## 6.9 記住人的局限性
人類既有知覺的局限性,也有認知的局限性,這使得一些可視化很難理解。在構建可視化時,務必記住這些內容。
### 6.9.1 知覺限制
許多人(包括我自己)所遭受的一個重要的知覺限制是色盲。這使得很難感知圖形中的信息(如圖[6.13](#fig:badColors)中的信息),其中元素之間只有顏色對比,但沒有亮度對比。除了顏色之外,使用亮度和/或紋理有很大差別的圖形元素總是很有幫助的。還有[“色盲友好型”調色板](http://www.cookbook-r.com/Graphs/Colors_(ggplot2)/#a-colorblind-friendly-palette)可用于 R

圖 6.13 僅依賴顏色對比度的壞圖形示例。
即使對于擁有完美色覺的人來說,也存在一些知覺上的限制,使得某些情節無效。這就是統計學家從不使用餅圖的原因之一:人類很難理解形狀體積的差異。圖[6.14](#fig:pieChart)中的餅圖(顯示了與上面顯示的宗教信仰相同的數據)顯示了這有多復雜。

圖 6.14 餅圖的一個例子,強調了理解不同餅圖切片的相對體積的困難。
這個陰謀很可怕,有幾個原因。首先,它需要將大量的顏色與圖形底部非常小的補丁區分開。第二,視覺角度扭曲了相對數字,因此天主教的餅狀楔形比無餅狀楔形要大得多,而事實上,無餅狀楔形的數字稍大(22.8%對 20.8%),如圖[6.9](#fig:chartJunk)所示。第三,通過將圖例與圖形分開,它要求查看器將信息保存在工作內存中,以便在圖形和圖例之間進行映射,并進行許多“表查找”,以便不斷將圖例標簽與可視化匹配。最后,它使用的文本太小,不放大就無法閱讀。
使用更合理的方法繪制數據(圖[6.15](#fig:religionBars)),我們可以更清楚地看到模式。此圖可能不像使用 Excel 生成的餅圖那樣華麗,但它更有效、更準確地表示了數據。

圖 6.15 更清晰地展示了宗教隸屬關系數據(摘自[http://www.pewforum.org/steerial-landscape-study/](http://www.pewforum.org/religious-landscape-study/))。
此圖允許查看者根據桿**的**長度**沿公共比例**(Y 軸)進行比較。在基于這些感知元素解碼差異時,人類往往比基于區域或顏色更準確。
- 前言
- 0.1 本書為什么存在?
- 0.2 你不是統計學家-我們為什么要聽你的?
- 0.3 為什么是 R?
- 0.4 數據的黃金時代
- 0.5 開源書籍
- 0.6 確認
- 1 引言
- 1.1 什么是統計思維?
- 1.2 統計數據能為我們做什么?
- 1.3 統計學的基本概念
- 1.4 因果關系與統計
- 1.5 閱讀建議
- 2 處理數據
- 2.1 什么是數據?
- 2.2 測量尺度
- 2.3 什么是良好的測量?
- 2.4 閱讀建議
- 3 概率
- 3.1 什么是概率?
- 3.2 我們如何確定概率?
- 3.3 概率分布
- 3.4 條件概率
- 3.5 根據數據計算條件概率
- 3.6 獨立性
- 3.7 逆轉條件概率:貝葉斯規則
- 3.8 數據學習
- 3.9 優勢比
- 3.10 概率是什么意思?
- 3.11 閱讀建議
- 4 匯總數據
- 4.1 為什么要總結數據?
- 4.2 使用表格匯總數據
- 4.3 分布的理想化表示
- 4.4 閱讀建議
- 5 將模型擬合到數據
- 5.1 什么是模型?
- 5.2 統計建模:示例
- 5.3 什么使模型“良好”?
- 5.4 模型是否太好?
- 5.5 最簡單的模型:平均值
- 5.6 模式
- 5.7 變異性:平均值與數據的擬合程度如何?
- 5.8 使用模擬了解統計數據
- 5.9 Z 分數
- 6 數據可視化
- 6.1 數據可視化如何拯救生命
- 6.2 繪圖解剖
- 6.3 使用 ggplot 在 R 中繪制
- 6.4 良好可視化原則
- 6.5 最大化數據/墨水比
- 6.6 避免圖表垃圾
- 6.7 避免數據失真
- 6.8 謊言因素
- 6.9 記住人的局限性
- 6.10 其他因素的修正
- 6.11 建議閱讀和視頻
- 7 取樣
- 7.1 我們如何取樣?
- 7.2 采樣誤差
- 7.3 平均值的標準誤差
- 7.4 中心極限定理
- 7.5 置信區間
- 7.6 閱讀建議
- 8 重新采樣和模擬
- 8.1 蒙特卡羅模擬
- 8.2 統計的隨機性
- 8.3 生成隨機數
- 8.4 使用蒙特卡羅模擬
- 8.5 使用模擬統計:引導程序
- 8.6 閱讀建議
- 9 假設檢驗
- 9.1 無效假設統計檢驗(NHST)
- 9.2 無效假設統計檢驗:一個例子
- 9.3 無效假設檢驗過程
- 9.4 現代環境下的 NHST:多重測試
- 9.5 閱讀建議
- 10 置信區間、效應大小和統計功率
- 10.1 置信區間
- 10.2 效果大小
- 10.3 統計能力
- 10.4 閱讀建議
- 11 貝葉斯統計
- 11.1 生成模型
- 11.2 貝葉斯定理與逆推理
- 11.3 進行貝葉斯估計
- 11.4 估計后驗分布
- 11.5 選擇優先權
- 11.6 貝葉斯假設檢驗
- 11.7 閱讀建議
- 12 分類關系建模
- 12.1 示例:糖果顏色
- 12.2 皮爾遜卡方檢驗
- 12.3 應急表及雙向試驗
- 12.4 標準化殘差
- 12.5 優勢比
- 12.6 貝葉斯系數
- 12.7 超出 2 x 2 表的分類分析
- 12.8 注意辛普森悖論
- 13 建模持續關系
- 13.1 一個例子:仇恨犯罪和收入不平等
- 13.2 收入不平等是否與仇恨犯罪有關?
- 13.3 協方差和相關性
- 13.4 相關性和因果關系
- 13.5 閱讀建議
- 14 一般線性模型
- 14.1 線性回歸
- 14.2 安裝更復雜的模型
- 14.3 變量之間的相互作用
- 14.4“預測”的真正含義是什么?
- 14.5 閱讀建議
- 15 比較方法
- 15.1 學生 T 考試
- 15.2 t 檢驗作為線性模型
- 15.3 平均差的貝葉斯因子
- 15.4 配對 t 檢驗
- 15.5 比較兩種以上的方法
- 16 統計建模過程:一個實例
- 16.1 統計建模過程
- 17 做重復性研究
- 17.1 我們認為科學應該如何運作
- 17.2 科學(有時)是如何工作的
- 17.3 科學中的再現性危機
- 17.4 有問題的研究實踐
- 17.5 進行重復性研究
- 17.6 進行重復性數據分析
- 17.7 結論:提高科學水平
- 17.8 閱讀建議
- References