Lesen von Diagrammen mit Sachverstand
Lernziele
Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:
- Kritisches Bewerten von Interpretationen von Daten
- Einschätzen der Glaubwürdigkeit und Genauigkeit von Diagrammen anhand einer Checkliste
Die Bedeutung sorgfältiger Interpretationen
Selbst Diagramme, die mit genauen Quelldaten und geeigneten Gestaltungselementen erstellt wurden, sind anfällig für Fehlinterpretationen. Der Schlüssel liegt im kritischen Denken und darin, sich die Zeit zu nehmen, die Interpretationen von Daten, die in Diagrammen und anderen Datenvisualisierungen dargestellt werden, sorgfältig zu bewerten.
Nehmen Sie sich beim Lesen eines Diagramms kurz Zeit, um zu prüfen, ob wichtige Informationen fehlen. Wenn sich die Quelldaten genauer untersuchen lassen, finden Sie bisweilen relevante Informationen, die nicht im Diagramm berücksichtigt sind. Vorenthaltene oder fehlende Informationen können dazu führen, dass Sie die Ihnen präsentierten Daten anders wahrnehmen, unabhängig davon, ob die Weglassungen beabsichtigt waren.
Betrachten der vorgenommenen Vergleiche
"Visuelle Darstellungen sollten, wenn sie als Denkhilfe dienen sollen, Vergleiche zeigen." – Edward Tufte, Beautiful Evidence
Wie Sie in der ersten Lektion gelernt haben, können Sie mithilfe von Diagrammen bessere Entscheidungen treffen. Sie helfen Ihnen, fundierte Vergleiche anzustellen und die richtigen Fragen zu beantworten, damit Sie gute Entscheidungen treffen können. Neben der Glaubwürdigkeit der Daten eines Diagramms sollten auch der Kontext des Diagramms berücksichtigt und die darin angestellten Vergleiche verstanden werden. Selbst wenn die Daten eines Diagramms vertrauenswürdig sind, könnten Sie vorschnell falsche Schlüsse ziehen, wenn Sie sich nicht zuerst vergewissern, dass das Diagramm die richtigen Fragen abdeckt.
An das große Ganze denken
Ein weiterer häufiger zu beachtender Fallstrick sind Diagramme, die nicht den gesamten Kontext in einem Szenario abbilden.
In "How Charts Lie" erörtert Alberto Cairo beispielsweise das folgende Balkendiagramm. Die naheliegende Schlussfolgerung ist, dass die Arbeitslosenquote steigt.
Wenn Sie diese beiden Datenpunkte jedoch im Kontext des gesamten Jahres oder sogar über mehrere Jahre hinweg betrachten, ergibt sich ein anderes Muster. Obwohl die Arbeitslosenquote von Juli 2017 bis August 2017 gestiegen ist, geht sie im Laufe der Zeit zurück, wobei es zu monatlichen Schwankungen kommt. Dies erzählt uns eine ganz andere Geschichte.
Berücksichtigen der Fehlermarge und Unsicherheit
Nichts ist perfekt, auch Daten nicht. Die Ergebnisse von Wahlen können zuweilen überraschen, wenn die Umfragen den Kandidaten, der nicht gewonnen hat, vorne sehen.
Achten Sie bei der Interpretation von Umfragen auf die Fehlermarge bzw. das Konfidenzintervall. In diesem Beispiel betrug die Fehlermarge +/- 3 Prozentpunkte. Was bedeutet das?
Die Fehlermarge beschreibt nicht die "Fehler" in der Umfrage, sondern gibt an, wie groß die Unsicherheit in unserer Schätzung ist. In der Regel ist eine Schätzung ein Mittelwert eines Bereichs. Stellen Sie sich vor, Sie versuchen, die Länge eines sehr quirligen, fröhlichen Hunds zu messen. Je öfter Sie versuchen, sie zu messen, desto sicherer sind Sie, dass Sie wissen, wie lang er tatsächlich ist. Alles, was Sie mit Sicherheit sagen können, ist, dass dieser Pudel etwa 70 Zentimeter lang ist, plus/minus zwei Zentimeter.
Bei diesem Beispiel lässt sich sagen: "Aufgrund unserer Erhebungs- und Messmethoden sind wir zu 95 % sicher, dass der Wert für Rick Saccone, den wir zu schätzen versuchen, im Bereich 42 bis 48 liegt, also 3 Punkte größer oder kleiner als 45, und der Wert für Conor Lamb liegt zwischen 39 und 45, also 3 Punkte größer oder kleiner als 42."
Wenn Statistiker die Fehlermarge beschreiben, sprechen sie von einem bestimmten Konfidenzniveau oder Unsicherheitsgrad. Die Statistik gibt Ihnen die Gewissheit, dass Ihre Schätzung in 95 % der Fälle innerhalb der Fehlermarge liegt, wenn Sie die Untersuchung viele Male mit denselben Methoden durchführen. In diesem Beispiel überlagern sich die Farbverläufe, die das Konfidenzintervall von +/- 3 Punkten um die Punktschätzungen darstellen, so dass wir aus diesen Ergebnissen nicht schließen können, dass einer der beiden Kandidaten gewinnen würde. Berücksichtigt man darüber hinaus die 13 % unentschlossenen Wähler in der Umfrage, ist es keine Überraschung, dass beide Kandidaten Chancen auf den Sieg haben.
