Kim był Chester Bliss?
Chester Ittner Bliss (1899–1979) był entomologiem, który został biometrykiem i nauczył pokolenie biologów i statystyków owocnej współpracy (Greenberg, 1980). Urodził się 1 lutego 1899 r. w Springfield w stanie Ohio. W 1921 r. ukończył entomologię na Ohio State University, a na Uniwersytecie Columbia, jako stypendysta u Thomasa H. Morgana badający muszkę owocową, uzyskał magisterium (1922) i doktorat z zoologii (1926). W latach 1926–1933 był entomologiem w Departamencie Rolnictwa USA, głównie w pracy terenowej nad zwalczaniem owadów (Cochran i Finney, 1979).
Gdy w czasie kryzysu w 1933 r. zlikwidowano jego jednostkę, wyjechał do Londynu, by przez dwa lata uczyć się statystyki u Ronalda Fishera; zaprzyjaźnili się na całe życie (Greenberg, 1980). Po pobycie w Leningradzie od 1938 r. aż do emerytury był biometrykiem stacji doświadczalnej rolnictwa stanu Connecticut w New Haven, a od 1942 r. przez 25 lat wykładał biometrię na Uniwersytecie Yale. Opublikował ponad 130 prac statystycznych, głównie o biotestach. Zmarł 14 marca 1979 r. w New Haven (Cochran i Finney, 1979).
Najważniejsze pomysły
- Metoda probitów (1934). W krótkiej notatce w „Science” Bliss nazwał probitem przekształcenie odsetka zabitych owadów na „jednostki prawdopodobieństwa” (Bliss, 1934; Greenberg, 1980). Probit to odchylenie normalne odpowiadające odsetkowi, powiększone o stałą, żeby prawie zawsze było dodatnie (Cramer, 2002); w przykładzie dodajemy 5. Zob. regresja probitowa i zależność dawka–odpowiedź.
- Największa wiarygodność dla probitów. Z pomocą Fishera opracował iteracyjną metodę znajdowania estymatorów największej wiarygodności w metodzie probitów (Cochran i Finney, 1979) – jeden z pierwszych opublikowanych przykładów tej techniki. W 1935 r. ogłosił w „Annals of Applied Biology” trzy prace o krzywych dawka–śmiertelność; do pierwszej Fisher dopisał dodatek o przypadku, gdy nie przeżył żaden osobnik (Greenberg, 1980).
- Biotesty i nie tylko. Szacował moc witamin, insuliny, penicyliny i insektycydów, napisał książkę „The Statistics of Bioassay” (1952), przygotował standardową tablicę przekształcenia kątowego (arcus sinus) i pisał o dopasowaniu rozkładu ujemnego dwumianowego (Cochran i Finney, 1979).
- Towarzystwo Biometryczne. Zorganizował pierwszą Międzynarodową Konferencję Biometryczną w Woods Hole (5–6 września 1947 r.), na której powstało Biometric Society, i został jego pierwszym sekretarzem (Greenberg, 1980). Według Williama Cochrana razem z Gertrude Cox wyprowadził młode towarzystwo na prostą (Cochran i Finney, 1979).
Ciekawostka
Twarożek i sałatka owocowa. W nekrologu William Cochran opowiedział rodzinną anegdotę. Bliss gościł latem u Cochranów na Cape Cod i na schodach ganku wykładał gospodarzowi test istotności, nad którym pracował. Córka Cochrana przygotowywała obiad i zapytała gościa, czy zje twarożek z sałatką owocową. Bliss starannie rozważył pytanie i poprosił o podanie obu rzeczy osobno. Dziewczynka cierpliwie oddzieliła owoce od sera i opłukała je. Przy stole Bliss, wciąż pochłonięty testem, wylał sałatkę na twarożek i energicznie wymieszał (Cochran i Finney, 1979).
W tym samym nekrologu David Finney wspomina, że z Blissem spierali się w długich listach, czasem gwałtownie, ale nigdy się nie pokłócili.
