Визуализация данных ответа Лайкерта

Каковы хорошие способы визуализации множества ответов Лайкерта?

Например, набор вопросов, спрашивающих о важности X для чьих-либо решений об A, B, C, D, E, F & G? Есть ли что-то лучше, чем гистограммы?

• Что делать с ответами N / A? Как они могут быть представлены?
• Должны ли гистограммы отображать проценты или количество ответов? (т.е. должны ли бары иметь одинаковую длину?)
• Если проценты, должен ли знаменатель включать недействительные и / или нет ответов?

У меня есть свои взгляды, но я ищу идеи других людей.

Мне нравится представление по центру счета. Эта конкретная версия удаляет нейтральные ответы (фактически рассматривая нейтральные и н / д как одинаковые), чтобы показать только количество мнений, согласных / не согласных. Точка 0 - это место, где встречаются красный и синий. Ось отсчета обрезана.

Для сравнения, здесь представлены те же пять ответов, что и в процентах с накоплением, которые показывают как нейтральный (серый), так и отсутствие ответа (белый).

Обновление: Бумага, предлагающая подобный метод: Построение Лайкерта и других рейтинговых шкал (PDF)

Сложенные столбцы, как правило, хорошо понимаются статистиками, если их осторожно представить. Полезно масштабировать их по общему метрику (например, 0-100%), с постепенным цветом для каждой категории, если они являются порядковыми (например, Лайкерт). Я предпочитаю точечную диаграмму (точечный график Кливленда), когда не слишком много предметов и не более 3-5 категорий ответов. Но это действительно вопрос визуальной ясности. Я обычно предоставляю%, поскольку это стандартизированная мера, и сообщаю только% и подсчеты с диаграммой без суммирования. Вот пример того, что я имею в виду:

data(Environment, package="ltm")
Environment[sample(1:nrow(Environment), 10),1] <- NA
na.count <- apply(Environment, 2, function(x) sum(is.na(x)))
tab <- apply(Environment, 2, table)/
       apply(apply(Environment, 2, table), 2, sum)*100
dotchart(tab, xlim=c(0,100), xlab="Frequency (%)", 
         sub=paste("N", nrow(Environment), sep="="))
text(100, c(2,7,12,17,22,27), rev(na.count), cex=.8)
mtext("# NA", side=3, line=0, at=100, cex=.8)

Лучшего рендеринга можно достичь с помощью latticeили ggplot2. Все элементы имеют одинаковые категории ответов в этом конкретном примере, но в более общем случае мы можем ожидать разные, так что показ всех из них не будет казаться избыточным, как в данном случае. Однако можно было бы придать одинаковый цвет каждой категории ответов, чтобы облегчить чтение.

Но я бы сказал, что составные столбцы лучше, когда все элементы имеют одинаковую категорию ответов, так как они помогают оценить частоту одного способа ответа между элементами:

Я также могу подумать о какой-то тепловой карте, которая полезна, если есть много предметов с похожей категорией ответов.

Следует сообщать об отсутствующих ответах (особенно если они незначительны или локализованы на конкретный элемент / вопрос), в идеале для каждого элемента. Как правило,% ответов для каждой категории рассчитываются без NA. Это то, что обычно делается в опросе или психометрии (мы говорим о «выраженных или наблюдаемых ответах»).

PS Я могу думать о более необычных вещей , как на картинке показано ниже (первая была сделана вручную, второй из ggplot2, ggfluctuation(as.table(tab))), но я не думаю , что это передать в качестве точной информации dotplot или столбиковых , поскольку поверхностные вариации трудно оценить.

Я думаю, что ответ ЧЛ это здорово.

Одна вещь, которую я мог бы добавить, это случай, когда вы хотите сравнить соотношение между предметами. Для этого вы можете использовать что-то вроде корреляционной матрицы рассеяния для упорядоченных категориальных данных.

(Этот код все еще нуждается в доработке - но он дает общую идею ...)