Kim była Elizabeth L. Scott?
Elizabeth Leonard Scott (1917–1988) urodziła się 23 listopada 1917 r. w Fort Sill w Oklahomie, gdzie w czasie I wojny światowej stacjonował jej ojciec. Gdy miała cztery lata, rodzina przeniosła się do Berkeley i odtąd całe jej życie zawodowe wiązało się z Uniwersytetem Kalifornijskim (Billard i Ferber, 1991). Studiowała astronomię: licencjat uzyskała w 1939 r., a doktorat z astronomii w 1949 r. pod kierunkiem Trumplera (UC Berkeley Department of Astronomy, b.d.).
Jeszcze w czasie studiów doktoranckich porzuciła asystenturę z astronomii, by pracować z Jerzym Neymanem przy projekcie wojennym w jego Laboratorium Statystycznym (Webb i Robertson, 2007). W 1951 r. została asystentem profesora matematyki w Berkeley, w połowie lat 50. przeszła do nowo utworzonego Wydziału Statystyki, a w latach 1968–1973 nim kierowała. Była prezeską Institute of Mathematical Statistics (1977–1978) i Bernoulli Society (1983–1984), wiceprezeską International Statistical Institute (1981–1983), a Royal Statistical Society nadało jej członkostwo honorowe (1981). Zmarła 20 grudnia 1988 r. w Berkeley (Webb i Robertson, 2007).
Najważniejsze pomysły
- Problem Neymana–Scotta (1948). W „Econometrice” Neyman i Scott (1948) opisali estymację przy obserwacjach „częściowo zgodnych”. Druga część jej doktoratu dotyczyła zresztą zgodnych estymatorów liniowej relacji strukturalnej dwóch zmiennych (Webb i Robertson, 2007). Od tej pracy pochodzi nazwa problemu, w którym liczba parametrów ubocznych rośnie razem z próbą, a metoda największej wiarygodności przestaje dawać estymator zgodny – pokazujemy to niżej na symulacji.
- Statystyka w astronomii. W latach 1949–1964 opublikowała ponad 30 prac astronomicznych (UC Berkeley Department of Astronomy, b.d.), m.in. o nierównomiernym rozkładzie galaktyk (z astronomem C. D. Shane’em) i – wspólnie z Neymanem – o statystycznym podejściu do kosmologii (Webb i Robertson, 2007).
- Efekt Scotta (1957). Scott (1957) pokazała, że gdy jako miarę odległości bierze się najjaśniejszą galaktykę gromady, selekcja gromad do obserwacji sprawia, że odległości wychodzą niedoszacowane – najsilniej blisko granicy możliwości teleskopu. To klasyczny przykład błędu selekcji.
- Modyfikacja pogody. Ponad 20 prac o sztucznym wywoływaniu opadów, prawie wszystkie z Neymanem, m.in. analiza szwajcarskiego doświadczenia z ograniczaniem gradu (1957–1963).
- Płace i kariery kobiet. W 1970 r. współkierowała podkomisją Senatu Akademickiego w Berkeley, której 78-stronicowy raport opisał różnice w płacach, zatrudnianiu i awansach kobiet. Jej metody oparte na regresji wielokrotnej uczelnie stosowały później do korekt płac (Webb i Robertson, 2007); o naprawianiu wykrytych w ten sposób nierówności pisała z Mary Gray (Gray i Scott, 1980).
Ciekawostka
Do statystyki Scott doprowadziły po części zamknięte drzwi obserwatoriów. Jak sama wspominała, kobietom nie wolno było korzystać z dużych teleskopów – 60- i 100-calowego – w obserwatorium Mount Wilson; uznała więc, że jako matematyczka i statystyczka będzie miała więcej możliwości badawczych niż jako astronomka (UC Berkeley Department of Astronomy, b.d.). Kierownik jej wydziału załatwił jej letnie asystentury w Lick Observatory, gdzie mogła obserwować (Webb i Robertson, 2007).
Astronomii nie porzuciła: pierwszą pracę naukową, o kometach, opublikowała w wieku 22 lat, a jej ciotką ze strony matki była astronomka Phoebe Waterman Haas (UC Berkeley Department of Astronomy, b.d.). Paradoksalnie najbardziej znanym jej wkładem do astronomii stała się właśnie analiza tego, jak ograniczenia obserwacji zniekształcają wnioski.
