Słownik metodologiczny · Ludzie statystyki

Bradley Efron (ur. 1938) – kim jest i co wniósł do statystyki

Bradley Efron dał statystyce bootstrap – metodę szacowania niepewności przez losowanie ze zwracaniem z własnej próby – i lepsze bootstrapowe przedziały ufności BCa. Przedstawiamy jego biografię naukową, oś czasu i bootstrap korelacji na danych cd4 w R.

Strona główna / Słownik / Bradley Efron
W skrócie: Bradley Efron (ur. 1938) – amerykański statystyk ze Stanford University, twórca bootstrapu (1979) i bootstrapowych przedziałów ufności BCa (1987), współautor podręcznika An Introduction to the Bootstrap (1993, wspólnie z R. Tibshiranim), prezes Institute of Mathematical Statistics i American Statistical Association (2004).

Kim jest Bradley Efron?

Bradley Efron (ur. 1938) to amerykański statystyk, profesor statystyki i biostatystyki na Stanford University, twórca bootstrapu – metody, która pozwala oszacować niepewność niemal dowolnej statystyki przez wielokrotne losowanie ze zwracaniem z własnej próby. Urodził się w 1938 r. w St. Paul w stanie Minnesota. Matematykę ukończył w California Institute of Technology (1960), a jesienią tego samego roku przyjechał na Stanford, gdzie zrobił doktorat ze statystyki pod kierunkiem Ruperta Millera i Herba Solomona (Holmes, 2003). Według magazynu absolwentów Stanforda magisterium uzyskał w 1962 r., a doktorat w 1964 r. (Stanford Magazine, 2004).

Ze Stanfordem jest związany od 1960 r., z urlopami naukowymi na Harvardzie, w Imperial College i w Berkeley. Był kierownikiem wydziału statystyki, prodziekanem ds. nauk ścisłych i przewodniczącym senatu wydziałowego. Kierował działem teorii i metod w Journal of the American Statistical Association, był prezesem Institute of Mathematical Statistics, a w 2004 r. – American Statistical Association. Wśród wyróżnień wywiad z 2003 r. wymienia stypendium MacArthura, członkostwo w National Academy of Sciences, Medal Wilksa i Nagrodę Rao (Holmes, 2003). Wiele jego prac wyrosło z konsultacji dla lekarzy ze Stanford Medical School.

Najważniejsze pomysły

  • Bootstrap (1979). W artykule o podtytule „inne spojrzenie na jackknife” Efron zaproponował ogólną metodę szacowania rozkładu statystyki z próby na podstawie samych danych i pokazał, że działa w wielu problemach – od wariancji mediany po parametry regresji. Starszy jackknife, rozwijany m.in. przez Johna Tukeya, przedstawił jako liniowe przybliżenie bootstrapu (Efron, 1979).
  • Lepsze przedziały ufności. W 1987 r. opisał bootstrapowe przedziały ufności, które same uwzględniają przekształcenia i korektę obciążenia; z nich wywodzi się przedział BCa (Efron, 1987). Przegląd z T. J. DiCiccio porównuje cztery procedury: BCa, bootstrap-t, ABC i kalibrację (DiCiccio i Efron, 1996).
  • Podręcznik. An Introduction to the Bootstrap z Robertem Tibshiranim (Efron i Tibshirani, 1993) obejmuje błąd standardowy i obciążenie z bootstrapu, jackknife, przedziały, testy permutacyjne i walidację krzyżową.
  • Inne pola. Wywiad z 2003 r. wymienia też analizę przeżycia, rodziny wykładnicze i zastosowania w astronomii i fizyce (Holmes, 2003).

Ciekawostka

Zanim Efron został jednym z najbardziej znanych statystyków Stanfordu, miał tam kłopoty dyscyplinarne. Jak podał magazyn absolwentów uczelni, w 1961 r., jako doktorant, redagował studenckie pismo humorystyczne Chaparral i po opublikowaniu parodii magazynu „Playboy” został na krótko zawieszony w prawach studenta (Stanford Magazine, 2004).

Jak długo trwało zawieszenie, nasze źródło nie podaje. Epizod nie przerwał jednak kariery: trzy lata później Efron miał doktorat, a po kolejnych kilkunastu – metodę dostępną dziś w większości programów statystycznych.

