Słownik metodologiczny · Statystyka opisowa

Wykres warstwowy (stacked area chart) – suma i części w czasie

Wykres warstwowy układa kilka szeregów czasowych jeden na drugim, tak że widać sumę i udział części. Pokazujemy, dlaczego środkowe warstwy łatwo źle odczytać, czym różni się wariant 100% i jak narysować oba w R.

Strona główna / Słownik / Wykres warstwowy
W skrócie: Wykres warstwowy pokazuje kilka szeregów czasowych ułożonych jeden na drugim: grubość warstwy to wartość kategorii, górna krawędź – suma. Dobrze pokazuje sumę i dolną warstwę, ale warstwy środkowe są trudne do odczytania. Wariant 100% pokazuje udziały i ukrywa sumę.

Co to jest wykres warstwowy?

Wykres warstwowy (ang. stacked area chart) pokazuje kilka szeregów czasowych ułożonych jeden na drugim: grubość każdej warstwy to wartość danej kategorii, a górna krawędź całości – suma. Jest odpowiednikiem skumulowanego wykresu słupkowego dla osi ciągłej. W wariancie 100% każdy punkt czasu sumuje się do 100, więc warstwy pokazują udziały – to coś jak seria wykresów kołowych rozciągnięta w czasie.

Jak czytać wykres

  • Górna krawędź to suma wszystkich kategorii – to odczytuje się najłatwiej.
  • Dolna warstwa leży na osi, więc jej przebieg też widać dobrze.
  • Warstwy środkowe trzeba czytać jako grubość pasa między dwiema krzywymi, które same się wznoszą i opadają. Oko ocenia raczej nachylenie krawędzi niż odległość między nimi, więc stała warstwa na rosnącym podłożu wygląda, jakby rosła.

Cleveland i McGill (1984) uszeregowali zadania percepcyjne według dokładności odczytu: najlepiej porównujemy położenie na wspólnej skali, gorzej długości bez wspólnej podstawy – a tak właśnie czyta się warstwy środkowe. Byron i Wattenberg (2008), analizując warianty wykresów warstwowych, omawiają kolejność i barwy warstw jako decyzje, w których estetyka musi się godzić z czytelnością.

Przykład

Symulowano liczbę badań ankietowych w ośrodku w latach 2006–2025 według trybu: wywiad osobisty z papierowym kwestionariuszem (PAPI), telefoniczny (CATI), internetowy (CAWI) i pocztowy. Oczekiwana liczba badań CATI była stała (30 rocznie), PAPI i pocztowych malała, a CAWI rosła wykładniczo; liczby losowano z rozkładu Poissona (parametry ustawione ręcznie, ziarno 777). Badań CATI było od 20 do 39 rocznie: 20 w 2006 r. i 23 w 2025 r. Łączna liczba badań wzrosła z 96 do 158.

Na rysunku

Dwa panele z tymi samymi danymi z lat 2006–2025. A: wykres warstwowy – od dołu różowa warstwa pocztowa, zielona CAWI rosnąca do około 120, niebieska CATI i pomarańczowa PAPI na górze; po 2018 roku niebieska warstwa wznosi się stromo razem z zieloną. B: cztery linie z etykietami – zielona przerywana CAWI rośnie do 117, pomarańczowa ciągła PAPI spada do 16, niebieska kropkowana CATI waha się wokół 30, różowa pocztowa spada prawie do zera
Rysunek 1. Liczba badań według trybu zbierania danych jako skumulowane pola (A) i jako osobne linie (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(777)).

Co widać. Panel A dobrze pokazuje dwie rzeczy: wzrost łącznej liczby badań i rosnącą zieloną warstwę CAWI u podstawy. Niebieska warstwa CATI po 2018 r. pnie się stromo w górę, bo leży na rosnącym CAWI – a w panelu B widać, że CATI przez 20 lat waha się wokół 30 badań. Spadek PAPI w panelu A też trudno ocenić, bo górna warstwa jest wypychana przez wszystko, co pod nią.

Na co uważać. Wykres warstwowy sugeruje ciągłość między latami; przy danych rocznych linie łączą tylko punkty pomiaru. Kolejność warstw zmienia obraz: ta warstwa, która leży na osi, jest czytelna, pozostałe nie.

Podpis do pracy:

Rysunek 1. Liczba badań ankietowych według trybu zbierania danych w latach 2006–2025. Uwaga. Panel A: wykres warstwowy (grubość warstwy = liczba badań w danym trybie, górna krawędź = łączna liczba badań). Panel B: te same dane jako osobne linie. Dane symulowane.
Dwa panele z udziałami procentowymi trybów. C: wykres warstwowy 100% – pomarańczowa warstwa PAPI kurczy się od góry, zielona CAWI rośnie od dołu do około trzech czwartych wysokości, niebieska CATI w środku. D: linie udziałów – CAWI rośnie do 74%, PAPI spada z około 65% do 10%, CATI spada z około 21% do 15%, pocztowe poniżej 15%
Rysunek 2. Udziały trybów zbierania danych jako wykres warstwowy 100% (C) i jako linie (D). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(777)).

