1. Zbadaj korelacje zmiennych
Określ, czy dwie zmienne zmieniają się synchronicznie, co stanowi podstawę do dalszego modelowania (takiego jak analiza regresji).
2. Wykryj wzorce rozkładu danych
Zidentyfikuj typy relacji liniowych, wykładniczych, logarytmicznych i innych. Na przykład wzrost populacji i czas mogą wykazywać rozkład wykładniczy, podczas gdy prędkość samochodu i zużycie paliwa mogą wykazywać relację w kształcie litery U.
3. Zidentyfikuj wartości odstające i nieprawidłowe
Wartości odstające mogą wpływać na dokładność modelu i wymagają dalszego zbadania (takie jak błędy wprowadzania danych lub specjalne zdarzenia).
4. Porównaj różnice między wieloma grupami danych
Użyj etykiet grupowych (takich jak różne kolory) do porównania różnic w relacjach zmiennych między różnymi grupami (takimi jak różne grupy wiekowe).

1. Obserwuj ogólny wzorzec rozkładu
Trend liniowy: Punkty są rozmieszczone ukośnie w górę lub w dół, takie jak wzrost i waga.
Trend nieliniowy: Punkty są rozmieszczone w linii krzywej, takie jak prędkość samochodu i zużycie paliwa.
Brak korelacji: Punkty są rozmieszczone losowo, takie jak wzrost i rozmiar buta (po uwzględnieniu wieku).
2. Zidentyfikuj wartości odstające i nieprawidłowe
Zbadaj punkty, które odbiegają od ogólnego rozkładu, aby określić, czy są to błędy danych czy specjalne przypadki. Na przykład, analizując związek między cenami mieszkań a powierzchnią, lokalizacja z wysokimi cenami mieszkań na małej powierzchni może znajdować się w centrum miasta.

1. Analizuj korelacje zmiennych, takie jak czy inwestycje w reklamę i sprzedaż rosną lub maleją równocześnie, aby szybko określić pozytywną/negatywną korelację lub brak korelacji.

2. Wykrywaj wzorce rozkładu danych, takie jak identyfikacja relacji nieliniowych (takich jak krzywa w kształcie litery U między prędkością samochodu a zużyciem paliwa) lub wartości odstających (takich jak mała, wysoko wyceniona wartość odstająca).

3. Przeprowadzaj analizę porównawczą wielu grup, rozróżniając grupy za pomocą koloru/kształtu (takie jak różnice w rozkładzie wzrostu i wagi między mężczyznami a kobietami), aby wspomóc badania segmentacji rynku.

4. Waliduj modele regresji, sprawdzając, czy zmienne spełniają założenia liniowe i unikając błędów modelu.

Kluczowa różnica między wykresami rozrzutu a wykresami bąbelkowymi leży w wymiarach wyświetlania zmiennych i wyrazie wizualnym. Wykresy rozrzutu używają dwuwymiarowego układu współrzędnych do wyświetlania relacji między dwiema zmiennymi (X, Y). Każdy punkt reprezentuje tylko parę wartości. Skupiają się na analizie korelacji, trendów lub wartości odstających między zmiennymi i są odpowiednie do badania podstawowych relacji. Z kolei wykresy bąbelkowe wprowadzają trzecią zmienną, kodując wartości poprzez rozmiar (lub kolor) bąbelka, umożliwiając jednoczesną analizę trzech zmiennych.