Słownik metodologiczny · Statystyka opisowa

Wykres radarowy (radar chart) – profil wyników na osiach promienistych

Wykres radarowy pokazuje profil wyników w kilku podskalach jako wielokąt na osiach wychodzących ze wspólnego środka. Wyjaśniamy, jak go czytać, dlaczego pole wielokąta zależy od kolejności osi i czym go zastąpić w pracy.

Strona główna / Słownik / Wykres radarowy
W skrócie: Wykres radarowy pokazuje kilka zmiennych o wspólnej skali na osiach wychodzących promieniście ze środka; wartości grupy łączy się w wielokąt. Dobrze pokazuje kształt profilu, ale pole wielokąta zależy od kolejności osi, dlatego do porównań grup lepszy bywa wykres profilu na wspólnej osi.

Co to jest wykres radarowy?

Wykres radarowy (ang. radar chart, spider chart, star plot) pokazuje kilka zmiennych mierzonych na tej samej skali na osiach wychodzących promieniście ze wspólnego środka. Wartości jednej osoby lub grupy łączy się linią w wielokąt. W psychologii i naukach o zdrowiu najczęściej przedstawia profil wyników w podskalach kwestionariusza – dla jednej grupy albo kilku grup naraz. Saary (2008) proponuje go jako zwarty sposób pokazania podobieństw i różnic grup w wielu zmiennych na jednym rysunku.

Jak czytać wykres

  • Każda oś to jedna zmienna; odległość punktu od środka to wartość. Środek odpowiada najniższej wartości skali, nie zawsze zeru.
  • Kształt wielokąta pokazuje profil: wyraźne „kolce” oznaczają mocne i słabe strony, wielokąt zbliżony do foremnego – profil płaski.
  • Pole wielokąta nie jest miarą wyniku ogólnego. Zależy od kolejności osi i od tego, gdzie jest środek skali.
  • Osie muszą mieć tę samą skalę. Przy różnych skalach podskal najpierw przelicz wyniki, np. przez standaryzację.

Przykład

W symulowanych danych po 100 osób pracujących w biurze i zdalnie oceniło sześć aspektów satysfakcji z pracy w skali 1–5. Średnie w populacji ustawiono ręcznie: profil grupy biurowej ma wyraźne wzloty i spadki, a profil grupy zdalnej jest płaski, przy prawie tej samej średniej z sześciu podskal (3.16 i 3.18). Ziarno 773 ustalono z góry.

Na rysunku

Dwa wykresy radarowe tych samych danych, sześć osi: wynagrodzenie, rozwój, zespół, przełożony, warunki, autonomia, skala od 1 w środku do 5. Niebieski wielokąt z kółkami i linią ciągłą to praca w biurze, pomarańczowy z trójkątami i linią przerywaną to praca zdalna. Po lewej, gdy wysokie i niskie podskale grupy biurowej występują na przemian, jej wielokąt ma kształt gwiazdy i wydaje się mniejszy od sześciokąta grupy zdalnej. Po prawej, gdy trzy wysokie podskale sąsiadują, niebieski wielokąt wybrzusza się i wydaje się większy
Rysunek 1. Te same profile satysfakcji z pracy na wykresie radarowym przy dwóch kolejnościach osi. Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(773)).

Co widać. Dane są identyczne, zmieniła się tylko kolejność osi. Przy kolejności A pole wielokąta grupy biurowej to 0.82 pola grupy zdalnej, przy kolejności B – 1.04: wzrosło z 10.11 do 12.84, a płaski profil grupy zdalnej ma w obu wersjach pole 12.38. Wrażenie, która grupa jest „ogólnie bardziej zadowolona”, zależy więc od decyzji autora wykresu.

Na co uważać. Pole rośnie z iloczynem sąsiednich wartości, więc sąsiadujące wysokie wyniki je powiększają. Odczyt długości na osiach o różnych kierunkach i porównywanie pól to zadania mniej dokładne niż porównanie położenia na wspólnej osi (Cleveland i McGill, 1984). Ustal kolejność osi z góry (np. z budowy kwestionariusza) i podaj ją w podpisie.