Wenn Sie sich die Umfrage ansehen und die Fehlermarge berücksichtigen, werden Sie feststellen, dass das Endergebnis innerhalb der Fehlermarge liegt. Eine Fehlermarge ist der Grad an Unsicherheit, den ein Datenset aufweisen kann.
Beispielsweise kann eine Umfrage ergeben, dass 60 % der Befragten Marke A gegenüber Marke B bevorzugen. Bei einer Fehlermarge von 2 % liegt der tatsächliche Prozentsatz der Befragten, die Marke A bevorzugen, also im Bereich von 58–62 %.
Viele Quellen geben die Fehlermarge an, die sie für das Datenset berechnet haben. Wenn die Fehlermarge nicht eindeutig angegeben ist, sollten Sie bedenken, dass stets ein gewisser Grad an Unsicherheit zu berücksichtigen ist.
Einen tieferen Einblick in Fehlermarge und Unsicherheit erhalten Sie im Modul Variation bei Datenvergleichen.
Korrelation impliziert keine Kausalität
Korrelation zeigt nur, in welchem Verhältnis die Variablen zueinander stehen. Sie erklärt nicht das Wie und Warum.
Beispielsweise korreliert der Verkauf von Speiseeis mit der Anzahl verkaufter Sonnenbrillen. Kaufen die Leute Speiseeis, weil sie eine Sonnenbrille gekauft haben, oder umgekehrt? Nein. Die Ursache beider Käufe ist eindeutig eine ganz andere. In diesem Fall kann die Ursache das warme Wetter sein.
Es ist wichtig, Annahmen und falsche Schlussfolgerungen zu vermeiden, die allein auf Korrelationen beruhen. Prüfen Sie stets, ob es andere, unbekannte Variablen geben könnte, die sich auf die Daten auswirken.
Auf die Sprache achten
Achten Sie auf die Sprache zur Beschreibung und Kommentierung eines Diagramms. Berücksichtigen Sie diese Aspekte:
- Wird das Diagramm durch den Titel und die Untertitel richtig beschrieben?
- Ist das Diagramm ordnungsgemäß beschriftet?
- Ist die Sprache in einer Weise emotional aufgeladen, die Ihre Wahrnehmung der Daten beeinflusst?
Immer weiter Fragen stellen
Wenn Sie ein Diagramm und die Interpretationen oder visuellen Darstellungen von Daten durch eine andere Person lesen, stellen Sie unbedingt Fragen. Wenn Ihnen etwas auffällt, das nicht stimmig ist, fragen Sie nach den Gründen und untersuchen Sie die Daten. Sie werden erstaunt sein, was Sie alles lernen und wie Sie anderen helfen können, wenn Sie neugierig bleiben und kluge Fragen stellen.
Verwenden der Checkliste
Die folgende praktische Checkliste hilft Ihnen bei der Überprüfung und sorgfältigen Analyse von Diagrammen. Ihr Schwerpunkt liegt auf den Aspekten Quellen, Diagramme, Achsen und Botschaften
Die Checkliste für Diagramme
Nutzen Sie die Checkliste als Gedächtnisstütze, um sich beim Prüfen von Diagrammen die folgenden Fragen zu stellen:
Die Checkliste für Diagramme | |
---|---|
Quelle |
|
Diagramm |
|
Achsen in Diagrammen |
|
Botschaft (oder Interpretation) |
|
Daten diskutieren
Wie Sie jetzt wissen, ist das Lesen von Diagrammen nicht so einfach und unkompliziert, wie es vielleicht scheint. Es ist zwar wichtig, kritisch zu denken und sich selbst kluge Fragen zu stellen, aber es kann auch sehr hilfreich sein, Daten mit anderen gemeinsam zu analysieren. Diskutieren Sie Ihre Interpretationen und Diagrammkritiken mit Kollegen und Freunden. Sie werden feststellen, dass Sie sich gegenseitig dabei helfen können, Diagramme und Daten sachkundiger zu lesen.
Nachbetrachtung
Sie alle können zur Verbesserung der Entscheidungsfindung beitragen, indem Sie Diagramme genau lesen oder auf irreführende Diagramme hinweisen. Mit Ihrer kritischen Denkfähigkeit und den soeben erlernten Kenntnissen und Tools sind Sie in der Lage, Diagramme besser zu analysieren und zu interpretieren und ein besseres Verständnis von Daten und Informationen zu erlangen. Also jetzt ran an die Diagramme!
Ressourcen
- Trailhead: Variation bei Datenvergleichen
- Trailhead: Korrelation und Regression
- Buch: Edward Tufte (2006): Beautiful Evidence. Graphics Press
- Buch: Alberto Cairo (2016): The Truthful Art: Data, Charts, and Maps for Communication. New Riders Publishing
- Buch: Alberto Cairo (2020): How Charts Lie: Getting Smarter about Visual Information. W.W. Norton & Company
- Wissenschaftliche Arbeit: Leo Yu-Hu Lo u. a. (2022): Misinformed by Visualization: What Do We Learn from Misinformative Visualizations? Wiley & Sons