Co widać. Wykres 100% odpowiada na inne pytanie niż rysunek 1: nie „ile”, lecz „jaka część”. Udział CATI spadł z 20.8% do 14.6%, choć liczba badań się nie zmieniła – zmalał, bo urosła reszta. W 2025 r. CAWI to 74.1% badań, PAPI 10.1%.

Na co uważać. Wykres 100% ukrywa sumę: z panelu C nie wiadomo, że badań było o 65% więcej. Jeśli liczy się i skład, i wielkość, pokaż oba wykresy albo podaj sumy w podpisie. Udziały to dane kompozycyjne – wzrost jednego udziału musi obniżyć inne.

Podpis do pracy:

Rysunek 2. Udział trybów zbierania danych w badaniach ankietowych w latach 2006–2025. Uwaga. Panel C: wykres warstwowy 100%; panel D: udziały jako linie. Łączna liczba badań wzrosła z 96 w 2006 r. do 158 w 2025 r. Dane symulowane.

Jak opisać w pracy

Łączna liczba badań wzrosła z 96 w 2006 r. do 158 w 2025 r. (Rysunek 1). Liczba badań CATI była stabilna (od 20 do 39 rocznie), ale ich udział spadł z 20.8% do 14.6%, ponieważ rosła liczba badań internetowych (CAWI), które w 2025 r. stanowiły 74.1% wszystkich badań (Rysunek 2).

Na co uważać

  • Za dużo warstw. Przy więcej niż 4–5 kategoriach środkowe warstwy stają się nieczytelne; lepiej użyć małych wielokrotności – jedna kategoria na panel.
  • Zła kolejność. Kategorię najważniejszą dla pytania połóż na dole, przy osi; najbardziej zmienną – na górze, żeby nie „falowała” pozostałymi.
  • Wahania sezonowe. Przy danych miesięcznych sezonowość jednej warstwy przenosi się na wszystkie leżące nad nią.
  • Wartości ujemne. Warstw nie da się sensownie układać, gdy kategoria może być ujemna.

Ten sam wykres pojawia się w analizie przeżycia jako skumulowane funkcje częstości zdarzeń – zob. ryzyko konkurencyjne i CIF.

Przykład reprodukowalny

Wykres warstwowy w R

W ggplot2 warstwy tworzy geom_area(); kolejność ustala się poziomami czynnika (pierwszy poziom ląduje na górze). Udziały liczy się przed rysowaniem – ave() daje sumę w każdym roku. Etykiety przy prawej krawędzi zastępują legendę, więc kolor nie jest jedynym nośnikiem informacji. Rysunki na stronie powstały z obiektów p1 i p2 z motywem serwisu (krój, siatka); dane, geometrie i skale są identyczne.

Skumulowane pola, pola 100% i linie z tych samych danych

Dane wejściowe: liczba badań w 4 trybach w latach 2006–2025 (dane symulowane, set.seed(777), parametry ustawione ręcznie).

Co odczytać: liczbę i udział badań CATI oraz łączną liczbę badań w 2006 i 2025 r., liczby i udziały wszystkich trybów w 2025 r., a na końcu najmniejszą i największą roczną liczbę badań CATI.

