Qu'est-ce qu'un scatter ?

Un graphique de dispersion est un outil de visualisation fondamentale en statistique et en science des données, utilisé pour explorer la relation entre deux variables quantitatives. En traçant les observations individuelles comme des points sur une grille bidimensionnelle, un graphique de dispersion révèle des modèles, tendances, grappes et aberrations qui pourraient autrement rester cachés dans un tableau de nombres. Pour les chercheurs, les analystes et les étudiants, la maîtrise du graphique de dispersion est essentielle pour l'analyse exploratoire des données, la génération d'hypothèses et la communication claire des résultats.

Chaque observation d'un ensemble de données est cartographiée à un point dont la position est déterminée par les valeurs de deux variables. Une variable est attribuée à l'axe horizontal (axe des x) et l'autre à l'axe vertical (axe des y). La collecte de points qui en résulte forme un schéma visuel qui indique le type et la force de la relation, le cas échéant, entre les variables. Le concept remonte au travail de Francis Galton et Karl Pearson à la fin du XIXe siècle, qui ont utilisé des placettes de dispersion pour étudier les corrélations dans les données biologiques et sociales.

Quand utiliser un lot de diffusion

Les diagrammes de dispersion sont les plus utiles aux premières étapes de l'analyse, lorsque vous devez comprendre le comportement de deux variables numériques ensemble. Utilisez-les lorsque vous voulez :

  • Explorer la forme d'une relation – Est-ce linéaire, logarithmique, exponentiel ou curvilinéaire ?
  • Vérifiez les valeurs aberrantes – Des points qui s'écartent de la configuration globale peuvent signaler des erreurs de saisie de données ou des cas spéciaux qui méritent d'être étudiés.
  • Identifier les groupes ou sous-groupes – Des groupes de points denses peuvent indiquer des catégories distinctes ou une segmentation naturelle dans vos données.
  • Résistance à la corrélation de l'échelle – L'inspection visuelle de la propagation des points est un contrôle de la réalité rapide avant de calculer les coefficients numériques.
  • Vérifier les hypothèses pour la modélisation ultérieure – De nombreuses méthodes statistiques supposent linéarité et homoscédasicité; un graphique de dispersion aide à valider ces hypothèses.

Lorsque le nombre d'observations est faible (moins de 100), le graphique de base de dispersion fonctionne bien. Pour les ensembles de données plus importants, vous pouvez avoir besoin d'ajuster la transparence ou d'utiliser des méthodes de binning (discutées plus tard) pour éviter la surplomb.

Comment créer un lot de diffusion

La construction d'un graphique de dispersion implique un processus simple, mais l'attention aux détails garantit que le graphique résultant est précis et interprétable.

Construction étape par étape

  1. Sélectionnez vos variables. Choisissez deux variables quantitatives que vous soupçonnez être liées. Par exemple, des années d'expérience et de salaire, ou des ventes de température et de crème glacée. Si une variable est clairement explicative (indépendante) et l'autre est la réponse (dépendante), placez la variable explicative sur l'axe des x.
  2. Collectez et nettoyez vos données. Assurez-vous que les observations sont correctement appariées. Gérez les valeurs manquantes en supprimant les paires incomplètes ou en imputant des techniques valides.
  3. Les axes d'étiquetage sont clairs. Inclure des unités de mesure (p. ex. « Heures étudiées par semaine » et « Score d'examen (0–100) »). Choisissez une échelle qui s'étend sur l'intervalle de données sans fausser l'impression visuelle.
  4. Déplacez chaque observation. Pour chaque paire de données, localisez la coordonnée x sur l'axe horizontal et la coordonnée y sur l'axe vertical, puis marquez un point à cette intersection. Utilisez un symbole cohérent comme un cercle solide.
  5. Analyser le modèle qui en résulte. Recherchez la direction générale (en haut, en bas, en plan), la forme (linéaire, courbée), la force (cluster serré vs. largement répandue) et les caractéristiques inhabituelles (aberrations, lacunes, amas).

Création de parcelles de dispersion avec des outils communs

Python (Matplotlib/Seaborn): Utilisez ou . Les deux offrent des options étendues pour la couleur, la taille et la transparence.

(gsplot2) La fonction à l'intérieur d'un appel crée des diagrammes de dispersion. Les mappages esthétiques comme et ajoutent facilement des dimensions.

C'est un peu comme ça. Insérez un diagramme de dispersion du groupe des graphiques. Excel choisit automatiquement les axes numériques et permet le formatage des styles de marqueurs.

Tableau: Faites glisser deux champs numériques vers les étagères Colonnes et Rows. Tableau construit automatiquement un graphique de dispersion; vous pouvez ensuite ajouter de la couleur, la taille, et les bouts d'outils avec des champs supplémentaires.

Interprétation des motifs de la parcelle de dispersion

La vraie puissance d'un complot scatter réside dans la lecture de l'histoire les points racontent. Voici les modèles les plus communs et ce qu'ils signifient.

