2  Charakterystyka wybranych metod graficznych stosowanych we wnioskowaniu statystycznym

“Graphical excellence is that which gives to the viewer the greatest number of ideas in the shortest time with the least ink in the smallest space.”

“Doskonałość graficzna polega na przekazywaniu złożonych idei w sposób jasny, precyzyjny i skuteczny.”

Edward R. Tufte (Tufte, 2013, s. 51)

Wykresy statystyczne wykorzystywane są głównie w charakterystyce wstępnej zbioru danych, a także przy prezentacji wyników analiz statystycznych. Dobrze dobrana grafika statystyczna może także wspomagać różne etapy wnioskowania statystycznego.

Wybrane rodzaje metod wizualizacji danych przedstawiono w Kończak (2024, s. 35–71). W tej części monografii skoncentrowano się na przedstawieniu zwięzłej charakterystyki wybranych typów wykresów związanych z rozkładami zmiennych losowych, estymacją nieparametryczną, konstrukcją przedziałów ufności i weryfikacją hipotez statystycznych, także dla wnioskowania permutacyjnego.

W niniejszym rozdziale przedstawiono zwięzłą charakterystykę następujących typów wykresów:

2.1 Rozkład prawdopodobieństwa

Rozkład prawdopodobieństwa zmiennej losowej skokowej (dyskretnej) to funkcja, która przypisuje każdej możliwej wartości tej zmiennej odpowiednie prawdopodobieństwo jej wystąpienia. Suma wszystkich prawdopodobieństw rozkładu zmiennej skokowej jest równa 1. Rozkład ten opisuje, z jakim prawdopodobieństwem zmienna losowa przyjmie konkretną wartość spośród wszystkich możliwych wyników w danym eksperymencie losowym. Na tej podstawie można określić, jak często poszczególne zdarzenia pojawiają się w całej przestrzeni zdarzeń. Rozkład prawdopodobieństwa stanowi podstawę do analizowania i przewidywania zachowania zmiennej losowej oraz podejmowania decyzji na podstawie jej możliwych wyników.

Wykresy rozkładu prawdopodobieństwa dla zmiennej losowej skokowej są bardzo pomocnym narzędziem do wizualizacji, które pozwala szybko określić, jak rozkładają się wartości tej zmiennej oraz jakie jest prawdopodobieństwo ich wystąpienia. Dzięki takim wykresom można łatwo dostrzec, które wartości są najczęstsze i mają największe prawdopodobieństwo, a które pojawiają się rzadziej i są stosunkowo mało prawdopodobne. Takie wykresy ułatwiają także identyfikację zakresu zmienności zmiennej losowej, pokazując, na jakim obszarze wartości skupiają się dane i jak rozkłada się prawdopodobieństwo pomiędzy nimi. Pozwala to lepiej zrozumieć charakterystykę zmiennej, zwłaszcza w kontekście analizy ryzyka, podejmowania decyzji czy modelowania statystycznego. Wizualizacja rozkładu prawdopodobieństwa dla zmiennej skokowej umożliwia szybkie wyciąganie wniosków i wspiera interpretację wyników, co jest szczególnie istotne przy prezentacji danych osobom podejmującym decyzje na podstawie analiz statystycznych.

Rozkład prawdopodobieństwa zmiennej losowej skokowej (dyskretnej) to funkcja \(p(x)\), która każdej możliwej wartości \(x\) tej zmiennej przypisuje prawdopodobieństwo \(P(X=x)\), przy czym \(\sum x \cdot p(x)=1\). Rozkład ten opisuje, z jakim prawdopodobieństwem zmienna losowa przyjmuje poszczególne wartości w danym eksperymencie losowym. Na jego podstawie można analizować zachowanie zmiennej losowej, obliczać miary położenia i zróżnicowania oraz formułować wnioski probabilistyczne i statystyczne.

Wykres rozkładu prawdopodobieństwa zmiennej skokowej, np. w postaci wykresu słupkowego wartości \(p(x)\), stanowi użyteczne narzędzie wizualizacji. Umożliwia on szybkie zidentyfikowanie wartości o największym prawdopodobieństwie, zakresu zmienności oraz ogólnego kształtu rozkładu, co ułatwia interpretację wyników, analizę ryzyka oraz prezentację wniosków osobom podejmującym decyzje.

