Scatter: методы и применение в статистике¶

Scatter (от англ. scatter — разбрасывать, рассеивать) — термин, используемый в статистике и анализе данных для обозначения диаграммы рассеивания (точечного графика) — визуального представления пар значений двух переменных в виде точек на координатной плоскости. Диаграмма рассеивания позволяет выявить характер взаимосвязи (корреляцию) между переменными, наличие кластеров или выбросов в данных.

¶История возникновения

Первые точечные графики появились в XVIII веке. Шотландский инженер и экономист Джон Синклер в 1786 году использовал точечную диаграмму для отображения данных о долгах британского правительства. Однако популяризация scatter-диаграмм связана с именем французского математика Огюстена Луи Коши, который в 1820-х годах применял их в математическом анализе. В 1830-х годах бельгийский статистик Адольф Кетле использовал точечные графики для изучения социальных явлений, а в конце XIX века английский биолог и статистик Фрэнсис Гальтон систематизировал применение scatter-диаграмм для анализа наследственности, заложив основы корреляционного анализа.

¶Принцип построения

Диаграмма рассеивания строится на двумерной координатной плоскости. По горизонтальной оси (X) откладываются значения одной переменной, по вертикальной оси (Y) — другой. Каждая точка на графике соответствует одному наблюдению (объекту, случаю) с координатами (x, y). Для построения scatter-графика необходимы парные данные, то есть измерения двух показателей на одной и той же совокупности объектов.

¶Типы переменных

Scatter-диаграммы применяются преимущественно для количественных (числовых) переменных. Если одна из переменных является категориальной, используются модификации — например, цвет или форма точек для кодирования категорий. Это позволяет визуализировать трёхмерные данные на плоскости.

¶Интерпретация результатов

Анализ scatter-графика позволяет выявить несколько типов взаимосвязей между переменными.

¶Корреляционная связь

Основное назначение scatter-диаграммы — определение наличия и характера корреляции. При положительной корреляции точки образуют «облако», вытянутое слева снизу направо вверх: с ростом одной переменной растёт и другая. При отрицательной корреляции облако вытянуто справа сверху вниз влево. Отсутствие выраженной закономерности (хаотичное расположение точек) свидетельствует об отсутствии линейной связи. Теснота связи оценивается коэффициентом корреляции Пирсона, однако scatter-график позволяет увидеть нелинейные зависимости, которые коэффициент не отражает.

¶Кластеры и выбросы

Scatter-диаграммы позволяют обнаруживать группировки точек (кластеры), указывающие на неоднородность исследуемой совокупности. Например, при анализе антропометрических данных кластеры могут соответствовать разным возрастным группам. Выбросы (аномальные наблюдения) выглядят как точки, удалённые от основного облака. Их выявление важно для очистки данных перед статистическим анализом.

¶Разновидности scatter-диаграмм

Существует несколько модификаций классической scatter-диаграммы.

¶Bubble chart (пузырьковая диаграмма)

Разновидность scatter-графика, в которой третья переменная кодируется размером точки («пузыря»). Такая диаграмма позволяет отображать трёхмерные данные на плоскости. Например, на графике «ВВП — продолжительность жизни» размер пузыря может соответствовать численности населения страны.

¶Scatter-матрица (SPLOM)

Матрица точечных графиков, в которой попарно сравниваются несколько переменных. Строится симметричная матрица, где каждая ячейка — scatter-график для пары переменных. Используется для первичного разведочного анализа многомерных данных.

¶3D scatter plot

Трёхмерная диаграмма рассеивания, где точки располагаются в пространстве с тремя осями координат. Применяется для визуализации данных с тремя количественными переменными, однако на плоскости экрана восприятие таких графиков затруднено, поэтому часто используется вращение или проекции.

¶Программные реализации

Современные scatter-диаграммы строятся с помощью специализированных библиотек и пакетов:

• Python: библиотека Matplotlib (функция scatter()), Seaborn (scatterplot), Plotly (интерактивные графики).
• R: базовый пакет graphics (plot()), библиотека ggplot2 (geom_point()).
• Excel и LibreOffice Calc: встроенный тип диаграммы «Точечная».
• Tableau и Power BI: инструменты визуальной аналитики с drag-and-drop интерфейсом.

¶Применение в науке и промышленности

Scatter-диаграммы широко используются в различных областях.

¶Естественные науки

В биологии и медицине scatter-графики применяются для анализа зависимости «доза-эффект», сравнения физиологических показателей у разных групп пациентов, визуализации результатов генетических исследований. В физике — для анализа экспериментальных данных, например, зависимости силы тока от напряжения.

¶Экономика и финансы

В экономике scatter-диаграммы используются для анализа взаимосвязи макроэкономических показателей (инфляция и безработица — кривая Филлипса), сравнения доходности и риска различных активов, оценки эффективности рекламных кампаний.

¶Контроль качества

В управлении качеством scatter-график входит в число «семи инструментов качества» (наряду с диаграммой Парето, причинно-следственной диаграммой Исикавы и другими). Применяется для выявления зависимости между параметрами технологического процесса и характеристиками продукции.

¶Машинное обучение

В задачах машинного обучения scatter-диаграммы применяются для визуализации признакового пространства, оценки разделимости классов, отображения результатов кластеризации и проверки работы алгоритмов снижения размерности (например, t-SNE и PCA).

¶Ограничения метода

Scatter-диаграммы имеют ряд ограничений. При большом объёме данных (более нескольких тысяч точек) происходит перекрытие точек, что затрудняет оценку плотности распределения. Для решения проблемы применяются методы сглаживания плотности, прозрачность точек или двумерные гистограммы (hexbin). Кроме того, визуальная оценка корреляции субъективна: на восприятие влияет масштаб осей. Изменение масштаба может визуально усилить или ослабить кажущуюся связь. Наконец, scatter-график показывает только наличие связи, но не доказывает причинно-следственную зависимость между переменными.

¶Интересные факты

• Диаграмма рассеивания, построенная Фрэнсисом Гальтоном для анализа роста родителей и детей, привела к открытию явления регрессии к среднему.
• В 2020 году scatter-графики стали широко использоваться для визуализации данных о распространении COVID-19, что привлекло внимание широкой публики к этому методу.
• Современные интерактивные scatter-графики позволяют «наводить» курсор на точки для получения подробной информации о каждом наблюдении, что делает их удобным инструментом исследовательского анализа.