<\/p>\n
In diesem Tutorial wird erkl\u00e4rt, wann und wie die Jitter-<\/strong> Funktion in R f\u00fcr Punktwolken verwendet wird.<\/span><\/p>\n Streudiagramme<\/strong> eignen sich hervorragend zur Visualisierung der Beziehung zwischen zwei kontinuierlichen Variablen. Das folgende Streudiagramm hilft uns beispielsweise dabei, die Beziehung zwischen Gr\u00f6\u00dfe und Gewicht f\u00fcr 100 Sportler zu visualisieren:<\/span><\/p>\n Manchmal m\u00f6chten wir jedoch m\u00f6glicherweise die Beziehung zwischen einer kontinuierlichen Variablen und einer anderen nahezu<\/em> kontinuierlichen Variablen visualisieren.<\/span><\/p>\n Angenommen, wir haben den folgenden Datensatz, der die Anzahl der Spiele zeigt, die ein Basketballspieler in den ersten 10 Spielen einer Saison gestartet hat, sowie seinen Punktedurchschnitt pro Spiel:<\/span><\/p>\n Punkte pro Spiel<\/em> sind eine kontinuierliche Variable, aber begonnene Spiele<\/em> sind eine diskrete Variable. Wenn wir versuchen, ein Streudiagramm dieser beiden Variablen zu erstellen, w\u00fcrde es so aussehen:<\/span><\/p>\n Anhand dieses Streudiagramms k\u00f6nnen wir sagen, dass zwischen den begonnenen Spielen<\/em> und den durchschnittlichen Punkten pro Spiel<\/em> ein positiver Zusammenhang besteht. Es ist jedoch etwas schwierig, die einzelnen Punkte im Diagramm zu erkennen, da sich viele davon \u00fcberschneiden.<\/span><\/p>\n Mit der Jitter-<\/strong> Funktion k\u00f6nnen wir den geworfenen X-Achsen-Variablens\u00e4tzen<\/em> etwas \u201eRauschen\u201c hinzuf\u00fcgen, damit wir die einzelnen Punkte im Diagramm klarer sehen k\u00f6nnen:<\/span><\/p>\n Wir k\u00f6nnen Jitter optional ein numerisches Argument hinzuf\u00fcgen, um den Daten noch mehr Rauschen hinzuzuf\u00fcgen:<\/span><\/p>\n Wir m\u00fcssen jedoch darauf achten, nicht zu viel Jitter hinzuzuf\u00fcgen, da dies die Originaldaten zu stark verzerren k\u00f6nnte:<\/span><\/p>\n Instabilit\u00e4t ist besonders n\u00fctzlich, wenn eine der Ebenen der diskreten Variablen viel mehr Werte hat als die anderen Ebenen.<\/span><\/p>\n Im folgenden Datensatz gibt es beispielsweise dreihundert Basketballspieler, die zwei der ersten f\u00fcnf Spiele der Saison gestartet haben, aber nur etwa 100 Spieler, die ein, drei, vier oder f\u00fcnf Spiele gestartet haben: Wenn wir die Anzahl der gespielten Spiele im Verh\u00e4ltnis zu den durchschnittlichen Punkten pro Spiel visualisieren, k\u00f6nnen wir sagen, dass es mehr Spieler gibt, die zwei Spiele gespielt haben. Es ist jedoch schwierig, genau zu sagen , wie viele andere<\/em> zwei Spiele gespielt haben:<\/span><\/p>\n Sobald wir jedoch Jitter zur Variable \u201eSpielbeginn\u201c<\/em> hinzuf\u00fcgen, k\u00f6nnen wir sehen, wie viele zus\u00e4tzliche Spieler zwei Spiele gestartet haben:<\/span><\/p>\n Durch leichtes Erh\u00f6hen des Jitter-Werts wird dieser Unterschied noch deutlicher:<\/span><\/p>\n Jitter nur f\u00fcr Visualisierungen<\/strong><\/span><\/p>\n<\/h3>\n Wie bereits erw\u00e4hnt, f\u00fcgt Jitter den Daten zuf\u00e4lliges Rauschen hinzu, was von Vorteil sein kann, wenn wir Daten in einer Punktwolke visualisieren m\u00f6chten. Durch die Verwendung der Jitter-Funktion k\u00f6nnen wir uns ein besseres Bild der wahren zugrunde liegenden Beziehung zwischen zwei Variablen in einem Datensatz machen.