Kutu Grafiğini Anlamak ve Yorumlamak
Kutu grafikleri, verinin tüm dağılım profilini beş temel istatistiksel değere indirgeyerek derli toplu ve anlaşılır bir görsel sunar. Mantığını kavramak son derece kolaydır; grafikteki her bir unsur belirli bir veriyi temsil eder:
• Kutunun ortasından geçen kalın çizgi medyanı (ortancayı) gösterir; veri kümesinin tam olarak yarısı bu değerin altında, diğer yarısı ise üzerindedir.
• Kutunun gövdesi çeyrekler arası aralığı (IQR) simgeler. Birinci çeyrekten (%25'lik dilim) üçüncü çeyreğe (%75'lik dilim) kadar uzanır. Dolayısıyla verinizin tam merkezindeki %50'lik pay bu kutuda yer alır.
• Bıyıklar, kutunun iki ucundan dışarıya uzanan çizgilerdir. Bu çizgiler, kutu kenarından itibaren en fazla 1,5 × IQR mesafesindeki en uç noktalara kadar devam eder; yani tüm uç değerleri değil, verinin "beklenen normal sınırlarını" kapsar.
• Bıyıkların dışında kalan bağımsız noktalar, kutu sınırlarından 1,5 × IQR'den daha uzakta yer alan değerlerdir. Bunlar olası aykırı değer (outlier) olarak belirlenir ve açıkça sayılabilmeleri adına bağımsız noktalar halinde çizilir.
Kutunun uzun olması verinin geniş bir alana yayıldığına; medyan çizgisinin kutunun merkezinde olmaması ise dağılımdaki çarpıklığa işaret eder. Bıyığın dışına doğru uzanan nokta zincirleri de o yönde kalın bir dağılım kuyruğu olduğunu anlatır. Histogramlar dağılımı daha detaylı sergilese de kutu grafiklerinin asıl gücü, onlarcasını yan yana koyarak grupları pratik bir şekilde kıyaslama olanağı tanımasıdır.
Tek Bir Değişken İçin Kutu Grafiği
Bu işlem için
boxplot() fonksiyonu kullanılır; tek bir sayısal vektör ile doğrudan grafik üretilebilir:
Kod:
scores <- c(52, 55, 58, 60, 61, 63, 64, 66, 68, 70, 72, 95)
boxplot(scores,
main = "Test scores",
ylab = "Score")
Bu komut şu tabloyu ortaya çıkarır: 59 ile 69 arasında bir kutu, 63.5 noktasında bir medyan çizgisi, alt tarafta 52'ye, üst tarafta 72'ye uzanan bıyıklar ve 95 seviyesinde tek başına duran bir nokta. Bu nokta, klasik ortalama ve standart sapma hesaplamalarında gözden kaçabilecek bariz bir aykırı değerdir. Kutu grafiklerinin en büyük faydası tam olarak bu: "sıra dışı" veriyi ilk bakışta fark ettirebilmesi.
(Görsel çizimleri incelemek için kodları kendi yerel ortamınızda çalıştırmanız gerekir.)
Grupları Karşılaştırmak: Formül Sözdizimi
Kutu grafiklerinin pratikteki en popüler kullanımı grupları kıyaslamaktır. Bunun için
boxplot() fonksiyonunda y ~ group şeklinde bir formül yapısı kullanılır; bu ifade "y değişkenini gruplara ayırarak incele" anlamına gelir. Kobaylara portakal suyu (OJ) veya askorbik asit (VC) ile C vitamini desteği verilerek diş gelişiminin incelendiği yerleşik ToothGrowth veri kümesi bu durum için harika bir örnektir:
Kod:
boxplot(len ~ supp,
data = ToothGrowth,
main = "Tooth growth by supplement",
xlab = "Supplement",
ylab = "Tooth length")
Kodu çalıştırdığınızda aynı dikey ekseni paylaşan iki ayrı kutu görünür:
OJ grubuna ait kutunun VC kutusuna kıyasla daha yukarıda olduğu ve medyanının yaklaşık 22'ye karşı 19 civarında seyrettiği net biçimde fark edilir. İki grup da tek bir eksen üzerinden görselleştirildiğinden kıyaslama tamamen objektiftir; farklı eksen ölçeklerinden kaynaklanabilecek yanılsamalar elenmiş olur. Buradaki gruplama sütununun bir factor (veya character vektörü) olması gerekir; her düzey bağımsız bir kutu olarak ekrana gelir.Üstelik bu formüller birleştirilebilir: Örneğin
boxplot(len ~ supp * dose, data = ToothGrowth) ifadesi, takviye türü ve dozaj kombinasyonları için toplam altı farklı kutu üretir. Kutular arasında göze çarpan bir fark yakaladığınızda, bu farkın rastlantısal bir dalgalanma mı yoksa istatistiksel açıdan anlamlı mı olduğunu netleştirmek için devreye t-testi girer.Etiket Düzenlemeleri, Renkler ve Yatay Grafikler
Görsel ayarlamalar temel R grafik parametrelerine dayanır. Kutuları isimlendirmek için
names, içlerini renklendirmek içinse col kullanılır; her grubu ayrı renkle göstermek adına bir vektör tanımlayabilirsiniz:
Kod:
boxplot(len ~ supp,
data = ToothGrowth,
names = c("Orange juice", "Ascorbic acid"),
col = c("orange", "lightblue"),
main = "Tooth growth by supplement",
ylab = "Tooth length")
İşinizi kolaylaştıracak iki kullanışlı parametre daha vardır:
•
horizontal = TRUE komutu grafiğin yönünü yatay eksene çevirir. Kategori başlıkları uzun olduğunda dikey eksendeki çakışmaları engellemek ve okunabilirliği korumak için çok işe yarar.•
notch = TRUE argümanı, medyan çizgilerinin çevresine birer çentik ekler. Eğer iki grubun çentikleri birbiriyle kesişmiyorsa, bu durum medyanlar arasında kayda değer bir fark olduğuna işaret eder. Yine de bunu kesin bir hipotez testi yerine görsel bir gösterge şeklinde değerlendirmek gerekir.Kutunun Arkasındaki Matematiksel Değerler
Ekranda gördüğünüz tüm çizimler hesaplanabilir somut sayılara dayanır.
