Na czym polega metoda Fiellera?
Metoda Fiellera daje przedział ufności dla ilorazu dwóch parametrów, R = a / b, gdy oba oszacowania mają rozkład normalny. Fieller (1954) omówił takie zadania, w których szuka się pierwiastków równania liniowego w parametrach o wspólnie oszacowanych wariancjach i kowariancjach. Typowe zastosowania to iloraz średnich, iloraz współczynników regresji, względna siła działania czy punkt, w którym prosta osiąga zadaną wartość.
Zamiast przybliżać rozkład ilorazu, metoda korzysta z tego, że a − R·b ma rozkład normalny ze znaną wariancją. Granice przedziału to rozwiązania równania kwadratowego (a − R·b)² = t² (va − 2R·cab + R²·vb), gdzie v to wariancje, a cab – kowariancja oszacowań. Kluczowa jest wielkość g = t²·vb / b². Gdy g < 1, czyli mianownik jest wyraźnie różny od zera, przedział jest skończony. Gdy g ≥ 1, przedział staje się nieograniczony – to uczciwa informacja, że danych jest za mało, by określić iloraz.
Przykład w R
W regresji z 60 obserwacjami b1 = 1.005, b2 = 0.381, a iloraz b1/b2 = 2.64. Mianownik jest mało precyzyjny (g = 0.69). Przedział Fiellera wynosi [1.26; 16.69] i jest silnie asymetryczny. Metoda delta daje symetryczny przedział [0.20; 5.09], który obejmuje wartości bliskie zera i obcina długi prawy ogon.
Fieller a metoda delta
Hirschberg i Lye (2010) porównali oba przedziały geometrycznie. Pokazali, że stopień ich zgodności zależy nie tylko od precyzji obu oszacowań, ale też od tego, czy znak korelacji oszacowań zgadza się ze znakiem ilorazu. W praktyce przy precyzyjnym mianowniku (małe g) oba przedziały są zwykle bardzo podobne, a im większe g, tym bardziej symetryczny przedział delta odbiega od przedziału Fiellera. Trzecią drogą jest bootstrap, np. przedział BCa. Współczynniki do ilorazu weźmiesz z regresji liniowej.
Na rysunku
Co widać. Dla każdej kandydującej wartości ilorazu R krzywa pokazuje statystykę T(R) = (b1 − R·b2)² / var(b1 − R·b2). Przedział Fiellera to wszystkie R, przy których krzywa leży pod linią t² ≈ 4.01. Licznik, wariancje i kowariancję wzięto z przykładu, a zmieniano tylko mianownik b2. Przy b2 = 1.2 (g = 0.07) oba przedziały są niemal takie same: Fieller [0.546; 1.281], delta [0.491; 1.184]. W przykładzie z hasła (g = 0.69) krzywa w prawo rośnie bardzo wolno i stąd długi prawy koniec przedziału Fiellera. Przy b2 = 0.25 g = 1.60 i krzywa na obu krańcach zostaje pod linią. Dane nie wykluczają wtedy ani bardzo dużych dodatnich, ani ujemnych ilorazów, więc przedział Fiellera to dwie półproste: (−∞; −15.86] i [1.57; ∞). Metoda delta podaje mimo to skończony przedział [−1.40; 9.44] – wąski i fałszywie uspokajający.
Na co uważać. Zbiór „wszystko poza odcinkiem” wygląda dziwnie, ale wynika z tego, że b2 nie różni się istotnie od zera, więc iloraz może mieć dowolnie dużą wartość bezwzględną i każdy znak. Wykres pokazuje jedną zmianę naraz: przy innej kowariancji b1 i b2 granice przesuną się inaczej (Hirschberg i Lye, 2010). Mianowniki 1.2 i 0.25 wybrano ręcznie dla ilustracji.
