散點圖（scatter plot、scatterplot、scatter graph、scatter chart、scattergram或scatter diagram）[3]是用笛卡爾坐標系上的點表示資料中二個或多個變量分佈方式的圖（例如班上同學的身高及體重）。多半是在平面笛卡爾坐標上，表示二個變量的分佈，若點有區分不同的顏色／形狀／大小，可以用此特性表示另一個變量。
散點圖中的資料會用許多的點來表示，每個點表示一個資料，而其在水平座標軸及垂直座標軸上的座標，分別對應該資料的變量[4]。
簡介
散點圖可以用來表示實驗中的連續自變量和另一個連續應變量之間的關係，也可以用來表示二個連續自變量之間的關係。若系統中存在參數，在實驗中會刻意增加或減少其數值，此參數即為自變量，若是自變量和應變量的散點圖，一般會將自變量放在橫軸，應變量放在縱軸。若兩個參數都是自變量，可將任一個放在橫軸，此時，散點圖可以看出其相關性的程度（但不一定是因果關係）。
散點圖可以推測二個參數中許多不同種類的相關性，配合一定的置信區間。以體重及身高為例，可能會將體重放在y軸，將身高放在x軸。相關性可能是正相關（一參數增加時，另一參數對應增加）、負相關（一參數增加時，另一參數對應減少）、無相關性。若散點圖有從左下到右上分佈的圖形，表示兩者正相關，若散點圖有從左上到右下分佈的圖形，表示兩者負相關。為了研究兩參數之間的關係，可以在散點圖上繪製擬合線（最適曲線、或趨勢線）。趨勢線的方程式就是參數相關性的方程式。若是線性相關，繪製最適曲線的程序即為線性回歸，保證在有限時間內有正確的解。針對任意的相關性關係，不存在通用、可以產生正確解的最適曲線產生程序。若是要確認兩組參數之間是否有非線性的關係，也可以用散點圖來觀察。可以在散點圖中加上平滑曲線（例如LOESS）來達到此一機能[5]。若數據可以表示為簡單關係的混合模型表示，其關係在視覺上上會是以疊加模式來表示。
例子
例如，為了要找到人肺容量以及其閉氣時間之間的關連性，研究者找了一群人進行研究，量測肺容量（第一個變量）及可以閉氣的時間（第二個變量），接着就可以畫散點圖，以肺容量為橫軸，閉氣的時間為縱軸。
若有一個人其肺容量是400 cl，可以閉氣21.7秒，則此數據會表示為座標(400, 21.7)的點，將所有人的資料都畫在一張圖上，可以讓研究者判斷兩個變量之間的關係。
散點圖矩陣
針對一組（超過二個）的資料變量X1, X2, ... , Xk，可以用散點圖矩陣（scatter plot matrix）畫出兩兩變量之間的散點圖，而多個散點圖以矩陣的形式放在同一個大圖中。散點圖矩陣會有k欄k列的方陣。其中每一個元素都是對應二個變量之間的散點圖[8]。每一欄和每一列都是一個維度，而矩陣中的每一個元素都是二維下的散點圖。
通用散點圖矩陣（generalized scatter plot matrix）[9]提供各種變量（量化變量以及分類變量）之間的成對關係。馬賽克圖、波動圖或多面條形圖可以表示兩個分類變量之間的關係。也有其他的圖可以說明量化變量以及分類變量之間的關係。
相關條目
參考資料
外部連結
Wikiwand in your browser!
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.
