Kim był Sewall Wright?
Sewall Wright (1889–1988) był amerykańskim genetykiem, jednym z pionierów genetyki populacyjnej (Hill, 1990), a dla statystyki – twórcą analizy ścieżek, z której wyrosło modelowanie równań strukturalnych. Według wspomnienia Crowa (1994) urodził się 21 grudnia 1889 r. w Melrose w stanie Massachusetts, a dzieciństwo spędził w Galesburgu w Illinois, dokąd rodzina przeniosła się w 1892 r., gdy jego ojciec, ekonomista Philip Green Wright, zaczął uczyć w Lombard College.
Crow (1994) podaje dalsze etapy: licencjat w Lombard College (1911), magisterium na University of Illinois (1912), doktorat na Harvardzie u genetyka W. E. Castle’a (1915), dziesięć lat w Departamencie Rolnictwa USA w Waszyngtonie (1915–1925), gdzie badał chów wsobny i krzyżowanie świnek morskich na podstawie zgromadzonych tam rejestrów, a potem University of Chicago (1926–1954) i University of Wisconsin w Madison (od 1955 r.). Zmarł w Madison 3 marca 1988 r., w wieku 98 lat. Hill (1990) dodaje, że czterotomowy traktat napisał długo po formalnym przejściu na emeryturę, a ostatni artykuł ukazał się kilka dni przed jego śmiercią.
Najważniejsze pomysły
- Współczynniki ścieżek. Crow (1994) uznaje analizę ścieżek za najważniejszy wkład Wrighta w statystykę; kluczowy wczesny wykład metody to artykuł „Correlation and causation” z 1921 r. Wright (1934) wrócił do niej jako do sposobu powiązania współczynników korelacji między zmiennymi z założonymi między nimi zależnościami, rysowanymi jako strzałki – i od razu prostował częste nieporozumienia co do jej celu. Sam stosował ją m.in. do produkcji świń i kukurydzy, wzrostu roślin czy dziedziczenia ilorazu inteligencji (Crow, 1994).
- Współczynnik inbredu. W 1922 r. podał algorytm obliczania współczynnika chowu wsobnego dla dowolnego rodowodu (Crow, 1994); z tego pomysłu wyrosły statystyki F do opisu struktury populacji (Hill, 1990).
- Genetyka populacyjna i ewolucja. Rozwinął teorię zmienności częstości genów między populacjami i teorię przesuwającej się równowagi (shifting balance), wciąż dyskutowaną (Hill, 1990); według Crowa (1994) zaczął ją rozwijać jeszcze w Waszyngtonie.
- Genetyka fizjologiczna. Analizował dziedziczenie umaszczenia świnek morskich i interakcje między genami (Hill, 1990).
Wyróżnienia wymienione przez Crowa (1994) to m.in. członkostwo w National Academy of Sciences (1934), National Medal of Science (1966), Medal Darwina Royal Society (1980) i Nagroda Balzana (1984).
Ciekawostka
O Wrighcie krąży anegdota o świnkach morskich i tablicy, ale w źródłach, które przeczytaliśmy, jej nie ma – więc jej nie powtarzamy. Crow (1994) przytacza za to dwie historie, które Wright opowiadał o sobie. Jako dziecko nauczył się wyciągać pierwiastki trzeciego stopnia, zanim poszedł do szkoły – i, jak mówił, przysporzyło mu to natychmiastowej i trwałej niepopularności wśród kolegów.
Druga dotyczy starości. Gdy National Science Foundation zaproponowała mu podniesienie stypendium badawczego o inflację, Wright odmówił: uznał, że jego produktywność spada w tym samym tempie co wartość dolara, i nigdy podwyżki nie przyjął (Crow, 1994).
Przykład na historycznych danych
Zbiór PoliticalDemocracy z pakietu lavaan to – według pliku pomocy – dane z książki K. A. Bollena z 1989 r. o 75 krajach rozwijających się: trzy wskaźniki uprzemysłowienia w 1960 r. (PKB na mieszkańca, zużycie energii, odsetek pracujących w przemyśle) i cztery oceny ekspertów dotyczące demokracji (wolność prasy, opozycji, uczciwość wyborów, skuteczność parlamentu) w 1960 i 1965 r. Z każdej grupy wskaźników liczymy średnią ze standaryzowanych zmiennych, więc model ma trzy zmienne obserwowane, tak jak modele Wrighta.