2.2 Gęstość prawdopodobieństwa

Gęstość prawdopodobieństwa to funkcja matematyczna, która opisuje, jak rozkłada się prawdopodobieństwo wartości zmiennej losowej ciągłej na całym jej zakresie. Pole pod całą krzywą funkcji gęstości jest równe 1. W przeciwieństwie do zmiennych dyskretnych, gdzie prawdopodobieństwo przypisane jest konkretnym, pojedynczym wartościom, zmienne ciągłe mogą przyjmować nieskończenie wiele wartości w określonym przedziale, przez co prawdopodobieństwo wystąpienia dokładnie jednej, konkretnej wartości zawsze jest równe zero. Gęstość prawdopodobieństwa wskazuje, jak bardzo prawdopodobieństwo jest „skoncentrowane” w różnych częściach zakresu zmiennej. Dzięki temu można za jej pomocą obliczyć prawdopodobieństwo, że zmienna losowa przyjmie wartość z określonego przedziału, a miernikiem jest pole obszaru pod krzywą funkcji gęstości w tym przedziale.

Funkcja gęstości pełni rolę narzędzia do analizy i opisu rozkładu zmiennych ciągłych, umożliwiając zrozumienie, gdzie w przestrzeni zdarzeń wartości skupia się największa część prawdopodobieństwa oraz jak rozkład ten może wyglądać w praktyce. Jest to kluczowe dla dalszych analiz statystycznych, w tym estymacji, testowania hipotez i modelowania statystycznego.

Wykresy gęstości prawdopodobieństwa dla zmiennej losowej ciągłej pozwalają na szybką ocenę zakresu zmienności danej zmiennej, wskazanie zakresów wartości najbardziej i stosunkowo mało prawdopodobnych.

2.3 Dystrybuanta

Dystrybuanta to podstawowa funkcja w teorii prawdopodobieństwa i statystyce, która przypisuje każdej liczbie rzeczywistej \(x\) wartość określającą prawdopodobieństwo, że zmienna losowa \(X\) przyjmie wartość mniejszą od \(x\). Dystrybuanta zawiera pełną informację o tym, jak rozkładają się wartości danej zmiennej losowej. Jest to funkcja niemalejąca i przyjmuje wartości od 0 do 1. Dystrybuanta jest niezbędnym narzędziem do opisu rozkładu zmiennych losowych zarówno dyskretnych, jak i ciągłych, ponieważ umożliwia wyznaczenie prawdopodobieństw realizacji dla różnych przedziałów wartości zmiennej. W przypadku zmiennych losowych dyskretnych dystrybuanta ma charakter skokowy — wartości prawdopodobieństw rosną skokowo w punktach odpowiadających możliwym realizacjom zmiennej. Dla zmiennych losowych ciągłych dystrybuanta jest funkcją ciągłą, której pochodna (jeśli istnieje) jest funkcją gęstości prawdopodobieństwa.

Dystrybuanta znajduje szerokie zastosowanie w analizie statystycznej, między innymi do obliczania prawdopodobieństw zdarzeń, testowania hipotez czy też budowania modeli probabilistycznych. Dzięki niej można również łatwo porównywać różne rozkłady, badać własności zmiennych losowych oraz wykonywać symulacje. Jest fundamentem wielu narzędzi statystycznych i probabilistycznych, stanowiąc swego rodzaju pomost między surowymi danymi a ich probabilistyczną interpretacją. Można porównać dystrybuanty dwóch zmiennych, by ocenić, która zmienna przyjmuje częściej określone wartości, która charakteryzuje się większym rozproszeniem. Dystrybuanta odgrywa kluczową rolę w generowaniu wartości losowych, w tym np. metodą odwracania dystrybuanty. Z tego powodu dystrybuanta odgrywa ważną rolę w symulacjach komputerowych.

2.4 Estymacja nieparametryczna

Estymacja nieparametryczna to zbiór metod statystycznych, które pozwalają na oszacowanie funkcji rozkładu prawdopodobieństwa lub innych charakterystyk populacji bez przyjmowania założeń dotyczących konkretnego typu rozkładu (np. normalnego, wykładniczego). Oznacza to, że w odróżnieniu od metod parametrycznych, które opierają się na założeniu, że dane pochodzą z określonego typu rozkładu i są w pełni opisane przez niewielką liczbę parametrów, metody nieparametryczne są znacznie bardziej elastyczne i dostosowują się bezpośrednio do struktury obserwowanych danych.