Podpis do pracy:

Rysunek 1. Średnie wyniki sześciu podskal satysfakcji z pracy w grupie pracującej w biurze (n = 100) i zdalnie (n = 100). Uwaga. Skala odpowiedzi 1–5; środek wykresu odpowiada wartości 1. Osie uporządkowano według kolejności podskal w kwestionariuszu.
Wykres punktowy: sześć podskal na osi pionowej, średni wynik od 1 do 5 na poziomej, dla każdej podskali dwa punkty z poziomymi odcinkami 95% przedziału ufności. Niebieskie kółka grupy biurowej leżą około 4 dla wynagrodzenia, zespołu i warunków oraz około 2.2–2.4 dla rozwoju, przełożonego i autonomii; pomarańczowe trójkąty grupy zdalnej leżą wszystkie blisko 3.2. Przedziały są wąskie i się nie nakładają
Rysunek 2. Te same średnie jako wykres profilu z 95% przedziałami ufności – wersja bez wpływu kolejności osi. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(773)).

Co widać. Grupa biurowa ocenia wyżej wynagrodzenie (4.20 wobec 3.14), zespół i warunki, a niżej rozwój (2.16 wobec 3.18), przełożonego i autonomię. Wszystkie wartości są odczytywane na jednej osi, a przedziały ufności (połowa szerokości najwyżej 0.14) pokazują niepewność, której wykres radarowy zwykle nie ma.

Na co uważać. Wykres profilu nadal pokazuje tylko średnie. Rozkład osób w grupie – czy są w niej podgrupy o różnych profilach – sprawdzisz analizą profili latentnych, a profile pojedynczych osób – na wykresie współrzędnych równoległych.

Podpis do pracy:

Rysunek 2. Średnie wyniki sześciu podskal satysfakcji z pracy w grupie pracującej w biurze (n = 100) i zdalnie (n = 100). Uwaga. Odcinki oznaczają 95% przedziały ufności średniej.

Jak opisać w pracy

Profile satysfakcji z pracy obu grup przedstawiono na Rysunku 2. Średnia z sześciu podskal była w obu grupach podobna (3.16 i 3.18), ale profile się różniły: osoby pracujące w biurze wyżej oceniały wynagrodzenie (M = 4.20 wobec 3.14), relacje w zespole i warunki pracy, a niżej możliwości rozwoju (M = 2.16 wobec 3.18), relację z przełożonym i autonomię.

Na co uważać

  • Nie wnioskuj z pola wielokąta. Wynik ogólny podaj liczbą.
  • Nie mieszaj skal. Podskala 0–10 obok podskali 1–5 zniekształci kształt.
  • Nie rysuj więcej niż 2–3 grup. Nakładające się wielokąty szybko stają się nieczytelne; wtedy lepszy jest wykres punktowy Clevelanda albo panele.
  • Kolor nie może być jedynym rozróżnieniem grup – dodaj kształt punktów i typ linii.
Przykład reprodukowalny

Wykres radarowy w R

Kod symuluje odpowiedzi dwóch grup, rysuje wykres radarowy przy dwóch kolejnościach osi (p1) i wykres profilu z przedziałami ufności (p2) oraz liczy pola wielokątów i średnie z tekstu. Współrzędne radaru są liczone ręcznie (kąt osi i odległość od środka), więc wystarcza sam ggplot2; coord_polar() łączy punkty łukami, a nie odcinkami. Kod sam definiuje paletę Okabe–Ito i motyw. Rysunki na stronie powstały z tych samych obiektów z motywem serwisu – dane, geometrie i skale są identyczne, różni się krój czcionki i siatka.

Wykres radarowy liczony ręcznie i wykres profilu

Dane wejściowe: wyniki 200 osób (2 grupy po 100) w sześciu podskalach o skali 1–5 (dane symulowane, set.seed(773)).

Co odczytać: średnią z sześciu podskal w każdej grupie, pola wielokątów przy kolejności osi A i B oraz ich iloraz, średnie i różnice w podskalach oraz największą połowę szerokości 95% przedziału ufności.

