Was ist ein Scatter Plot?

Ein Streuplot ist ein grundlegendes Visualisierungswerkzeug in Statistik und Datenwissenschaft, das verwendet wird, um die Beziehung zwischen zwei quantitativen Variablen zu untersuchen. Indem einzelne Beobachtungen als Punkte auf einem zweidimensionalen Raster dargestellt werden, zeigt ein Streuplot Muster, Trends, Cluster und Ausreißer, die sonst in einer Zahlentabelle verborgen bleiben könnten. Für Forscher, Analysten und Studenten ist die Beherrschung des Streuplots für die explorative Datenanalyse, Hypothesengenerierung und klare Kommunikation von Ergebnissen unerlässlich.

Jede Beobachtung in einem Datensatz wird auf einen Punkt abgebildet, dessen Position durch die Werte zweier Variablen bestimmt wird: Eine Variable wird der horizontalen Achse (x-Achse) und die andere der vertikalen Achse (y-Achse) zugeordnet. Die resultierende Punktesammlung bildet ein visuelles Muster, das die Art und Stärke der Beziehung zwischen den Variablen anzeigt. Das Konzept geht auf die Arbeit von Francis Galton und Karl Pearson im späten 19. Jahrhundert zurück, die Streuplots zur Untersuchung von Korrelationen in biologischen und sozialen Daten verwendeten. Streuplots sind heute ein Grundnahrungsmittel in Bereichen von Wirtschaft und Medizin bis hin zu Technik und Marketing.

Sie bieten eine intuitive Möglichkeit, Linearität, Monotonie und das Vorhandensein von Untergruppen oder Anomalien zu beurteilen.

Wann man einen Scatter Plot verwendet

Scatter-Plots sind in den frühen Phasen der Analyse am wertvollsten, wenn Sie das Verhalten von zwei numerischen Variablen zusammen verstehen müssen.

  • Erforschen Sie die Form einer Beziehung Ist es linear, logarithmisch, exponentiell oder kurvlinear?
  • Check für Ausreißer Punkte, die weit vom Gesamtmuster abweichen, können Dateneingabefehler oder besondere Fälle signalisieren, die es wert sind, untersucht zu werden.
  • Identifizieren Sie Cluster oder Untergruppen - Dichte Punktegruppen können auf unterschiedliche Kategorien oder natürliche Segmentierung in Ihren Daten hinweisen.
  • Messwertkorrelationsstärke Die visuelle Inspektion der Punktspreizung ist eine schnelle Realitätsprüfung, bevor numerische Koeffizienten berechnet werden.
  • Verifizieren von Annahmen für weitere Modellierung Viele statistische Methoden nehmen Linearität und Homoszenetizität an; ein Streudiagramm hilft, diese Annahmen zu validieren.

Wenn die Anzahl der Beobachtungen klein ist (unter 100), funktioniert das grundlegende Streudiagramm gut. Für größere Datensätze müssen Sie möglicherweise die Transparenz anpassen oder Binning-Methoden verwenden (später diskutiert), um eine Überschreitung zu vermeiden.

Wie man ein Scatter Plot erstellt

Der Aufbau eines Streudiagramms beinhaltet einen einfachen Prozess, aber die Aufmerksamkeit auf Details stellt sicher, dass der resultierende Graph genau und interpretierbar ist.

Schritt-für-Schritt-Bau

  1. Wählen Sie Ihre Variablen aus. Wählen Sie zwei quantitative Variablen, von denen Sie vermuten, dass sie miteinander in Zusammenhang stehen, z. B. jahrelange Erfahrung und Gehalt oder Temperatur- und Eisverkäufe. Wenn eine Variable eindeutig erklärend (unabhängig) und die andere Antwort (abhängig) ist, legen Sie die erklärende Variable auf die x-Achse.
  2. Sammeln und bereinigen Sie Ihre Daten. Beobachtungen korrekt gepaart werden; fehlende Werte entweder durch Entfernen unvollständiger Paare oder durch Zurechnung gültiger Techniken behandeln; doppelte oder fehlerhafte Datenpunkte entfernen, die das Muster verzerren könnten.
  3. Äxte deutlich kennzeichnen. Maßeinheiten (z. B. "Studierte Stunden pro Woche" und "Prüfungspunkt (0-100)") einschließen; eine Skala wählen, die den Datenbereich überspannt, ohne den visuellen Eindruck zu verfälschen; für die meisten Zwecke sind lineare Skalen geeignet.
  4. Zeichne jede Beobachtung auf. Für jedes Datenpaar die x-Koordinate auf der horizontalen Achse und die y-Koordinate auf der vertikalen Achse lokalisieren und dann einen Punkt an diesem Schnittpunkt markieren. Verwenden Sie ein konsistentes Symbol wie einen durchgezogenen Kreis.
  5. Analysieren Sie das resultierende Muster. Suchen Sie nach der Gesamtrichtung (nach oben, unten, flach), der Form (linear, gekrümmt), der Stärke (eng geclustert vs. weit verbreitet) und ungewöhnlichen Merkmalen (Ausreißer, Lücken, Cluster).