Korelacje wynoszą: uprzemysłowienie – demokracja 1960 r = .393, uprzemysłowienie – demokracja 1965 r = .508, demokracja 1960 – 1965 r = .861. Z samych korelacji, wzorami Wrighta, wychodzą współczynniki ścieżek: a = .393, b = .782 i droga bezpośrednia c = .200. Reguła śledzenia ścieżek rozkłada korelację .508 na drogę bezpośrednią (.200) i pośrednią a × b = .308. Ten sam model w lavaan (Rosseel, 2012) daje identyczne współczynniki standaryzowane: c = .200 (SE = 0.060, p = .001), efekt pośredni .308 (SE = 0.073, p < .001).
Wright pokazywał też, że model bez którejś strzałki przewiduje konkretną korelację. Model łańcucha bez drogi c przewiduje r = .393 × .861 = .339, a obserwujemy .508; test dopasowania odrzuca ten model: χ²(1) = 10.57, p = .001, SRMR = .069. To nasze przeliczenie, nie liczby z prac Bollena ani Wrighta.
Na rysunku
Co widać. Podstawy analizy ścieżek i współczynnika inbredu powstały w latach pracy w Departamencie Rolnictwa, przy rejestrach hodowlanych świnek morskich. Najważniejszy wykład metody dla statystyków (1934) przypada już na Chicago, a czterotomowy traktat – na lata po przejściu na emeryturę.
Na co uważać. Oś pokazuje tylko zdarzenia z datami w cytowanych źródłach. Nie ma na niej sporu z Fisherem, bo Crow (1994) datuje go tylko w przybliżeniu (od około 1930 r.).
Podpis do pracy:
lavaan::PoliticalDemocracy): współczynniki standaryzowane (A) i rozkład korelacji na drogi (B). Obliczenia i rysunek: R, pakiety lavaan, ggplot2 i patchwork (dane rzeczywiste, bez losowania).Co widać. Na diagramie (A) ciągłe strzałki tworzą drogę pośrednią przez demokrację w 1960 r., a przerywana to droga bezpośrednia. Na panelu B słupki drogi bezpośredniej (.200) i pośredniej (.308) sumują się dokładnie do obserwowanej korelacji .508 – to istota pomysłu Wrighta. Ostatni słupek pokazuje, ile korelacji „przewiduje” model bez drogi c: .339, wyraźnie mniej niż w danych.
Na co uważać. Rozkład korelacji jest arytmetycznie dokładny, ale jego sens zależy od założonego kierunku strzałek. Te same trzy korelacje odtworzy model z odwróconymi strzałkami. Wskaźniki sumaryczne zawierają błąd pomiaru, który osłabia ścieżki – pełny model z czynnikami ukrytymi dałby inne liczby.
Podpis do pracy:
Gdzie spotkasz Wrighta w swojej pracy
Każdy wykres ścieżkowy w pracy z SEM czy z analizy mediacji to potomek diagramów Wrighta. Crow (1994) odnotowuje, że analiza ścieżek zrobiła karierę właśnie w naukach społecznych. W praktyce:
- efekt pośredni liczysz jako iloczyn ścieżek, a efekt całkowity – jako sumę dróg; tak samo w bardziej złożonych modelach z wpisu Mediacja równoległa i szeregowa;
- model ścieżek zapisujesz i szacujesz w R krok po kroku jak we wpisie Analiza ścieżek w lavaan;
- gdy model ma mniej strzałek niż możliwych związków, sprawdzasz jego dopasowanie – zob. identyfikacja modelu SEM i SRMR;
- decydujesz, czy raportować współczynniki standaryzowane, czy surowe – zob. Współczynniki standaryzowane czy niestandaryzowane?.
Spory, mity i trudne strony
- Spór z Fisherem. Według Crowa (1994) odmienne poglądy Wrighta i R. A. Fishera na ewolucję doprowadziły do ostrej polemiki, trwającej od około 1930 r. aż do śmierci Fishera. Dla Fishera interakcje genów i losowe wahania ich częstości przeszkadzały skutecznej selekcji; dla Wrighta były szansą na ewolucyjną twórczość. Późniejsze wypowiedzi Wrighta były pojednawcze.
- Czy ścieżki dowodzą przyczyn? Nie. Nazwa „Correlation and causation” bywa czytana jak obietnica wykrywania przyczyn, ale Wright (1934) przedstawiał metodę jako sposób powiązania korelacji z założonym z góry układem zależności i wyjaśniał nieporozumienia wokół niej. Kierunek strzałek pochodzi z wiedzy o badanym zjawisku – zob. korelacja a przyczynowość.
