Zuletzt fachlich geprüft: 28. Juli 2026 · Lerninhalt, keine individuelle statistische Beratung
Eine gute statistische Grafik beantwortet eine definierte Frage und macht Unsicherheit sowie Datenmenge sichtbar. Sie ist kein dekorativer Nachsatz zum Test. Gerade bei kleinen Stichproben sollten Leserinnen und Leser sehen können, wie viele Beobachtungen tatsächlich vorliegen.
Beginnen Sie mit dem Erkenntnisziel
Zeigt Fallzahl, Häufungen und Ausreißer.
Zeigt Lage, Streuung und Form mit unterschiedlichen Annahmen.
Macht systematische Abweichungen von einer Referenzverteilung sichtbar.
Kommuniziert Effekt und Präzision.
Rohwerte nicht verstecken
Ein Boxplot allein zeigt keine Fallzahl und kann bei sehr kleinem n eine Stabilität suggerieren, die nicht vorhanden ist. Die Kombination mit leicht versetzten Einzelpunkten ist deshalb oft informativer.
Glättung bewusst einsetzen
Histogramme hängen von der Klassenbreite ab, Dichteplots von der Bandbreite. Eine ECDF kommt ohne Glättung aus und zeigt direkt den kumulierten Anteil. Verwenden Sie für Gruppen dieselbe Achsenskalierung.
Konfidenzintervalle statt nur Balken
Balkenhöhen ohne Rohdaten und Intervall verbergen fast die gesamte Verteilungsinformation. Punkt-Intervall-Grafiken kommunizieren Schätzung und Präzision direkter. Intervallüberlappung ersetzt jedoch keinen formalen Test.
Beispiel mit ggplot2
library(ggplot2)
ggplot(study, aes(group, score, colour = group)) +
geom_boxplot(outlier.shape = NA, width = .55) +
geom_jitter(width = .10, alpha = .65) +
labs(x = "Gruppe", y = "Score") +
theme_minimal()Checkliste vor der Veröffentlichung
- Sind Achsen, Einheit und Gruppen verständlich beschriftet?
- Ist die Fallzahl sichtbar oder im Text genannt?
- Beginnt eine Mengenachse sinnvoll und wird nichts optisch abgeschnitten?
- Sind Farbe und Kontrast barrierearm?
- Zeigt die Grafik den wissenschaftlich relevanten Schätzwert samt Unsicherheit?