散点图是一种用点表示成对数值观测的图形,通常绘制在两条相互垂直的坐标轴上。每个点记录同一观测单位的两个变量值。散点图广泛应用于统计学和科学研究,可揭示关联模式,包括趋势、曲线形态、聚类、空隙和异常观测。与折线图不同,散点图通常不连接相邻的点,因为这些点的排列顺序未必具有实际意义。
结构与绘制
对于包含 个观测的数据集,绘制的是以下有序对:
在标准的笛卡尔坐标系中,点 的水平位置表示 ,竖直位置表示 。两项测量必须对应同一个单位、同一个事件,或在其他意义上合理匹配的观测。将不相关的测量配成一对,可能得到看似合理、实际上却无法解释的图形。
如果目的是考察结果变量如何随预测变量变化,通常将预测变量放在横轴上,将结果变量放在纵轴上。这一惯例并不意味着两者之间存在因果关系。如果两个变量都没有被指定为解释变量,那么采用任一轴向安排都可以。
坐标轴应标明变量及其单位。条形图通过条形相对于基线的长度表示数值大小,而散点图通过点的位置表示数值,因此坐标轴通常不必从零开始。不过,显示范围和纵横比会影响人们对变量关系的视觉判断,不应因此掩盖相关观测。
散点图不同于函数图像:多个观测可以具有相同的横坐标,却具有不同的纵坐标。它展示的是观测到的数值对,不一定为每个输入指定唯一的输出。
模式解读
解读散点图时,通常会考察以下几个方面。
- **方向:**上升趋势表明,一个变量取值较大时,另一个变量的取值也往往较大;下降趋势则表明情况相反。
- **形态:**变量关系可能近似线性,也可能呈曲线、周期性或更复杂的形态。
- **强度:**与围绕某一模式广泛分散的点相比,紧密集中在清晰模式附近的点通常表明关联更强,但强度的含义取决于所考察的关系类型。
- **群组:**彼此分离的点云可能反映不同的总体、实验条件,或未测量的分组变量。
- **异常观测:**孤立的点可能代表罕见个案、记录错误,或与所提出模型不一致的观测。
- **离散程度的变化:**沿横轴方向,点在竖直方向上的离散程度可能增大或减小,表明变异程度取决于预测变量。
这些特征往往同时存在。例如,几个群组各自都可能呈现上升趋势,而合并后的数据却呈现下降趋势。
散点图可以看作对来自某个联合概率分布的样本的展示。点密集或稀疏的区域提示了哪些数值组合出现得更频繁或更少,但仅凭一个个点,并不能得到概率密度的数值估计。
与相关关系和回归的联系
相关关系
相关关系可用数值加以概括。常用的皮尔逊相关系数衡量线性关联;对于两个变量均非常量的成对数据,其公式为:
其中, 和 分别是两个变量的样本均值。
散点图提供了这一单独系数无法保留的信息。明显的 U 形关系可能具有接近零的相关系数,而相关系数相近的数据集也可能具有截然不同的结构。尤其需要注意,零相关通常并不意味着统计独立性。
统计学家弗朗西斯·安斯库姆于 1973 年提出的安斯库姆四重奏说明了这一局限:四组数据的常用汇总统计量和拟合线性关系几乎完全相同,散点图却明显不同。
叠加回归拟合
散点图中可以叠加一条拟合的线性回归直线:
其参数通常通过普通最小二乘法估计。也可以使用曲线拟合或局部平滑方法描述非线性模式。这些叠加内容是基于模型添加的,并非散点图本身固有的组成部分。
不确定性带需要明确说明其含义。平均响应的置信区间带表示对估计平均关系的不确定性;预测区间带则针对未来的单个观测,在同一模型下通常更宽。
将残差(即观测值与拟合值之差)相对于拟合值或预测变量绘图,可用于检查模型是否恰当。曲线形态可能提示模型遗漏了非线性成分,而漏斗形模式可能表明误差方差并非常数。仅凭散点图,无法确认模型假设成立。
变体与扩展
分组与多变量展示
颜色或标记形状可以在保留两条数值坐标轴的同时区分类别。标记大小可以表示第三个数值变量,从而形成气泡图。用圆表示数值大小时,通常应使圆的面积而非半径与所表示的数值成正比,否则会夸大大小差异。
三维散点图增加了一个坐标维度,但透视和遮挡可能使静态图难以解读。交互式旋转有所帮助,但并不能消除这些问题。
散点图矩阵将多个数值变量两两配对的散点图排列成网格。对角线上的面板通常展示直方图、密度曲线或变量名称。这类矩阵能够揭示两两变量之间的结构,却可能遗漏只有同时考虑多个变量才会显现的关系。
密集数据或离散数据
当点相互重叠时,过度绘制会掩盖某一区域内实际有多少个观测。常见的处理方法包括:
- 使用更小的标记,或设置一定的透明度;
- 将不同群组放在不同面板中;
- 对重复值或离散值施加称为抖动的微小位置偏移;
- 将数据划入矩形或六边形网格,并用颜色表示计数;
- 根据密度估计绘制等高线或以明暗、色彩填充的曲面。
这些方法会改变图形的解读方式。抖动引入了人为的位置偏移,不应将其误认为测量精度的体现。分箱图展示的是汇总计数,而非单个观测;透明度也不一定能在线性意义上反映密度。
变换坐标轴
对数坐标轴可以使乘法关系或跨越多个数量级的数据更便于观察。此时,相等的距离表示相等的比值,而不是相等的差值。
当结果变量采用对数刻度、预测变量保持原始刻度时,指数函数关系会呈现为直线。当两个坐标轴都采用对数刻度时,幂律关系会呈现为直线。这些外观可以提示候选模型,却不能证明数据就是由这些模型生成的。普通的对数坐标轴无法表示零或负值。
应用与局限
散点图可用于探索性分析、测量结果比较、模型检验和研究结果展示。它可以显示结果变量如何随预测变量变化,揭示与聚类分析有关的群组,或展示由主成分分析及其他投影方法得到的低维表示。解读投影图中表面上的接近或分离时,必须考虑投影保留了哪些信息。
以下几项局限尤为重要:
- **关联不等于因果。**可见的关系可能源于混杂、反向因果、共同趋势或选择偏差。因果推断需要额外的假设和恰当的研究设计。
- **抽样与依赖性很重要。**点云本身并不能表明观测是否具有代表性或彼此独立。来自同一个人、同一地点或同一时间序列的测量可能相互依赖。
- **缺失观测可能改变模式。**标准散点图只包含两个绘图变量均有可用值的观测;系统性缺失可能扭曲图中显示的关系。
- **刻度与范围会影响外观。**受限的取值范围、不一致的坐标轴尺度以及极端观测,都可能改变人们对关系强度的判断,或掩盖重要结构。
- **通常不展示不确定性。**一个点通常表示记录值或估计值,而不是其测量不确定度。当这种不确定性与分析有关时,需要使用误差棒或其他视觉编码方式。
- **探索并不会自动带来验证。**考察许多变量对后发现的模式,本身并不构成预先指定的统计假设检验所提供的验证性证据。
异常点也需要结合背景理解:某个观测可能在一个变量上取值极端,却并未偏离整体关系;而一个在视觉上不那么孤立的点,也可能对拟合模型产生很大影响。