Analiza ścieżek Wrighta w R
Kod wczytuje dane Bollena z pakietu lavaan, liczy trzy wskaźniki sumaryczne i ich korelacje, wyznacza współczynniki ścieżek „ręcznie” z korelacji i sprawdza regułę śledzenia ścieżek, potem szacuje ten sam model w lavaan i testuje model bez drogi bezpośredniej, a na końcu rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1, pA i pB, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.
1. Współczynniki ścieżek i rozkład korelacji: rysunek 2
Kod R rysunku 2
# Sewall Wright: współczynniki ścieżek i rozkład korelacji na drogi (lavaan::PoliticalDemocracy)
suppressPackageStartupMessages({library(lavaan); library(ggplot2); library(patchwork)})
kol <- c(bezp = "#0072B2", posr = "#E69F00", obs = "grey30") # Okabe–Ito
bz <- function(x, d = 2) sub("^(-?)0\\.", "\\1.", sprintf(paste0("%.", d, "f"), x)) # zapis bez zera wiodącego
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(PoliticalDemocracy, package = "lavaan")
pd <- PoliticalDemocracy # 75 krajów rozwijających się (dane K. A. Bollena z 1989 r.)
z <- function(x) as.numeric(scale(x))
# Wskaźniki sumaryczne (średnie ze standaryzowanych zmiennych), potem standaryzacja całości
dane <- data.frame(
ind60 = z(rowMeans(sapply(pd[, c("x1", "x2", "x3")], z))), # uprzemysłowienie 1960: PKB, energia, praca w przemyśle
dem60 = z(rowMeans(sapply(pd[, c("y1", "y2", "y3", "y4")], z))), # demokracja 1960: 4 oceny ekspertów
dem65 = z(rowMeans(sapply(pd[, c("y5", "y6", "y7", "y8")], z)))) # demokracja 1965: te same 4 oceny
R <- cor(dane)
round(R, 3)
# Współczynniki ścieżek „ręcznie”, z samych korelacji – tak jak u Wrighta
r12 <- R["ind60", "dem60"]; r13 <- R["ind60", "dem65"]; r23 <- R["dem60", "dem65"]
p21 <- r12 # ind60 -> dem60
p31 <- (r13 - r12 * r23) / (1 - r12^2) # ind60 -> dem65 (droga bezpośrednia)
p32 <- (r23 - r12 * r13) / (1 - r12^2) # dem60 -> dem65
round(c(p21 = p21, p31 = p31, p32 = p32), 3)
# Reguła śledzenia ścieżek: korelacja = suma iloczynów ścieżek po wszystkich drogach
round(c(r13_obserwowana = r13, bezposrednia = p31, posrednia = p21 * p32, suma_drog = p31 + p21 * p32), 3)
# Ten sam model w lavaan (współczynniki standaryzowane, efekt pośredni z błędem standardowym)
model <- "
dem60 ~ a * ind60
dem65 ~ c * ind60 + b * dem60
posredni := a * b
calkowity := c + a * b
"
fit <- sem(model, data = dane)
st <- standardizedSolution(fit)
st$p <- round(st$pvalue, 4)
st[st$op %in% c("~", ":="), c("lhs", "op", "rhs", "label", "est.std", "se", "z", "p")]
# Model łańcucha bez drogi bezpośredniej: przewiduje r(ind60, dem65) = r12 * r23
lancuch <- sem("dem60 ~ ind60\n dem65 ~ dem60", data = dane)
round(c(r13_przewidywana = r12 * r23, r13_obserwowana = r13), 3)
round(fitMeasures(lancuch, c("chisq", "df", "pvalue", "srmr")), 3)
# Rysunek 2A: diagram ścieżek ze współczynnikami standaryzowanymi
wez <- function(l) st$est.std[st$label == l][1]
wezly <- data.frame(x = c(0, 1.6, 3.2), y = c(0, 1, 0), nazwa = c("Uprzemysłowienie\n1960", "Demokracja\n1960", "Demokracja\n1965"))
pA <- ggplot() +
annotate("segment", x = 0.3, y = 0.17, xend = 1.2, yend = 0.8, arrow = arrow(length = unit(3, "mm"), type = "closed"),
colour = kol[["posr"]], linewidth = 1.1) +
annotate("segment", x = 2.0, y = 0.8, xend = 2.9, yend = 0.17, arrow = arrow(length = unit(3, "mm"), type = "closed"),
colour = kol[["posr"]], linewidth = 1.1) +
annotate("segment", x = 0.75, y = 0, xend = 2.45, yend = 0, arrow = arrow(length = unit(3, "mm"), type = "closed"),
colour = kol[["bezp"]], linewidth = 1.1, linetype = "longdash") +
annotate("label", x = 0.55, y = 0.6, label = paste("a =", bz(wez("a"))), size = 4, linewidth = 0) +
annotate("label", x = 2.65, y = 0.6, label = paste("b =", bz(wez("b"))), size = 4, linewidth = 0) +