Przykład na historycznych danych
Zbiór fbeetle z pakietu VGAM to – według pliku pomocy – dane z tabeli IV pracy Blissa „The calculation of the dosage-mortality curve” z 1935 r.: połączone dwie serie doświadczeń, w których dorosłe chrząszcze Tribolium confusum przez 5 godzin wystawiano na gazowy dwusiarczek węgla (CS2) w różnych stężeniach. W 8 grupach było 481 chrząszczy, zginęło 291 – od 6 z 59 przy 49.06 mg/l do 60 z 60 przy 76.54 mg/l.
Regresja probitowa względem log10 stężenia daje nachylenie b = 19.73 (SE = 1.49, p < .001). Dawka zabijająca połowę owadów to LD50 = 59.00 mg/l, 95% przedział ufności [58.00, 60.02] (metoda delta), a LD90 = 68.52 mg/l [66.79, 70.29]. Dewiancja resztowa wynosi 10.11 przy 6 stopniach swobody (p = .120). Funkcja logit dopasowuje się podobnie (11.22, p = .082), a model cloglog wyraźnie lepiej (3.44, p = .752; AIC 33.6 wobec 40.3 dla probitu). To nasze obliczenia, nie wyniki podane przez Blissa.
Na rysunku
Co widać. Najważniejsze pomysły statystyczne Bliss opracował w ciągu kilku lat po utracie pracy entomologa, a resztę życia spędził w jednym miejscu – w New Haven.
Na co uważać. Źródła różnią się co do pobytu w Leningradzie: Greenberg (1980) pisze o wyjeździe w 1935 r. na trzyletni kontrakt, Cochran i Finney (1979) oraz Cramer (2002) – o 1936 r.; wszyscy podają, że Bliss wrócił do USA w 1938 r. Rok przejścia na emeryturę to 1970 według Greenberga i 1971 według Cochrana i Finneya.
Podpis do pracy:
fbeetle z pakietu VGAM (według pliku pomocy – tabela IV pracy Blissa z 1935 r.). Obliczenia i rysunek: R, pakiety MASS, ggplot2 i patchwork (bez losowania).Co widać. Esowata krzywa z panelu A na skali probitów (B) staje się prostą, którą dawniej dopasowywano na papierze. Ostatnia grupa ma 100% zabitych, więc jej probit jest nieskończony i na wykresie odręcznym by zniknęła. Metoda największej wiarygodności wykorzystuje także ją – właśnie takiemu przypadkowi Fisher poświęcił dodatek do pracy Blissa.
Na co uważać. Kopie tych danych w pakietach R nie są identyczne: w zbiorze Beetle z pakietu MuMIn pierwsza grupa liczy 49 chrząszczy, a w fbeetle – 59. Oryginalnej tabeli nie mogliśmy porównać, bo strona wydawcy odmówiła dostępu. Punkty nad prostą w środku zakresu i lepsze dopasowanie modelu cloglog sugerują, że krzywa nie jest symetryczna.
Podpis do pracy:
Gdzie spotkasz Blissa w swojej pracy
- Model probitowy. Opcja
family = binomial(link = "probit")w R albo „Probit” w menu programów statystycznych nosi nazwę, którą nadał Bliss. Konkurencyjny logit zaproponował Joseph Berkson, wzorując nazwę na probicie (Cramer, 2002). - LD50, ED50, EC50. W toksykologii, farmakologii i ochronie roślin wynik podaje się jako dawkę dającą 50% odpowiedzi – z przedziałem ufności, jak w przykładzie.
- Przekształcenia proporcji. Tablica przekształcenia kątowego Blissa służyła do analizy wariancji odsetków; dziś zwykle lepszy jest model dwumianowy.
Spory, mity i trudne strony
- Probit czy logit? Przez lata biometryczny „establishment” uważał probit za lepszy, bo wynika z normalnego rozkładu wrażliwości osobników, a logit – za podejrzany. W praktyce obie krzywe są bardzo podobne, a logit łatwiej było liczyć ręcznie (Cramer, 2002).
- Kto wynalazł probit? Zwykle przypisuje się go Gaddumowi (praca z 1933 r.) i Blissowi, ale przekształcanie odsetków na odchylenia normalne sięga Fechnera w XIX w. (Cramer, 2002). Greenberg (1980) zaznacza, że Bliss mógł nie znać pracy Gadduma.
