Kim był Maurice S. Bartlett?
Maurice Stevenson Bartlett (1910–2002) urodził się 18 czerwca 1910 r. w Londynie, w dzielnicy Chiswick (Olkin, 1989; O’Connor i Robertson, 2011). Uczył się w Latymer Upper School, a od 1929 r. studiował matematykę w Queens’ College w Cambridge. Po studiach został pierwszym studentem podyplomowym Johna Wisharta, a w 1933 r. – z polecenia Egona Pearsona – asystentem w Katedrze Statystyki University College London, gdzie pracowali wtedy także Jerzy Neyman i Ronald Fisher.
Już w 1934 r. przeszedł do przemysłu: został statystykiem stacji badań rolniczych koncernu chemicznego ICI w Jealott’s Hill. W 1938 r. wrócił do Cambridge jako wykładowca matematyki, w czasie wojny analizował wyniki prób pocisków rakietowych, a w 1947 r. objął nowo utworzoną katedrę statystyki matematycznej w Manchesterze. W 1960 r. przejął po Pearsonie katedrę w UCL, a w latach 1967–1975 był profesorem biomatematyki w Oksfordzie. Członkiem Royal Society został w 1961 r., prezesem Royal Statistical Society – w latach 1966–1967. Zmarł 8 stycznia 2002 r. w Exmouth (Olkin, 1989; Whittle, 2004; O’Connor i Robertson, 2011).
Najważniejsze pomysły
- Test jednorodności wariancji (1937). Praca Bartletta (1937) o dostateczności i testach statystycznych jest źródłem testu Bartletta: statystyka porównuje logarytm wariancji połączonej z ważoną sumą logarytmów wariancji w grupach. W tych latach Bartlett badał też poprawkę do testu ilorazu wiarygodności, nazywaną dziś jego nazwiskiem (O’Connor i Robertson, 2011).
- Analiza czynnikowa (1950). Z prac o testach istotności w analizie czynnikowej (Bartlett, 1950) wywodzi się test sferyczności, liczony przed EFA razem z miarą KMO.
- Procesy stochastyczne i szeregi czasowe. Whittle (2004) zalicza Bartletta do pionierów tej dziedziny: rozwinął analizę szeregów czasowych i spójną teorię procesów stochastycznych. Wykłady wygłoszone w 1946 r. w Chapel Hill na zaproszenie Harolda Hotellinga stały się podstawą jego książki An Introduction to Stochastic Processes (1955).
- Epidemie. W Manchesterze modelował nawroty epidemii; w pracach z lat 1956–1960 badał związek okresowości odry z wielkością społeczności (O’Connor i Robertson, 2011). O wcześniejszym, deterministycznym modelu epidemii piszemy w haśle o Kermacku i McKendricku.
Ciekawostka
Wiele ze swoich wczesnych prac Bartlett napisał nie na uczelni, lecz w firmie (Olkin, 1989). Lata 1934–1938 w stacji rolniczej ICI Bartlett nazywał najszczęśliwszym – zawodowo – i najbardziej twórczym okresem swojego życia. Whittle (2004) pisze o nim jako o człowieku powściągliwym, który budził trwałą sympatię współpracowników. W ICI co tydzień spotykał się z chemikami i biologami, by omawiać ich problemy, a zarazem mógł swobodnie rozwijać własne pomysły. Do końca 1938 r. miał w druku 32 prace, w tym tę z testem wariancji (O’Connor i Robertson, 2011).
Z firmy odszedł trochę przypadkiem. W 1937 r. ICI mocno ograniczyło budżet badań. Gdy George Snedecor zaproponował mu pracę w laboratorium statystycznym w Ames w stanie Iowa, firma nie dała mu urlopu na wypróbowanie tej posady. Bartlett zgłosił się więc na wolny etat wykładowcy w Cambridge i od października 1938 r. uczył tam nie tylko statystyki, ale i mechaniki (O’Connor i Robertson, 2011).
Przykład na historycznych danych
Zbiór poisons z pakietu boot to – według pliku pomocy – czasy przeżycia zwierząt w eksperymencie czynnikowym 3 × 4 (trzy trucizny, cztery sposoby leczenia, po cztery zwierzęta w każdej kombinacji), opublikowane przez Boksa i Coksa (1964). Mamy 12 grup po 4 obserwacje.