R
# Wykres radarowy: profil 6 podskal satysfakcji z pracy w dwóch grupach (skala 1–5)
library(ggplot2)
library(patchwork)
kol <- c("praca w biurze" = "#0072B2", "praca zdalna" = "#E69F00")     # Okabe–Ito
ksz <- c("praca w biurze" = 16, "praca zdalna" = 17)                    # kształt = grupa
lin <- c("praca w biurze" = "solid", "praca zdalna" = "dashed")         # typ linii = grupa
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold"))

skale <- c("Wynagrodzenie", "Rozwój", "Zespół", "Przełożony", "Warunki", "Autonomia")
set.seed(773)                                   # 2 × 100 osób, 6 podskal
srednie <- list("praca w biurze" = c(4.2, 2.2, 4.0, 2.4, 3.9, 2.3),    # profil o wyraźnych wzlotach i spadkach
                "praca zdalna"   = c(3.1, 3.2, 3.2, 3.1, 3.2, 3.2))    # profil płaski
os <- do.call(rbind, lapply(names(srednie), function(g)
  data.frame(grupa = g, skala = rep(skale, each = 100),
             wynik = pmin(pmax(rnorm(600, rep(srednie[[g]], each = 100), 0.7), 1), 5))))
prof <- aggregate(wynik ~ grupa + skala, os, function(x) c(m = mean(x), se = sd(x) / sqrt(length(x))))
prof <- data.frame(prof[, 1:2], m = prof$wynik[, "m"], se = prof$wynik[, "se"])

# Współrzędne radaru liczone ręcznie: oś k pod kątem 90° − 360°·(k − 1)/6, promień = wynik − 1
radar <- function(kolejnosc, tytul) {
  kat <- pi / 2 - 2 * pi * (seq_along(kolejnosc) - 1) / length(kolejnosc)
  d <- prof
  d$kat <- kat[match(d$skala, kolejnosc)]
  d$x <- (d$m - 1) * cos(d$kat); d$y <- (d$m - 1) * sin(d$kat)
  d <- d[order(d$grupa, -d$kat), ]
  siatka <- expand.grid(poziom = 1:5, k = c(seq_along(kat), 1))
  siatka$x <- (siatka$poziom - 1) * cos(kat[siatka$k]); siatka$y <- (siatka$poziom - 1) * sin(kat[siatka$k])
  ramiona <- data.frame(x = 4 * cos(kat), y = 4 * sin(kat), skala = kolejnosc)
  ggplot(d, aes(x, y)) +
    geom_path(data = siatka, aes(group = poziom), colour = "grey85") +
    geom_segment(data = ramiona, aes(x = 0, y = 0, xend = x, yend = y), colour = "grey75") +
    annotate("text", x = (0:4) * cos(pi / 3), y = (0:4) * sin(pi / 3), label = 1:5,   # podziałka między osiami
             size = 3, colour = "grey45") +
    geom_text(data = ramiona, aes(x = 1.2 * x, y = 1.13 * y, label = skala), size = 3.6) +
    geom_polygon(aes(colour = grupa, fill = grupa, linetype = grupa), alpha = 0.12, linewidth = 0.9) +
    geom_point(aes(colour = grupa, shape = grupa), size = 2.6) +
    scale_colour_manual(values = kol, name = NULL) + scale_fill_manual(values = kol, name = NULL) +
    scale_shape_manual(values = ksz, name = NULL) + scale_linetype_manual(values = lin, name = NULL) +
    coord_equal(xlim = c(-5.3, 5.3), ylim = c(-4.7, 4.7)) +
    labs(title = tytul, x = NULL, y = NULL) +
    motyw + theme(axis.text = element_blank(), panel.grid = element_blank())
}
kol_a <- skale                                                    # kolejność A: z kwestionariusza
kol_b <- c("Wynagrodzenie", "Zespół", "Warunki", "Rozwój", "Przełożony", "Autonomia")   # kolejność B
# Rysunek 1: te same dwa profile przy dwóch kolejnościach osi
p1 <- radar(kol_a, "Kolejność osi A") + radar(kol_b, "Kolejność osi B") +
  plot_layout(guides = "collect") & theme(legend.position = "bottom")

# Pole wielokąta przy danej kolejności osi (promień liczony od 1, środka skali odpowiedzi)
pole <- function(kolejnosc, g) {
  r <- prof$m[prof$grupa == g][match(kolejnosc, prof$skala[prof$grupa == g])] - 1
  0.5 * sin(2 * pi / length(r)) * sum(r * c(r[-1], r[1]))
}