Erstellen von Scatter Plots mit gemeinsamen Tools

Python (Matplotlib/Seaborn): Verwenden Sie oder Beide bieten umfangreiche Optionen für Farbe, Größe und Transparenz.

R (Gaplot2): Die Funktion innerhalb eines -Aufrufs erzeugt Streuplots. Ästhetische Abbildungen wie und fügen leicht Dimensionen hinzu.

Excel: Legen Sie ein Streudiagramm aus der Gruppe Charts ein. Excel wählt automatisch numerische Achsen aus und ermöglicht die Formatierung von Markierungsstilen.

Tableau: Ziehen Sie zwei numerische Felder in die Spalten- und Zeilenregale. Tableau erstellt automatisch ein Streuplot; Sie können dann Farbe, Größe und Tooltips mit zusätzlichen Feldern hinzufügen.

Interpretation von Scatter Plot Patterns

Die wahre Kraft eines Scatter-Plots liegt darin, die Geschichte zu lesen, die die Punkte erzählen. Hier sind die häufigsten Muster und was sie bedeuten.

Positiv, negativ und keine Korrelation

Die einfachste Beziehung, die identifiziert werden kann, ist die lineare Korrelation:

  • Positive Korrelation: Mit zunehmender x-Achsenvariable nimmt die y-Achsenvariable tendenziell zu. Punkte gruppieren sich entlang einer Linie, die von links nach rechts nach oben verläuft. Beispiel: Trainings- und Fertigkeitsstunden.
  • Negative Korrelation: Mit zunehmender x-Achsen-Variable neigt die y-Achsen-Variable dazu, sich zu verringern. Punkte gruppieren sich entlang einer abfallenden Linie. Beispiel: Fahrzeuggeschwindigkeit und Kraftstoffeffizienz (bis zu einem Punkt).
  • Keine Korrelation: Die Punkte werden ohne erkennbaren Trend verstreut. Die Werte einer Variablen werden nicht systematisch mit der anderen in Beziehung gesetzt. Beispiel: Schuhgröße und IQ-Werte.

Stärke der Korrelation

Die Stärke der Korrelation bezieht sich darauf, wie eng die Punkte um eine Linie oder Kurve gruppieren. Eine starke Korrelation zeigt Punkte nahe einer klaren Trendlinie; eine schwache Korrelation zeigt Punkte, die weit verbreitet sind. Die Stärke wird oft mit dem Korrelationskoeffizienten (unten diskutiert) quantifiziert, aber visuell kann man sie anhand der Dichte der Punktwolke messen.

Nichtlineare Beziehungen

Eine Streukurve kann ein gekrümmtes Muster wie exponentielles Wachstum, logarithmischer Zerfall oder eine U-förmig (quadratische) Beziehung: Zum Beispiel folgt die Beziehung zwischen Stress und Leistung oft einer invertierten U-Kurve (Yerkes-Dodson-Gesetz), wenn Sie Nichtlinearität frühzeitig erkennen, können Sie Transformationen oder nichtparametrische Methoden in der späteren Modellierung anwenden.

Ausreißer, Cluster und Lücken

Ausreißer sind einzelne Punkte, die weit vom Hauptbestandteil der Daten entfernt sind. Sie können auf Dateneingabefehler, Sonderfälle oder wirklich extreme Beobachtungen hinweisen. Cluster sind Gruppen von Punkten, die nahe beieinander liegen, aber von anderen Gruppen getrennt sind, was auf das Vorhandensein von Untergruppen im Datensatz hindeutet. Beispielsweise kann ein Streudiagramm des Kundeneinkommens gegenüber Ausgaben zwei Cluster ergeben, die budgetbewusste und Luxuskäufer repräsentieren. Lücken - leere Räume zwischen Clustern - können auf eine fehlende Kategorie oder eine Diskontinuität in der zugrunde liegenden Bevölkerung hinweisen.

Heteroscedastizität

Ein Muster, bei dem sich die Verteilung von Punkten über den Bereich der x-Achse ändert, wird als HeteroscedastizitätBeispielsweise können Vorhersagefehler mit zunehmendem Wachstum der unabhängigen Variablen zunehmen, was gegen die Annahmen vieler Regressionsmodelle verstößt und leicht in einem Streudiagramm erkannt werden kann.

