Кратко — главные принципы и влияние выбора шкал/цвета на интерпретацию.
1) Выбор переменной и нормализация
- Отдавайте предпочтение корректной мере: доход на душу, медиана или индекс неравенства (например, Джини), а не суммарный доход по региону. Пример:$\text{доход на душу}=\frac{\text{общий доход региона}}{\text{население региона}}$.
- Для карт отличий используйте разницу от ориентира: $d_i=x_i-\bar{x}$, где $\bar{x}=\frac{1}{n}{\sum }_{i=1}^n{x}_i$.
2) Выбор типа карты
- Хороплет (choropleth) — для нормализованных показателей (плотность, доход на душу, индекс).
- Пропорциональные символы/градиентные точки — когда важна абсолютная величина или точечные данные.
- Масс- и картограммы — если нужно показать влияние населённости.
3) Классификация данных (шкалы дискретизации)
- Число классов: обычно $3$–$7$, чаще всего $5$ — баланс читаемости и деталей.
- Методы разбиения и их эффекты:
- Равные интервалы (equal interval) — хороши для сравнения различных карт по одной шкале; при скошенном распределении скрывают скопления.
- Квантиль/порядковые (quantiles) — равное число объектов в классах; подчёркивают относительные ранги, могут преувеличивать мелкие различия в плотных диапазонах.
- Jenks (natural breaks) — минимизирует внутриклассовую дисперсию; подчёркивает естественные разрывы.
- Стандартные отклонения — показывают удалённость от среднего (полезно для выявления аномалий).
- Всегда указывайте метод и границы классов в легенде.
4) Цветовые схемы и их влияние
- Тип палитры:
- Последовательная (sequential) — для монотонно возрастающих/убывающих величин (используйте изменение яркости/насыщенности одной тональности).
- Дивергентная (diverging) — для данных с важной точкой равновесия (напр., отличие от среднего); нейтральный центр + две противоположные ветви.
- Качественная (qualitative) — для категориальных данных, не для значений дохода.
- Перцептуальные принципы:
- Главное восприятие — по яркости (lightness). Увеличивая яркость/тёмность, вы показываете рост/падение.
- Избегайте “радужных” палитр (непостоянство яркости, вводят артефакты восприятия).
- Используйте палитры, дружественные к дальтоникам (например, Viridis, ColorBrewer “Sequential” и “Diverging” с опцией colorblind-safe).
- Выбор цветов влияет на интерпретацию: яркие контрастные классы делают различия кажущимися более значительными; плавный градиент смягчает визуальное восприятие различий.
5) Легенда, метки и прозрачность
- Легенда должна содержать метод классификации, точные границы классов и единицы измерения.
- Подписи регионов, значения для важнейших точек и масштаба.
- Отмечайте области с нестабильными/недостоверными данными (штриховка, прозрачность) и указывайте погрешности.
6) Масштаб, проекция, MAUP и контекст
- Масштаб карты влияет на читаемость: мелкие области могут визуально теряться; рассмотреть пропорциональную картограмму или добавление инсертов.
- Помните MAUP (modifiable areal unit problem) и экологическую ошибку — интерпретация на индивидуальном уровне из агрегированных данных неверна. Укажите уровень агрегации.
- Контекст (соседние регионы, национальная средняя) важен для понимания.
7) Тестирование и публикация
- Проверьте карту на разных экранах/принтерах, в оттенках серого и с симуляцией дальтонизма.
- Приложите поясняющий текст: что измеряется, ограничения, дата/источник.
Короткие рекомендации по практическим выбором
- Если отображаете абсолютный доход на душу — используйте последовательную палитру и $5$ классов (например, равные интервалы или Jenks при неравномерном распределе).
- Если показываете отклонение от средней/медианы — используйте дивергентную палитру с нейтральным центром в нуле ($d_i=x_i-\bar{x}$).
- Для рангов/сравнений используйте квантильную шкалу; для выявления естественных разрывов — Jenks; для сравнения между картами — равные интервалы.
Следуя этим принципам, вы уменьшите искажения восприятия и повысите корректность интерпретации карты неравенства доходов.