Statystykę Bartletta liczymy krok po kroku: część główna wynosi M = 50.57, poprawka C = 1.1204, więc K²(11) = 45.14, p < .001 – dokładnie tyle samo, co z bartlett.test(). Test Levene’a (ANOVA na odchyleniach bezwzględnych) też odrzuca równość wariancji: z odchyleniami od średniej F(11, 36) = 4.85, od mediany F(11, 36) = 4.13, w obu przypadkach p < .001. Odchylenia standardowe w grupach różnią się 26 razy.
Na skali logarytmicznej wynik Bartletta to K²(11) = 18.67, p = .067, ale test Levene’a nadal wskazuje różnice (p = .005 i .016). Dopiero po zamianie czasu na jego odwrotność – szybkość umierania – żaden test nie odrzuca jednorodności (Bartlett: K²(11) = 9.90, p = .539; Levene: p = .148 i .370). Wskazówkę daje sam rozkład: nachylenie log SD względem log średniej wynosi 1.98. Gdy SD rośnie mniej więcej jak kwadrat średniej, wariancję wyrównuje odwrotność; gdy proporcjonalnie do średniej – logarytm.
Na rysunku
Co widać. Test wariancji i większość wczesnych prac powstały w czterech latach w przemyśle, między dwoma krótkimi okresami na uczelni. Procesy stochastyczne i epidemie to już dorobek Manchesteru.
Na co uważać. Źródła różnią się w drobiazgach: doktorat honoris causa Uniwersytetu Hull to według Olkina (1989) rok 1986, a według O’Connora i Robertsona (2011) – 1976; na osi go nie ma.
Podpis do pracy:
boot::poisons (Box i Cox, 1964). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (bez losowania).Co widać. Panel A pokazuje źródło niejednorodności: grupy o dłuższym przeżyciu mają dużo większy rozrzut, a punkty leżą blisko prostej. Panel B pokazuje, jak transformacja zmienia werdykt testów – od wyraźnego odrzucenia na skali surowej do jego braku po odwrotności.
Na co uważać. Po cztery obserwacje w grupie to bardzo mało: testy mają słabą moc, a ich werdykty na skali logarytmicznej się rozchodzą. Test Bartletta jest przy tym wrażliwy na nienormalność danych. Transformację wybiera się z myślą o modelu i interpretacji, a nie po to, by „przejść” test.
Podpis do pracy:
Gdzie spotkasz Bartletta w swojej pracy
- przy założeniu homogeniczności wariancji w ANOVA: test Bartletta zakłada normalność danych w grupach; przy danych skośnych lub o grubych ogonach bezpieczniejszy jest test Levene’a (o jego autorze – hasło Howard Levene);
- przed analizą czynnikową, gdy program wyświetla test sferyczności obok KMO;
- gdy wariancja rośnie ze średnią: zamiast walczyć z testem, rozważ transformację – logarytm albo transformację Boxa–Coxa, opracowaną przez George’a Boksa i Davida Coksa.
Spory, mity i trudne strony
- Dwa różne „testy Bartletta”. Test jednorodności wariancji (1937) i test sferyczności macierzy korelacji (1950) to zupełnie inne procedury; w opisie wyników zawsze dopisz, o który chodzi.
- Czy test Bartletta jest „gorszy”? Przy rozkładach normalnych działa poprawnie; kłopot w tym, że myli grube ogony z różnicą wariancji, a w małych grupach, jak w przykładzie, żaden test równości wariancji nie rozstrzyga sprawy.