Estymacja nieparametryczna funkcji gęstości pozwala na ocenę charakterystyk populacji. W szczególności można oszacować wartość oczekiwaną, wariancję zmiennej losowej, a także ocenić asymetrię rozkładu. Metody te nie wymagają wcześniejszego określenia, z jakiego rozkładu mogą pochodzić dane. Dzięki temu są bardziej odporne na błędy wynikające z niewłaściwego modelowania. Estymacja nieparametryczna cechuje się znaczną odpornością na błędy wynikające z niewłaściwego doboru modelu, ponieważ nie wymaga wcześniejszej specyfikacji rozkładu. W praktyce oznacza to, że metody te są szczególnie przydatne, gdy nie ma wystarczającej wiedzy na temat rozkładu populacji lub gdy istnieje podejrzenie, że klasyczne modele parametryczne mogą nie oddawać dobrze struktury danych.

Estymacja nieparametryczna funkcji gęstości pozwala na uzyskanie gładkiej krzywej opisującej rozkład zmiennej losowej, uwzględniając np. wielomodalność czy asymetrię rozkładu. Dzięki temu możliwe jest dokładniejsze zrozumienie i opisanie danych, co ma kluczowe znaczenie w analizie statystycznej, podejmowaniu decyzji oraz w budowaniu modeli predykcyjnych.

2.5 Histogram z dopasowaną funkcją gęstości

Histogram z dopasowaną gęstością jest graficznym narzędziem służącym do analizy rozkładu danych. Łączy on w sobie dwie formy przedstawiania informacji: z jednej strony pokazuje histogram, czyli sposób rozmieszczenia wartości empirycznych w zbiorze danych, a z drugiej – nakłada na niego funkcję gęstości, która stanowi oszacowanie teoretycznego lub empirycznego rozkładu prawdopodobieństwa. Słupki histogramu obrazują, jak często dane wartości pojawiają się w określonych przedziałach. Każdy słupek odpowiada konkretnemu zakresowi wartości zmiennej, a jego wysokość pokazuje, jak dużo obserwacji się w nim znajduje – przeliczone na gęstość, a nie na liczbę bezwzględną, co pozwala porównywać histogram z ciągłą funkcją gęstości.

Na ten wykres nakłada się krzywą gęstości, która może pochodzić z różnych źródeł. Może to być funkcja estymowana nieparametrycznie, najczęściej przy użyciu estymatora jądrowego, który dopasowuje się elastycznie do struktury danych i pozwala uchwycić nieregularności, takie jak wielomodalność czy asymetria. Może to być również funkcja gęstości wynikająca z założonego rozkładu parametrycznego, na przykład normalnego, którego parametry (średnia i odchylenie standardowe) są zadane lub estymowane na podstawie próby. Połączenie histogramu i dopasowanej gęstości pozwala w prosty i intuicyjny sposób ocenić, jak dobrze dopasowany jest rozkład teoretyczny do danych rzeczywistych. Umożliwia też wstępną diagnozę nietypowości w danych, takich jak obecność skrajnych wartości, asymetrii czy wielu szczytów w rozkładzie. Dzięki temu stanowi jedno z podstawowych narzędzi w rękach analityka danych, szczególnie na etapie poznawania i opisu zbioru danych przed zastosowaniem bardziej formalnych metod statystycznych.

2.6 Wykresy rozrzutu z szacowanymi gęstościami brzegowymi

Wykresy rozrzutu z szacowanymi gęstościami brzegowymi stanowią rozbudowane narzędzie wizualizacji danych dwuwymiarowych. Ich główną funkcją jest umożliwienie jednoczesnego oglądu zależności pomiędzy dwiema zmiennymi losowymi oraz charakterystyki każdej z nich z osobna. Centralnym elementem takiej wizualizacji jest wykres rozrzutu, który obrazuje rozmieszczenie punktów odpowiadających obserwacjom dwóch zmiennych. Na jego podstawie można ocenić ogólną formę zależności między zmiennymi, np. liniową, nieliniową, czy też brak jakiejkolwiek zależności. Uzupełnieniem wykresu rozrzutu są dwa wykresy gęstości, umieszczane zazwyczaj na marginesach – nad i po prawej stronie wykresu głównego. Przedstawiają one tzw. gęstości brzegowe, czyli szacowane rozkłady prawdopodobieństwa dla każdej zmiennej z osobna. Gęstości te można oszacować za pomocą metod nieparametrycznych, takich jak estymator jądrowy, co pozwala uchwycić dokładniejszą strukturę rozkładu niż w przypadku histogramów. Dzięki temu, nawet jeśli dane nie pochodzą z rozkładu normalnego, możliwe jest realistyczne przedstawienie ich rozkładu.