Podpis do pracy:
Kod R rysunków
# Rysunek 1: przedział Fiellera jako zbiór ilorazów R zgodnych z danymi – trzy poziomy precyzji mianownika
library(ggplot2)
# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(Fieller = "#0072B2", delta = "#D55E00")
motyw <- theme_minimal(base_size = 14) +
theme(panel.grid.minor = element_blank(), legend.position = "bottom",
plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(0.95)),
plot.background = element_rect(fill = "white", colour = NA))
# Oszacowania z przykładu w haśle (te same dane co w kodzie hasła)
set.seed(562)
n <- 60
x1 <- rnorm(n); x2 <- rnorm(n)
y <- 1 + 0.8 * x1 + 0.4 * x2 + rnorm(n)
fit <- lm(y ~ x1 + x2)
a <- unname(coef(fit)["x1"]); V <- vcov(fit)
va <- V["x1", "x1"]; vb <- V["x2", "x2"]; cab <- V["x1", "x2"]
tk <- qt(0.975, df.residual(fit))
round(c(df = df.residual(fit), t2 = tk^2), 2) # linia odcięcia na wykresie: t²
# Ten sam licznik i te same (ko)wariancje; mianownik b2 = 1.2 i 0.25 ustawiony ręcznie, 0.381 – z przykładu
mianowniki <- c(1.2, unname(coef(fit)["x2"]), 0.25)
fieller <- function(b) {
A <- b^2 - tk^2 * vb; B <- -2 * (a * b - tk^2 * cab); C <- a^2 - tk^2 * va
D <- B^2 - 4 * A * C
if (D < 0) return(c(-Inf, Inf)) # cała oś
sort((-B + c(-1, 1) * sqrt(D)) / (2 * A)) # przy A < 0: zbiór POZA tymi granicami
}
tab <- t(sapply(mianowniki, function(b) {
se_d <- sqrt(va / b^2 + a^2 * vb / b^4 - 2 * a * cab / b^3)
c(b2 = b, iloraz = a / b, g = tk^2 * vb / b^2, F_dolna = fieller(b)[1], F_gorna = fieller(b)[2],
delta_dolna = a / b - tk * se_d, delta_gorna = a / b + tk * se_d)
}))
round(tab, 3)
# T(R) = (a − R·b)² / var(a − R·b); przedział Fiellera = {R : T(R) ≤ t²}
siatka <- seq(-25, 30, length.out = 1100)
nazwy <- sprintf("%s: b2 = %.3f, g = %.2f", c("A. Mianownik precyzyjny", "B. Przykład z hasła",
"C. Mianownik bliski zera"), tab[, "b2"], tab[, "g"])
krzywe <- do.call(rbind, lapply(1:3, function(i) {
b <- mianowniki[i]
data.frame(R = siatka, T = (a - siatka * b)^2 / (va - 2 * siatka * cab + siatka^2 * vb), panel = nazwy[i])
}))
krzywe$panel <- factor(krzywe$panel, levels = nazwy)
lim <- c(-25, 30)
odc <- do.call(rbind, lapply(1:3, function(i) {
f <- tab[i, c("F_dolna", "F_gorna")]; d <- tab[i, c("delta_dolna", "delta_gorna")]
fi <- if (tab[i, "g"] < 1) data.frame(od = f[1], do = f[2]) else
data.frame(od = c(lim[1], f[2]), do = c(f[1], lim[2])) # g > 1: dwie półproste
rbind(data.frame(fi, metoda = "Fieller", y = -1.2, panel = nazwy[i]),
data.frame(od = max(d[1], lim[1]), do = min(d[2], lim[2]), metoda = "delta", y = -2.6, panel = nazwy[i]))
}))
odc$panel <- factor(odc$panel, levels = nazwy)
p1 <- ggplot(krzywe, aes(R, T)) +
geom_hline(yintercept = tk^2, linetype = "dotted", colour = "grey35") +
geom_line(linewidth = 1, colour = "grey20") +
geom_segment(data = odc, aes(x = od, xend = do, y = y, yend = y, colour = metoda, linetype = metoda),
linewidth = 1.6) +
geom_segment(data = subset(odc, metoda == "Fieller" & do == lim[2]), aes(x = do - 3, xend = do, y = y, yend = y),
colour = kol[["Fieller"]], linewidth = 1.6, arrow = arrow(length = unit(0.22, "cm"))) +
geom_segment(data = subset(odc, metoda == "Fieller" & od == lim[1]), aes(x = od + 3, xend = od, y = y, yend = y),
colour = kol[["Fieller"]], linewidth = 1.6, arrow = arrow(length = unit(0.22, "cm"))) +
facet_wrap(~ panel, ncol = 1) +
scale_colour_manual(values = kol, name = "95% przedział:") +
scale_linetype_manual(values = c(Fieller = "solid", delta = "dashed"), name = "95% przedział:") +
coord_cartesian(xlim = lim, ylim = c(-3.2, 12), expand = FALSE) +
labs(x = "Iloraz R = b1 / b2", y = "T(R)") + motyw
p1 # zapis: ggsave("metoda-fiellera-przedzialy.svg", p1, width = 9, height = 8)Wynik w R
df t2
57.00 4.01
b2 iloraz g F_dolna F_gorna delta_dolna delta_gorna
[1,] 1.200 0.838 0.070 0.546 1.281 0.491 1.184
[2,] 0.381 2.641 0.692 1.259 16.686 0.195 5.088
[3,] 0.250 4.021 1.603 -15.861 1.569 -1.400 9.441Rysunki na stronie powstały z tego kodu z motywem serwisu (dane, geometrie i skale identyczne).