Test Bartletta w R
Kod wczytuje dane poisons, liczy statystykę Bartletta krok po kroku i porównuje ją z bartlett.test(), liczy test Levene’a jako ANOVA na odchyleniach bezwzględnych, powtarza oba testy na trzech skalach zmiennej, szacuje nachylenie log SD względem log średniej 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. Test Bartletta i test Levene’a na trzech skalach: rysunek 2
Kod R rysunku 2
# Bartlett: test jednorodności wariancji ręcznie i z bartlett.test() vs test Levene'a; dane boot::poisons (Box i Cox, 1964)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c("Bartlett" = "#D55E00", "Levene (średnia)" = "#0072B2", "Levene (mediana)" = "#009E73") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(poisons, package = "boot")
# time – czas przeżycia zwierzęcia (w jednostkach 10 godzin); 3 trucizny x 4 sposoby leczenia, po 4 zwierzęta
grupa <- interaction(poisons$poison, poisons$treat, sep = "")
k <- nlevels(grupa); N <- nrow(poisons)
c(grup = k, N = N, min_n = min(table(grupa)), max_n = max(table(grupa)))
# 1. Statystyka Bartletta krok po kroku
bartlett_recznie <- function(y, g) {
n_i <- tapply(y, g, length); s2_i <- tapply(y, g, var)
N <- sum(n_i); k <- length(n_i)
s2_p <- sum((n_i - 1) * s2_i) / (N - k) # wariancja połączona
M <- (N - k) * log(s2_p) - sum((n_i - 1) * log(s2_i))
C <- 1 + (sum(1 / (n_i - 1)) - 1 / (N - k)) / (3 * (k - 1)) # poprawka Bartletta
K2 <- M / C
c(M = M, C = C, K2 = K2, df = k - 1, p = pchisq(K2, k - 1, lower.tail = FALSE))
}
br <- bartlett_recznie(poisons$time, grupa)
round(br[c("M", "C", "K2", "df")], 4); signif(br["p"], 3)
bt <- bartlett.test(time ~ grupa, data = poisons)
c(K2_bartlett_test = round(unname(bt$statistic), 4)); c(p_bartlett_test = signif(bt$p.value, 3))
# 2. Test Levene'a jako ANOVA na odchyleniach bezwzględnych (od średniej lub mediany grupy)
levene <- function(y, g, srodek = mean) {
z <- abs(y - ave(y, g, FUN = srodek))
a <- anova(lm(z ~ g)); c(F = a$`F value`[1], p = a$`Pr(>F)`[1])
}
# 3. Trzy skale: surowa, logarytm i odwrotność czasu (szybkość umierania)
skale <- list("czas" = function(t) t, "log(czas)" = log, "1/czas" = function(t) 1 / t)
testy <- do.call(rbind, lapply(names(skale), function(nm) {
y <- skale[[nm]](poisons$time)
data.frame(skala = nm, test = names(kol),
statystyka = c(bartlett_recznie(y, grupa)[["K2"]], levene(y, grupa, mean)[["F"]], levene(y, grupa, median)[["F"]]),
p = c(bartlett_recznie(y, grupa)[["p"]], levene(y, grupa, mean)[["p"]], levene(y, grupa, median)[["p"]]))
}))
print(transform(testy, statystyka = round(statystyka, 2), p = signif(p, 3)), row.names = FALSE)
# 4. Jak odchylenie standardowe zależy od średniej grupy? (nachylenie na skali log–log)
opis <- data.frame(srednia = tapply(poisons$time, grupa, mean), sd = tapply(poisons$time, grupa, sd))
nachylenie <- unname(coef(lm(log(sd) ~ log(srednia), data = opis))[2])
round(c(nachylenie_log_sd_na_log_srednia = nachylenie, max_sd_do_min_sd = max(opis$sd) / min(opis$sd)), 2)
# Rysunek: A – SD a średnia w 12 grupach (skala log–log); B – wartości p trzech testów na trzech skalach
opis$grupa <- rownames(opis)
pA <- ggplot(opis, aes(srednia, sd)) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = "grey50", linetype = "22", linewidth = 0.7) +
geom_point(size = 2.6, colour = "#0072B2") +
geom_text(aes(label = grupa), size = 3, nudge_y = 0.09, colour = "grey25") +
annotate("text", x = 0.2, y = 0.3, hjust = 0, size = 3.3, label = sprintf("nachylenie = %.2f", nachylenie)) +
scale_x_log10() + scale_y_log10() +
labs(title = "A. Większa średnia – większe SD", x = "Średni czas przeżycia w grupie (skala log)",
y = "SD w grupie (skala log)") +
motyw
testy$skala <- factor(testy$skala, levels = names(skale)); testy$test <- factor(testy$test, levels = names(kol))
pB <- ggplot(testy, aes(skala, -log10(p), colour = test, shape = test)) +