Taka forma wizualizacji pozwala nie tylko na wykrywanie zależności pomiędzy zmiennymi, ale także na zrozumienie rozkładów każdej z nich. Jest to szczególnie użyteczne w analizie eksploracyjnej danych, gdy celem jest zbudowanie intuicji o strukturze danych, zanim zostaną zastosowane formalne metody statystyczne. Można dzięki temu łatwo dostrzec asymetrię, wielomodalność czy obecność ogonów w rozkładzie, a jednocześnie zaobserwować, czy i w jaki sposób zmienne są ze sobą powiązane.

2.7 Przedział ufności dla funkcji regresji

Wykresy ilustrujące estymację parametrów wraz z niepewnością odgrywają istotną rolę w statystycznej analizie danych, ponieważ nie tylko pokazują oszacowane wartości, takie jak średnia czy wartość oczekiwana, ale również informują o stopniu niepewności, jaki towarzyszył wyznaczeniu tych wartości. Najczęściej stosowaną formą przedstawienia niepewności są przedziały ufności, które otaczają wartość estymowaną, wskazując, jak bardzo są wiarygodne przy danym poziomie ufności.

Przedział ufności dla średniej odpowiedzi (funkcji regresji) pokazuje, jaką precyzję ma oszacowanie: przy wielokrotnym losowaniu prób z tej samej populacji około \(1-\alpha\) (zwykle 95%) tak skonstruowanych przedziałów zawierałoby prawdziwą wartość średniej dla danego poziomu zmiennej niezależnej. Oznacza to, że przy wielokrotnym pobieraniu próbki z tej samej populacji i dla każdej z nich zostałby wyznaczony przedział ufności, to około 95% z tych przedziałów obejmowałoby prawdziwą wartość parametru. Przedziały te mają zatem charakter probabilistyczny i są wyrazem niepewności wynikającej z losowości próby.

W kontekście analizy regresji przedziały ufności pokazują, z jakim prawdopodobieństwem przedział ufności dla zmiennej zależnej (średniej odpowiedzi) obejmuje przeciętną wartość funkcji regresji dla konkretnej wartości zmiennej niezależnej. W zależności od stopnia dopasowania modelu i liczby obserwacji, te przedziały mogą być węższe lub szersze – węższe, gdy jest dużo danych i model dobrze opisuje zależność, oraz szersze, gdy dane są rozproszone lub próba niewielka. Należy jednak odróżnić przedziały ufności od przedziałów przewidywania. Te drugie informują o tym, gdzie może znaleźć się pojedyncza, nowa obserwacja przy danym poziomie zmiennej niezależnej. Przedziały przewidywania są z reguły szersze, ponieważ uwzględniają nie tylko niepewność estymacji średniej, ale także zmienność losową wokół niej.

2.8 Przedziały prognozy (przewidywania)

Przedziały ufności i przedziały prognozy (przewidywania) odgrywają fundamentalną rolę w analizie danych, zwłaszcza wtedy, gdy celem jest modelowanie zależności między zmiennymi lub prognozowanie przyszłych wartości. Są one nieodzownym elementem takich dziedzin, jak analiza regresji, modelowanie zjawisk ekonomicznych czy prognozowanie szeregów czasowych, ponieważ umożliwiają nie tylko szacowanie wartości, ale również wyrażenie niepewności związanej z tym szacunkiem.

Przedział prognozy różni się od przedziału ufności zakresem oraz interpretacją. O ile przedział ufności odnosi się do nieznanego parametru populacyjnego, takiego jak wartość oczekiwana zmiennej zależnej dla określonego poziomu zmiennej niezależnej, to przedział prognozy odnosi się do nowej, pojedynczej obserwacji.

W kontekście praktycznym, przedziały przewidywania są szczególnie istotne, gdy celem analizy jest prognozowanie. Na przykład w analizie sprzedaży, prognozując wynik dla kolejnego miesiąca, interesująca jest nie tylko średnia wartość prognozy, lecz również to, jak szeroki może być rozrzut tej wartości – i właśnie to obrazuje przedział przewidywania. Dzięki temu użytkownik ma świadomość, że nawet przy dobrze dopasowanym modelu, rzeczywiste wyniki mogą odbiegać od prognozy i wie, jak duża może być ta niepewność. Tego rodzaju informacje są kluczowe dla podejmowania decyzji w warunkach niepewności i mają zastosowanie zarówno w kontekście indywidualnych przypadków, jak i przy formułowaniu strategii opartych na danych statystycznych.

