Słownik metodologiczny · Statystyka opisowa

Macierz wykresów rozrzutu (SPLOM) – wszystkie pary zmiennych na jednym rysunku

Macierz wykresów rozrzutu pokazuje każdą parę zmiennych jako osobny wykres. Wyjaśniamy, jak ją czytać, co widać na niej, a czego nie widać w samej macierzy korelacji, i jak ją narysować w R funkcją ggpairs().

Strona główna / Słownik / Macierz wykresów rozrzutu
W skrócie: Macierz wykresów rozrzutu (SPLOM) to siatka wykresów rozrzutu dla wszystkich par kilku zmiennych, zwykle z rozkładami na przekątnej i współczynnikami korelacji w drugim trójkącie. Pokazuje kształt związków – łuki, kliny, wartości odstające – których nie widać w samej macierzy korelacji.

Co to jest macierz wykresów rozrzutu?

Macierz wykresów rozrzutu (ang. scatterplot matrix, SPLOM, pairs plot) to siatka wykresów rozrzutu dla wszystkich par kilku zmiennych ilościowych. Na przekątnej zwykle rysuje się rozkład pojedynczej zmiennej (histogram albo krzywą gęstości), a w drugim trójkącie – liczby, np. r Pearsona. To graficzny odpowiednik macierzy korelacji: zamiast jednej liczby dla pary widać całą chmurę punktów. Emerson i in. (2013) uogólnili tę siatkę na zmienne kategorialne, dobierając typ wykresu do każdej pary – tak działa ggpairs() z pakietu GGally.

Jak czytać macierz

  • Każda para występuje dwa razy. Komórki nad i pod przekątną pokazują tę samą parę z zamienionymi osiami, dlatego jeden trójkąt można przeznaczyć na liczby.
  • Czytaj wierszami. Wszystkie komórki w wierszu mają tę samą zmienną na osi pionowej, więc od razu widać, z czym jest związana.
  • Szukaj kształtu, nie tylko nachylenia: łuku (zależność nieliniowa), lejka (rozrzut rosnący z wartością), klina, skupisk i pojedynczych punktów daleko od reszty.
  • Przekątna pokazuje skośność i efekt sufitu – obie cechy wpływają na wartość r.

Przykład

Wbudowany w R zbiór airquality zawiera dzienne pomiary z Nowego Jorku (maj–wrzesień 1973). Bez braków danych jest 111 dni: stężenie ozonu (ppb), promieniowanie słoneczne (langley), prędkość wiatru (przeliczona na m/s) i maksymalna temperatura (przeliczona na °C). Macierz korelacji mówi, że ozon wiąże się z temperaturą (r = .70), z wiatrem (r = −.61) i słabiej z promieniowaniem (r = .35). Liczba .70 sugeruje jedną prostą: 4.39 ppb na każdy stopień. Macierz wykresów pokazuje, że to średnia z dwóch różnych obrazów. Poniżej 25 °C (46 dni) ozon prawie nie zależy od temperatury (b = 0.59 ppb na stopień), a od 25 °C (65 dni) rośnie stromo (b = 6.68).

Na rysunku

Macierz wykresów rozrzutu czterech zmiennych ze zbioru airquality (111 dni): na przekątnej krzywe gęstości – rozkład ozonu silnie prawoskośny; nad przekątną korelacje: ozon z promieniowaniem .35, z wiatrem −.61, z temperaturą .70, promieniowanie z wiatrem −.13, z temperaturą .29, wiatr z temperaturą −.50; pod przekątną wykresy rozrzutu z prostą regresji i krzywą LOESS – para ozon i temperatura tworzy łuk, para ozon i promieniowanie klin
Rysunek 1. Macierz wykresów rozrzutu dla zbioru airquality. Linia przerywana – prosta regresji, linia ciągła – krzywa LOESS. Obliczenia: R, pakiety ggplot2 i GGally (dane wbudowane w R).

