Ich habe es gesehen "wirklich auffällige" Job-Tabelle auf Twitter vor kurzem. Können Sie sehen, warum die Daten nicht so auffällig sind, wie sie erscheinen? 
Abbildung 1: Ursprünglicher Tweet
Sicherlich sieht aus auffällig. Die rote Linie (Arbeitskräfte ohne Bachelor-Abschluss) und die blaue Linie (Arbeitskräfte mit Bachelor-Abschluss) bewegten sich bis zur US-Rezession von 2008 im Sperrschritt, und dann bewegt sich die rote Linie abrupt in die entgegengesetzte Richtung. Es ist wahrscheinlich, dass es eine relevante Geschichte hier gibt, aber diese Grafik sagt es nicht sehr genau aus.
Das Problem ist, dass die rote Linie und die blaue Linie sind auf sehr unterschiedlichen Maßstäben . Ihre absoluten Bereiche und relativen Bereiche sind unterschiedlich. Die vertikale Reichweite beträgt 26 Millionen Personen für die blaue Linie und nur etwa 12 Millionen Personen für die rote Linie, obwohl diese wesentlich höhere Werte aufweist. Hier sind beide Serien im gleichen Maßstab : 
Abbildung 2: Einzelmaßstab
Das ist ein genaueres Bild, und Sie können die Divergenz nach der Rezession immer noch sehen. Aber die beiden Gruppen bewegten sich vor der Rezession nicht auf demselben Weg. Der Anstieg der roten Linie war geringer und begann bereits vor der Rezession zu nivellieren, und sein Einbruch ist insbesondere im relativen Bereich nicht so dramatisch.
Alternative Visualisierungen
Es ist selten eine gute Idee, zwei Skalen in einem Diagramm zu verwenden, aber es ist ziemlich üblich. Es scheint, dass wir die Tendenz haben, so viele Informationen wie möglich in einem einzigen Diagramm zusammenzufassen. Das ist verständlich, weil sich das Ergebnis effizienter anfühlt und wir die zusätzliche Komplexität nicht bemerken, wenn wir den Graphen variabel aufbauen. Der Betrachter sieht jedoch die gesamte Grafik auf einmal und hat ein bisschen geistige Arbeit, um zwei verschiedene Skalen zu entschlüsseln. Der Kernpunkt der Datenvisualisierung besteht darin, die nicht-denkende Wahrnehmung zu nutzen, die wir von unseren visuellen Systemen kostenlos erhalten.
Trotzdem sind diese Zeilen sehr weit auseinander, was Vergleiche schwierig macht und daher auch nicht perfekt ist. Separate Grafiken sind eine natürliche Alternative, aber wir müssen noch herausfinden, wie die unterschiedlichen Skalen vergleichbar gemacht werden können. Lassen Sie uns stattdessen nach Möglichkeiten suchen, um duale Skalen wahrnehmbarer zu machen.
Zuerst eine technische Anmerkung: Die Methode zum Erstellen eines Diagramms mit zwei Skalierungen in Graph Builder in JMP liegt etwas unter der Oberfläche, da es sich nicht um eine empfohlene Technik handelt. Fügen Sie zunächst zwei Y-Variablen zur linken Achse hinzu, klicken Sie mit der rechten Maustaste darauf und wählen Sie "Move Right" für eine der Variablen.
Eine Möglichkeit, eine doppelte Skala insgesamt zu vermeiden, besteht darin, die beiden Variablen in eine relative Skala umzuwandeln. Der Nachteil ist jedoch, dass Sie die ursprünglichen Einheiten verlieren. Sie können diesen Effekt jedoch erzielen, ohne die Einheiten zu verlieren, indem Sie jede Skala so einstellen, als wäre sie transformiert worden. Angenommen, wir transformieren jede Variable in einen Prozentsatz ihres Maximalwerts. Das ist gleichbedeutend damit, dass sowohl die linke als auch die rechte Skala von 0 bis zum maximalen Datenwert (zuzüglich einiger Margen) gehen. 
Abbildung 3: Duale Skalen bei 0 bis 100%
Das fühlt sich wahrer an, da sie sich in gewissem Sinne auf der gleichen Skala befinden (0 bis 100%), aber die untere Hälfte des Diagramms ist leer und fühlt sich verschwendet an (obwohl sie einem bestimmten Zweck dient). Wir können die Logik von Abbildung 3 erweitern und beide Achsen auf 50% des Maximums bis 100% des Maximums skalieren. 
Abbildung 4: Doppelte Skalen bei 50% - 100%
Jetzt können wir jeden Trend in einem eigenen Bereich sehen. Die Veränderungsraten sind jedoch nicht miteinander vergleichbar: Ein vertikaler Abstand von 5 Millionen auf der linken Achse entspricht ungefähr 10 Millionen auf der rechten Achse. Wenn wir die Änderungsraten oder die vertikale Änderung im Allgemeinen vergleichen wollten, müssten wir beiden Skalen denselben Bereich zuweisen. 
Abbildung 5: Duale Skala mit gleichen Reichweiten
Jetzt können wir sehen, dass der Rotverlust tatsächlich geringer ist als der blaue Gewinn nach der Rezession, obwohl der Verlust im Original viel größer aussah (Abbildung 1). Beachten Sie, dass wir in diesem Modus bei gleichen Entfernungen immer noch jede gesamte Skala vertikal verschieben und den Überkreuzungspunkt beliebig machen können, was eine beängstigende Idee ist. Der zufällige Betrachter wird den Crossover-Punkt als bedeutsam ansehen, aber nicht.
Eine ganz andere Geschichte Hier ein letztes Diagramm, um zu zeigen, wie gefährlich gefährliche Diagramme mit zwei Maßstäben sein können. 
Abbildung 6: Doppelte Skalen für eine benutzerdefinierte Story
Mit nur wenigen Maßstabsänderungen können wir eine völlig andere Geschichte erzählen: Die Linien begannen zusammen, dann stieg die rote Linie an, bevor sie schließlich wieder auf die blauen Linien zurückkehrte. Die Skalen hier sind genauso gerechtfertigt wie die in Abbildung 1.
Weitere Informationen zum allgemeinen Thema finden Sie unter Dual-Scaled-Achsen in Diagrammen von Stephen Few.
Ich habe auf die Zeilen durch ihre Farben verwiesen, zum Teil weil die Variablennamen wortreich sind, aber auch um zu betonen, dass die Begriffe generisch sind. Die Angemessenheit jeder Skalierungstechnik kann jedoch von der Bedeutung der Daten abhängen, beispielsweise davon, ob relative oder absolute Änderungen relevanter sind.
Nun würde ich gerne von Ihnen hören: In Anbetracht der Tatsache, dass keine Ansicht perfekt ist, welche der sechs Zahlen sind Ihrer Meinung nach diese Jobdaten am besten?
Zwei Y-Achsen-Diagrammprobleme schrieb:
[…] Skalen sind eine Sache, die es schwierig macht, zweiachsige Diagramme zu verwenden und zu lesen. Lesen Sie für eine Diskussion das Diagramm der dekonstruierten Doppelskalierten-Jobs. Ich kann die Skala auf der Verkaufsachse anpassen und parallele Kurven für Preis und Umsatz erhalten, und in […]
