Effektives Anzeigen demografischer Daten auf einer gedruckten Karte

Ich möchte die folgenden Daten pro Zone (insgesamt 30 Zonen) auf einer druckbaren / nicht interaktiven Karte darstellen:

• Durchschnittsalter
• Durchschnittliches Haushaltseinkommen
• Anzahl der Haushalte
• Bevölkerungsdichte
• Anzahl der Personen
• Anzahl der Arbeiter

Wie würden Sie die oben genannten 6 Ebenen effektiv auf einer Karte anzeigen?

Ich würde sagen, dass Sie nicht alle diese Daten auf einer Karte aufnehmen können und es keinen Sinn macht. Ich würde empfehlen, dass Sie nach dem Prinzip der kleinen Vielfachen von Tufte denken und mehrere kleinere Karten desselben Gebiets verwenden, die jeweils eine andere Variable verwenden. Beispiel: http://www.juiceanalytics.com/writing/better-know-visualization-small-multiples/

Selbst dann haben Sie das Problem, dass Sie eine Reihe von verschiedenen Einheiten verwenden, so dass Sie einen Schlüsselbund benötigen. Eine andere Möglichkeit, die Daten anzuzeigen (aber nicht in einer Karte), wäre die Verwendung einer Tabelle mit allen Werten in Farbe (dh - verschiedene Farben für unterdurchschnittlich, durchschnittlich, überdurchschnittlich).

Wir empfehlen Ihnen auch, den Volkszählungsatlas zu Rate zu ziehen, um weitere Kartenvorschläge zu erhalten: http://www.census.gov/population/www/cen2000/censusatlas/

Könnte helfen, genauer zu reflektieren, welche Nachricht Sie kommunizieren möchten (nicht nur welche Daten Sie haben).

Es ist nicht möglich, so viele Daten auf einer einzelnen Karte effizient darzustellen. Zwei Möglichkeiten:

• Produziere 6 Karten,

• Analysieren Sie Ihre Daten, um Ihre Regionen zu klassifizieren und das Ergebnis der Klassifizierung anzuzeigen. Eine Hauptkomponentenanalyse kann helfen , die wichtigsten Zusammenhänge innerhalb Ihrer Variablen zu bestimmen. Diese Methode wurde verwendet, um diese synthetische Karte zu erstellen:

von diesen:

Ich bin damit einverstanden, dass kleine Vielfache wahrscheinlich ein guter Weg sind, um dieses Problem anzugehen. Zur Ergänzung der Karte würde ich auch eine Streudiagramm-Matrix Ihrer Variablen vorschlagen, die bivariate Korrelationen identifiziert. Während Sie den geografischen Aspekt Ihrer Daten verlieren, ist es viel einfacher, die Beziehungen zwischen Variablen in einem Streudiagramm zu visualisieren, als zwei Karten (sogar nebeneinander) zu vergleichen.

Wenn Sie weiterhin räumliche Trends erfassen möchten, können Sie räumliche Statistiken (z. B. das lokale Moran-I) zwischen den Verteilungen und / oder den ursprünglichen Variablen einfügen.

Bearbeiten: Ich bin kürzlich auf eine Arbeit gestoßen, die die von Andre-Michel Guerry (ursprünglich 1883) veröffentlichten Moralstatistiken überarbeitet und die darauf abzielt, multivariate Beziehungen im Raum zu visualisieren. Die Implementierungen dieser Autoren ähneln den in diesem Thread vorgeschlagenen, kleinen Vielfachen, Hauptkomponentenanalyse, Streudiagramm-Matrizen und Polygondiagrammen. Anbei einige Bilder von A.-M. Guerrys Moralstatistik von Frankreich: Herausforderungen für die multivariable räumliche Analyse von: Michael Friendly Statistical Science, Vol. 22, No. 3. (August 2007), S. 368-399 (Das PDF ist kostenlos). Auch ein anderer Artikel ( Dray und Jombart, 2010 ) analysiert die gleichen Daten und enthält einen Quellcode in R, um die Diagramme zu erstellen.

Ein Bild ist eine Streudiagramm-Matrix, das andere ist ein so genanntes Sternendiagramm (eine andere Art, Balkendiagramme wie von Pablo vorgeschlagen darzustellen).

Hier ist ein wunderbares Beispiel für kleine Multiples, die auf Andrew Gelmans (und Firmenblogs) Statistical Modeling, Causal Inference und Social Science veröffentlicht wurden . Die Karte dient der Unterstützung der Wähler für Schulgutscheine durch den Staat, abhängig vom Einkommen und verschiedenen Rassen- und Religionskategorien. Weiße Nicht-Evangelikale mögen keine Schulgutscheine! (Wenn Sie zum aktuellen Blog gehen, obwohl er in den Umfragedaten von 2004 enthalten ist, werden Schulgutscheine in dieser Gruppe besser unterstützt.)