Co widać. Pod przekątną jest sześć par. Ozon i temperatura (lewy dolny róg) układają się w łuk, a nie wzdłuż prostej. Ozon i wiatr tworzą krzywą opadającą, która przy silnym wietrze się wypłaszcza. Ozon i promieniowanie dają klin: przy promieniowaniu poniżej 100 langleyów ozon nie przekroczył 59 ppb, przy silniejszym sięgał 168 ppb. Na przekątnej widać silnie prawoskośny rozkład ozonu.

Na co uważać. Krzywa LOESS na końcach osi opiera się na kilku punktach: zawinięcie przy ozonie powyżej 120 ppb to 3 dni, a nie wynik. Macierz pokazuje tylko pary, więc nie zobaczysz na niej, czy temperatura działa inaczej przy silnym wietrze. Przy tysiącach obserwacji lepszy w komórkach jest wykres heksagonalny.

Podpis do pracy:

Rysunek 1. Rozkłady i zależności między stężeniem ozonu, promieniowaniem słonecznym, prędkością wiatru i temperaturą (N = 111 dni). Uwaga. Pod przekątną wykresy rozrzutu z prostą regresji (linia przerywana) i krzywą LOESS (linia ciągła); na przekątnej krzywe gęstości; nad przekątną współczynniki korelacji Pearsona.
Dwa panele. A: dolny trójkąt macierzy korelacji z samymi liczbami, ozon z temperaturą .70. B: wykres rozrzutu ozonu względem temperatury dla 111 dni z prostą regresji i krzywą LOESS; poniżej 25 °C krzywa jest prawie płaska (b = 0.59), powyżej rośnie stromo (b = 6.68)
Rysunek 2. Ta sama informacja jako macierz korelacji (A) i jedna komórka macierzy wykresów w powiększeniu (B). Obliczenia: R, pakiety ggplot2 i patchwork.

Co widać. Panel A to wszystko, co mówi macierz r; panel B pokazuje, co kryje się za liczbą .70: prawie płaski odcinek i stromy wzrost powyżej 25 °C.

Na co uważać. Próg 25 °C służy tu tylko ilustracji – nie testuj progów wybranych z wykresu na tych samych danych. Kształt zależności lepiej opisać modelem, np. z LOESS lub splajnem.

Podpis do pracy:

Rysunek 2. Korelacje Pearsona między czterema zmiennymi (A) i zależność stężenia ozonu od temperatury (B; N = 111 dni). Uwaga. W panelu B linia przerywana – prosta regresji, linia ciągła – krzywa LOESS, linia kropkowana – 25 °C.

Jak opisać w pracy

Przed analizą korelacyjną zależności między zmiennymi sprawdzono na macierzy wykresów rozrzutu (Rysunek 1). Stężenie ozonu było silnie prawoskośne, a jego związek z temperaturą był nieliniowy: poniżej 25 °C stężenie niemal nie zmieniało się wraz z temperaturą, a powyżej rosło wyraźnie; współczynnik r = .70 opisuje ją więc tylko w przybliżeniu.

Na co uważać

  • Za dużo zmiennych. Liczba par rośnie szybko: przy 4 zmiennych jest ich 6, przy 12 już 66. Wtedy całość lepiej pokazać jako mapę cieplną korelacji, a macierz wykresów zostawić dla kilku kluczowych zmiennych. Friendly (2002) radzi też układać podobne zmienne obok siebie.
  • Same liczby bez obrazu. Anscombe (1973) pokazał zbiory o tych samych średnich, korelacji i prostej regresji, a zupełnie różnym wyglądzie – więcej we wpisie Zawsze narysuj dane.

Pełny przykład z danymi ankietowymi, mapą cieplną i korelacjami z przedziałami ufności pokazuje wpis Korelacje na wykresie.

Przykład reprodukowalny

Macierz wykresów rozrzutu w R

Kod liczy macierz korelacji, nachylenia w dwóch zakresach temperatury i rysuje oba rysunki. Kod nie losuje, więc nie ma ziarna. Rysunki na stronie powstały z tych samych obiektów p1 i p2 z motywem serwisu (krój, siatka); dane, geometrie i skale są identyczne.