Przykład na historycznych danych

Zbiór cd4 z pakietu boot to liczba komórek CD4 (w setkach) u 20 pacjentów zakażonych HIV: na początku badania nowego leku i po roku jego przyjmowania. Plik pomocy podaje, że dane pochodzą z przeglądu przedziałów bootstrapowych DiCiccio i Efrona (1996). Pytamy, jak silnie wynik po roku zależy od wyniku wyjściowego – i jak niepewna jest ta korelacja przy n = 20.

U 18 z 20 pacjentów liczba CD4 wzrosła, a korelacja wyników wynosi r = .723. Klasyczny przedział z transformacji Fishera z, który zakłada normalność dwuwymiarową, to [.413, .883]. Jackknife – 20 korelacji liczonych bez jednego pacjenta – daje wartości od .668 do .748 i błąd standardowy 0.090. Bootstrap z 10 000 prób (losujemy ze zwracaniem całe pary wyników) daje prawie ten sam błąd standardowy, 0.091, i obciążenie −0.005. Rozkład bootstrapowy jest lewoskośny, więc przedziały się różnią: normalny [.550, .908], percentylowy [.504, .863], BCa [.488, .856]. BCa przesuwa przedział w stronę niższych korelacji. Nie twierdzimy, że DiCiccio i Efron uzyskali dokładnie te liczby – to nasza analiza ich metodą.

Na rysunku

Oś czasu od 1930 do 2010 z dziewięcioma zdarzeniami oznaczonymi kształtami: koło – życie, kwadrat – stanowisko, trójkąt – praca. 1938 urodzony w St. Paul w Minnesocie, 1960 dyplom z matematyki w Caltech i przyjazd na Stanford, 1961 redaktor pisma Chaparral, 1964 doktorat ze statystyki na Stanfordzie, 1979 artykuł o bootstrapie, 1987 lepsze przedziały bootstrapowe BCa, 1993 podręcznik bootstrapu z Tibshiranim, 1996 przegląd przedziałów z DiCiccio, 2004 prezes American Statistical Association
Rysunek 1. Wybrane daty z życia i pracy Bradleya Efrona. Daty według Holmes (2003), Stanford Magazine (2004) i lat publikacji cytowanych prac. Rysunek: R, pakiet ggplot2.

Co widać. Cała kariera Efrona toczy się na jednej uczelni. Między doktoratem a artykułem o bootstrapie minęło 15 lat; kolejne prace o przedziałach i podręcznik powstały w ciągu następnych 17.

Na co uważać. To wybór dziewięciu zdarzeń, a nie pełny życiorys – pomija m.in. funkcje uczelniane i nagrody bez daty w naszych źródłach. Rok przy pomyśle to rok publikacji.

Podpis do pracy:

Rysunek 1. Wybrane wydarzenia z życia i pracy Bradleya Efrona (ur. 1938). Uwaga. Opracowano na podstawie Holmes (2003).
Panel A: wykres rozrzutu 20 pacjentów, liczba CD4 na początku od 1.9 do 5.1 setek na osi x i po roku od 2.4 do 6.4 setek na osi y, z przerywaną przekątną bez zmiany; 18 punktów leży nad przekątną, 2 pod nią; tytuł podaje r = .723. Panel B: histogram 10 000 korelacji bootstrapowych, lewoskośny, z długim ogonem w stronę 0.2 i szczytem około 0.75; pionowa niebieska linia przy r = .723; pod histogramem dwa poziome odcinki: przerywany percentylowy od .504 do .863 i ciągły BCa od .488 do .856, przesunięty w lewo
Rysunek 2. Liczba komórek CD4 przed leczeniem i po roku (A) oraz rozkład bootstrapowy korelacji z 95% przedziałami percentylowym i BCa (B). Dane: boot::cd4 (DiCiccio i Efron, 1996, według pliku pomocy). Rysunek: R, pakiety boot, ggplot2 i patchwork; losowanie prób bootstrapowych z ziarnem set.seed(833).

Co widać. Na panelu A prawie wszyscy pacjenci leżą nad przekątną (wzrost CD4), a wyższy wynik wyjściowy idzie w parze z wyższym po roku. Na panelu B rozkład korelacji bootstrapowych nie jest symetryczny: ogon ciągnie się w stronę niskich wartości, bo korelacja nie może przekroczyć 1. Dlatego przedział BCa leży trochę niżej niż percentylowy.

Na co uważać. Przy 20 obserwacjach bootstrap nie wyczaruje informacji, której w próbie nie ma – pokazuje tylko, jak bardzo wynik zależy od tych 20 osób. Inne ziarno da granice różniące się na trzecim miejscu po przecinku. Korelacja nie mówi, czy lek działa: badanie nie ma grupy kontrolnej.

