvästellen,
"muistatko tuota loistavaa kaupunkia, jossa Juudan ruhtinaat ja
kansa asuivat Siionilla ja muukalaiset Besetan ympäristössä?
Muistatko Mariamne- ja Antonia-linnoja? Muistatko kaupungin
vankkoja portteja? Muistatko sen ympärysmuuria, jota lukuisat tornit
vahvistivat?"

"Tuo kaikki on pysynyt muistossani", kuului kirkolta päin, "mutta
myöskin se, että samaan aikaan raatimies Joosef Arimatialainen
hakkautti haudan yrttitarhaansa, aivan Golgatan lähelle."
Moskeijan ääni hieman vavahteli, mutta jatkoi kuitenkin
viipymättä:
"Muistatkos niitä suunnattomia kansanvaelluksia Jerusalemin
juhlille? Kuinka kaikki Palestiinan tiet aivan kuhisivat väkeä ja
mäenrinteet kaupungin vierellä olivat telttoja valkoisenaan. Kuinka
muukalaisia Roomasta ja Ateenasta, Damaskoksesta ja
Aleksandriasta tulvimalla tuli katsomaan temppelin ja kaupungin
ihanuutta. Muistatko Jerusalemia niin uljaana?"
Kellonsointu vastasi kiihottumatta ja vakavasti: "Tosin en tuota ole
unohtanut, mutta en sitäkään, että siihen aikaan Pilatuksen pyövelit
löysivät elämänpuun Betesdan lammikon partaalta ja siitä laittoivat
ristin jotakin kuolemaantuomittua pahantekijää varten."
"Aina sinuun tosin on halveksien katsottu", kuului moskeijasta
katkeran loukkaavasti. "Tähän asti sinä kumminkin olit ollut vain
vähäpätöinen maan näppylä. Mutta silloin sinuun ikuinen häpeätahra
tarttui, kun pyövelit käyttivät sinua mestauspaikkanaan. Eräänäkin
päivänä he nostivat kolme ristiä Golgatan kukkulalle."
"Hylkypaikka minä olisin, jos sitä päivää koskaan unohtaisin",
vastasi kirkko ylevin soinnuin, jotka kumpusivat ilmaan ikään kuin
hymninlaulajain säestäminä. "Ja muistan myöskin, että samaan
aikaan kun ristinpuu pystytettiin Golgatan kalliomäelle, toimitettiin
Moorian vuorella suurta pääsiäisuhria. Israelilaiset astuivat
juhlapukuisina pilarien ympäröimille esipihoille, kantaen parilailla
uhrilampaita. Ja kun esipihat olivat niin täynnä väkeä, ettei enempää

Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade
Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.
Let us accompany you on the journey of exploring knowledge and
personal growth!
ebookname.com

Components of Variance 1st Edition D.R. Cox (Author)

About This Presentation

Slide Content

Tags

Categories

Download

Quick Actions

Statistics

Related Slideshows

Components of Variance 1st Edition D.R. Cox (Author)

About This Presentation

Slide Content

Slide 1

Slide 2

Slide 3

Slide 4

Slide 6

Slide 7

Slide 8

Slide 10

Slide 11

Slide 12

Slide 13

Slide 14

Slide 15

Slide 16

Slide 17

Slide 18

Slide 19

Slide 20

Slide 21

Slide 22

Slide 23

Slide 24

Slide 25

Slide 26

Slide 27

Slide 28

Slide 29

Slide 30

Slide 31

Slide 32

Slide 33

Slide 34

Slide 35

Slide 36

Slide 37

Slide 38

Slide 39

Slide 40

Slide 41

Slide 42

Slide 43

Slide 44

Slide 45

Slide 46

Slide 47

Slide 48

Slide 49

Slide 50

Slide 51

Slide 52

Slide 53

Slide 54

Slide 55

Slide 56

Slide 57

Slide 58

Slide 59

Slide 60

Slide 61

Slide 62

Slide 63

Slide 64

Slide 65

Slide 66

Tags

Categories

Download

Quick Actions

Statistics

Related Slideshows

TLE-9-Prepare-Salad-and-Dressing.pptxkkk

LESSON 1 ABOUT MEDIA AND INFORMATION.pptx

GRADE-8-AQUACULTURE-WEEKQ1.pdfdfawgwyrsewru

Feelings PP Game FOR CHILDREN IN ELEMENTARY SCHOOL.pptx

Jeopardy_Figures_of_Speech_Template.pptx [Autosaved].pptx

Jeopardy_Figures_of_Speech.pptxvdsvdsvsdvsd