نمودارهای ابروباران: چطور تلفیق برآورد چگالی و نقاط داده خوشه‌های پنهان نمودار جعبه‌ای را برملا می‌کند

نمودار جعبه‌ای استاندارد تنها به کمک پنج شاخص آماری، یعنی کمینه، چارک نخست، میانه، چارک سوم و بیشینه، توزیع داده‌ها را خلاصه می‌کند. تفاوت کلیدی نمودار ابروباران (Raincloud Plot) این است که از حذف داده‌های بنیادین سر باز می‌زند و نقاط خام را دقیقاً در کنار همین شاخص‌های خلاصه‌ساز به نمایش می‌گذارد.[1]

تحلیل‌گران از دهه ۱۹۷۰ برای مقایسهٔ گروه‌ها و پیگیری متغیرها به نمودارهای جعبه‌ای اتکا کرده‌اند. با این حال، نمودار جعبه‌ای به سادگی می‌تواند یک توزیع دوقله‌ای (Bimodal) را پنهان کند؛ پدیده‌ای که وقتی رخ می‌دهد که داده‌ها به جای تمرکز در مرکز، در دو قطب کاملاً متمایز خوشه‌بندی شوند.[4]

اگر یک کارآزمایی بالینی برای نیمی از بیماران نتایج درخشان و برای نیم دیگر نتایج اسف‌باری به همراه داشته باشد، نمودار جعبه‌ای ممکن است میانه‌ای کاملاً طبیعی و ایده‌آل را نشان دهد. این شاخص‌ها ظاهراً هیچ تفاوتی با یک توزیع یکنواخت ندارند و دوقطبی بودن نتایج را به‌طور کامل لاپوشانی می‌کنند.[4]

نمودار ویولنی متقارن کوشید با ترسیم تابع چگالی احتمال پیوستهٔ داده‌ها این مشکل را حل کند. اما از آنجا که دقیقاً همان منحنی را در دو سوی محور آینه‌وار تکرار می‌کند، نیمی از فضای افقی را به هدر می‌دهد و در عین حال باز هم نقاط واقعی هر مشاهده را نشان نمی‌دهد.

اینجاست که نمودار ابروباران، که در سال ۲۰۲۱ توسط مایکا آلن و همکارانش فرموله شد، وارد میدان می‌شود. این ابزار با ترکیب نیم‌منحنی چگالی، یک نمودار جعبه‌ای باریک و نقاط پراکندهٔ خام در قالبی فشرده، جایی برای پنهان ماندن خوشه‌های داده باقی نمی‌گذارد.[1]

آناتومی یک نمودار ابروباران

نام‌گذاری این تصویربرداری از اجزای لایه‌لایه و متمایز آن سرچشمه می‌گیرد. «ابر» همان نیمهٔ نمودار ویولنی است که بر پایهٔ برآورد چگالی هسته‌ای (KDE) توزیع پیوستهٔ احتمال داده‌ها را در طول محور اندازه‌گیری نمایش می‌دهد.

نمودار ابروباران با برش دادن نمودار ویولنی سنتی به دو نیم، ۵۰ درصد از فضای افقی را آزاد می‌کند. بدین ترتیب، نمودار ضمن حفظ فشردگی ساختاری، فضای کافی برای نمایش تک‌تک مشاهداتی که این منحنی را پدید آورده‌اند فراهم می‌سازد.[4]

زیر این ابر، «باران» جا خوش کرده که متشکل از نقاط خام و منفرد داده‌هاست. این نقاط تحت فرآیند پرش تصادفی یا «جیترینگ» (Jittering) قرار می‌گیرند؛ به این معنا که مقدار ناچیزی نویز تصادفی به موقعیت مکانی‌شان افزوده می‌شود تا روی هم نیفتند و تبدیل به یک خط تیره و ناخوانا نشوند.

میان ابر و باران، یک نمودار جعبه‌ای استاندارد و باریک فشرده شده است. این بخش شاخص‌های آماری اصلی، به‌ویژه میانه و دامنه بین‌چارکی، را که پژوهشگران و داوران علمی برای مقایسهٔ گروه‌ها انتظار دارند، حفظ می‌کند.[1]

ترکیب این سه جزء، تصویری جامع و کاملاً شفاف ارائه می‌دهد. خواننده می‌تواند بی‌درنگ میانه را بسنجد، شکل کلی توزیع را دنبال کند و با تکیه بر نقاط خام، حجم نمونه و داده‌های پرت را راستی‌آزمایی نماید.[2]

افشای خوشه‌های دوقله‌ای پنهان

برتری بنیادین نمودار ابروباران در عیان کردن توزیع‌های چندقله‌ای است. هنگامی که داده‌ها در دو یا چند گروه متمایز انباشته می‌شوند، منحنی چگالی «ابر» چند قلهٔ مجزا تشکیل می‌دهد که نادیده گرفتنشان ناممکن است.[4]