Podpis do pracy:

Rysunek 2. Liczba komórek CD4 (w setkach) na początku badania i po roku leczenia u 20 pacjentów (A) oraz rozkład korelacji w 10 000 próbach bootstrapowych (B). Uwaga. Linia przerywana na panelu A – brak zmiany; linia pionowa na panelu B – korelacja w próbie; odcinki – 95% przedziały percentylowy i BCa.

Gdzie spotkasz Efrona w swojej pracy

  • Mediacja i efekty pośrednie. Bootstrapowe przedziały efektu pośredniego (percentylowe albo BCa) to dziś standard w modelach mediacji i SEM.
  • Statystyki bez prostego wzoru na błąd. Mediana, różnica median, iloraz – wszędzie tam bootstrap daje błąd standardowy i przedział. Krok po kroku pokazuje to wpis Bootstrap i test permutacyjny krok po kroku, a w programie z menu – Bootstrap w SPSS.
  • Małe próby i skośne rozkłady. Gdy nie ufasz założeniu normalności, przedział BCa jest bezpieczniejszy niż przedział normalny. Jak wyglądają te przedziały na obrazkach, pokazuje wpis Bootstrap – wizualizacja na obrazkach.
  • Ocena modeli predykcyjnych. Bootstrap i walidacja krzyżowa służą do oceny, jak model poradzi sobie na nowych danych.

Spory, mity i trudne strony

„Bootstrap tworzy nowe dane”. Nie – losuje ze zwracaniem z tych samych obserwacji. Dobrze przybliża rozkład statystyki tylko wtedy, gdy próba dobrze reprezentuje populację.

„Bootstrap działa zawsze”. Są statystyki, dla których zawodzi, np. maksimum próby; przy danych zależnych (szeregi czasowe, skupienia) trzeba losować bloki lub całe skupienia, a nie pojedyncze obserwacje.

„Przedział percentylowy wystarczy”. Przy skośnym rozkładzie bootstrapowym może być przesunięty. BCa sam uwzględnia przekształcenia i korektę obciążenia, dlatego Efron (1987) nazwał takie przedziały lepszymi. Za cenę większej liczby prób – przy BCa bierz co najmniej kilka tysięcy.

Przykład reprodukowalny

Efron w R

Kod rysuje oś czasu, liczy korelację, przedział z transformacji Fishera, jackknife, 10 000 prób bootstrapowych oraz przedziały normalny, percentylowy i BCa. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

Oś czasu, jackknife i bootstrap korelacji na danych cd4

Dane wejściowe: data(cd4, package = "boot") – 20 pacjentów, liczba CD4 (w setkach) na początku i po roku; daty osi czasu z cytowanych źródeł. Losowanie prób bootstrapowych: set.seed(833), R = 10 000.

Co odczytać: r, przedział Fishera, błędy standardowe z jackknife i bootstrapu, obciążenie i trzy przedziały bootstrapowe.

Kod R rysunków 1 i 2
# Bradley Efron: oś czasu, jackknife i bootstrap korelacji z przedziałami percentylowym i BCa na danych cd4
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(boot)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", szary = "grey45")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))

