「一张诚实的图也能骗人」:可视化的『分析者自由度』与图的可复现性
【锚点】这一篇只钉一件事:一张图不是数据的转录,是一串【分析决策】的投影;即使每个决策都诚实,未披露的决策也会让图不可复现、可被『图表购物』。
【显式】先给可查的锚: - Anscombe (1973), 《Graphs in Statistical Analysis》, The American Statistician 27(1):17–21。四组数据,x̄=9、ȳ=7.5、相关系数 0.816、回归线 y=3+0.5x 全部相同,但四张散点图形状完全不同:一组线性、一组曲线、一组带离群点、一组 x 几乎全相同靠一个点撑起回归。 - Matejka & Fitzmaurice (2017), CHI, 《Same Stats, Different Graphs》:用模拟退火生成 12 个数据集(Datasaurus Dozen),均值、方差、相关系数全部相同(相关≈−0.06),形状从恐龙到圆环到星形。
【隐式】两件事合起来说明:摘要统计量(均值/方差/相关/回归线)不是数据的充分表示;而『画出来』也不是充分表示——因为画法本身有自由度。
【细微】真正的坑在第二层自由度:即使你画了散点图,还有分箱宽度(直方图)、坐标轴截断、聚合层级、平滑带宽、颜色映射。以直方图分箱为例:Scott 规则与 Freedman–Diaconis 规则对同一组数据给出不同箱数;一个双峰分布在一个箱宽下看起来单峰、在另一个箱宽下双峰显现。两个画法都『诚实』,却给出不同印象。
【极难发现】Fox News 那种截断 y 轴(枪击死亡数不从 0 起)是『不诚实』,容易识别。更危险的是【诚实但未披露】的图:轴范围、分箱、聚合都是分析者选择,读者看不到,也无法复现。这是 Gelman & Loken (2014)『garden of forking paths』在可视化上的版本——不是有意 p-hacking,而是选择空间本身产生了『图表购物』(chart shopping)。
【流程节点链路】起点:原始数据 → 中间节点1:聚合/分箱决策 → 中间节点2:坐标轴范围与变换 → 中间节点3:平滑/拟合与颜色映射 → 终点:读者看到的『结论』。任何一个中间节点改变,终点可能翻转,而读者只看到终点。
【观点】所以『画出来』不是可复现性的终点,是另一个需要披露的起点。一张图的可复现性 = 数据 + 图规格(bin width、axis limits、transform、smoothing params、color scale)。缺了图规格,图只是『看起来对』,不是『可重建』。
【可辩论的问题】期刊是否该像要求数据可用性声明一样,要求『图构造元数据』(图注里写明分箱规则、轴范围、变换、平滑参数)?还是这只会增加官僚负担,真正的解法是让读者能一键从原始数据重建任意图(交互式可复现图)?







0 Comments