2.9 QQ-plot

Wykres kwantyl-kwantyl, znany również jako \(QQ\)-plot, to narzędzie graficzne wykorzystywane w statystyce do oceny zgodności rozkładu danych empirycznych z określonym rozkładem teoretycznym. Jest to jedna z podstawowych metod diagnostycznych pozwalających ocenić, na ile dane odpowiadają założeniom statystycznym dotyczącym rozkładu, na przykład w kontekście normalności, co ma istotne znaczenie przy doborze odpowiednich metod analizy. Ideą wykresu \(QQ\) jest porównanie wartości kwantyli z dwóch rozkładów – empirycznego, pochodzącego z danych, oraz teoretycznego, z którym jest zestawiany. Dla każdego punktu w próbie wyznacza się odpowiadający mu kwantyl teoretyczny i empiryczny, po czym obie wartości przedstawia się jako współrzędne punktu na płaszczyźnie. Oś pozioma wykresu reprezentuje kwantyle rozkładu teoretycznego, natomiast oś pionowa – kwantyle rozkładu empirycznego. Jeśli dane rzeczywiście pochodzą z rozkładu, który został przyjęty jako odniesienie, to punkty na wykresie powinny układać się wzdłuż linii prostej. Odchylenia od tej linii świadczą o różnicach między rozkładami. Na przykład, jeśli punkty na końcach wykresu odchodzą od linii prostej, może to wskazywać na różnice w ogonach rozkładów – dłuższe ogony w rozkładzie empirycznym niż w teoretycznym sugerują większą liczebność skrajnych wartości w danych.

Wykres \(QQ\) ma zastosowanie przede wszystkim jako metoda diagnostyczna, szczególnie w analizie normalności rozkładu reszt w modelach regresyjnych, testach parametrycznych, czy też w analizie jakości dopasowania danych do rozkładu teoretycznego. Pozwala na szybkie, wizualne zidentyfikowanie przypadków, w których dane odbiegają od przyjętych założeń, co może prowadzić do decyzji o zastosowaniu innych metod statystycznych, bardziej odpornych na takie odstępstwa lub opartych na innych rozkładach. Jest to zatem narzędzie proste w interpretacji, a jednocześnie bardzo pomocne, zwłaszcza na etapie wstępnej analizy danych lub w procesie diagnostyki modeli statystycznych. \(QQ\)‑plot jest zwykle czuły na różnice w ogonach rozkładu.

2.10 PP-plot

Wykres prawdopodobieństwo-prawdopodobieństwo, znany jako \(PP\)-plot, jest narzędziem graficznym wykorzystywanym do oceny zgodności rozkładu empirycznego z rozkładem teoretycznym. W przeciwieństwie do wykresu kwantyl-kwantyl (\(QQ\)-plot), gdzie porównuje się bezpośrednio wartości kwantyli, wykres PP opiera się na porównaniu wartości dystrybuant, czyli skumulowanych prawdopodobieństw obu rozkładów.

Na osi poziomej wykresu znajdują się wartości dystrybuanty rozkładu teoretycznego, natomiast na osi pionowej umieszcza się odpowiadające im wartości dystrybuanty empirycznej, wyliczone na podstawie danych. Każdy punkt na wykresie przedstawia parę wartości skumulowanego prawdopodobieństwa z rozkładu teoretycznego oraz z danych empirycznych. Jeśli rozkład empiryczny jest zgodny z rozkładem teoretycznym, to punkty na wykresie ułożą się blisko linii prostej, przecinającej wykres pod kątem 45 stopni. Odchylenia punktów od tej linii wskazują na różnice między rozkładami, co może pomóc w identyfikacji obszarów, gdzie rozkład empiryczny odbiega od teoretycznego. Wykres PP jest szczególnie przydatny przy analizie rozkładów ciągłych i jest często stosowany jako narzędzie diagnostyczne do sprawdzania założeń dotyczących rozkładu danych przed zastosowaniem metod statystycznych opartych na tych założeniach (np. rozkład normalny).