R
# Wykres warstwowy (stacked area): skumulowane pola vs linie vs 100% pola
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(PAPI = "#E69F00", CATI = "#0072B2", CAWI = "#009E73", pocztowe = "#CC79A7")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), legend.position = "none")
# Liczba badań ankietowych w ośrodku w latach 2006–2025 według trybu zbierania danych
set.seed(777)
lata <- 2006:2025; t <- seq_along(lata) - 1
oczek <- data.frame(PAPI = 60 - 2.4 * t, CATI = rep(30, 20), CAWI = 5 * exp(0.17 * t), pocztowe = 15 - 0.5 * t)
liczby <- sapply(oczek, function(m) rpois(length(m), m))
dane <- data.frame(rok = rep(lata, 4), tryb = factor(rep(names(kol), each = 20), levels = names(kol)),
                   n = as.vector(liczby))
dane$udzial <- dane$n / ave(dane$n, dane$rok, FUN = sum) * 100
# Pozycje etykiet w środku każdej warstwy w ostatnim roku (kolejność warstw jak w legendzie: PAPI na górze)
etyk <- function(zm) {
  d <- dane[dane$rok == max(lata), ]; d <- d[rev(order(d$tryb)), ]
  d$y <- cumsum(d[[zm]]) - d[[zm]] / 2; d
}
pA <- ggplot(dane, aes(rok, n, fill = tryb)) + geom_area(colour = "white", linewidth = 0.3) +
  geom_text(data = etyk("n"), aes(x = max(lata) + 0.4, y = y, label = tryb, colour = tryb), hjust = 0, size = 3.6) +
  scale_fill_manual(values = kol) + scale_colour_manual(values = kol) +
  coord_cartesian(xlim = c(2006, 2028)) + labs(title = "A. Skumulowane pola", x = NULL, y = "Liczba badań")
pB <- ggplot(dane, aes(rok, n, colour = tryb, linetype = tryb)) + geom_line(linewidth = 1.1) +
  geom_text(data = dane[dane$rok == max(lata), ], aes(x = max(lata) + 0.4, label = tryb), hjust = 0, size = 3.6) +
  scale_colour_manual(values = kol) + coord_cartesian(xlim = c(2006, 2028)) +
  labs(title = "B. Te same dane jako linie", x = NULL, y = "Liczba badań")
pC <- ggplot(dane, aes(rok, udzial, fill = tryb)) + geom_area(colour = "white", linewidth = 0.3) +
  geom_text(data = etyk("udzial"), aes(x = max(lata) + 0.4, y = y, label = tryb, colour = tryb), hjust = 0, size = 3.6) +
  scale_fill_manual(values = kol) + scale_colour_manual(values = kol) +
  coord_cartesian(xlim = c(2006, 2028)) + labs(title = "C. Pola 100% (udziały)", x = NULL, y = "Udział (%)")
# D. Udziały jako linie; etykiety rozsunięte w pionie co najmniej o 6 punktów procentowych
ost <- dane[dane$rok == max(lata), ]; ost <- ost[order(ost$udzial), ]
ost$y <- ost$udzial; for (i in 2:nrow(ost)) ost$y[i] <- max(ost$y[i], ost$y[i - 1] + 6)
pD <- ggplot(dane, aes(rok, udzial, colour = tryb, linetype = tryb)) + geom_line(linewidth = 1.1) +
  geom_text(data = ost, aes(x = max(lata) + 0.4, y = y, label = tryb), hjust = 0, size = 3.6) +
  scale_colour_manual(values = kol) + coord_cartesian(xlim = c(2006, 2028)) +
  labs(title = "D. Udziały jako linie", x = NULL, y = "Udział (%)")
p1 <- (pA + pB) & motyw
p2 <- (pC + pD) & motyw
# Wyniki: CATI w pierwszym i ostatnim roku, łączna liczba badań i udział CATI
w <- dane[dane$tryb == "CATI" & dane$rok %in% range(lata), c("rok", "n", "udzial")]
w$razem <- tapply(dane$n, dane$rok, sum)[as.character(w$rok)]
print(transform(w, udzial = round(udzial, 1)), row.names = FALSE)
print(transform(ost[, c("tryb", "n", "udzial")], udzial = round(udzial, 1)), row.names = FALSE)
round(c(cati_min = min(dane$n[dane$tryb == "CATI"]), cati_max = max(dane$n[dane$tryb == "CATI"])), 0)
p1
Wynik w R
  rok  n udzial razem
 2006 20   20.8    96
 2025 23   14.6   158
     tryb   n udzial
 pocztowe   2    1.3
     PAPI  16   10.1
     CATI  23   14.6
     CAWI 117   74.1
cati_min cati_max 
      20       39 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje bazowe rpois(), ave(); rysunki – pakiety ggplot2 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. 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

Kiedy wykres warstwowy jest lepszy od wykresu liniowego?

Gdy najważniejsza jest suma i to, jak składa się z kilku części – np. łączna liczba badań i jej podział na tryby. Jeśli pytanie dotyczy przebiegu każdej kategorii osobno, czytelniejsze są linie albo osobne panele.

Czym różni się wykres warstwowy 100% od zwykłego?

Zwykły pokazuje wartości bezwzględne, więc górna krawędź to suma. Wariant 100% przelicza każdy punkt czasu na udziały: widać skład, ale nie widać, czy całość rosła, czy malała.

W jakiej kolejności układać warstwy?

Kategorię najważniejszą dla pytania badawczego połóż na dole, przy osi – tylko jej przebieg odczytuje się dokładnie. Najbardziej zmienne kategorie układaj wyżej, żeby nie zniekształcały wszystkich warstw nad sobą.

Powiązane hasła

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. Byron, L., & Wattenberg, M. (2008). Stacked graphs – geometry & aesthetics. IEEE Transactions on Visualization and Computer Graphics, 14(6), 1245–1252. https://doi.org/10.1109/tvcg.2008.166
  2. 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

Cytowania BibTeX

@article{byron2008stacked, author={Byron, Lee and Wattenberg, Martin}, title={{Stacked graphs – geometry \& aesthetics}}, journal={IEEE Transactions on Visualization and Computer Graphics}, year={2008}, volume={14}, number={6}, pages={1245--1252}, doi={10.1109/tvcg.2008.166}}
@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}}
R