Positif, négatif et sans corrélation

La relation la plus simple à identifier est la corrélation linéaire:

  • Corrélation positive: À mesure que la variable d'axe x augmente, la variable d'axe y tend à augmenter. Les points se regroupent le long d'une ligne descendant de gauche à droite. Exemple : heures passées en formation et performance en compétences.
  • Corrélation négative: La variable de l'axe x augmente, la variable de l'axe y tend à diminuer. Points cluster le long d'une ligne descendante. Exemple : vitesse du véhicule et efficacité énergétique (jusqu'à un point).
  • Pas de corrélation: Les points sont dispersés sans aucune tendance perceptible. Les valeurs d'une variable ne sont pas systématiquement liées à l'autre. Exemple : taille de chaussure et scores IQ.

Force de corrélation

La force de corrélation désigne la manière dont les points se clusterent autour d'une ligne ou d'une courbe. Une forte corrélation montre des points proches d'une ligne de tendance claire; une faible corrélation indique des points largement répartis. La force est souvent quantifiée à l'aide du coefficient de corrélation (examiné ci-dessous), mais visuellement on peut la mesurer par la densité du nuage de point.

Relations non linéaires

Toutes les relations ne sont pas linéaires. Un diagramme de dispersion peut révéler un motif incurvé, comme la croissance exponentielle, la décomposition logarithmique, ou un En U Par exemple, la relation entre le stress et le rendement suit souvent une courbe inverse en U (loi Yerkes-Dodson). La détection précoce de la non-linéarité peut vous guider dans l'application de transformations ou de méthodes non paramétriques dans la modélisation ultérieure.

Aberrations, grappes et lacunes

Les aberrations sont des groupes de points qui sont proches mais séparés des autres groupes, suggérant la présence de sous-groupes dans l'ensemble des données. Par exemple, une parcelle de revenu des clients par rapport aux dépenses peut révéler deux grappes représentant des acheteurs soucieux du budget et de luxe. Les écarts – espaces vides entre les grappes – peuvent indiquer une catégorie manquante ou une discontinuité dans la population sous-jacente.

Hétéroscédastique

Un modèle où la propagation des points change dans la gamme de l'axe des x est appelé hétéroscédastiques. Par exemple, les erreurs de prédiction peuvent augmenter à mesure que la variable indépendante grandit. Cette condition viole les hypothèses de nombreux modèles de régression et est facilement repérée dans un graphique de dispersion.

Mesure de la corrélation : le coefficient de corrélation

Bien que les diagrammes de dispersion fournissent une évaluation visuelle, le coefficient de corrélation offre une mesure numérique de la force et de la direction d'une relation linéaire.

Les

Le coefficient le plus fréquent est Les, qui va de –1 à +1. Une valeur de +1 indique une corrélation linéaire positive parfaite, –1 indique une corrélation linéaire négative parfaite, et 0 n'indique aucune corrélation linéaire. Pearson , r est sensible aux valeurs aberrantes et suppose une relation linéaire, donc vérifiez toujours le diagramme de dispersion avant de se fier uniquement au coefficient.

Corrélation des rangs de Spearman

Lorsque les données sont ordinales ou que la relation est monotonique mais non linéaire, Corrélation de grades de Spearman Il évalue la manière dont la relation entre deux variables peut être décrite en utilisant une fonction monotonique. Les rangs des données sont utilisés au lieu de valeurs brutes, ce qui rend robustes les distributions aberrantes et non normales.

Coefficient de détermination (R2)

Dans les contextes de régression, R2 c'est simplement le carré de Pearsons r pour une simple régression linéaire, mais il devient une mesure multivariée lorsque des prédicteurs plus nombreux sont impliqués. Un R2 élevé (proche de 1) suggère que la droite de régression correspond bien aux données, mais encore une fois, inspectez toujours le graphique de dispersion pour s'assurer que la relation est vraiment linéaire.

Pièges fréquents lors de l'utilisation de parcelles de dispersion

Même les analystes expérimentés peuvent mal interpréter les complots.

La corrélation ne fait pas l'objet d'une simple causalité

La seule prudence la plus importante : une forte corrélation dans un scénario de dispersion ne prouve pas qu'une variable cause l'autre. Un troisième facteur non observé (un confondateur) peut expliquer la relation. Par exemple, les ventes de crème glacée et les incidents de noyade augmentent tous les deux en été, mais l'achat de crème glacée ne cause pas de noyade.

Variables confusionnelles et Simpson , Paradoxe

Les confondateurs peuvent déformer ou même inverser la relation apparente entre deux variables. Le paradoxe Simpson. La stratification de la courbe de dispersion par une troisième variable (p. ex., codage de couleur par sexe ou région) peut révéler des sous-groupes avec des tendances opposées.