Jak opisać w pracy
Metoda Fiellera w R
Kod szacuje regresję z dwoma predyktorami, liczy iloraz b1/b2, wielkość g oraz 95% przedziały ufności metodą Fiellera (pierwiastki równania kwadratowego) i metodą delta – w bazowym R.
Przedział dla ilorazu współczynników regresji
R
# Metoda Fiellera a metoda delta: przedział ufności dla ilorazu b1 / b2
set.seed(562)
n <- 60
x1 <- rnorm(n); x2 <- rnorm(n)
y <- 1 + 0.8 * x1 + 0.4 * x2 + rnorm(n)
fit <- lm(y ~ x1 + x2)
a <- coef(fit)["x1"]; b <- coef(fit)["x2"]
V <- vcov(fit)
va <- V["x1", "x1"]; vb <- V["x2", "x2"]; cab <- V["x1", "x2"]
tk <- qt(0.975, df.residual(fit))
r <- unname(a / b)
g <- tk^2 * vb / b^2 # g < 1: przedział skończony
# Fieller: pierwiastki (b^2 - t^2 vb) R^2 - 2 (ab - t^2 cab) R + (a^2 - t^2 va) = 0
A <- b^2 - tk^2 * vb; B <- -2 * (a * b - tk^2 * cab); C <- a^2 - tk^2 * va
fieller <- sort((-B + c(-1, 1) * sqrt(B^2 - 4 * A * C)) / (2 * A))
# metoda delta: SE ilorazu z pochodnych
se_d <- sqrt(va / b^2 + a^2 * vb / b^4 - 2 * a * cab / b^3)
delta <- r + c(-1, 1) * tk * se_d
round(c(b1 = unname(a), b2 = unname(b), iloraz = r, g = unname(g)), 3)
ci <- rbind(Fieller = fieller, delta = unname(delta))
colnames(ci) <- c("dolna", "gorna")
round(ci, 3)Wynik w R
b1 b2 iloraz g
1.005 0.381 2.641 0.692
dolna gorna
Fieller 1.259 16.686
delta 0.195 5.088Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (przykład bez dodatkowych pakietów); rysunek wykonano w pakiecie ggplot2, a plik zapisano pakietem svglite. 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
- svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
Najczęstsze pytania
Kiedy metoda Fiellera daje przedział nieograniczony?
Gdy g = t²·vb / b² jest równe lub większe od 1, czyli gdy mianownik nie różni się istotnie od zera. Przedział obejmuje wtedy nieskończoność. To nie błąd obliczeń, tylko sygnał, że dane nie pozwalają określić ilorazu.
Czy przedział Fiellera można zastąpić metodą delta?
Tylko przy precyzyjnym mianowniku. W przykładzie przy g = 0.69 metoda delta dała symetryczny przedział [0.20; 5.09], a Fieller [1.26; 16.69]. Hirschberg i Lye (2010) pokazali, że zgodność obu metod zależy też od znaku korelacji oszacowań.
Czy do metody Fiellera potrzebna jest kowariancja oszacowań?
Tak, jeśli oszacowania pochodzą z jednego modelu, np. dwa współczynniki regresji. Kowariancję odczytasz z macierzy vcov(). Dla ilorazu średnich z dwóch niezależnych grup kowariancja wynosi zero.
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)
- Fieller, E. C. (1954). Some problems in interval estimation. Journal of the Royal Statistical Society: Series B (Methodological), 16(2), 175–185. https://doi.org/10.1111/j.2517-6161.1954.tb00159.x
- Hirschberg, J., & Lye, J. (2010). A geometric comparison of the delta and Fieller confidence intervals. The American Statistician, 64(3), 234–241. https://doi.org/10.1198/tast.2010.08130
Cytowania BibTeX
@article{fieller1954some, author={Fieller, E. C.}, title={{Some problems in interval estimation}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1954}, volume={16}, number={2}, pages={175--185}, doi={10.1111/j.2517-6161.1954.tb00159.x}}@article{hirschberg2010geometric, author={Hirschberg, Joe and Lye, Jenny}, title={{A geometric comparison of the delta and Fieller confidence intervals}}, journal={The American Statistician}, year={2010}, volume={64}, number={3}, pages={234--241}, doi={10.1198/tast.2010.08130}}