适合两个连续变量的关系
别名: 散点图适用场景 · 双变量关系 · 点云
概念解释
散点图（scatterplot）把同一观测单位上的两个连续变量分别映射到横轴和纵轴，每个点保留一对值。它适合回答方向、强弱、形状、离群与分群等双变量关系问题，而不只回答线性相关系数多大。成立的首要条件是配对有意义：例如同一位参与者的完成时间与错误数可以成点，来自不同人或不同时间窗的两个汇总值不能仅因行号相同而配对。
机制
两个位置通道共享笛卡尔坐标系，读者既能追踪单点，也能从点云读取整体结构。位置编码不会自动把关系限定为直线，因此弯曲、异方差、多个子群和高杠杆点仍可见；但坐标尺度、轴范围和变换会改变点间距离与云形。对数变换可能把乘法关系拉直并稳定方差，却也改变“一单位差”的含义。点的位置可能同时反映真实差异、过程或抽样变异，以及任一轴的测量误差；误差的大小与相关性会改变云形和拟合，视觉上的窄云带不等于无误差。
怎么研究
用已知生成过程的合成数据分别控制相关强度、非线性、离群、子群、样本量和测量误差，再比较读者识别方向、形状与异常的正确率、反应时间和置信度。Anscombe 展示了四组具有近似相同常用汇总统计和线性回归、却呈现不同点云结构的数据，说明图形检查应补充而非替代统计摘要。真实任务研究应先定义观测单位、配对键、时间窗、缺失处理及变换，再把散点图判断与数值摘要、模型诊断和领域判断对照。若比较线性轴与对数轴，需分别测试读者能否解释轴单位，而不能只记录哪个版本看起来更整齐。
边界
一个轴若是无序类别，条带或分组比较常比连续散点更贴近任务；时间序列若重点是先后路径，折线可能更合适。样本很少时，点云形状容易被偶然点支配；样本很大时，遮挡会抹去密度。把第三、第四变量继续塞进颜色、形状或大小会增加辨认成本。相关结构也不能确定因果方向。屏幕阅读器不能从像素点恢复配对，因此仅有图片与悬停提示并不构成等价访问。
怎么落地
- 先写清问题、观测单位和配对键，再把两个有意义的连续变量放到带单位的轴上；显示缺失、过滤和变换说明。
- 同时检查原尺度与有理论理由的变换尺度；对数轴需标明刻度，并避免对零或负值静默改值。
- 保留点云、趋势摘要与不确定性的角色差异；拟合线若出现，应说明模型形式和区间，而不是遮住原始结构。
- 提供可聚焦的数据表、样本量、范围及文字摘要，描述方向、形状、子群、离群与已知数据限制。
- 用真实读者验证其能否找出预定关系与异常，并让其复述每个点代表谁或什么；配对语义答错时不能进入相关解释。