¿Cuáles son las alternativas a los gráficos de caja?

Question

Estoy trabajando en la creación de un sitio web, que muestra los datos del censo para un usuario seleccionado polígonos y le gustaría mostrar gráficamente la distribución de varios parámetros (un gráfico por parámetro).

Los datos suelen tener las siguientes propiedades:

1. El tamaño de la muestra suele ser grande (por ejemplo, unos 10.000 puntos de datos)
2. El rango de valores tiende a ser bastante grande (por ejemplo, la población mínima puede ser inferior a 100 y la máxima puede ser algo así como 500.000)
3. q1 suele estar cerca del mínimo (digamos 200) mientras que q2 y q3 estarán dentro de los 10.000
4. No se parece en nada a una distribución normal

No soy estadístico y, por tanto, mi descripción puede no ser exactamente clara.

Me gustaría mostrar esta distribución en un gráfico, que será visto por los ciudadanos (los legos, si se quiere).

Me hubiera gustado más utilizar un histograma, pero no es posible debido al gran rango de valores, por lo que hacer bins no es realmente fácil y sencillo.

Por lo poco que sé de estadística, un diagrama de caja es lo que se suele utilizar para mostrar este tipo de datos, pero creo que para un profano, descifrar el diagrama de caja no es fácil.

¿Qué opciones tengo para mostrar estos datos de forma fácil de entender?

Answer 1

Un boxplot no es tan complicado. Después de todo, sólo hay que calcular los tres cuartiles y los mínimos y máximos que definen el rango; la sutileza surge cuando queremos dibujar los bigotes y se han propuesto varios métodos. Por ejemplo, en un Gráfico de caja de Tukey los valores fuera de 1,5 veces el intercuartil del primer o tercer cuartil se considerarían como valores atípicos y se mostrarían como puntos simples. Véase también Métodos de presentación de la información estadística: El diagrama de caja para una buena visión general por Kristin Potter. El R implementa una regla ligeramente diferente, pero el código fuente está disponible si desea estudiarlo (véase el boxplot() y boxplot.stats() funciones). Sin embargo, no es muy útil cuando el interés es identificar los valores atípicos de una distribución muy sesgada (pero véase, Un boxplot ajustado para distribuciones sesgadas de Hubert y Vandervieren, CSDA 2008 52(12)).

En cuanto a la visualización en línea, le sugiero que eche un vistazo a Protovis que es una caja de herramientas js libre de plugins para pantallas web interactivas. El sitio web ejemplos página tiene muy ilustraciones de lo que se puede conseguir con ella, en muy pocas líneas.

Answer 2

Te sugiero que perseveres con los histogramas. Son mucho más conocidos que las alternativas. Utiliza una escala logarítmica para hacer frente a la gran variedad de valores. Aquí hay un ejemplo que he cocinado en un par de minutos en Stata:
Admito que los rótulos numéricos del eje x no fueron del todo sencillos ni automáticos, pero como estás construyendo un sitio web, ¡estoy seguro de que tus habilidades de programación están a la altura del desafío!

Answer 3

Me gusta bastante parcelas de violín ya que esto da una idea de la forma de la distribución. Sin embargo, si el problema es el gran rango de valores, tal vez sería mejor trazar el logaritmo de los datos en lugar de los valores brutos, lo que permitiría elegir el tamaño de las cajas para los histogramas, etc. Como la visualización es para legos, no mencione los logaritmos y marque el eje 10, 100, 1000, 10000, 100000, 1000000 etc.

Answer 4

Aquí hay una función de matlab para trazar múltiples histogramas uno al lado del otro en 2D como alternativa al box-plot. Véase la imagen de arriba. Y aquí está otro

La franja de densidad es otra alternativa al box-plot. Es una franja monocromática sombreada cuya oscuridad en un punto es proporcional a la densidad de probabilidad de la cantidad en ese punto. Se trata de una Aplicación de la R de la franja de densidad

Answer 5

¿Qué tal si utilizamos los cuantiles? Entonces no es necesario presentar un gráfico, sólo una tabla. En el caso del censo de pueblos, creo que los usuarios estarán más interesados en saber cuántos pueblos tienen un tamaño determinado, por lo que dar, por ejemplo, deciles les dará información como $x\%$ de todos los pueblos son menores que el número determinado. Para los deciles $x=0,10,20,...,100$ . Puedes hacer un gráfico de esta tabla con los porcentajes en el eje de abscisas y los deciles en el eje de ordenadas.