Surplomb et transparence

Lorsque les ensembles de données contiennent des centaines ou des milliers de points, il y a surplottage, chevauchement des points, obscurité des motifs. Les solutions comprennent rendre les points partiellement transparents, utiliser des marqueurs plus petits, ou appliquer des techniques comme le binning d'hexagone ou les contours de densité 2D.

Extrapolation inappropriée

Un graphique de dispersion ne montre que la relation dans la plage observée des données. L'extension de la ligne de tendance au-delà du minimum ou du maximum de l'axe des x est risquée parce que la relation peut changer en dehors de cette plage.

Ignorer l'échelle

Le choix d'une échelle étroite peut exagérer une relation faible, tandis qu'une échelle large peut minimiser une échelle forte. Toujours examiner les plages d'axe et examiner si l'échelle est appropriée pour les données. Pour des comparaisons équitables entre plusieurs diagrammes de dispersion, garder les échelles cohérentes.

Faillite écologique

Lorsque les placettes de dispersion sont basées sur des données agrégées (p. ex., moyennes au niveau du pays), le schéma peut ne pas être maintenu au niveau individuel. la fausseté écologique. Dans la mesure du possible, utiliser des données individuelles pour éviter les conclusions trompeuses au sujet des sous-groupes.

Personnalisations avancées des emplacements de dispersion

Une fois que vous maîtrisez le scénario de base, vous pouvez l'étendre pour transmettre des informations supplémentaires.

Codage de couleur par catégorie

Ajouter une troisième variable par catégorie en coloriant des points basés sur des groupes (p. ex., mâle vs femelle, contrôle vs traitement). Ceci révèle instantanément si les relations diffèrent d'un sous-groupe à l'autre sans créer de placettes distinctes.

Graphiques de bulles (encodage de taille)

Variez la taille de chaque point pour représenter une troisième variable numérique. Un graphique à bulles peut montrer, par exemple, la relation entre les dépenses publicitaires (axe des x) et les revenus (axe des y), avec la taille des bulles indiquant la part de marché.

Ajout de lignes de tendance

Surlignez une ligne de meilleur ajustement (régression linéaire, LOESS ou polynôme) pour souligner la direction et la forme globales. Les lignes de tendance aident l'œil à suivre le modèle, en particulier dans les données bruyantes. Inclure des bandes de confiance pour montrer l'incertitude autour de la tendance.

Matrice de la distribution (SPLOM)

Pour explorer les relations entre de nombreuses variables simultanément, une matrice de diagrammes de dispersion affiche des diagrammes de dispersion dans une grille, en paires. Ceci est particulièrement utile aux premières étapes de l'analyse multivariée pour repérer la colinéarité, les amas et les prédicteurs potentiels pour la modélisation.

Facetage et petits multiples

Au lieu d'un diagramme de dispersion encombré avec de nombreuses catégories, créer des panneaux séparés (facettes) pour chaque niveau d'une variable catégorisée. petits multiples, vous permet de comparer les modèles entre les groupes sans chevauchement de points.

Emplacements interactifs de dispersion

Des outils comme Plotly et D3.js permettent d'activer des fonctions interactives telles que les tooltips en mode stationnaire, le zoom et le brossage. L'interactivité est inestimable pour explorer de grands ensembles de données car vous pouvez filtrer dynamiquement, mettre en évidence des sous-groupes et inspecter des points individuels.

Exemple pratique : explorer un jeu de données réel

Considérez le classique Ensemble de données iris, qui contient la longueur du sépale, la largeur du sépale, la longueur des pétales et la largeur des pétales pour trois espèces de fleurs d'iris. Un diagramme dispersé de longueur des pétales (axe des x) par rapport à la largeur des pétales (axe des y) révèle une relation linéaire positive forte. Iris setosa forme un amas serré en bas à gauche, tandis que Iris versicolor et Iris virginica En l'absence de la courbe de dispersion, ces patrons seraient invisibles dans une table de nombres. Cet exemple montre comment les diagrammes de dispersion peuvent simultanément montrer des différences de corrélation, de regroupement et de sous-groupes.

Conclusion

Que vous analysiez des données expérimentales, des mesures d'entreprise ou des statistiques d'enseignement, un diagramme de dispersion bien construit peut révéler des idées que les tableaux et les statistiques sommaires ne peuvent à eux seuls. N'oubliez pas de coupler l'interprétation visuelle avec des mesures quantitatives comme le coefficient de corrélation et de rester toujours attentif aux facteurs confusionnels, aux valeurs aberrantes et aux modèles non linéaires.

Pour plus de détails, explorez Statistiques Guide des coefficients de corrélation, les Khan Academy série sur les parcelles de dispersion, et un pensant collecte de corrélations fallacieuses Pour une plongée plus profonde dans le paradoxe Simpson, voir cet article Wikipédia avec des exemples, et pour des exemples interactifs de diagrammes de dispersion, visitez Documentation du dossier- Oui.