quantile() fonksiyonu beş sayılık özeti sunarken, boxplot.stats() aykırı değerler de dahil olmak üzere grafiğin doğrudan temel aldığı değerleri döndürür:
Kod:
scores <- c(52, 55, 58, 60, 61, 63, 64, 66, 68, 70, 72, 95)
# The five-number summary (min, quartiles, max):
print(quantile(scores))
# What boxplot() actually draws:
s <- boxplot.stats(scores)
print(s$stats) # lower whisker, lower hinge, median, upper hinge, upper whisker
print(s$out) # the values plotted as outlier points
Bu iki fonksiyonun çıktıları benzer görünse de birebir aynı değildir:
quantile() verideki mutlak en küçük ve en büyük değerleri listeler; s$stats ise bıyıkların bittiği noktalarda, yani 1,5 × IQR sınırları içindeki en uç değerlerde durur. Bu iki sınır arasındaki fark doğrudan s$out çıktısıdır; bu örnekte sadece 95 sayısıdır. "Hangi satırlar aykırı değer içeriyor?" sorusunun cevabına x[x %in% boxplot.stats(x)$out] yapısıyla ya da sınır değerlerine dayalı bir filtrelemeyle rahatça ulaşabilirsiniz.ggplot2 ile Kutu Grafiği Çizimi
ggplot2 kütüphanesinde gruplama işlemleri formül yerine estetik eşleme (mapping) üzerinden yürütülür:
Kod:
library(ggplot2)
ggplot(ToothGrowth, aes(x = supp, y = len, fill = supp)) +
geom_boxplot() +
labs(title = "Tooth growth by supplement",
x = "Supplement", y = "Tooth length")
Bu komutla aynı iki kutuyu elde eder, üstelik hazır bir gösterge (legend) ve şık bir tema kazanırsınız. ggplot2 yapısı karmaşık grafiklerde çok daha esnektir: Görseli
dose değişkenine göre panellere (facet) bölebilir, ham gözlem noktalarını geom_jitter(width = 0.1) ile kutuların üzerine serpiştirebilirsiniz; üstelik kod yapınız son derece modüler kalır. Buna karşın hızlı bir keşif analizi sırasında boxplot(y ~ g, data = df) kullanmak her zaman en pratik yöntemdir.Özetle Hatırlanması Gerekenler
• Kutu bileşenleri: Ortadaki medyan çizgisi, kutunun gövdesi = IQR, bıyık çizgileri = 1,5 × IQR aralığındaki en uç gözlemler, bu sınırın dışındaki tekil noktalar = potansiyel aykırı değerler.
• Tekil bir değişken için
boxplot(x); ortak ve güvenilir bir ölçek üzerinde çoklu grup kıyaslaması için boxplot(y ~ group, data = df) tercih edilir.• Grafiği özelleştirmek için
names, gruplara özel bir col vektörü ve uzun etiketleri rahat okutmak için horizontal = TRUE kullanılır.•
boxplot.stats(x)$stats ile $out değerleri grafiğin sayısal omurgasını oluşturur; görseldeki aykırı değerleri filtreleyip yakalamak için bu yapılardan yararlanılır.• ggplot2 tarafında: Gruplama bilgisini
x ya da fill içine vererek geom_boxplot() katmanı eklenir.Bir sonraki adım: Tek değişkenli dağılımlardan iki değişken arasındaki korelasyonu gösteren saçılım (scatter) grafiklerine geçiş.