Wybrane metody prognozowania tempa rozwoju dyscyplin naukowych (metoda regresji wielomianowej trzeciego stopnia, metoda autoregresji oraz wygładzania wykładniczego
Łukasz Opaliński
http://orcid.org/0000-0003-2797-2777
Afiliacja: Oddział Informacji Naukowej Biblioteki Politechniki Rzeszowskiej, Polska
Marcin Jaromin
http://orcid.org/0000-0002-7256-7271
Afiliacja: Zakład Biotechnologii i Bioinformatyki Politechniki Rzeszowskiej, Polska
Abstrakt
Cel/Teza: W artykule porównano statystyczne metody prognozowania tempa ewolucji dyscyplin naukowych. Materiałem empirycznym były cytowania uzyskiwane przez publikacje. Zaakcentowano możliwość uogólnienia wyników badań prób losowych na szerszą populację generalną. Wskazano problemy, na jakie napotyka każda z wybranych metod i zaproponowano szkicowo potencjalne sposoby ich przezwyciężenia.
Koncepcja/Metody badań: Do zbioru danych empirycznych, na który złożyło się prawie 25 tys. cytowań, zastosowano metody inspirowane modelami ekonometrycznymi, tj. metodę regresji wielomianowej, metodę regresji z poprawką ze względu na autokorelację składników resztowych, autoregresję, autoregresję z korektą niestacjonarności modelowanego procesu oraz adaptacyjny model wygładzania wykładniczego Holta. Dla metod regresji zbadano fakt spełniania przez nie warunków Gaussa-Markova. Sprawdzono także statystyczne wskaźniki precyzji dopasowania modeli do danych doświadczalnych, jak również współczynniki dokładności skonstruowanych prognoz.
Wyniki i wnioski: Za najdokładniejszą metodę prognostyczną należy uznać, w świetle dostępnych dla autorów danych, metodę regresji wielomianowej z poprawką ze względu na autokorelację składników resztowych. Metody autoregresyjne wydają się porównywalne z metodami regresyjnymi, metoda adaptacyjna dała natomiast wyniki niejednoznaczne. Fakt ten stanowi zarazem perspektywę dalszych badań.
Ograniczenia badań: Podstawowym ograniczeniem jest dostępny autorom zakres danych empirycznych, które objęły tylko jedną dziedzinę nauki, a dodatkowo zostały zawężone do jej polskojęzycznej sfery oraz do źródeł czasopiśmienniczych.
Oryginalność/Wartość poznawcza: Zestawiono z sobą metody ilościowe, które nie są powszechnie stosowane w celu ewaluacji tempa rozwoju nauki. Zademonstrowano ich potencjał w tym względzie, oraz zaznaczono potrzebę dalszego ich doskonalenia. Wytypowanie najbardziej obiecującej metodologii powinno przyczynić się do lepszego zrozumienia wewnętrznej dynamiki nauki.
Słowa kluczowe
Bibliometria; Dziedziny i dyscypliny naukowe; Naukometria; Prognozowanie; Rozwój nauki; Statystyka w informatologii; Komunikacja naukowa
Deskryptory Biblioteki Narodowej
2001-; Bibliometria; Dyscypliny naukowe; Dziedziny naukowe; Informatologia; Komunikacja naukowa; Naukometria; Postęp naukowy; Prognozowanie; Statystyka;Bibliografia
Aczel, A. D., Sounderpandian, J. (2018). Statystyka w zarządzaniu. Warszawa: PWN.
Allen, M. P. (1997). Understanding Regression Analysis. New York: Plenum Press, https://dx.doi.org/10.1007/b102242
Bingham, N., Fry, J. (2010). Regression: Linear Models in Statistics. New York, London: Springer, https://dx.doi.org/10.1007/978-1-84882-969-5
Chatfield, Ch. (1975). The Analysis of Time Series: Theory and Practice . London: Chapman and Hall, https://dx.doi.org/10.1007/978-1-4899-2925-9
Dowdy, S., Wearden, S., Chilko, D. (2004). Statistics for Research. Hoboken, New Jersey: John Wiley & Sons, Inc.
