Wir wollen in diesem Kapitel keine sehr ausführlichen Überblick über alle möglichen Grafiken geben. Eine kleine Einführung ist im Skript Wirtschaftsmathematik Grafiken erstellen und einige Beispiel sind im Merkmale und dem EDA zu finden.
| Merkmale | Typ der Grafik | geometrische Funktion |
|---|---|---|
| metrisch | Histogramm | geom_histogram() |
| metrisch | Dichteplot | geom_density() |
| metrisch | Boxplot | geom_boxplot() |
| metrisch | Violinplot | geom_violin() |
| metrisch | Empirische Verteilungsfunktion | stat_ecdf() |
Die einfachste und beste Grafik für univariate Daten sind Histogramme. In unserem Beispiel können wir zum Beispiel das Alter oder die Summenwerte eines Konstrukts jeweils in einem Histogramm darstellen.
umfrage |> ggplot(aes(x = Alter)) +
geom_histogram(binwidth =1,
fill = "steelblue2",
color = "grey50") +
labs(y = "Anzahl") 
umfrage |> ggplot(aes(x = Summe_SE)) +
geom_histogram(binwidth =1,
fill = "steelblue2",
color = "grey50") +
labs(x = "Summe SE", y = "Anzahl")
| Merkmale | Typ der Grafik | geometrische Funktion |
|---|---|---|
| kategorial | Säulendiagramm, Balkendiagramm | geom_bar() |
Univariate, kategoriale Daten werden als Balken- oder Säulendiagramm dargestellt. In unserem Beispiel können wir zum Beispiel die Antworten eines Items bevor diese zu einem metrischen Merkmal konvertiert wurden
umfrage2 |> ggplot(aes(y = SE01_01)) +
geom_bar(fill = "steelblue2") +
labs(x = "Anzahl") 
umfrage2 |> ggplot(aes(x = SE01_01)) +
geom_bar(fill = "steelblue2") +
labs(y = "Anzahl") +
theme(axis.text.x = element_text(angle = 40,
vjust = 0))
Möchte man zwei metrische Merkmale gleichzeitig darstellen, so bietet sich ein Streudiagramm an.
umfrage |> ggplot(aes(x = Summe_SE, y = Summe_TE)) +
geom_point() +
labs(x = "Summe SE", y = "Summe TE")
| Merkmale | Typ der Grafik | geometrische Funktion |
|---|---|---|
| metrisch / metrisch | Streudiagramm | geom_point() |
| metrisch / metrisch | Streudiagramm mit Regressionsgerade |
geom_point() + geom_smooth(method = "lm")
|
| metrisch / metrisch | Liniendiagramm | geom_line() |
| metrisch / metrisch | 2D-Dichteplot | geom_density_2d() |
| metrisch / metrisch | Hexbin-Plot | geom_hex() |
| Merkmale | Typ der Grafik | geometrische Funktion |
|---|---|---|
| metrisch / kategorial | Boxplot nach Gruppen | geom_boxplot() |
| metrisch / kategorial | Violinplot nach Gruppen | geom_violin() |
| metrisch / kategorial | Stripchart / Punktdiagramm nach Gruppen | geom_jitter() |
| metrisch / kategorial | Mittelwert mit Fehlerbalken |
stat_summary() + geom_errorbar()
|
| metrisch / kategorial | facettierte Histogramme |
geom_histogram() + facet_wrap()
|
| metrisch / kategorial | facettierte Dichteplots |
geom_density() + facet_wrap()
|
| Merkmale | Typ der Grafik | geometrische Funktion |
|---|---|---|
| kategorial / kategorial | gruppiertes Balkendiagramm | geom_bar(position = "dodge") |
| kategorial / kategorial | gestapeltes Balkendiagramm | geom_bar(position = "stack") |
| kategorial / kategorial | prozentuales gestapeltes Balkendiagramm | geom_bar(position = "fill") |
| kategorial / kategorial | Heatmap der Häufigkeiten | geom_tile() |
| kategorial / kategorial | Mosaikplot | geom_mosaic() |
Mit dem Mosaikplot erkennt man sowohl die Verteilung der einzelnen Merkmale als auch die Verteilung des zweiten Merkmals (y-Achse) gegeben die Ausprägung des ersten Merkmals (sog. bedingten Wahrscheinlichkeiten).
ggmosaic die richtige Wahl.Das Konzept des Pivotierens gehört eigentlich in die Datenaufarbeitung, allerdings benötigen wir es insbesondere um Daten facettiert darstellen zu können: Wir wollen nun alle Items gleichzeitig in facettierten Histogrammen darstellen. Das Problem ist nun, dass jedes Item ein eigenes Merkmal ist. Die Idee ist, dass man alle Werte in ein Merkmal schreibt und den Namen des zugehörigen Merkmals in ein anderes Merkmal schreibt. Man macht also aus einer breiten eine lange Tabelle.
umfrage# A tibble: 110 × 18
Fall Alter Summe_SE Summe_TE SE01_01 SE01_02_invers SE01_03 SE01_04_invers
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 21 24 12 3 4 4 4
2 2 29 17 16 2 0 2 4
3 3 18 20 10 1 3 3 3
4 4 23 25 11 4 4 4 4
5 5 19 21 7 4 4 1 4
6 6 21 25 11 4 4 3 4
7 7 19 25 11 4 4 3 4
8 8 20 23 8 3 3 3 4
9 9 21 25 9 4 4 4 4
10 10 21 20 8 3 1 3 3
# ℹ 100 more rows
# ℹ 10 more variables: SE01_05 <dbl>, SE01_06 <dbl>, SE01_07 <dbl>,
# TE01_01 <dbl>, TE01_02_invers <dbl>, TE01_03 <dbl>, TE01_04_invers <dbl>,
# TE01_05 <dbl>, TE01_06_invers <dbl>, TE01_07 <dbl>umfrage_lang <- umfrage |> pivot_longer(SE01_01:TE01_07,
values_to = "Werte",
names_to = "Item")
umfrage_lang# A tibble: 1,540 × 6
Fall Alter Summe_SE Summe_TE Item Werte
<dbl> <dbl> <dbl> <dbl> <chr> <dbl>
1 1 21 24 12 SE01_01 3
2 1 21 24 12 SE01_02_invers 4
3 1 21 24 12 SE01_03 4
4 1 21 24 12 SE01_04_invers 4
5 1 21 24 12 SE01_05 4
6 1 21 24 12 SE01_06 3
7 1 21 24 12 SE01_07 2
8 1 21 24 12 TE01_01 4
9 1 21 24 12 TE01_02_invers 3
10 1 21 24 12 TE01_03 4
# ℹ 1,530 more rowsNun sind alle
umfrage_lang |> ggplot(aes(x = Werte)) +
geom_histogram(bins = 10) +
facet_wrap(~Item, ncol = 4)