Różnica pomiędzy wykresem \(PP\)-plot a wykresem \(QQ\)-plot polega na tym, że pierwszy porównuje wartości dystrybuant, a drugi porównuje wartości kwantyli. W praktyce oznacza to, że wykres \(PP\)-plot bardziej skupia się na porównaniu skumulowanych prawdopodobieństw, podczas gdy wykres \(QQ\)-plot pozwala ocenić dopasowanie rozkładów przez bezpośrednią analizę odpowiednich wartości danych. Dzięki temu wykres \(PP\)-plot stanowi uzupełnienie wykresu \(QQ\)-plot i razem tworzą zestaw narzędzi umożliwiających kompleksową ocenę zgodności rozkładów w analizie statystycznej. Konstrukcja wykresu \(PP\)‑plot prowadzi do jego większej czułości na różnice w środkowej części rozkładu.

2.11 Wyniki wnioskowania statystycznego

Wiele pakietów statystycznych umożliwia przedstawienie w oknie graficznym, poza samą prezentacją wykresu, także różnych charakterystyk liczbowych dotyczących przeprowadzonego wnioskowania statystycznego. Może to obejmować m.in. wartości statystyk testowych, przedziały ufności, współczynniki regresji, \(p\)-wartości, wskaźniki dopasowania modeli czy efekty średnie. Zamieszczenie takich wyników bezpośrednio na wykresie nie zastąpi oczywiście właściwie przedstawionych wyników w formie tabelarycznej, jednak pozwala na szybką ocenę różnic w rozkładach populacji, sile efektu lub występujących zależności pomiędzy zmiennymi.

Do najważniejszych pakietów programu R pozwalających zamieszczać na wykresach podstawowe rezultaty wnioskowania statystycznego należą:

ggplot2 – pozwala na nakładanie elementów statystycznych za pomocą warstw takich jak stat_summary, geom_smooth, geom_errorbar, geom_pointrange itp.;

ggpubr – upraszcza tworzenie wykresów publikacyjnej jakości i dodawanie wyników testów statystycznych (np. t-test, ANOVA) bezpośrednio na wykresach;

ggsignif – umożliwia dodawanie znaczników istotności statystycznej między grupami (np. gwiazdki *, **, ***) wraz z łukami i \(p\)-wartościami;

ggstatsplot – automatyzuje generowanie wykresów z wynikami testów statystycznych (np. t-testy, testy nieparametryczne, korelacje), integrując analizę i wizualizację.

Dzięki tym pakietom użytkownik może łączyć przejrzystość graficzną z informacyjną wyników statystycznych, co jest szczególnie przydatne w eksploracyjnej analizie danych, raportowaniu wyników oraz tworzeniu wizualizacji do publikacji naukowych.

2.12 Wyniki wnioskowania statystycznego w modelu permutacyjnym

W testach permutacyjnych wykresy graficzne pełnią istotną rolę w wizualizacji wyników analizy statystycznej. Stanowią one nie tylko pomocnicze narzędzie w ocenie istotności statystycznej, ale często są kluczowym elementem interpretacji rezultatów. Przede wszystkim wykresy te są wykorzystywane do przedstawienia rozkładu permutacyjnego statystyki testowej, uzyskanego na podstawie wielu permutacji danych, co umożliwia wizualne porównanie z wartością empiryczną tej statystyki, obliczoną na podstawie oryginalnych danych. Typowym przykładem takiego wykresu jest histogram lub wykres gęstości rozkładu permutacyjnego z zaznaczoną na nim wartością obserwowaną – pozwala to w sposób graficzny oszacować \(p\)-wartość jako proporcję permutacji, dla których wartość statystyki była co najmniej tak ekstremalna jak obserwowana. W przypadku testów dwustronnych, na wykresie zazwyczaj oznacza się dwa ogony rozkładu permutacyjnego oraz obszary istotności.

Wizualizacja wyników testów permutacyjnych może również przybierać bardziej złożoną formę, np. rozkładu statystyki testowej w zależności od różnych warunków eksperymentalnych, permutacyjnych map cieplnych (heatmap), czy wykresów permutacyjnych wartości statystyki w przestrzeni parametrów (np. w analizach wielowymiarowych). Wykresy te są nie tylko intuicyjnym narzędziem dla statystyków, ale także znacząco ułatwiają komunikację wyników analizy dla odbiorców nieposiadających zaawansowanego przygotowania matematycznego. Dzięki graficznemu przedstawieniu, możliwe jest szybkie uchwycenie istotnych różnic, odchyleń od losowości oraz stopnia dopasowania modelu do danych.

Kończak, G. (2024). Wizualizacja wyników badań naukowych. Zasady, metody i narzędzia. Uniwersytet Ekonomiczny w Katowicach.
Tufte, E. R. (2013). The Visual Display of Quantitative Information (2nd wyd.). Graphics Press.