👉
Concevoir de bonnes datavisualisations (guide)
  • Introduction
  • 1️METTEZ VOTRE MESSAGE EN VALEUR
    • ✅Dites le "pourquoi" et le "comment"
    • ✅Faites ressortir ce qui est important, racontez une seule histoire.
    • ✅Hiérarchie de l'information
  • 2️CHOISISSEZ VOTRE GRAPHIQUE
    • ✅Les tableaux sont préférables aux graphiques pour de nombreux petits ensembles de données
    • ✅Exploratoire vs Explicatif : choisir le bon format
    • ✅Statique ou interactif ?
  • 3️RENDRE LES GRAPHIQUES FACILES À LIRE
    • ✅Utilisez un langage clair et évitez les acronymes
    • ✅Supprimez tout encombrement visuel (principe de Tufte)
    • ✅Faire pivoter le diagramme à barres lorsque les noms de catégories sont trop longs
    • ✅N'utilisez pas de légende lorsque vous n'avez qu'une seule catégorie de données
    • ✅Utilisez l'étiquetage direct dans la mesure du possible, en évitant la recherche indirecte.
    • ✅Triez vos données pour faciliter les comparaisons
    • ✅N'utilisez pas plus de six couleurs (environ)
    • ✅Attention au daltonisme (déficience de la vision des couleurs)
  • 4️FAIRE DES GRAPHIQUES CORRECTS
    • ✅Utilisez des intervalles cohérents sur les axes (soyez transparent sur les lacunes des données)
    • ✅Utilisez un rapport d'aspect approprié pour minimiser les effets de pente dramatiques
    • ✅Ne pas confondre corrélation et causalité
    • ✅Ajuster l'inflation dans les séries longues
    • ✅Faites attention à la façon dont vous traitez les "données inexistantes/manquantes"
    • ✅Ne comparez pas des choux avec des carottes
    • ✅Indiquez le niveau de confiance
  • 5️TABLEAU DE BORD
    • ✅10 bonnes pratiques pour créer des tableaux de bord efficaces
  • 6️DERNIERES VÉRIFICATIONS
    • ✅Liste de contrôle pour la visualisation
    • ✅Demandez l'avis des autres
  • En savoir plus...
    • Sources
    • Autres ressources
    • Contact
Propulsé par GitBook
Sur cette page

Cet article vous a-t-il été utile ?

Exporter en PDF
  1. FAIRE DES GRAPHIQUES CORRECTS

Ne pas confondre corrélation et causalité

PrécédentUtilisez un rapport d'aspect approprié pour minimiser les effets de pente dramatiquesSuivantAjuster l'inflation dans les séries longues

Dernière mise à jour il y a 3 ans

Cet article vous a-t-il été utile ?

Très souvent, la superposition de séries chronologiques de deux mesures différentes fait apparaître une forte corrélation. C'est une erreur facile de confondre corrélation et causalité. Un biais peut nous faire conclure qu'une chose doit en causer une autre si les deux changent de la même manière et au même moment.

Par exemple, si vous reportez deux séries de données différentes (A et B) sur le même graphique, vous pouvez remarquer qu'elles suivent toutes deux un schéma similaire dans le temps. Il est extrêmement difficile, voire impossible, de prouver que A a causé B ou vice versa. Il existe tellement de facteurs tiers non tracés qui peuvent influencer A et B. Seule une étude statistique approfondie de tous les facteurs peut donner une indication de la causalité, si elle existe.

En savoir plus sur ce sujet

4️
✅
https://towardsdatascience.com/correlation-is-not-causation-ae05d03c1f53
Method for identify true correlation by removing the time-series data
https://codingwithmax.com/correlation-vs-causation-examples/