یک نمودار جعبه‌ای در چنین شرایطی کاملاً شکست می‌خورد. مجموعه‌داده‌ای با ۵۰۰ نقطه روی مقدار ۱۰ و ۵۰۰ نقطه روی مقدار ۹۰، دقیقاً همان نمودار جعبه‌ای را پدید می‌آورد که ۱۰۰۰ نقطه با پراکندگی یکنواخت بین ۱۰ تا ۹۰ تولید می‌کنند.[4]

پژوهشگران توسعه‌دهندهٔ این چارچوب در مقالهٔ سال ۲۰۲۱ خود در نشریهٔ ولکام اوپن ریسرچ (Wellcome Open Research) نوشتند: «رویکردهای پیشین به دلیل مخدوش کردن اندازهٔ اثر و پنهان کردن الگوهای بنیادین در داده‌های خام مورد انتقاد بوده‌اند.» آن‌ها استدلال کردند که ابزارهای شفاف بصری برای علم تکرارپذیر حیاتی هستند.[1]

با نمایش قطرات باران داده‌ها، تفاوت‌های فاحش در حجم نمونه‌ها نیز بی‌درنگ افشا می‌شود. اگر گروهی شامل ۵۰ مشاهده و گروه دیگر حاوی ۵۰۰۰ مشاهده باشد، منحنی‌های چگالی ممکن است یکسان به نظر برسند، اما نقاط خام بلافاصله این عدم تعادل را آشکار می‌کنند.[2]

این شفافیت در حوزه‌هایی مانند علوم اعصاب و روان‌شناسی که حجم نمونه‌ها غالباً محدود است، حیاتی به شمار می‌رود. یک منحنی هموار چگالی می‌تواند توهم یافته‌ای محکم را القا کند، در حالی که باران پراکندهٔ زیر آن نشان می‌دهد این منحنی تنها حاصل داده‌های دوازده شرکت‌کننده بوده است.[1]

مکانیک توزیع چگالی نیمه

ساخت «ابر» مستلزم محاسبهٔ برآورد چگالی هسته‌ای است که داده‌های گسسته را به یک منحنی احتمال پیوسته هموار می‌کند. الگوریتم با بهره‌گیری از پارامتر پهنای باند (Bandwidth) تعیین می‌کند که منحنی تا چه میزان به نقاط خام وفادار بماند.

اگر پهنای باند بیش از حد باریک باشد، ابر دندانه‌دار شده و نویزهای تصادفی را بزرگ‌نمایی می‌کند. اگر بیش از اندازه پهن انتخاب شود، منحنی بیش از حد هموار شده و احتمالاً همان خوشه‌های دوقله‌ای را که نمودار برای نمایششان ساخته شده، محو خواهد کرد.[4]

رویکرد چگالی نیمه، زواید ماهوی نمودار ویولنی را خنثی می‌کند. از آنجا که نمودار ویولنی سنتی تقارن کامل دارد، اطلاعات ریاضی نیمهٔ سمت چپ آن هیچ تفاوتی با نیمهٔ سمت راست ندارد.

برش دادن ویولن به نمودار ابروباران اجازه می‌دهد چند توزیع مختلف را به‌صورت افقی یا عمودی بدون آشفتگی دیداری روی هم قرار دهد. بدین ترتیب می‌توان پنج یا شش گروه مختلف را در همان مساحتی مقایسه کرد که پیش‌تر تنها برای دو ویولن سنتی کافی بود.[4]

این روش به‌سرعت در نرم‌افزارهای آماری متن‌باز فراگیر شده است. بسته‌های نرم‌افزاری اختصاصی در گیت‌هاب ساختار این نمودار را دموکراتیزه کرده و کدهای آماده را در اختیار محققان رشته‌های گوناگون قرار داده‌اند.[3]

جیترینگ و شفافیت بصری

مولفهٔ «باران» به‌شدت به تکنیک جیترینگ وابسته است. بدون این جابه‌جایی تصادفی، ۱۰۰ نقطهٔ داده با مقدار کاملاً یکسان روی یکدیگر انباشته شده و همچون یک نقطهٔ فریبندهٔ منفرد دیده می‌شوند.

جیترینگ یک جابه‌جایی تصادفی بسیار کوچک در امتداد محور غیرمتغیر به هر نقطه می‌افزاید. این کار نقاط را از لحاظ بصری تفکیک می‌کند تا خواننده تراکم واقعی خوشه را بدون تغییر در مقادیر اصلی اندازه‌گیری‌شده درک کند.