Przykład: problem parametrów ubocznych w symulacji
Dane są fikcyjne. Każda z n osób ma własną prawdziwą średnią (np. własny poziom ciśnienia – to parametry uboczne), a mierzymy ją k razy z tym samym błędem pomiaru σ = 5, czyli σ² = 25 (parametr strukturalny). Średnie osób losujemy z N(120, 15²); parametry dobraliśmy ręcznie, ziarna to set.seed(1948) i set.seed(1949).
Estymator największej wiarygodności wariancji dzieli sumę kwadratów odchyleń od średnich osób przez nk. Przy dwóch pomiarach na osobę średnio daje 12.5 przy 10 osobach i 12.51 przy 10 000 osób – więcej danych nie przybliża go do 25, tylko zawęża przedział wokół złej wartości (90% symulacji przy n = 10 000: 12.21–12.80). Wersja poprawiona, dzieląca przez n(k − 1), czyli przez właściwe stopnie swobody, daje 25.01 (24.43–25.59). Przy n = 2000 granica estymatora ML zależy od k: 12.54 dla k = 2, 20.03 dla k = 5 i 23.75 dla k = 20, zgodnie z wartością σ²(k − 1)/k.
Na rysunku
Co widać. Astronomia i statystyka biegną u Scott równolegle: praca z Neymanem z 1948 r. powstaje przed doktoratem z astronomii, a efekt Scotta – gdy jest już na wydziale matematyki.
Na co uważać. Źródła różnie podają imię promotora (Robert lub Donald Trumpler), dlatego piszemy tylko nazwisko. Rok przejścia do Wydziału Statystyki (1955/1956) pominęliśmy na osi.
Podpis do pracy:
Co widać. W panelu A pasmo estymatora ML kurczy się wraz z n, ale wokół połowy prawdziwej wariancji: obciążenie nie znika, bo każda nowa osoba wnosi nowy parametr uboczny (własną średnią). Panel B pokazuje, że problem słabnie dopiero, gdy rośnie liczba pomiarów na osobę.
Na co uważać. Tu wystarcza prosta poprawka stopni swobody; w modelach nieliniowych (np. logistycznych z osobnym parametrem dla każdej osoby) takiej prostej poprawki zwykle nie ma.
Podpis do pracy:
Gdzie spotkasz Elizabeth Scott w swojej pracy
- Efekty stałe w danych panelowych i powtarzanych pomiarach. Gdy każda osoba, szkoła czy firma ma własny parametr, a obserwacji na jednostkę jest mało, pamiętaj o problemie Neymana–Scotta; więcej w hasłach estymator efektów stałych i efekty stałe i losowe.
- Nieobciążoność a zgodność. Przykład dobrze pokazuje, że nieobciążoność i zgodność to różne własności, a ML nie zawsze jest zgodny.
- Selekcja próby. Efekt Scotta przypomina, by przed wnioskowaniem zapytać, które obserwacje w ogóle miały szansę trafić do danych.
- Analiza płac. Porównanie płac z kontrolą stażu, dziedziny i stopnia to regresja wieloraka w duchu raportu z 1970 r.
Spory, mity i trudne strony
- Dyskryminacja w nauce. O zakazie korzystania z teleskopów piszemy za wspomnieniem samej Scott przytoczonym przez Wydział Astronomii UC Berkeley; dane o różnicach płac i awansów pochodzą z jej raportów (np. analiza dopasowanych par kobiet i mężczyzn ze stopniem doktora z 1981 r.).
- Nagroda jej imienia. Od 1992 r. przyznawana jest Elizabeth L. Scott Award za wspieranie kobiet w statystyce; jej pierwszą laureatką była Florence Nightingale David (Webb i Robertson, 2007).