- Leningrad. Według Cramera (2002) pracę w Instytucie Ochrony Roślin znalazł Blissowi Fisher, a warunki polityczne nie sprzyjały tam poważnej pracy. Bliss wykładał, doradzał i badał działanie trucizn (Cochran i Finney, 1979), opublikował kilka prac po rosyjsku i wyjechał po dwóch latach trzyletniego kontraktu (Greenberg, 1980).
Probity Blissa w R
Kod wczytuje dane chrząszczy z pakietu VGAM, liczy empiryczne probity, dopasowuje regresję probitową, wyznacza LD50 i LD90 z 95% przedziałami ufności (MASS::dose.p), porównuje dopasowanie funkcji probit, logit i cloglog i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.
1. Chrząszcze i dwusiarczek węgla: rysunek 2
Kod R rysunku 2
# Chester Bliss: probity i LD50 dla chrząszczy Tribolium confusum (zbiór fbeetle z pakietu VGAM, Bliss 1935)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(MASS)})
kol <- c(probit = "#0072B2", ld50 = "#D55E00", dane = "grey20") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "none")
data(fbeetle, package = "VGAM") # 8 grup chrząszczy, 5 godzin w dwusiarczku węgla (CS2)
chrzaszcze <- fbeetle
chrzaszcze$odsetek <- round(chrzaszcze$dead / chrzaszcze$n, 3)
chrzaszcze$probit_emp <- round(qnorm(chrzaszcze$dead / chrzaszcze$n) + 5, 2) # probit empiryczny: odchylenie normalne + stała 5 (wartości dodatnie)
chrzaszcze
c(owady = sum(chrzaszcze$n), zabite = sum(chrzaszcze$dead))
# Regresja probitowa: P(zgon) = Φ(a + b · log10 dawki)
m_probit <- glm(cbind(dead, n - dead) ~ logdose, family = binomial(link = "probit"), data = chrzaszcze)
round(summary(m_probit)$coefficients, 3)
# LD50: dawka zabijająca połowę owadów, z 95% CI (metoda delta na skali log10, potem przeliczenie na mg/l)
ld <- dose.p(m_probit, p = c(0.5, 0.9))
se <- attr(ld, "SE")[, 1]
round(data.frame(mg_l = 10^as.numeric(ld), CI_dolna = 10^(as.numeric(ld) - 1.96 * se),
CI_gorna = 10^(as.numeric(ld) + 1.96 * se), row.names = c("LD50", "LD90")), 2)
# Dopasowanie: dewiancja resztowa (test chi-kwadrat) i porównanie z funkcjami logit i cloglog
m_logit <- update(m_probit, family = binomial(link = "logit"))
m_cloglog <- update(m_probit, family = binomial(link = "cloglog"))
dop <- sapply(list(probit = m_probit, logit = m_logit, cloglog = m_cloglog),
function(m) c(dewiancja = deviance(m), df = df.residual(m),
p = pchisq(deviance(m), df.residual(m), lower.tail = FALSE), AIC = AIC(m)))
round(t(dop), 3)
LD50 <- 10^as.numeric(ld[1]); LD50_ci <- 10^(as.numeric(ld[1]) + c(-1.96, 1.96) * se[1])
# Rysunek 2A: odsetek zabitych chrząszczy i krzywa probitowa (oś x logarytmiczna)
siatka <- data.frame(logdose = seq(1.67, 1.90, length.out = 200))
siatka$p <- predict(m_probit, newdata = siatka, type = "response")
pA <- ggplot(chrzaszcze, aes(10^logdose, odsetek)) +
geom_line(data = siatka, aes(10^logdose, p), colour = kol[["probit"]], linewidth = 1.2) +
geom_point(aes(size = n), shape = 21, fill = "white", colour = kol[["dane"]], stroke = 1) +
annotate("segment", x = LD50_ci[1], xend = LD50_ci[2], y = 0.5, yend = 0.5, colour = kol[["ld50"]], linewidth = 2.5) +
annotate("point", x = LD50, y = 0.5, shape = 18, size = 5, colour = kol[["ld50"]]) +
annotate("text", x = 48.5, y = 0.62, hjust = 0, size = 3.5, colour = kol[["ld50"]],
label = sprintf("LD50 = %.1f mg/l\n95%% CI [%.1f, %.1f]", LD50, LD50_ci[1], LD50_ci[2]), lineheight = 0.9) +
scale_x_log10(breaks = c(50, 55, 60, 65, 70, 75)) +
scale_size_area(max_size = 4.5) +
labs(title = "A. Odsetek zabitych i krzywa probitowa", x = "Stężenie CS2 (mg/l, skala log)", y = "Odsetek zabitych chrząszczy") +
motyw
# Rysunek 2B: na skali probitów krzywa staje się prostą; grupa ze 100% zabitych nie ma skończonego probitu
skonczone <- subset(chrzaszcze, is.finite(probit_emp))