geom_hline(yintercept = -log10(0.05), colour = "grey40", linetype = "dotted") +
geom_point(size = 3.2, position = position_dodge(width = 0.45)) +
annotate("text", x = 3.45, y = -log10(0.05) + 0.25, hjust = 1, size = 3.1, label = "p = .05") +
scale_colour_manual(values = kol, breaks = names(kol), name = NULL) +
scale_shape_manual(values = c("Bartlett" = 17, "Levene (średnia)" = 16, "Levene (mediana)" = 15), breaks = names(kol), name = NULL) +
labs(title = "B. Testy równości wariancji", x = "Skala zmiennej", y = expression(-log[10](p))) +
motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.1))
p2Wynik w R
grup N min_n max_n
12 48 4 4
M C K2 df
50.5700 1.1204 45.1369 11.0000
p
4.59e-06
K2_bartlett_test
45.1369
p_bartlett_test
4.59e-06
skala test statystyka p
czas Bartlett 45.14 4.59e-06
czas Levene (średnia) 4.85 1.44e-04
czas Levene (mediana) 4.13 5.83e-04
log(czas) Bartlett 18.67 6.73e-02
log(czas) Levene (średnia) 3.14 4.60e-03
log(czas) Levene (mediana) 2.57 1.62e-02
1/czas Bartlett 9.90 5.39e-01
1/czas Levene (średnia) 1.58 1.48e-01
1/czas Levene (mediana) 1.13 3.70e-01
nachylenie_log_sd_na_log_srednia max_sd_do_min_sd
1.98 26.05 2. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Maurice S. Bartlett (1910–2002) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1910, 1929, 1933, 1934, 1938, 1939, 1947, 1960, 1967, 1975, 2002,
1937, 1946, 1950, 1955, 1957, 1961, 1993),
pas = c(rep("Życie i stanowiska", 11), rep("Prace i wyróżnienia", 7)),
opis = c("urodził się\nw Londynie", "studia w Queens'\nCollege (Cambridge)", "UCL", "ICI, stacja\nJealott's Hill",
"wykładowca\nw Cambridge", "1939–1945:\nbadania rakiet", "katedra\nw Manchesterze", "profesor\nw UCL",
"biomatematyka\nw Oksfordzie", "emerytura", "zmarł\nw Exmouth",
"test jednorodności\nwariancji", "wykłady o procesach\nstochastycznych (USA)", "test\nsferyczności",
"książka o procesach\nstochastycznych", "odra a wielkość\nspołeczności", "Royal\nSociety",
"zagraniczny członek\nNAS (USA)"),
rodzaj = c("życie", "życie", "praca", "praca", "praca", "praca", "praca", "praca", "praca", "praca", "życie",
"publikacja", "praca", "publikacja", "publikacja", "publikacja", "wyróżnienie", "wyróżnienie"),
poziom = c(0.4, -0.4, 0.4, -1.1, 1.1, 0.4, -0.4, 0.4, -0.4, 0.4, -0.4,
0.4, -0.4, 1.1, -1.1, 0.4, -0.4, 0.4), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 0.5, 1, 0.5, 0.5, 0, 0.5, 0.5, 0.5, 0.5, 1,
0.5, 0.5, 0.5, 0.5, 0, 0, 0.5)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- ifelse(grepl("^\\d{4}–", zdarzenia$opis), zdarzenia$opis, paste0(zdarzenia$rok, "\n", zdarzenia$opis))
zdarzenia$pas <- factor(zdarzenia$pas, levels = c("Życie i stanowiska", "Prace i wyróżnienia"))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73") # 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), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
facet_wrap(~ pas, ncol = 1) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1903, 2008), breaks = seq(1910, 2000, by = 10)) +
scale_y_continuous(limits = c(-2.1, 2.1)) +
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"),
strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (test Bartletta – bartlett.test(), ANOVA – lm() i anova() z pakietu stats; dane – pakiet boot; 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/
- boot (wersja 1.3.32): Canty, A., & Ripley, B. D. (2024). boot: Bootstrap R (S-Plus) functions [R package]. https://doi.org/10.32614/CRAN.package.boot
- 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 Maurice S. Bartlett?
Brytyjskim statystykiem (1910–2002). Studiował w Cambridge, pracował w UCL, w stacji rolniczej koncernu ICI (1934–1938), w Cambridge, a od 1947 r. kierował katedrą statystyki matematycznej w Manchesterze. Później był profesorem w UCL i profesorem biomatematyki w Oksfordzie. Był członkiem Royal Society i prezesem Royal Statistical Society.