Problem Neymana–Scotta w R
Kod rysuje oś czasu, a potem symuluje pomiary powtarzane u wielu osób: każda osoba ma własną średnią, wszystkie – wspólny błąd pomiaru. Porównuje estymator największej wiarygodności wariancji z estymatorem z poprawką stopni swobody przy rosnącej liczbie osób i rosnącej liczbie pomiarów na osobę. 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 i przykład: rysunki 1 i 2
Kod R rysunków 1 i 2
# Elizabeth L. Scott: oś czasu i problem parametrów ubocznych Neymana–Scotta (1948) – symulacja
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73",
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 Billard i Ferber 1991, MacTutor 2007, strony Wydziału Astronomii UC Berkeley i dat prac)
zdarzenia <- data.frame(
rok = c(1917, 1939, 1948, 1949, 1951, 1957, 1968, 1970, 1977, 1988),
opis = c("urodziła się\nw Fort Sill", "licencjat z astronomii\n(Berkeley)", "praca z Neymanem\n(Econometrica)",
"doktorat\nz astronomii", "asystent profesor\nmatematyki", "efekt Scotta\n(gromady galaktyk)",
"kierownik wydziału\nstatystyki (do 1973)", "raport o sytuacji\nkobiet na uczelni",
"prezes IMS\n(1977–1978)", "zmarła\nw Berkeley"),
rodzaj = c("życie", "nauka", "publikacja", "nauka", "praca", "publikacja", "praca", "praca", "wyróżnienie", "życie"))
zdarzenia$y <- c(1, -1, 1.9, -1.9, 1, -1, 1.9, -1.9, 1, -1)
ksztalty <- c("życie" = 21, "nauka" = 22, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey45", "nauka" = "#56B4E9", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73")
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, yend = y), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8) +
geom_label(aes(y = y, label = paste0(rok, "\n", opis), vjust = ifelse(y > 0, 0, 1)), size = 3.1,
lineheight = 0.9, linewidth = 0, fill = "white") +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1910, 1995), breaks = seq(1910, 1990, by = 10)) +
scale_y_continuous(limits = c(-3.1, 3.1)) +
labs(title = "Elizabeth L. Scott (1917–1988)", x = NULL, y = NULL) +
motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")
# 2. Problem Neymana–Scotta: n osób, każda zmierzona k razy; każda ma własną średnią (parametr uboczny),
# wszystkie – ten sam błąd pomiaru sigma (parametr strukturalny). Dane fikcyjne.
sigma <- 5 # prawdziwy błąd pomiaru, sigma^2 = 25
symuluj <- function(n, k, powt) {
t(replicate(powt, {
mu <- rnorm(n, mean = 120, sd = 15) # własna średnia każdej osoby
x <- matrix(rnorm(n * k, mean = rep(mu, each = k), sd = sigma), ncol = k, byrow = TRUE)
ss <- sum((x - rowMeans(x))^2) # suma kwadratów wewnątrz osób
c(ml = ss / (n * k), poprawiony = ss / (n * (k - 1)))
}))
}
set.seed(1948)
n_siatka <- c(10, 30, 100, 300, 1000, 3000, 10000)
wyniki <- do.call(rbind, lapply(n_siatka, function(n) {
s <- symuluj(n, k = 2, powt = 500)
data.frame(n = n, estymator = c("ML (dzieli przez nk)", "poprawiony (dzieli przez n(k − 1))"),
srednia = colMeans(s), q05 = apply(s, 2, quantile, 0.05), q95 = apply(s, 2, quantile, 0.95))
}))
rownames(wyniki) <- NULL
print(transform(wyniki, srednia = round(srednia, 2), q05 = round(q05, 2), q95 = round(q95, 2)))
# Granica estymatora ML przy rosnącym n zależy od liczby pomiarów na osobę: sigma^2 (k − 1) / k
set.seed(1949)
k_siatka <- c(2, 3, 4, 5, 10, 20)
granica <- do.call(rbind, lapply(k_siatka, function(k) {
s <- symuluj(n = 2000, k = k, powt = 200)
data.frame(k = k, ml_srednia = mean(s[, "ml"]), teoria = sigma^2 * (k - 1) / k, poprawiony = mean(s[, "poprawiony"]))
}))
print(round(granica, 2))
pA <- ggplot(wyniki, aes(n, srednia, colour = estymator, shape = estymator, linetype = estymator)) +
geom_hline(yintercept = sigma^2, colour = "grey30") +