<\/span><\/p>\n Bei der Verwendung statistischer Analysen wie der Regression ist es jedoch nicht sinnvoll, den Variablen in einem Datensatz zuf\u00e4lliges Rauschen hinzuzuf\u00fcgen, da dies die Ergebnisse einer Analyse beeintr\u00e4chtigen w\u00fcrde.<\/span><\/p>\n Jitter ist also nur f\u00fcr die Datenvisualisierung gedacht, nicht f\u00fcr die Datenanalyse.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" In diesem Tutorial wird erkl\u00e4rt, wann und wie die Jitter- Funktion in R f\u00fcr Punktwolken verwendet wird. Wann sollte Jitter verwendet werden? Streudiagramme eignen sich hervorragend zur Visualisierung der Beziehung zwischen zwei kontinuierlichen Variablen. Das folgende Streudiagramm hilft uns beispielsweise dabei, die Beziehung zwischen Gr\u00f6\u00dfe und Gewicht f\u00fcr 100 Sportler zu visualisieren: #define vectors of […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Wann sollte Jitter verwendet werden?<\/strong><\/span><\/h3>\n
#define vectors of heights and weights\n<\/span>weights <- runif(100, 160, 240) \nheights <- (weights\/3) + rnorm(100)\n\n#create data frame of heights and weights\n<\/span>data <- as.data.frame(cbind(weights, heights))\n\n#view first six rows of data frame\n<\/span>head(data)\n\n# weights heights\n#1 170.8859 57.20745\n#2 183.2481 62.01162\n#3 235.6884 77.93126\n#4 231.9864 77.12520\n#5 200.8562 67.93486\n#6 169.6987 57.54977\n#create scatterplot of heights vs weights\n<\/span>plot(data$weights, data$heights, pch = 16, col = 'steelblue')<\/strong><\/pre>\n #create data frame<\/span>\ngames_started <- sample(1:10, 300, TRUE)\npoints_per_game <- 3*games_started + rnorm(300)\ndata <- as.data.frame(cbind(games_started, points_per_game))\n\n#view first six rows of data frame\n<\/span>head(data)\n\n# games_started points_per_game\n#1 9 25.831554\n#2 9 26.673983\n#3 10 29.850948\n#4 4 12.024353\n#5 4 11.534192\n#6 1 4.383127<\/strong><\/pre>\n #create scatterplot of games started vs average points per game\n<\/span>plot(data$games_started, data$points_per_game, pch = 16, col = 'steelblue')<\/strong><\/pre>\n #add jitter to games started\n<\/em><\/span>plot( jitter<\/span> (data$games_started), data$points_per_game, pch = 16, col = 'steelblue')<\/strong><\/pre>\n #add jitter to games started\n<\/em><\/span>plot( jitter<\/span> (data$games_started, 2<\/span> ), data$points_per_game, pch = 16, col = 'steelblue')<\/strong><\/pre>\n plot( jitter<\/span> (data$games_started, 20<\/span> ), data$points_per_game, pch = 16, col = 'steelblue')<\/strong><\/pre>\n Jittering sorgt f\u00fcr eine bessere Sicht auf die Daten<\/strong><\/span><\/h3>\n
<\/span><\/p>\n games_started <- sample(1:5, 100, TRUE)\npoints_per_game <- 3*games_started + rnorm(100)\ndata <- as.data.frame(cbind(games_started, points_per_game))\n\ngames_twos <- rep(2, 200)\npoints_twos <- 3*games_twos + rnorm(200)\ndata_twos <- as.data.frame(cbind(games_twos, points_twos))\nnames(data_twos) <- c('games_started', 'points_per_game')\n\nall_data <- rbind(data, data_twos)<\/strong><\/pre>\n plot(all_data$games_started, all_data$points_per_game, pch = 16, col = 'steelblue')<\/strong><\/pre>\n
plot( jitter<\/span> (all_data$games_started), all_data$points_per_game,\n pch=16, col='steelblue')<\/strong><\/pre>\n plot( jitter<\/span> (all_data$games_started, 1.5<\/span> ), all_data$points_per_game,\n pch=16, col='steelblue')<\/strong><\/pre>\n\n