Guzik, B., Appenzeller, D., Jurek, W. (2007). Prognozowanie i symulacje. Wybrane zagadnienia. Poznań: Wydaw. Akademii Ekonomicznej w Poznaniu.
Huber, J. C. (1998). Cumulative Advantage and Success-Breeds-Success: The Value of Time Pattern Analysis. Journal of the American Society for Information Science, 49(5), 471–476, https://dx.doi.org/10.1002/(SICI)1097-4571(19980415)49:5<471::AID-ASI8>3.0.CO;2-T
Hyndman, R., Koehler, A. B., Ord, J. K., Snyder, R. D. (2008). Forecasting with Exponential Smoothing : The State Space Approach. Berlin: Heidelberg: Springer, https://dx.doi.org/10.1007/978-3-540-71918-2
Krawiec, S. (2014). Adaptacyjne modele wygładzania wykładniczego jako instrumenty prognozowania krótkoterminowego zjawisk ilościowych. Gliwice: Wydaw. Politechniki Śląskiej.
Krzysztofiak, M., Luszniewicz, A. (1976). Statystyka. Warszawa: Polskie Wydawnictwo Ekonomiczne.
Kuhn, T. S. (2001). Struktura rewolucji naukowych. Warszawa: Fundacja Aletheia.
Montgomery, D. C., Jennings, Ch., Kulahci, M. (2008). Forecasting and Time Series Analysis. New York: Wiley.
Oktaba, W. (1980). Metody statystyki matematycznej w doświadczalnictwie. Warszawa: PWN.
Opaliński, Ł., Jaromin, M. (2017). Zastosowanie statystycznej analizy szeregów czasowych do krótkoterminowego prognozowania rozwoju dyscyplin naukowych. Zagadnienia Informacji Naukowej – Studia Informacyjne, 55(2), 106–125, https://doi.org/10.36702/zin.368
Pawłowski, Z. (1981). Elementy ekonometrii: podręcznik. Warszawa: PWN.
Price, D. de Solla (1976). A General Theory of Bibliometric and Other Cumulative Advantage Processes. Journal of the American Society for Information Science, 27(5), 292–306, https://dx.doi.org/10.1002/asi.4630270505
Ross, S. M. (2009). Introduction to Probability and Statistics for Engineers and Scientists. Amsterdam: Elsevier Academic Press, https://dx.doi.org/10.1016/B978-0-12-370483-2.X0001-X
Sen, A., Srivastava, M. (1990). Regression Analysis: Theory, Methods, and Applications. Berlin: Heidelberg: Springer, https://dx.doi.org/10.1007/978-1-4612-4470-7
Sheskin, D. J. (2007). Handbook of Parametric and Nonparametric Statistical Procedures. Fourth Edition. Boca Raton: London: New York: Chapman & Hall/CRC, Taylor & Francis Group.
Shumway, R. H., Stoffer, D. S. (2011). Time Series Analysis and Its Applications: With R Examples. Berlin: Springer International Publishing, https://dx.doi.org/10.1007/978-3-319-52452-8
Snarska, A. (2011). Statystyka, ekonometria, prognozowanie: ćwiczenia z Excelem 2007. Warszawa: Wydawnictwo Placet.
Sobczyk, M. (2008). Prognozowanie: teoria, przykłady, zadania. Warszawa: Wydawnictwo Placet.
Sobczyk, M. (2015). Statystyka. Warszawa: PWN.
Witkowska, D. (2005). Podstawy ekonometrii i teorii prognozowania: podręcznik z przykładami i zadaniami. Kraków: Oficyna Ekonomiczna.