annotate("label", x = 1.6, y = -0.13, label = paste("c =", bz(wez("c"))), size = 4, linewidth = 0) +
geom_label(data = wezly, aes(x, y, label = nazwa), size = 3.8, fill = "white", label.padding = unit(0.4, "lines")) +
coord_cartesian(xlim = c(-0.75, 3.95), ylim = c(-0.35, 1.25)) +
labs(title = "A. Model ścieżek (współczynniki standaryzowane)", x = NULL, y = NULL) +
theme_void(base_size = 13) + theme(plot.title = element_text(face = "bold"))
# Rysunek 2B: z czego składa się korelacja uprzemysłowienia 1960 z demokracją 1965
roz <- data.frame(
co = factor(c("obserwowana r", "droga bezpośrednia c", "droga pośrednia a × b", "model bez drogi c:\nprzewidywana r"),
levels = rev(c("obserwowana r", "droga bezpośrednia c", "droga pośrednia a × b", "model bez drogi c:\nprzewidywana r"))),
wartosc = c(r13, p31, p21 * p32, r12 * r23),
rodzaj = c("obserwowana", "bezpośrednia", "pośrednia", "pośrednia"))
pB <- ggplot(roz, aes(wartosc, co, fill = rodzaj)) +
geom_col(width = 0.6, colour = "grey20") +
geom_text(aes(label = bz(wartosc, 3)), hjust = -0.15, size = 3.8) +
scale_fill_manual(values = c("obserwowana" = "grey70", "bezpośrednia" = kol[["bezp"]], "pośrednia" = kol[["posr"]]), name = NULL) +
scale_x_continuous(limits = c(0, 0.62), breaks = seq(0, 0.6, by = 0.1)) +
labs(title = "B. Korelacja rozłożona na drogi", x = "Wartość (skala korelacji)", y = NULL) +
motyw + theme(legend.position = "none", panel.grid.major.y = element_blank())
p2 <- pA + pB + plot_layout(widths = c(1.15, 1))
p2Wynik w R
ind60 dem60 dem65
ind60 1.000 0.393 0.508
dem60 0.393 1.000 0.861
dem65 0.508 0.861 1.000
p21 p31 p32
0.393 0.200 0.782
r13_obserwowana bezposrednia posrednia suma_drog
0.508 0.200 0.308 0.508
lhs op rhs label est.std se z p
1 dem60 ~ ind60 a 0.393 0.094 4.193 0.000
2 dem65 ~ ind60 c 0.200 0.060 3.365 0.001
3 dem65 ~ dem60 b 0.782 0.044 17.753 0.000
7 posredni := a*b posredni 0.308 0.073 4.220 0.000
8 calkowity := c+a*b calkowity 0.508 0.080 6.355 0.000
r13_przewidywana r13_obserwowana
0.339 0.508
chisq df pvalue srmr
10.571 1.000 0.001 0.069 2. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Sewall Wright, 1889–1988 – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1889, 1915, 1921, 1922, 1926, 1934, 1955, 1968, 1988),
opis = c("urodził się\nw Melrose (Massachusetts)", "doktorat (Harvard),\npraca w USDA", "„Correlation\nand causation”",
"współczynnik\ninbredu", "University\nof Chicago", "„The method of\npath coefficients”", "University\nof Wisconsin",
"1. tom „Evolution and the\nGenetics of Populations”", "zmarł\nw Madison"),
rodzaj = c("życie", "praca", "publikacja", "publikacja", "praca", "publikacja", "praca", "publikacja", "życie"))
zdarzenia$strona <- rep(c(1, -1), length.out = nrow(zdarzenia)) # etykiety na przemian nad i pod osią
zdarzenia$wyrownanie <- c(0.15, 1, 1, 0.5, 0, 0, 0.5, 0.5, 0.8) # rozsunięcie bliskich etykiet (1915–1934)
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 = 0.55 * strona), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
geom_text(aes(y = 0.62 * strona, label = paste0(rok, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie), size = 3.5, lineheight = 0.9) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1884, 1994), breaks = seq(1890, 1990, by = 10)) +
scale_y_continuous(limits = c(-1.15, 1.15)) +
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 (model ścieżek – funkcje sem(), standardizedSolution() i fitMeasures() z pakietu lavaan; dane – pakiet lavaan; 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/
- lavaan (wersja 0.7.2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
- 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 Sewall Wright?