Macierz r a macierz wykresów

Dane wejściowe: wbudowany zbiór airquality, 111 dni bez braków, cztery zmienne.

Co odczytać: r ozonu z temperaturą .70; nachylenie 4.39 ppb/°C w całości, 0.59 poniżej 25 °C i 6.68 od 25 °C.

R
# Macierz wykresów rozrzutu (SPLOM) – wbudowany zbiór airquality (Nowy Jork, maj–wrzesień 1973)
suppressPackageStartupMessages({library(ggplot2); library(GGally); library(patchwork)})
kol <- c(loess = "#0072B2", prosta = "#E69F00")    # Okabe–Ito; linie różnią się też rodzajem
motyw <- theme_minimal(base_size = 12) + theme(panel.grid.minor = element_blank())
d <- na.omit(airquality[, c("Ozone", "Solar.R", "Wind", "Temp")])   # 111 dni bez braków
d <- data.frame(Ozon = d$Ozone, Promieniowanie = d$Solar.R,
                Wiatr = round(d$Wind * 0.44704, 2),       # mph -> m/s
                Temperatura = round((d$Temp - 32) / 1.8, 1))  # °F -> °C
nrow(d)
round(cor(d), 2)                                   # sama macierz r
cieplo <- d$Temperatura >= 25                      # nachylenie ozonu w dwóch zakresach temperatury
b <- c(b_calosc = coef(lm(Ozon ~ Temperatura, d))[[2]],
       b_ponizej_25 = coef(lm(Ozon ~ Temperatura, d[!cieplo, ]))[[2]],
       b_od_25 = coef(lm(Ozon ~ Temperatura, d[cieplo, ]))[[2]])
round(b, 2)                                        # ppb ozonu na 1 °C
table(cieplo)
c(dni_ozon_pow_120 = sum(d$Ozon > 120),            # ile punktów ma koniec krzywej LOESS
  max_ozon_promien_pon_100 = max(d$Ozon[d$Promieniowanie < 100]),
  max_ozon_promien_od_100 = max(d$Ozon[d$Promieniowanie >= 100]))
# Rysunek 1: macierz wykresów rozrzutu
dolny <- function(data, mapping, ...) {
  ggplot(data, mapping) + geom_point(colour = "grey55", size = 1, shape = 16) +
    geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = kol[["prosta"]],
                linetype = "dashed", linewidth = 0.8) +
    geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = kol[["loess"]], linewidth = 0.9)
}
gorny <- function(data, mapping, ...) {
  x <- eval_data_col(data, mapping$x); y <- eval_data_col(data, mapping$y)
  r <- sub("0\\.", ".", sprintf("%.2f", cor(x, y)))
  ggplot() + annotate("text", x = 0, y = 0, label = paste("r =", sub("-", "−", r)), size = 4.5) +
    theme_void()
}
przekatna <- function(data, mapping, ...) {
  ggplot(data, mapping) + geom_density(n = 128, colour = "grey30", fill = "grey85")
}
p1 <- ggpairs(d, lower = list(continuous = dolny), upper = list(continuous = gorny),
              diag = list(continuous = przekatna)) + motyw
# Rysunek 2: to, co widać w samej macierzy r, i jedna komórka macierzy wykresów w powiększeniu
r <- cor(d); r[upper.tri(r, diag = TRUE)] <- NA
rr <- na.omit(as.data.frame(as.table(r)))
rr$Var1 <- factor(rr$Var1, levels = names(d)); rr$Var2 <- factor(rr$Var2, levels = names(d))
pA <- ggplot(rr, aes(Var2, Var1)) + geom_tile(fill = "white", colour = "grey60") +
  geom_text(aes(label = sub("-", "−", sub("0\\.", ".", sprintf("%.2f", Freq)))), size = 5) +
  scale_y_discrete(limits = rev) + labs(title = "A. Sama macierz r", x = NULL, y = NULL) +
  coord_fixed()
pB <- dolny(d, aes(Temperatura, Ozon)) + geom_vline(xintercept = 25, colour = "grey40", linetype = "dotted") +
  annotate("label", x = 14, y = 160, hjust = 0, size = 3.6,
           label = sprintf("r = .70\nponiżej 25 °C: b = %.2f\nod 25 °C: b = %.2f", b[[2]], b[[3]])) +
  labs(title = "B. Ta sama para na wykresie", x = "Temperatura (°C)", y = "Ozon (ppb)")
p2 <- (pA + pB + plot_layout(widths = c(1, 1.3))) & motyw
p1
p2
Wynik w R
[1] 111
                Ozon Promieniowanie Wiatr Temperatura
Ozon            1.00           0.35 -0.61        0.70
Promieniowanie  0.35           1.00 -0.13        0.29
Wiatr          -0.61          -0.13  1.00       -0.50
Temperatura     0.70           0.29 -0.50        1.00
    b_calosc b_ponizej_25      b_od_25 
        4.39         0.59         6.68 
cieplo
FALSE  TRUE 
   46    65 
        dni_ozon_pow_120 max_ozon_promien_pon_100  max_ozon_promien_od_100 
                       3                       59                      168 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje bazowe cor(), lm(); rysunki – pakiety ggplot2, GGally i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. GGally (wersja 2.4.0): Schloerke, B., Cook, D., Larmarange, J., Briatte, F., Marbach, M., Thoen, E., Elberg, A., & Crowley, J. (2025). GGally: Extension to 'ggplot2' (R package version 2.4.0) [Computer software]. https://doi.org/10.32614/CRAN.package.GGally
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Czym macierz wykresów rozrzutu różni się od macierzy korelacji?