prosta <- data.frame(logdose = c(1.68, 1.89))
prosta$probit <- predict(m_probit, newdata = prosta) + 5
pB <- ggplot(skonczone, aes(logdose, probit_emp)) +
geom_line(data = prosta, aes(logdose, probit), colour = kol[["probit"]], linewidth = 1.2) +
geom_point(shape = 21, size = 3, fill = "white", colour = kol[["dane"]], stroke = 1) +
annotate("segment", x = max(chrzaszcze$logdose), xend = max(chrzaszcze$logdose), y = 6.9, yend = 7.55,
arrow = arrow(length = unit(0.25, "cm")), colour = kol[["ld50"]], linewidth = 0.9) +
annotate("text", x = max(chrzaszcze$logdose) + 0.004, y = 7.9, hjust = 1, size = 3.4, colour = kol[["ld50"]],
label = "60 z 60 zabitych:\nprobit nieskończony") +
annotate("text", x = 1.895, y = 3.2, hjust = 1, size = 3.4, colour = kol[["probit"]],
label = sprintf("probit = %.1f + %.1f · log10(dawka) + 5", coef(m_probit)[1], coef(m_probit)[2])) +
scale_y_continuous(limits = c(2.9, 8.1), breaks = 3:8) +
labs(title = "B. Te same dane na skali probitów", x = "log10 stężenia CS2", y = "Probit (odchylenie normalne + 5)") +
motyw
p2 <- pA + pB
p2Wynik w R
logdose CS2mgL n dead odsetek probit_emp
1 1.690728 49.06 59 6 0.102 3.73
2 1.724194 52.99 60 13 0.217 4.22
3 1.755189 56.91 62 18 0.290 4.45
4 1.784189 60.84 56 28 0.500 5.00
5 1.811307 64.76 63 52 0.825 5.94
6 1.836894 68.69 59 53 0.898 6.27
7 1.860996 72.61 62 61 0.984 7.14
8 1.883888 76.54 60 60 1.000 Inf
owady zabite
481 291
Estimate Std. Error z value Pr(>|z|)
(Intercept) -34.939 2.648 -13.195 0
logdose 19.730 1.487 13.266 0
mg_l CI_dolna CI_gorna
LD50 59.00 58.00 60.02
LD90 68.52 66.79 70.29
dewiancja df p AIC
probit 10.107 6 0.120 40.305
logit 11.221 6 0.082 41.419
cloglog 3.440 6 0.752 33.6382. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Chester Ittner Bliss, 1899–1979 – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1899, 1921, 1926, 1933, 1934, 1936, 1938, 1947, 1952, 1979),
opis = c("urodził się\nw Springfield (Ohio)", "licencjat z entomologii\n(Ohio State)", "doktorat z zoologii (Columbia);\nentomolog w USDA",
"Londyn: praca\nz R. A. Fisherem", "„The method of probits”\n(Science)", "Leningrad: Instytut\nOchrony Roślin",
"biometryk stacji rolniczej\nw Connecticut (New Haven)", "współzałożyciel Biometric\nSociety, sekretarz",
"„The Statistics\nof Bioassay”", "zmarł\nw New Haven"),
rodzaj = c("życie", "praca", "praca", "praca", "publikacja", "praca", "praca", "praca", "publikacja", "życie"))
# Gęste lata 1921–1952: etykiety nad (1) i pod (−1) osią, na dwóch wysokościach, częściowo przesunięte w bok
zdarzenia$strona <- c(1, -1, 1, -1, 1, -1, 1, -1, 1, -1)
zdarzenia$poziom <- c(0.5, 0.5, 0.5, 1.2, 1.2, 0.5, 0.5, 1.2, 1.2, 0.5)
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.7, 0.9, 0.5, 0.05, 0.05, 0.05, 0.05, 0.5)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom * strona), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
geom_text(aes(y = (poziom + 0.07) * strona, label = paste0(rok, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie),
size = 3.3, lineheight = 0.9) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1890, 1988), breaks = seq(1900, 1980, by = 20)) +
scale_y_continuous(limits = c(-1.7, 1.9)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (regresja – glm() z pakietu stats, LD50 – dose.p() z pakietu MASS, dane – pakiet VGAM; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
- VGAM (wersja 1.1.14): Yee, T. W. (2015). Vector generalized linear and additive models: With an implementation in R. Springer. https://doi.org/10.1007/978-1-4939-2818-7
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- 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 był Chester Bliss?