Um zwischen den hier vorgestellten Lösungen zu wählen, können Sie zwei wichtige Informationen eingeben:

• Was ist der Zweck der Karte? (Entdecken, aussetzen?)
• Was ist die Zielgruppe der Karte? (Sie, Analystenkollegen, Stadtplaner, Öffentlichkeit?)

Die hier genannten Lösungen können je nach Zweck und Publikum unterschiedlich effizient sein.

Ich möchte die Antwort von Julien (eine synthetische Karte mittels einer PCA) verallgemeinern, indem ich die von J. Bertin beschriebene Technik der Matrixdiagonalisierung zitiere. Es ist nützlich, wenn man nach einer Synthese aller Informationen sucht und nicht nach einer vollständigen Datenpräsentation.

Kurz gesagt, besteht es darin, jede Variable mit einem Histogramm darzustellen, die Histogramme so zu stapeln, dass die Werte (die Kartenzonen) diagonal ausgerichtet sind, um eine Typologie zu erhalten:

(Quelle: http://books.google.com/books?id=2tlQAAAAMAAJ&dq=bertin%20graphique%20information&hl=fr&source=gbs_similarbooks )

Das sind viele Informationen, und es ist eine Tatsache, dass eine einzelne Karte, die alle auf thematische Weise kombiniert, zu einer nutzlosen Präsentation führen würde, da die Sicht verschmutzt ist. Andererseits gibt es 30 Zonen, so dass viele Karten für jede Zone ebenfalls zu Umweltverschmutzung führen würden.

Meine Lösung: Wählen Sie die wichtigsten Informationen aus, sagen wir 'Haushaltseinkommen', und unterteilen Sie die Karte in einige Einkommenskategorien. Und schließlich zeichnen Sie für jede Einnahmequelle einen Balkenchat mit den anderen 5 Attributen auf.

Mit dieser Karte lassen sich einige Vergleiche anstellen, beispielsweise: "Gebiete mit hohem Einkommen weisen immer eine große Anzahl von Arbeitnehmern und ein Durchschnittsalter von mehr als 21 Jahren auf".

Schau dir das Beispiel an...

Vielleicht könnten einige dieser Ideen helfen?

Angenommen, Sie haben sechs Dimensionen:

1: Choroplethen : Haushaltseinkommen Beispiel 0

2, 3 und 4: Symbole : Stellen die Anzahl der Personen als Punkte dar, damit Sie den Hintergrund sehen können: Beispiel 1, Beispiel 2 mit Graustufen für Arbeiter / Nichtarbeiter und einem anderen Farbschema, um das Alter anzuzeigen

5: 3D : Bevölkerungsdichte als Geländebeispiel verwenden 3

6: (Mir fällt kein 6. Weg ein!)

Ist es überflüssig, die Anzahl der Haushalte, die Bevölkerungsdichte und die Anzahl der Personen anzugeben?

Ich wäre skeptisch, wenn jemand außer Ihnen eine Karte mit dieser Komplexität erkennen würde. Wenn ich es präsentierte, zeigte ich jedes Element zuerst separat und fügte es dann hinzu, damit das Publikum die Schritte verstehen kann.

Eine alternative Möglichkeit (wenn Sie nicht für jede Zone Platz für eine Radar-Grafik haben, können Sie einen „Glyphen“ erstellen, der dieses Informationsbeispiel 4 darstellt, Abb. 10.28 . Ich denke, diese sind normalerweise schwer zu verstehen und nicht einfach zu entwerfen klar, aber das verknüpfte Beispiel könnte in diesem Fall verwendet werden.

Ein anderer Gedanke, den ich hatte, wäre, die Polygone für jedes Polygon auf die gleiche Höhe zu extrudieren und dann einen Abschnitt der Höhe zu verwenden, um diese Parameter darzustellen. Ähnlich wie beim Erstellen eines Balkendiagramms für jeden Bereich, wobei jedoch jeder Abschnitt in ähnlichen Abständen übereinander gelegt wird. Dies müsste aus 3D betrachtet werden, was bedeuten würde, dass ein Teil davon verdeckt wäre.

Es ist eine herausfordernde Aufgabe. Meine Antwort ist, mit einer multivariaten Karte zu gehen. Schauen Sie sich diese Karte an . Die Karte sieht ausgelastet aus, wenn Sie alle Variablen auf einer Karte anzeigen. Stellen Sie sicher, dass Sie das richtige Farbschema auswählen, wenn Sie sich für eine multivariate Karte entscheiden.

Ein Grad der Vereinfachung würde darin bestehen, ein Element wie die Bevölkerungsdichte durch ein Kartogramm auszudrücken, dh die Fläche jeder Einheit so zu verzerren, dass sie im Verhältnis zur Bevölkerung steht:

_{(Quelle: amherst.edu )}

Der Hauptnachteil ist, dass der Betrachter in der Lage sein muss, die Verzerrung der Zonen von ihren "üblichen" Formen zu erkennen.

Weitere Informationen finden Sie hier: http://gis.amherstma.gov/data/SpringNearc2009/Session4Cartograms.pdf