2.10:

2.10: Wykres punktowy

JoVE Core
Statistics

A subscription to JoVE is required to view this content. Sign in or start your free trial.

JoVE Core Statistics

Scatter Plot

Please note that all translations are automatically generated. Click here for the English version.

2.11: Time-Series Graph

6,896 Views

•

01:15 min

•

April 30, 2023

Overview

Najczęstszym i najłatwiejszym sposobem przedstawienia relacji między dwiema zmiennymi, x i y, jest wykres punktowy. Wykres punktowy pokazuje kierunek relacji między zmiennymi. Wyraźny kierunek ma miejsce, gdy występuje:

Wysokie wartości jednej zmiennej występujące przy wysokich wartościach drugiej zmiennej lub niskie wartości jednej zmiennej występujące przy niskich wartościach drugiej zmiennej.
Wysokie wartości jednej zmiennej występujące przy niskich wartościach drugiej zmiennej.

Siłę relacji można określić, patrząc na wykres punktowy i widząc, jak blisko punktów znajdują się linia, funkcja potęgowa, funkcja wykładnicza lub inny typ funkcji. W przypadku zależności liniowej istnieje wyjątek. Rozważmy wykres punktowy, na którym wszystkie punkty leżą na linii poziomej zapewniającej “idealne dopasowanie”. Linia pozioma w rzeczywistości nie wykazywałaby żadnego związku.

Patrząc na wykres rozrzutu, należy zwrócić uwagę na ogólny wzór i wszelkie odchylenia, jeśli takie występują.

Transcript

Weź pod uwagę dane ilościowe dotyczące ceny domów i odpowiadającej im powierzchni gruntu. Takie dane ilościowe z dwiema zmiennymi nazywane są danymi dwuwymiarowymi.

Zmienna, która działa jako przyczyna, nazywana jest zmienną niezależną, podczas gdy inna zmienna, która pokazuje odpowiedź, nazywana jest zmienną zależną.

Tę zależność jednej zmiennej od drugiej można zwizualizować za pomocą wykresu punktowego. W tym przypadku zmienna niezależna – powierzchnia gruntu – jest reprezentowana wzdłuż osi X, a zmienna zależna – cena domów – jest reprezentowana wzdłuż osi Y.

Zaznacz ceny odpowiadające powierzchni gruntu. Następnie narysuj linię najlepszego dopasowania, tak aby prawie równa liczba punktów znajdowała się powyżej i poniżej tej linii. Punkty te razem tworzą wzorzec do identyfikacji korelacji między dwiema zmiennymi.

Zauważ, że wzrost powierzchni gruntu prowadzi do wzrostu cen domów. Taki trend wzrostowy oznacza dodatnią korelację.

I odwrotnie, jeśli obserwuje się tendencję spadkową, wskazuje to na ujemną korelację. Brak trendu oznacza brak korelacji.

Key Terms and definitions

Scatter Plot - A graph showing the relationship between two variables, x and y.
Direction - Highs and lows of variables in a scatter plot.
Perfect Correlation - All points in a scatter plot fall on a single line.
No Trend - Scatter plot showing no clear relationship between variables.
Linear Relationship - Scatter plot where data points fall along a line, but not horizontally.

Learning Objectives

Define Scatter Plot - Visual representation of the relationship between two variables (e.g., scatter plot).
Contrast Perfect Correlation vs No Trend - Distinguish between clear and unclear relationships (e.g., perfect correlation scatter plot vs no trend scatter plot).
Explore Examples - Look at variations of scatter plots (e.g., linear relationship scatter plot).
Explain Scatter Plot Direction - Describe how the direction of a scatter plot is determined.
Apply in Context - Understand how scatter plots are used in psychology.

Questions that this video will help you answer

What is a scatter plot and how to read one?
What distinguishes perfect correlation from no trend in scatter plots?
How to determine the direction of a scatter plot?

This video is also useful for

Students - Understanding of scatter plots aids in comprehending variable relationships.
Educators - Scatter plots provide a visual tool for teaching relationship between variables.
Researchers - Scatter plots can serve as a fundamental tool in data analysis.
Science Enthusiasts - Scatter plots offer a simple way to see relationships between variables.

Tags

Wykres punktowy zależność zmienne X i Y wysokie wartości niskie wartości siła związku zależność liniowa bliskość punktów idealne dopasowanie ogólny wzór odchylenia