Messung der Korrelation: Der Korrelationskoeffizient

Während Scatter-Plots eine visuelle Bewertung bieten, ist die Korrelationskoeffizient bietet ein numerisches Maß für die Stärke und Richtung einer linearen Beziehung.

Pearson's r

Der häufigste Koeffizient ist Pearson's rEin Wert von +1 zeigt eine perfekte positive lineare Korrelation an, -1 zeigt eine perfekte negative lineare Korrelation an und 0 zeigt keine lineare Korrelation an. Pearsons r ist empfindlich gegenüber Ausreißern und nimmt eine lineare Beziehung an, also überprüfen Sie immer zuerst das Streudiagramm, bevor Sie sich ausschließlich auf den Koeffizienten verlassen.

Spearmans Rangkorrelation

Wenn Daten ordinal sind oder die Beziehung monoton, aber nicht linear ist, Spearmans Rangkorrelation Die bessere Wahl ist, dass sie bewertet, wie gut sich die Beziehung zwischen zwei Variablen mit einer monotonen Funktion beschreiben lässt. Die Rangfolge der Daten wird anstelle von Rohwerten verwendet, wodurch sie robust gegenüber Ausreißern und nicht-normalen Verteilungen ist.

Bestimmungskoeffizient (R2)

In Regressionskontexten, R2 Es ist einfach das Quadrat von Pearsons r für eine einfache lineare Regression, wird aber zu einem multivariaten Maß, wenn mehr Prädiktoren beteiligt sind. Ein hohes R2 (nahe 1) legt nahe, dass die Regressionslinie gut zu den Daten passt, aber wiederum immer das Streudiagramm untersuchen, um sicherzustellen, dass die Beziehung wirklich linear ist.

Häufige Fallstricke bei der Verwendung von Scatter Plots

Selbst erfahrene Analysten können Streuplots falsch interpretieren.

Korrelation bedeutet nicht implizit Ursache

Die wichtigste Vorsicht: Eine starke Korrelation in einem Streudiagramm beweist nicht, dass eine Variable die andere verursacht. Ein dritter, unbeobachteter Faktor (ein Störfaktor) kann die Beziehung erklären. Zum Beispiel erhöhen Eisverkäufe und Ertrinken im Sommer, aber der Kauf von Eis verursacht kein Ertrinken. Die lauernde Variable ist heißes Wetter, das beides antreibt. Ziehen Sie immer alternative Erklärungen in Betracht.

Verwechseln von Variablen und Simpsons Paradox

Confounder können die scheinbare Beziehung zwischen zwei Variablen verzerren oder sogar umkehren. Simpsons ParadoxonDie Schichtung des Streudiagramms durch eine dritte Variable (z. B. Farbcodierung nach Geschlecht oder Region) kann Untergruppen mit entgegengesetzten Trends aufdecken. Das Ignorieren des Confounder führt zu irreführenden Schlussfolgerungen.

Überplottung und Transparenz

Wenn Datensätze Hunderte oder Tausende von Punkten enthalten, kommt es zu Überschreitungen - Punkte überlappen sich, verdunkeln Muster. Lösungen umfassen das teilweise Transparenzieren von Punkten, die Verwendung kleinerer Marker oder die Anwendung von Techniken wie Hexbin-Binning oder 2D-Dichtekonturen. Passen Sie immer die Punktgröße und -undurchlässigkeit an Ihr Datenvolumen an.

Unangemessene Extrapolation

Ein Streudiagramm zeigt nur die Beziehung innerhalb des beobachteten Datenbereichs. Eine Ausweitung der Trendlinie über das Minimum oder Maximum der x-Achse hinaus ist riskant, da sich die Beziehung außerhalb dieses Bereichs ändern kann. Extrapolieren ist zu vermeiden, es sei denn, Sie haben eine starke theoretische Begründung.

Ignorieren der Skala

Wenn man eine schmale Skala wählt, kann das eine schwache Beziehung übertreiben, während eine breite Skala eine starke minimieren kann. Immer die Achsenbereiche untersuchen und überlegen, ob die Skala für die Daten geeignet ist.

Ökologischer Irrtum

Wenn Streudiagramme auf aggregierten Daten (z. B. Durchschnittswerten auf Länderebene) basieren, kann das Muster auf der individuellen Ebene nicht gelten. ökologischer Irrtum. Wenn möglich, verwenden Sie Daten auf individueller Ebene, um irreführende Schlussfolgerungen über Untergruppen zu vermeiden.