Amerykańskim entomologiem, który został biometrykiem (1899–1979). Po utracie pracy w Departamencie Rolnictwa USA w 1933 r. uczył się statystyki u R. A. Fishera w Londynie, a od 1938 r. był biometrykiem stacji doświadczalnej rolnictwa w Connecticut i wykładowcą Yale (Cochran i Finney, 1979).
Co to jest probit i skąd ta nazwa?
Probit to odsetek odpowiedzi (np. zabitych owadów) zamieniony na odchylenie normalne, powiększone o stałą, by było dodatnie. Nazwę – skrót od „probability unit”, jednostka prawdopodobieństwa – wprowadził Bliss w 1934 r. w „Science” (Bliss, 1934; Cramer, 2002).
Co to jest LD50 w metodzie probitów?
To dawka, przy której model przewiduje śmierć połowy osobników. Dla danych chrząszczy Blissa w dwusiarczku węgla regresja probitowa daje w R LD50 = 59.00 mg/l, 95% CI [58.00, 60.02].
Czy Bliss pracował z Fisherem?
Tak. W latach 1933–1935 pracował w Londynie z R. A. Fisherem, który pomógł mu opracować estymację największej wiarygodności dla probitów i dopisał dodatek do jego pracy z 1935 r. W 1953 r. znów pracowali razem w Cambridge, a Fisher dołączył do jego pracy notę o dopasowaniu rozkładu ujemnego dwumianowego (Greenberg, 1980).
Powiązane hasła
Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Bliss, C. I. (1934). The method of probits. Science, 79(2037), 38–39. https://doi.org/10.1126/science.79.2037.38
- Cochran, W. G., & Finney, D. J. (1979). Chester Ittner Bliss, 1899–1979. Biometrics, 35(4), 715–717. https://www.jstor.org/stable/2530102
- Cramer, J. S. (2002). The origins of logistic regression (Tinbergen Institute Discussion Paper 02-119/4). Tinbergen Institute. https://papers.tinbergen.nl/02119.pdf ● Otwarty dostęp
- Greenberg, B. G. (1980). Chester I. Bliss, 1899–1979. International Statistical Review, 48(1), 135–136. https://www.jstor.org/stable/1402441
Cytowania BibTeX
@article{bliss1934method, author={Bliss, C. I.}, title={{The method of probits}}, journal={Science}, year={1934}, volume={79}, number={2037}, pages={38--39}, doi={10.1126/science.79.2037.38}}@article{cochran1979chester, author={Cochran, William G. and Finney, David J.}, title={{Chester Ittner Bliss, 1899–1979}}, journal={Biometrics}, year={1979}, volume={35}, number={4}, pages={715--717}, url={https://www.jstor.org/stable/2530102}}@techreport{cramer2002origins, author={Cramer, Jan Salomon}, title={{The origins of logistic regression}}, year={2002}, institution={Tinbergen Institute}, url={https://papers.tinbergen.nl/02119.pdf}}@article{greenberg1980chester, author={Greenberg, B. G.}, title={{Chester I. Bliss, 1899–1979}}, journal={International Statistical Review}, year={1980}, volume={48}, number={1}, pages={135--136}, url={https://www.jstor.org/stable/1402441}}