با این حال، جیترینگ چالش‌های دیداری خاص خود را نیز دارد. اگر این لغزش تصادفی بیش از حد بزرگ باشد، نقاط وارد محدودهٔ دسته‌های مجاور می‌شوند و خواننده را در تشخیص اینکه فلان مشاهده به کدام گروه تعلق دارد گمراه می‌کنند.[4]

برای مهار این مسئله، پیاده‌سازی‌های نوین معمولاً از الگوریتم‌های ساختاریافته مانند چیدمان زنبوری (Beeswarm) بهره می‌برند. این روش‌ها نقاط را به‌گونه‌ای قطعی مرتب می‌کنند که ضمن فشردگی، همپوشانی نداشته و بیش از حد از خط مبنا دور نشوند.

هم‌نشینی ابر هموار و باران گسسته نوعی آزمون راستی‌آزمایی درونی پدید می‌آورد. اگر منحنی چگالی از قله‌ای عظیم خبر دهد اما نقاط خام زیرین نشان دهند که این قله فقط ناشی از چند دادهٔ پرت است، مخاطب فوراً متوجه این خطای بصری می‌شود.[2]

عبور از میراث سنتی نمودار جعبه‌ای

با وجود کاستی‌ها، نمودار جعبه‌ای همچنان جایگاهی مستحکم در نشریات علمی دارد. این نمودار در دهه ۱۹۷۰ توسط جان توکی ابداع شد؛ دورانی که نمودارها باید با دست کشیده می‌شدند و محاسبهٔ منحنی‌های چگالی پیوسته از توان رایانه‌ها خارج بود.[4]

در راهنمای نرم‌افزار آماری جیسپ (JASP) آمده است: «نمودار ابروباران ابری از نقاط را با نمودار جعبه‌ای و یک نمودار ویولنی یک‌طرفه درمی‌آمیزد. این تلفیق به مخاطب امکان می‌دهد انبوهی از اطلاعات دربارهٔ یک متغیر را تنها از یک نمودار دریافت کند.»

این رویکرد لایه‌ای پژوهشگران را از رسم سه نمودار مجزا برای بیان یک مفهوم بی‌نیاز می‌کند. یک نمودار تمام بار را بر دوش می‌کشد، بار شناختی خواننده را می‌کاهد و نسبت داده به جوهر (Data-to-Ink Ratio) را به حداکثر می‌رساند.[4]

گذر از نمودارهای جعبه‌ای مستلزم غلبه بر دهه‌ها اینرسی سنتی است. بسیاری از داوران مقالات علمی هنوز اصرار دارند از نمودارهای ستونی با میله‌های خطای استاندارد استفاده شود؛ قالبی که به تمسخر «نمودار دینامیتی» نامیده می‌شود زیرا تقریباً تمام واریانس داده‌ها را پنهان می‌کند.[1]

نمودارهای ابروباران نوعی مصالحهٔ کاربردی پیشنهاد می‌دهند. آن‌ها با نگه‌داشتن جعبهٔ استاندارد در مرکز، شاخص‌های خلاصه‌ساز آشنا را برای سنت‌گرایان حفظ کرده و هم‌زمان شفافیت مد نظر علم دادهٔ مدرن را تامین می‌کنند.[2]

پیاده‌سازی در نرم‌افزارهای آماری

فراگیری سریع این نمودارها مرهون دسترسی‌پذیری متن‌باز آن‌هاست. مقالهٔ اصلی سال ۲۰۲۱ شامل کدهای آماده برای R، پایتون و متلب بود که موانع فنی ورود به این حوزه را کاملاً از میان برداشت.[1]

در اکوسیستم R، تحلیل‌گران می‌توانند نمودار ابروباران را با روی هم چیدن لایه‌های هندسی بسازند. کاربران توابع نیم‌ویولن را برای ابر، جعبه را برای خلاصهٔ آماری و جیتر را برای باران ترکیب می‌کنند تا طرحی منسجم خلق شود.

کاربران پایتون معمولاً از کتابخانه‌های ویژه‌ای بهره می‌برند که این نمودار پیچیده را تنها با یک خط کد پیاده‌سازی می‌کنند. همین سهولت باعث شده تیم‌های علم داده در صنایع مختلف به سراغ آن بروند.[3]

برای محققانی که برنامه‌نویسی نمی‌کنند نیز رابط‌های گرافیکی مهیا شده است. نرم‌افزار آماری متن‌باز JASP در سال ۲۰۲۱ پشتیبانی بومی از نمودار ابروباران را افزود و امکان رسم آن را با یک تیک ساده فراهم آورد.

چرخش به سوی نمودارهای ابروباران بازتاب‌دهندهٔ جنبشی گسترده‌تر در جهت شفافیت علمی است. تحلیل‌گران با خودداری از پنهان کردن داده‌های خام در پشت شاخص‌های انتزاعی، بازنمایی‌های دیداری خود را به همان اندازهٔ پژوهش‌های بنیادینشان شفاف و صادقانه می‌سازند.[4]