06 Visualisierungen

Einführung in die quantitativen Forschungsmethoden

Quiz zur letzten Sitzung

Quiz Link

Grundprinzipien der Visualisierung

Grundprinzipien

Welche Visualisierungen finden Sie hilfreich, welche weniger?

Weniger ist mehr

  • Edward Tufte: “Above all else show the data”
    • data-ink-ratio as proportion of ink devoted to non-redundant information

\(data-ink-ratio=\frac{data-ink}{total\ ink\ used\ to\ print\ figure}\)

Visuelle Merkmale

Bestimmte visuelle Merkmale (pre-attentive attributes) werden von unserem Auge vorgefiltert

  • Farben
  • Größe
  • einfache Formen
  • Länge von Linien

Andere Merkmale brauchen unser Bewusstsein

  • z.B. erkennen von Buchstaben & Zahlen

→ visuelle Merkmale können helfen Information prominenter zu machen

Visuelle Merkmale

Die hervorhebende Wirkung von visuellen Merkmalen hängt auch vom Kontext ab

Aufteilen von Grafiken

  • häufig ist Information besser auf mehrere, kleinere Grafiken verteilt (‘small multiples’)
    • → zerlegen in verschiedene daten-basierte Schichten
  • → Vergleiche zwischen Gruppen bieten sich visuell an

Mehr zu Wahrnehmung

  • z.B. in Healy (2018)

Visualisierungen und Forschung

Visualisierungen und Forschung

aus Traunmüller (2020), S. 437

Visualisierungen und Forschung

Die vier Grafiken zeigen

  • gleiche Mittelwerte für X & Y
  • gleiche Standardabweichungen für X & Y
  • gleiche Korrelationen zwischen X & Y

→ Visualisierungen helfen uns Zusammenhänge zu erkennen

Visualisierungen und Forschung

“Data visualization can be understood as a translation tool that assigns abstract numerical values to physical properties such as spatial position along a scale, the length of a bar or the geometric shape and color of a plotting symbol.

However, data visualization involves more than simply mapping numbers to visual stimuli. Ideally, data visualization is a method that helps us and our audience understand the political world by assisting analytical thinking.”

Traunmüller (2020), S. 437


→ Visualisierung als Form der Präsentation und Kommunikation

→ Visualisierung als Form der (explorativen) Analyse

Visualisierungen erstellen

Visualisierungen erstellen

In R hilft das ggplot2 Paket (Teil von tidyverse) beim Herstellen komplexerer Grafiken. Es ist ebenfalls in tidyverse enthalten.

library(tidyverse)

Beispiel: Zusammenhang Regierungs- & Demokratiezufriedenheit

Wir berechnen den Durchschnitt der Regierungs- (stfgov) und Demokratiezufriedenheit (stfdem)

library(haven)
ess8 <- read_dta("../data/ESS8e02_2.dta")

# gruppieren
ess8 <- group_by(ess8,cntry)

# zusammenfassen
democracy <- summarise(ess8,
                       mean_stfgov=mean(stfgov,na.rm=T),
                       mean_stfdem=mean(stfdem,na.rm=T))

Visualisierungen erstellen

ggplot() erstellt den Plot

ggplot(data=democracy)

Visualisierungen erstellen

  • Definition von Variablen als aesthetics mit aes()
    • x-Variable, y-Variable
  • geom_point() erzeugt einen Scatterplot basierend auf Werten
    • Achtung: Hinzufügen mit +
ggplot(data=democracy)+
  geom_point(aes(x=mean_stfgov,
                 y=mean_stfdem))

Geoms

  • geom_point() ist nur ein sogenanntes ‘geom’ → viele weitere in R
    • verschiedene geoms brauchen oft unterschiedliche aesthetics

Beispiel: geom_label() braucht eine Variable mit Label-Text → R-Dokumentation hilft

ggplot(data=democracy)+
  geom_label(aes(x=mean_stfgov,
                   y=mean_stfdem,
                   label=cntry))

Weitere visuelle Merkmale

  • Kontrolle weiterer Merkmale über aes
    • z.B. fill, color, shape, …
    • Verknüpfung mit Variable
democracy$cee <- ifelse(democracy$cntry %in%
                          c("CZ","EE","HU","LT","PL","SI"),
                        "CEE","other")
ggplot(data=democracy)+
  geom_point(aes(x=mean_stfgov,
           y=mean_stfdem,
           color=cee,
           shape=cee))

Faceting

  • mit facet_wrap() kann man small multiples erzeugen und den Plot entlang einer Variable ‘schichten’
democracy$lowhigh <- ifelse(democracy$mean_stfdem>5,
                            "high","low")
ggplot(data=democracy,
       aes(x=mean_stfgov,
           y=mean_stfdem,
           label=cntry))+
  geom_label()+
  facet_wrap(~lowhigh)

Faceting

  • besonders hilfreich, wenn wir Statistiken für jede Facet berechnen
    • z.B. zeichnet geom_smooth() eine Regressionslinie (lm: lineares Modell)
ggplot(data=democracy,
       aes(x=mean_stfgov,
           y=mean_stfdem,
           label=cntry))+
  geom_smooth(method="lm")+
  geom_label()+
  facet_wrap(~lowhigh)

Geoms

  • Möglichkeit aes() für alle geoms zu definieren durch vorziehen der aes()-Definition in ggplot()
ggplot(data=democracy)+
  geom_label(aes(x=mean_stfgov,
           y=mean_stfdem,
           label=cntry))+
  geom_point(aes(x=mean_stfgov,
           y=mean_stfdem))

ggplot(data=democracy,
       aes(x=mean_stfgov,
           y=mean_stfdem,
           label=cntry))+
  geom_label()+
  geom_point()