# Rysunek 2: te same średnie jako wykres profilu (punkty z 95% CI na wspólnej osi)
prof$skala <- factor(prof$skala, rev(skale))
p2 <- ggplot(prof, aes(m, skala, colour = grupa, shape = grupa)) +
  geom_pointrange(aes(xmin = m - 1.96 * se, xmax = m + 1.96 * se),
                  position = position_dodge(width = 0.5), size = 0.5) +
  scale_colour_manual(values = kol, name = NULL) + scale_shape_manual(values = ksz, name = NULL) +
  scale_x_continuous(limits = c(1, 5), breaks = 1:5) +
  labs(title = "Te same średnie na wspólnej osi (95% CI)",
       x = "Średni wynik podskali (1–5)", y = NULL) +
  motyw

# Liczby do tekstu
round(tapply(prof$m, prof$grupa, mean), 2)                       # średnia z 6 podskal
pola <- sapply(list(A = kol_a, B = kol_b), function(k)
  c(biuro = pole(k, "praca w biurze"), zdalna = pole(k, "praca zdalna")))
round(rbind(pola, iloraz_biuro_do_zdalnej = pola[1, ] / pola[2, ]), 2)
tab <- reshape(prof[, c("grupa", "skala", "m")], idvar = "skala", timevar = "grupa", direction = "wide")
tab$roznica <- tab[, 2] - tab[, 3]
tab[, -1] <- round(tab[, -1], 2)
tab[match(skale, tab$skala), ]
round(max(prof$se * 1.96), 2)                                    # największa połowa szerokości 95% CI
p1
p2
Wynik w R
praca w biurze   praca zdalna 
          3.16           3.18 
                            A     B
biuro                   10.11 12.84
zdalna                  12.38 12.38
iloraz_biuro_do_zdalnej  0.82  1.04
           skala m.praca w biurze m.praca zdalna roznica
9  Wynagrodzenie             4.20           3.14    1.05
5         Rozwój             2.16           3.18   -1.02
11        Zespół             4.13           3.26    0.87
3     Przełożony             2.37           3.10   -0.73
7        Warunki             3.83           3.18    0.65
1      Autonomia             2.30           3.23   -0.93
[1] 0.14

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje bazowe i pakiety ggplot2 oraz patchwork). Rysunki zapisano pakietem svglite. 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. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czy pole wielokąta na wykresie radarowym oznacza wynik ogólny?

Nie. Pole zależy od kolejności osi i od tego, jaką wartość ma środek wykresu: te same średnie przy innym ułożeniu osi dają inne pole. Wynik ogólny podaj liczbą, np. średnią z podskal.

Czym zastąpić wykres radarowy w pracy dyplomowej?

Wykresem profilu: podskale na jednej osi, średnie grup jako punkty z przedziałami ufności. Wszystkie wartości odczytuje się wtedy na wspólnej skali, a kolejność podskal nie zmienia wrażenia.

Ile osi i grup może mieć czytelny wykres radarowy?

Zwykle 5–10 osi i nie więcej niż 2–3 grupy. Przy większej liczbie grup wielokąty się zasłaniają, a przy trzech osiach wykres traci sens – wystarczy zwykły wykres punktowy.

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. Cleveland, W. S., & McGill, R. (1984). Graphical perception: Theory, experimentation, and application to the development of graphical methods. Journal of the American Statistical Association, 79(387), 531–554. https://doi.org/10.1080/01621459.1984.10478080
  2. Saary, M. J. (2008). Radar plots: A useful way for presenting multivariate health care data. Journal of Clinical Epidemiology, 61(4), 311–317. https://doi.org/10.1016/j.jclinepi.2007.04.021

Cytowania BibTeX

@article{cleveland1984graphical, author={Cleveland, William S. and McGill, Robert}, title={{Graphical perception: Theory, experimentation, and application to the development of graphical methods}}, journal={Journal of the American Statistical Association}, year={1984}, volume={79}, number={387}, pages={531--554}, doi={10.1080/01621459.1984.10478080}}
@article{saary2008radar, author={Saary, M. Joan}, title={{Radar plots: A useful way for presenting multivariate health care data}}, journal={Journal of Clinical Epidemiology}, year={2008}, volume={61}, number={4}, pages={311--317}, doi={10.1016/j.jclinepi.2007.04.021}}
R