geom_hline(yintercept = sigma^2 / 2, colour = "grey60", linetype = "dotted") +
geom_ribbon(aes(ymin = q05, ymax = q95, fill = estymator), alpha = 0.15, colour = NA) +
geom_line(linewidth = 0.8) + geom_point(size = 2.4) +
annotate("text", x = 10, y = sigma^2 + 1.2, hjust = 0, size = 3.3, label = "prawdziwe σ² = 25") +
annotate("text", x = 10, y = sigma^2 / 2 - 1.2, hjust = 0, size = 3.3, label = "σ²/2 = 12.5") +
scale_x_log10(breaks = n_siatka, labels = format(n_siatka, big.mark = " ", scientific = FALSE)) +
scale_colour_manual(values = unname(oi[c("cynober", "niebieski")]), name = NULL) +
scale_fill_manual(values = unname(oi[c("cynober", "niebieski")]), name = NULL) +
scale_shape_manual(values = c(17, 16), name = NULL) +
scale_linetype_manual(values = c("22", "solid"), name = NULL) +
labs(title = "A. Dwa pomiary na osobę (k = 2)", x = "Liczba osób n (skala log)",
y = "Oszacowanie σ² (średnia i 90% symulacji)") +
motyw + theme(legend.position = "bottom", legend.direction = "vertical")
pB <- ggplot(granica, aes(k)) +
geom_hline(yintercept = sigma^2, colour = "grey30") +
geom_line(aes(y = teoria), colour = "grey55", linetype = "dotted", linewidth = 0.8) +
geom_point(aes(y = ml_srednia, shape = "ML z symulacji"), colour = oi[["cynober"]], size = 3) +
geom_point(aes(y = poprawiony, shape = "poprawiony z symulacji"), colour = oi[["niebieski"]], size = 3) +
scale_shape_manual(values = c(17, 16), name = NULL) +
scale_x_continuous(breaks = k_siatka) +
labs(title = "B. Granica ML: σ²(k − 1)/k", x = "Liczba pomiarów na osobę k (n = 2000)", y = "Średnie oszacowanie σ²") +
motyw + theme(legend.position = "bottom", legend.direction = "vertical")
p_metoda <- pA + pB + plot_layout(widths = c(1.3, 1))
p_os
p_metodaWynik w R
n estymator srednia q05 q95
1 10 ML (dzieli przez nk) 12.50 4.99 23.36
2 10 poprawiony (dzieli przez n(k − 1)) 25.00 9.98 46.71
3 30 ML (dzieli przez nk) 12.37 8.05 17.63
4 30 poprawiony (dzieli przez n(k − 1)) 24.74 16.10 35.25
5 100 ML (dzieli przez nk) 12.52 9.63 15.45
6 100 poprawiony (dzieli przez n(k − 1)) 25.04 19.27 30.91
7 300 ML (dzieli przez nk) 12.55 10.94 14.49
8 300 poprawiony (dzieli przez n(k − 1)) 25.10 21.87 28.98
9 1000 ML (dzieli przez nk) 12.48 11.64 13.44
10 1000 poprawiony (dzieli przez n(k − 1)) 24.96 23.27 26.88
11 3000 ML (dzieli przez nk) 12.51 11.96 13.05
12 3000 poprawiony (dzieli przez n(k − 1)) 25.02 23.93 26.11
13 10000 ML (dzieli przez nk) 12.51 12.21 12.80
14 10000 poprawiony (dzieli przez n(k − 1)) 25.01 24.43 25.59
k ml_srednia teoria poprawiony
1 2 12.54 12.50 25.08
2 3 16.65 16.67 24.97
3 4 18.74 18.75 24.98
4 5 20.03 20.00 25.04
5 10 22.53 22.50 25.04
6 20 23.75 23.75 25.00Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie – funkcja rnorm() z pakietu stats; 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/
- 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 była Elizabeth L. Scott?
Amerykańską statystyczką i astronomką (1917–1988) związaną przez całe życie z Uniwersytetem Kalifornijskim w Berkeley. Doktoryzowała się z astronomii w 1949 r., od 1951 r. uczyła na wydziale matematyki, a w latach 1968–1973 kierowała Wydziałem Statystyki. Przez dziesięciolecia współpracowała z Jerzym Neymanem; była prezeską Institute of Mathematical Statistics (1977–1978).
Na czym polega problem Neymana–Scotta?
Gdy każda jednostka ma własny parametr (np. własną średnią), a obserwacji na jednostkę jest stała, mała liczba, estymator największej wiarygodności wspólnego parametru może nie być zgodny. W przykładzie z dwoma pomiarami na osobę estymator ML wariancji błędu daje około połowy prawdziwej wartości (12.51 zamiast 25 przy 10 000 osób); poprawka stopni swobody usuwa problem.