Czym różni się test Bartletta od testu sferyczności Bartletta?
Test Bartletta z 1937 r. sprawdza, czy wariancje w kilku grupach są równe – to założenie ANOVA. Test sferyczności z prac z 1950 r. sprawdza, czy macierz korelacji jest jednostkowa, czyli czy zmienne w ogóle korelują – liczy się go przed analizą czynnikową. Łączy je tylko nazwisko autora.
Jak policzyć statystykę Bartletta ręcznie?
Policz wariancję połączoną, a potem M = (N − k)·ln(s²p) − Σ(ni − 1)·ln(s²i) i poprawkę C = 1 + [Σ1/(ni − 1) − 1/(N − k)] / [3(k − 1)]. Statystyka K² = M/C ma w przybliżeniu rozkład chi-kwadrat z k − 1 df. Dla danych poisons: M = 50.57, C = 1.1204, K²(11) = 45.14.
Co Bartlett robił w przemyśle chemicznym?
W latach 1934–1938 był statystykiem stacji badań rolniczych ICI w Jealott’s Hill. Analizował eksperymenty z chemikami i biologami i napisał tam wiele wczesnych prac, w tym tę z testem wariancji. Ten okres nazywał najszczęśliwszym zawodowo i najbardziej twórczym w życiu.
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 studentówBibliografia i dalsza literatura naukowa (APA 7)
- Bartlett, M. S. (1937). Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London. Series A – Mathematical and Physical Sciences, 160(901), 268–282. https://doi.org/10.1098/rspa.1937.0109
- Bartlett, M. S. (1950). Tests of significance in factor analysis. British Journal of Statistical Psychology, 3(2), 77–85. https://doi.org/10.1111/j.2044-8317.1950.tb00285.x
- Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
- Olkin, I. (1989). A conversation with Maurice Bartlett. Statistical Science, 4(2), 151–163. https://doi.org/10.1214/ss/1177012600 ● Otwarty dostęp
- O’Connor, J. J., & Robertson, E. F. (2011). Maurice Stevenson Bartlett. MacTutor History of Mathematics Archive. https://mathshistory.st-andrews.ac.uk/Biographies/Bartlett/ ● Otwarty dostęp
- Whittle, P. (2004). Maurice Stevenson Bartlett. 18 June 1910 — 8 January 2002. Biographical Memoirs of Fellows of the Royal Society, 50, 15–33. https://doi.org/10.1098/rsbm.2004.0002
Cytowania BibTeX
@article{bartlett1937properties, author={Bartlett, Maurice Stevenson}, title={{Properties of sufficiency and statistical tests}}, journal={Proceedings of the Royal Society of London. Series A – Mathematical and Physical Sciences}, year={1937}, volume={160}, number={901}, pages={268--282}, doi={10.1098/rspa.1937.0109}}@article{bartlett1950tests, author={Bartlett, M. S.}, title={{Tests of significance in factor analysis}}, journal={British Journal of Statistical Psychology}, year={1950}, volume={3}, number={2}, pages={77--85}, doi={10.1111/j.2044-8317.1950.tb00285.x}}@article{box1964analysis, author={Box, George E. P. and Cox, David R.}, title={{An analysis of transformations}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1964}, volume={26}, number={2}, pages={211--243}, doi={10.1111/j.2517-6161.1964.tb00553.x}}@article{olkin1989conversation, author={Olkin, Ingram}, title={{A conversation with Maurice Bartlett}}, journal={Statistical Science}, year={1989}, volume={4}, number={2}, pages={151--163}, doi={10.1214/ss/1177012600}}@misc{oconnor2011bartlett, author={O'Connor, John J. and Robertson, Edmund F.}, title={{Maurice Stevenson Bartlett}}, howpublished={MacTutor History of Mathematics Archive}, year={2011}, publisher={University of St Andrews, School of Mathematics and Statistics}, url={https://mathshistory.st-andrews.ac.uk/Biographies/Bartlett/}}@article{whittle2004maurice, author={Whittle, Peter}, title={{Maurice Stevenson Bartlett. 18 June 1910 — 8 January 2002}}, journal={Biographical Memoirs of Fellows of the Royal Society}, year={2004}, volume={50}, pages={15--33}, doi={10.1098/rsbm.2004.0002}}