# 1. Oś czasu (lata według Holmes 2003, Stanford Magazine 2004 i dat publikacji cytowanych prac)
zdarzenia <- data.frame(
  rok = c(1938, 1960, 1961, 1964, 1979, 1987, 1993, 1996, 2004),
  opis = c("urodzony w St. Paul\n(Minnesota)", "dyplom z matematyki (Caltech),\nprzyjazd na Stanford", "redaktor pisma\nChaparral",
           "doktorat ze statystyki\n(Stanford)", "artykuł o bootstrapie", "lepsze przedziały\nbootstrapowe (BCa)",
           "podręcznik bootstrapu\n(z Tibshiranim)", "przegląd przedziałów\n(z DiCiccio)", "prezes American\nStatistical Association"),
  rodzaj = c("życie", "stanowisko", "życie", "stanowisko", "praca", "praca", "praca", "praca", "stanowisko"))
zdarzenia$y <- c(1.2, -1.1, 2.3, -2.4, 1.2, -1.1, 2.3, -2.4, 1.2)   # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60") +
  geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.2, lineheight = 0.9, linewidth = 0.2) +
  scale_shape_manual(values = c("życie" = 21, "stanowisko" = 22, "praca" = 24), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["szary"]], "stanowisko" = oi[["niebieski"]], "praca" = oi[["cynober"]]), name = NULL) +
  scale_x_continuous(breaks = seq(1930, 2010, 10), limits = c(1928, 2014)) + scale_y_continuous(limits = c(-2.9, 2.8)) +
  labs(title = "Bradley Efron (ur. 1938)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. Dane: liczba komórek CD4 (w setkach) u 20 pacjentów z HIV na początku i po roku leczenia (DiCiccio i Efron 1996)
data(cd4, package = "boot")
r <- cor(cd4$baseline, cd4$oneyear)
round(r, 3)
# U ilu pacjentów liczba CD4 po roku wzrosła
sum(cd4$oneyear > cd4$baseline)
# Klasyczny przedział oparty na transformacji z Fishera (zakłada normalność dwuwymiarową)
round(cor.test(cd4$baseline, cd4$oneyear)$conf.int, 3)
# Jackknife: 20 korelacji liczonych bez jednego pacjenta i błąd standardowy
n <- nrow(cd4)
r_bez <- sapply(seq_len(n), function(i) cor(cd4$baseline[-i], cd4$oneyear[-i]))
se_jack <- sqrt((n - 1) / n * sum((r_bez - mean(r_bez))^2))
round(c(min = min(r_bez), max = max(r_bez), se_jackknife = se_jack), 3)
# Bootstrap: 10 000 prób losowanych ze zwracaniem par (baseline, oneyear)
korelacja <- function(d, i) cor(d$baseline[i], d$oneyear[i])
set.seed(833)
b <- boot(cd4, korelacja, R = 10000)
round(c(se_bootstrap = sd(b$t[, 1]), obciazenie = mean(b$t[, 1]) - r), 3)
# Udział prób bootstrapowych z korelacją poniżej obserwowanej (BCa koryguje m.in. tę asymetrię)
round(mean(b$t[, 1] < r), 3)
przedzialy <- boot.ci(b, conf = 0.95, type = c("norm", "perc", "bca"))
przedzialy
pc <- przedzialy$percent[4:5]; bca <- przedzialy$bca[4:5]

p_rozrzut <- ggplot(cd4, aes(baseline, oneyear)) +
  geom_abline(intercept = 0, slope = 1, linetype = "dashed", colour = "grey50") +
  geom_point(colour = oi[["niebieski"]], size = 2.6) +
  annotate("text", x = 5.05, y = 5.3, label = "bez zmiany (y = x)", angle = 45, colour = "grey35", size = 3.4) +
  coord_equal(xlim = c(1.5, 6.5), ylim = c(1.5, 6.5)) +
  labs(title = paste0("A. CD4 przed i po roku, r = ", sub("^0", "", sprintf("%.3f", r))), x = "CD4 na początku (setki)", y = "CD4 po roku (setki)") + motyw
przedz_df <- data.frame(metoda = c("percentylowy", "BCa"), dolna = c(pc[1], bca[1]), gorna = c(pc[2], bca[2]), y = c(-60, -150))
p_boot <- ggplot(data.frame(r = b$t[, 1]), aes(r)) +
  geom_histogram(binwidth = 0.02, boundary = 1, fill = "grey80", colour = "white") +
  geom_vline(xintercept = r, colour = oi[["niebieski"]], linewidth = 0.9) +
  geom_errorbar(data = przedz_df, aes(xmin = dolna, xmax = gorna, y = y, linetype = metoda), inherit.aes = FALSE,
                orientation = "y", width = 50, colour = oi[["cynober"]], linewidth = 0.9) +
  scale_linetype_manual(values = c("percentylowy" = "22", "BCa" = "solid"), name = "95% przedział:") +
  labs(title = "B. 10 000 korelacji bootstrapowych", x = "Korelacja w próbie bootstrapowej", y = "Liczba prób") +
  motyw + theme(legend.position = "bottom")
p_metoda <- p_rozrzut + p_boot + plot_layout(widths = c(1, 1.25))
p_os
p_metoda
Wynik w R
[1] 0.723
[1] 18
[1] 0.413 0.883
attr(,"conf.level")
[1] 0.95
         min          max se_jackknife 
       0.668        0.748        0.090 
se_bootstrap   obciazenie 
       0.091       -0.005 
[1] 0.466
BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
Based on 10000 bootstrap replicates

CALL : 
boot.ci(boot.out = b, conf = 0.95, type = c("norm", "perc", "bca"))

Intervals : 
Level      Normal             Percentile            BCa          
95%   ( 0.5497,  0.9075 )   ( 0.5039,  0.8630 )   ( 0.4876,  0.8562 )  
Calculations and Intervals on Original Scale

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (korelacja i przedział Fishera – funkcje bazowe cor() i cor.test(); bootstrap i przedziały – boot::boot() i boot::boot.ci(); rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. boot (wersja 1.3-32): Canty, A., & Ripley, B. (2025). boot: Bootstrap functions (R package version 1.3-32) [Computer software]. https://doi.org/10.32614/CRAN.package.boot
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim jest Bradley Efron?