Advanced Scatter Plot Customizations

Sobald Sie das grundlegende Streuplot gemeistert haben, können Sie es erweitern, um zusätzliche Informationen zu übermitteln.

Farbcodierung nach Kategorie

Eine dritte kategorische Variable wird durch Ausfärben von Punkten auf der Basis von Gruppen (z. B. männlich gegen weiblich, Kontrolle gegen Behandlung) hinzugefügt, was sofort zeigt, ob sich Beziehungen zwischen Untergruppen unterscheiden, ohne separate Plots zu erstellen.

Bubble Charts (Größencodierung)

Variieren Sie die Größe jedes Punktes, um eine dritte numerische Variable darzustellen. Ein Blasendiagramm kann beispielsweise die Beziehung zwischen Werbeausgaben (x-Achse) und Einnahmen (y-Achse) zeigen, wobei die Blasengröße den Marktanteil angibt. Achten Sie bei der Größenbestimmung darauf, dass irreführende visuelle Eindrücke vermieden werden - skalieren Sie den Bereich, nicht den Radius der Markierungen.

Hinzufügen von Trendlinien

Überlagern Sie eine Linie der besten Passform (lineare Regression, LOESS oder Polynom), um die Gesamtrichtung und -form zu betonen. Trendlinien helfen dem Auge, dem Muster zu folgen, insbesondere bei verrauschten Daten.

Scatter Plot Matrix (SPLOM)

Zur gleichzeitigen Erforschung von Beziehungen zwischen vielen Variablen zeigt eine Streudiagrammmatrix paarweise Streudiagramme in einem Raster an, was besonders in den frühen Stadien der multivariaten Analyse nützlich ist, um Kollinearität, Cluster und mögliche Prädiktoren für die Modellierung zu erkennen.

Faceting und Small Multiples

Anstelle eines überladenen Streuplots mit vielen Kategorien sollten für jede Ebene einer kategorischen Variablen separate Panels (Facetten) erstellt werden. kleine Vielfache, ermöglicht es Ihnen, Muster über Gruppen hinweg zu vergleichen, ohne sich überschneidende Punkte zu haben.

Interaktive Scatter Plots

Tools wie Plotly und D3.js ermöglichen interaktive Funktionen wie Hover-Tooltips, Zoomen und Bürsten. Interaktivität ist von unschätzbarem Wert, wenn man große Datensätze durchsucht, weil man dynamisch Untergruppen filtern, markieren und einzelne Punkte inspizieren kann.

Praktisches Beispiel: Erkundung eines realen Datensatzes

Betrachten Sie den Klassiker Iris-Datensatz, die für drei Arten von Irisblüten Sepallänge, Sepalbreite, Blütenblattlänge und Blütenblattbreite enthält. Eine Streukurve der Blütenblattlänge (x-Achse) gegenüber der Blütenblattbreite (y-Achse) zeigt eine starke positive lineare Beziehung. Wenn man sie nach Arten färbt, sieht man drei verschiedene Cluster: Iris setosa bildet unten links einen engen Cluster, während Iris versicolor und Iris virginica Wenn die Daten nicht in der Lage sind, die Daten zu sammeln, dann ist dies ein Beispiel, das zeigt, wie die Daten gleichzeitig Korrelation, Clustering und Untergruppenunterschiede zeigen können.

Schlussfolgerung

Streudiagramme sind unerlässlich, um Beziehungen zwischen Variablen zu erkennen und zu kommunizieren. Egal, ob Sie experimentelle Daten analysieren, Geschäftsmetriken überwachen oder Statistiken unterrichten, ein gut konstruiertes Streudiagramm kann Erkenntnisse liefern, die Tabellen und zusammenfassende Statistiken allein nicht liefern können. Denken Sie daran, die visuelle Interpretation mit quantitativen Messungen wie dem Korrelationskoeffizienten zu kombinieren und immer auf verwirrende Faktoren, Ausreißer und nichtlineare Muster zu achten. Mit der Praxis wird das Streudiagramm zu einem der vielseitigsten Werkzeuge in Ihrem Datenanalyse-Toolkit.

Für weitere Informationen, erkunden Statistics How To’s Guide zu Korrelationskoeffizienten, Khan Academy-Serie auf Scatter-Plotsund eine nachdenkliche Sammlung von Fehlkorrelationen Für einen tieferen Einblick in Simpsons Paradoxon, siehe Dieser Wikipedia-Artikel mit Beispielen, und für interaktive Scatter Plot Beispiele, besuchen Sie Dokumentation von Plotly.