Macierz korelacji podaje dla każdej pary jedną liczbę, a macierz wykresów pokazuje całą chmurę punktów. W przykładzie r = .70 dla ozonu i temperatury kryło łuk: poniżej 25 °C nachylenie wynosiło 0.59 ppb na stopień, a od 25 °C – 6.68.

Ile zmiennych zmieści się w macierzy wykresów rozrzutu?

Zwykle 4–6. Liczba par to k(k − 1)/2, więc przy 4 zmiennych jest 6 wykresów, a przy 12 już 66 i komórki stają się nieczytelne. Przy wielu zmiennych pokaż mapę cieplną korelacji, a macierz wykresów tylko dla kluczowych zmiennych.

Jak narysować macierz wykresów rozrzutu w R?

Najprościej funkcją pairs() z pakietu graphics albo ggpairs() z pakietu GGally. W ggpairs() argumenty lower, diag i upper określają, co rysować pod przekątną, na niej i nad nią, np. punkty z krzywą LOESS, gęstości i r.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21. https://doi.org/10.1080/00031305.1973.10478966
  2. Emerson, J. W., Green, W. A., Schloerke, B., Crowley, J., Cook, D., Hofmann, H., & Wickham, H. (2013). The generalized pairs plot. Journal of Computational and Graphical Statistics, 22(1), 79–91. https://doi.org/10.1080/10618600.2012.694762
  3. Friendly, M. (2002). Corrgrams: Exploratory displays for correlation matrices. The American Statistician, 56(4), 316–324. https://doi.org/10.1198/000313002533

Cytowania BibTeX

@article{anscombe1973graphs, author={Anscombe, Francis J.}, title={{Graphs in statistical analysis}}, journal={The American Statistician}, year={1973}, volume={27}, number={1}, pages={17--21}, doi={10.1080/00031305.1973.10478966}}
@article{emerson2013generalized, author={Emerson, John W. and Green, Walton A. and Schloerke, Barret and Crowley, Jason and Cook, Dianne and Hofmann, Heike and Wickham, Hadley}, title={{The generalized pairs plot}}, journal={Journal of Computational and Graphical Statistics}, year={2013}, volume={22}, number={1}, pages={79--91}, doi={10.1080/10618600.2012.694762}}
@article{friendly2002corrgrams, author={Friendly, Michael}, title={{Corrgrams: Exploratory displays for correlation matrices}}, journal={The American Statistician}, year={2002}, volume={56}, number={4}, pages={316--324}, doi={10.1198/000313002533}}
R