Wojna, A. (2007). Predykcja ekonometryczna oraz modelowanie stochastyczne. Cz.1. Koszalin: Wydawnictwo Politechniki Koszalińskiej.
Zaiontz, Ch. (2017). Time Series Analysis [online]. Real Statistics Using Excel, [21.11.2019], https://www.real-statistics.com/time-series-analysis/
Zeliaś, A. (1997). Teoria prognozy. Warszawa: Polskie Wydawnictwo Ekonomiczne.
Zeliaś, A., Pawełek, B., Wanat, S. (2013). Prognozowanie ekonomiczne: teoria, przykłady, zadania. Warszawa: PWN.
Aneksy
Aneks 1. Wyniki badania liczby i wieku źródeł piśmienniczych przywoływanych w bibliografiach załącznikowych artykułów opublikowanych w czasopismach stanowiących przedmiot badania, z podziałem na dyscypliny, do których należały artykuły cytujące [online]. Figshare database, [27.01.2020], https://figshare.com/s/a1d147ee9baae900b789
http://orcid.org/0000-0003-2797-2777
Afiliacja: Oddział Informacji Naukowej Biblioteki Politechniki Rzeszowskiej, Polska
Biogram:
ŁUKASZ OPALIŃSKI uzyskał tytuł doktora w zakresie nauk humanistycznych w dyscyplinie „Bibliologia i informatologia”, nadany w grudniu 2018 roku przez Radę Wydziału Zarządzania i Komunikacji Społecznej Uniwersytetu Jagiellońskiego, na podstawie rozprawy pt.: Starzenie się publikacji naukowych w języku polskim i angielskim w perspektywie zachowań warunkujących proces cytowania w naukach o Ziemi napisanej pod kierunkiem dr hab. Remigiusza Sapy z Instytutu Informacji Naukowej i Bibliotekoznawstwa UJ. Pracuje w Oddziale Informacji Naukowej Biblioteki Politechniki Rzeszowskiej na stanowisku kustosza. Najważniejsze publikacje: Opaliński, Ł. (2019). Cytowanie narzędziem zarządzania informacją: teoria zachowań informacyjnych. W: W. Babik (red.) Zarządzanie informacją (210–248). Warszawa: Wydawnictwo SBP.; Opaliński, Ł., Jaromin, M. (2017). Zastosowanie statystycznej analizy szeregów czasowych do krótkoterminowego prognozowania rozwoju dyscyplin naukowych. Zagadnienia Informacji Naukowej – Studia Informacyjne, 55(2), 106–125.
http://orcid.org/0000-0002-7256-7271
Afiliacja: Zakład Biotechnologii i Bioinformatyki Politechniki Rzeszowskiej, Polska
Biogram:
MARCIN JAROMIN pracuje na stanowisku asystenta w grupie pracowników badawczo-dydaktycznych w Zakładzie Biotechnologii i Bioinformatyki Politechniki Rzeszowskiej. Tytuł magistra inżyniera uzyskał w 2004 r. na Wydziale Chemicznym Politechniki Rzeszowskiej oraz, równolegle, w 2005 r. na Wydziale Elektrotechniki i Informatyki Politechniki Rzeszowskiej. Specjalizuje się w dziedzinie biotechnologii, bioinformatyki i statystyki matematycznej. Najważniejsze publikacje: Bocian A., Buczkowicz, J., Jaromin, M., Hus, K. K., Legáth, J. (2019). An Effective Method of Isolating Honey Proteins. Molecules, 24(13), 2399.; Ciura, J., Bocian, A., Kononiuk, A., Szeliga, M., Jaromin, M., Tyrka, M. (2017). Proteomic Signature of Fenugreek Treated by Methyl Jasmonate and Cholesterol. Acta Physiologiae Plantarum, 39, 112
CC BY-NC-ND 4.0 Uznanie autorstwa - Użycie niekomercyjne - Bez utworów zależnych 4.0 Międzynarodowe