Amerykańskim statystykiem (ur. 1938), profesorem statystyki i biostatystyki na Stanford University. Matematykę ukończył w Caltech (1960), doktorat ze statystyki zrobił na Stanfordzie. Jest twórcą bootstrapu, był prezesem Institute of Mathematical Statistics i American Statistical Association (2004).

Co to jest bootstrap Efrona?

Metoda z 1979 r.: z własnej próby losujesz ze zwracaniem wiele prób tej samej wielkości, w każdej liczysz statystykę, a rozkład tych wyników służy do oszacowania błędu standardowego, obciążenia i przedziału ufności. Działa także dla statystyk, dla których nie ma prostego wzoru na błąd.

Jak Efron połączył jackknife z bootstrapem?

W artykule z 1979 r. o podtytule „inne spojrzenie na jackknife” przedstawił starszy jackknife (liczenie statystyki n razy, za każdym razem bez jednej obserwacji) jako liniowe przybliżenie bootstrapu, który losuje ze zwracaniem tysiące prób. Na danych cd4 oba dają podobny błąd standardowy korelacji (0.090 i 0.091).

Za co Efron jest najbardziej znany poza samym bootstrapem?

Za bootstrapowe przedziały ufności – zwłaszcza BCa, opisany w artykule „Better bootstrap confidence intervals” (1987), który koryguje obciążenie i skośność rozkładu bootstrapowego – oraz za podręcznik An Introduction to the Bootstrap (1993, wspólnie z Robertem Tibshiranim).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. DiCiccio, T. J., & Efron, B. (1996). Bootstrap confidence intervals. Statistical Science, 11(3), 189–228. https://doi.org/10.1214/ss/1032280214 ● Otwarty dostęp
  2. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552 ● Otwarty dostęp
  3. Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American Statistical Association, 82(397), 171–185. https://doi.org/10.1080/01621459.1987.10478410
  4. Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall.
  5. Holmes, S. (2003). Bradley Efron: A conversation with good friends. Statistical Science, 18(2), 268–281. https://doi.org/10.1214/ss/1063994981
  6. Stanford Magazine. (2004). What you don’t know about statisticians. Stanford Magazine. https://stanfordmag.org/contents/what-you-don-t-know-about-statisticians ● Otwarty dostęp

Cytowania BibTeX

@article{diciccio1996bootstrap, author={DiCiccio, Thomas J. and Efron, Bradley}, title={{Bootstrap confidence intervals}}, journal={Statistical Science}, year={1996}, volume={11}, number={3}, pages={189--228}, doi={10.1214/ss/1032280214}}
@article{efron1979bootstrap, author={Efron, Bradley}, title={{Bootstrap methods: Another look at the jackknife}}, journal={The Annals of Statistics}, year={1979}, volume={7}, number={1}, pages={1--26}, doi={10.1214/aos/1176344552}}
@article{efron1987better, author={Efron, Bradley}, title={{Better bootstrap confidence intervals}}, journal={Journal of the American Statistical Association}, year={1987}, volume={82}, number={397}, pages={171--185}, doi={10.1080/01621459.1987.10478410}}
@book{efron1993introduction, author={Efron, Bradley and Tibshirani, Robert J.}, title={{An introduction to the bootstrap}}, year={1993}, publisher={Chapman \& Hall}}
@article{holmes2003bradley, author={Holmes, Susan}, title={{Bradley Efron: A conversation with good friends}}, journal={Statistical Science}, year={2003}, volume={18}, number={2}, pages={268--281}, doi={10.1214/ss/1063994981}}
@article{stanfordmagazine2004what, author={{Stanford Magazine}}, title={{What you don’t know about statisticians}}, journal={Stanford Magazine}, year={2004}, number={March/April}, publisher={Stanford Alumni Association}, url={https://stanfordmag.org/contents/what-you-don-t-know-about-statisticians}}
R