Amerykańskim genetykiem (1889–1988), jednym z pionierów genetyki populacyjnej. Pracował w Departamencie Rolnictwa USA (1915–1925), na University of Chicago (1926–1954) i University of Wisconsin. W statystyce jest znany jako twórca analizy ścieżek, z której wyrosło modelowanie równań strukturalnych.
Co Sewall Wright wniósł do statystyki?
Przede wszystkim metodę współczynników ścieżek: diagram strzałek między zmiennymi i regułę, według której korelację dwóch zmiennych da się rozłożyć na sumę iloczynów ścieżek po wszystkich łączących je drogach. To podstawa dzisiejszego podziału na efekt bezpośredni, pośredni i całkowity w analizie mediacji i SEM.
O co Sewall Wright spierał się z Fisherem?
O mechanizmy ewolucji. Fisher traktował interakcje genów i losowe wahania częstości genów jako przeszkodę dla skutecznej selekcji, a Wright – jako szansę na powstawanie nowych rozwiązań ewolucyjnych. Według Crowa (1994) ostra polemika trwała od około 1930 r. do śmierci Fishera.
Czy analiza ścieżek Wrighta pozwala udowodnić przyczynowość?
Nie. Metoda wiąże obserwowane korelacje z układem zależności założonym przed analizą. Może pokazać, że dane nie pasują do modelu (jak model bez drogi bezpośredniej w przykładzie), ale tego samego dopasowania nie odróżni od modelu z inaczej ustawionymi strzałkami.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza ścieżek w lavaan krok po kroku
Model na zmiennych obserwowalnych: identyfikacja i df, dopasowanie, efekty pośrednie i całkowite z bootstrapem, modele zagnieżdżone i alternatywne.
Czytaj →PoradnikMediacja równoległa i szeregowa
Trzy mediatory i łańcuch dwóch mediatorów w lavaan: efekty pośrednie szczegółowe, kontrasty, bootstrap i wzór opisu w pracy.
Czytaj →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)
- Crow, J. F. (1994). Sewall Wright, December 21, 1889–March 3, 1988. In National Academy of Sciences, Biographical memoirs (Vol. 64) (pp. 438–470). National Academy Press. https://www.nationalacademies.org/read/4547/chapter/21 ● Otwarty dostęp
- Hill, W. G. (1990). Sewall Wright, 21 December 1889 – 3 March 1988. Biographical Memoirs of Fellows of the Royal Society, 36(36), 567–579. https://doi.org/10.1098/rsbm.1990.0044
- Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02 ● Otwarty dostęp
- Wright, S. (1934). The method of path coefficients. The Annals of Mathematical Statistics, 5(3), 161–215. https://doi.org/10.1214/aoms/1177732676 ● Otwarty dostęp
Cytowania BibTeX
@incollection{crow1994wright, author={Crow, James F.}, title={{Sewall Wright, December 21, 1889–March 3, 1988}}, booktitle={Biographical memoirs (Vol. 64)}, year={1994}, volume={64}, pages={438--470}, publisher={National Academy Press}, url={https://www.nationalacademies.org/read/4547/chapter/21}}@article{hill1990wright, author={Hill, William George}, title={{Sewall Wright, 21 December 1889 – 3 March 1988}}, journal={Biographical Memoirs of Fellows of the Royal Society}, year={1990}, volume={36}, number={36}, pages={567--579}, doi={10.1098/rsbm.1990.0044}}@article{rosseel2012lavaan, author={Rosseel, Yves}, title={{lavaan: An R package for structural equation modeling}}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}@article{wright1934method, author={Wright, Sewall}, title={{The method of path coefficients}}, journal={The Annals of Mathematical Statistics}, year={1934}, volume={5}, number={3}, pages={161--215}, doi={10.1214/aoms/1177732676}}