Co to jest efekt Scotta w astronomii?
To obciążenie selekcyjne opisane przez Scott w 1957 r.: gdy odległość gromady galaktyk szacuje się z jasności jej najjaśniejszej galaktyki, sposób wybierania gromad do obserwacji sprawia, że odległości wychodzą niedoszacowane, najbardziej przy granicy możliwości instrumentu.
Czym zajmowała się Elizabeth Scott poza astronomią?
Statystyką eksperymentów ze sztucznym wywoływaniem opadów (ponad 20 prac, prawie wszystkie z Neymanem), ryzykiem raka skóry oraz sytuacją kobiet na uczelniach: współkierowała podkomisją, której raport z 1970 r. opisał różnice w płacach i awansach, a jej metody regresyjne wykorzystywano później przy korektach płac.
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)
- Billard, L., & Ferber, M. A. (1991). Elizabeth Scott: Scholar, teacher, administrator. Statistical Science, 6(2), 206–216. https://doi.org/10.1214/ss/1177011828 ● Otwarty dostęp
- Gray, M. W., & Scott, E. L. (1980). A “statistical” remedy for statistically identified discrimination. Academe, 66(4), 174. https://doi.org/10.2307/40248777
- Neyman, J., & Scott, E. L. (1948). Consistent estimates based on partially consistent observations. Econometrica, 16(1), 1–32. https://doi.org/10.2307/1914288
- Scott, E. L. (1957). The brightest galaxy in a cluster as a distance indicator. The Astronomical Journal, 62, 248. https://doi.org/10.1086/107529
- UC Berkeley Department of Astronomy. (b.d.). Elizabeth Leonard Scott (1917–1988). 150 Years of Women at Berkeley: Astronomy’s early stars. Pobrano 20 listopada 2026 z https://astro.berkeley.edu/about/150-years-women-berkeley-astronomy-early-stars/elizabeth-leonard-scott-1917%E2%80%931988 ● Otwarty dostęp
- Webb, F., & Robertson, E. F. (2007). Elizabeth Leonard Scott. MacTutor History of Mathematics Archive. https://mathshistory.st-andrews.ac.uk/Biographies/Scott_Elizabeth/ ● Otwarty dostęp
Cytowania BibTeX
@article{billard1991elizabeth, author={Billard, Lynne and Ferber, Marianne A.}, title={{Elizabeth Scott: Scholar, teacher, administrator}}, journal={Statistical Science}, year={1991}, volume={6}, number={2}, pages={206--216}, doi={10.1214/ss/1177011828}}@article{gray1980statistical, author={Gray, Mary W. and Scott, Elizabeth L.}, title={{A “statistical” remedy for statistically identified discrimination}}, journal={Academe}, year={1980}, volume={66}, number={4}, pages={174}, doi={10.2307/40248777}}@article{neyman1948consistent, author={Neyman, Jerzy and Scott, Elizabeth L.}, title={{Consistent estimates based on partially consistent observations}}, journal={Econometrica}, year={1948}, volume={16}, number={1}, pages={1--32}, doi={10.2307/1914288}}@article{scott1957brightest, author={Scott, Elizabeth L.}, title={{The brightest galaxy in a cluster as a distance indicator}}, journal={The Astronomical Journal}, year={1957}, volume={62}, pages={248}, doi={10.1086/107529}}@misc{ucberkeleyastroscott, author={{UC Berkeley Department of Astronomy}}, title={{Elizabeth Leonard Scott (1917–1988)}}, howpublished={150 Years of Women at Berkeley: Astronomy’s early stars}, publisher={University of California, Berkeley}, url={https://astro.berkeley.edu/about/150-years-women-berkeley-astronomy-early-stars/elizabeth-leonard-scott-1917%E2%80%931988}}@misc{webb2007scott, author={Webb, Francesca and Robertson, Edmund F.}, title={{Elizabeth Leonard Scott}}, howpublished={MacTutor History of Mathematics Archive}, year={2007}, publisher={University of St Andrews, School of Mathematics and Statistics}, url={https://mathshistory.st-andrews.ac.uk/Biographies/Scott_Elizabeth/}}