Visualisierung statistischer Ergebnisse

Transkript

1 6. Dresdner Flächennutzungssymposium, 11./ Visualisierung statistischer Ergebnisse Bevölkerungs- und Flächennutzungsstatistik auf Grundlage des InstantAtlas in Sachsen INTERAKTIV

2 Gliederung Validität statistischer Ergebnis als Non plus Ultra der Informationsvisualisierung Informationsvisualisierung in Theorie und Praxis Ansprüche aus Sicht der Statistik Ausgewählte Beispiele von Sachsen INTERAKTIV Ausblick 2

3 Hohe Validität statistischer Ergebnisse durch umfassende Qualitätssicherung Qualitätssicherung EU/Eurostat - Code of Practice (CoP) - Peer Reviews - Compliance Visits - Upstream Dialogue Visits Produkte und Prozesse Wissen Laien, Medien, Politik Visualisierung Qualitätssicherung Stat. Verbund - Qualitätsleitlinien - Qualitätsinstrumente. Information Indikatoren Rechnungssysteme (VGR, GGR, UGR ) Daten Primär- und Sekundärdaten (aus Einzeldaten aggregierte Summendaten) Einzeldaten (FDZ, statistikintern) Spezialist, Fachnutzer 3

4 Mehrwert der Visualisierung statistischer Daten für den Nutzer Die Datenmengen werden immer größer und komplexer. Die Darstellungsfläche ist begrenzt. Die Informationsvisualisierung ist seit den 90er Jahren als eigenständiges Wissensgebiet etabliert. [ ] Ziel ist es, die große Leistungsfähigkeit des menschlichen visuellen Systems auszunutzen, um die charakteristischen Eigenschaften einer Datenmenge zu erfassen. [ ] abstrakte Daten graphisch so zu repräsentieren, dass strukturelle Zusammenhänge und relevante Eigenschaften intuitiv erfasst werden können. Damit soll die interaktive Exploration komplexer Datenmengen unterstützt werden. Quelle: Beitrag von Professor Doktor Heidrun Schumann Informationsvisualisierung: Methoden und Perspektiven, 18. Wissenschaftliches Kolloquium des Statistischen zum Thema "Informationsvisualisierung - Grafische Aufbereitung und Analyse von statistischen Daten, Wiesbaden 2009, S. 1 ( 4

5 Webbasierte Verbreitungswege statistischer Ergebnisse mit Visualisierungswerkzeugen Open Government Data - GovData Deutschland: Amtliche Statistik Hauptlieferant - Open Data Portal Sachsen: in Vorbereitung (SächsEGovG) Geoportale - Geoportal Bund: Amtliche Statistik Hauptlieferant - Geoportal Sachsen: Gespräche zwischen GeoSN und StLA Sachsen INTERAKTIV 5

6 Informationsvisualisierung Rohdaten Einzelwerte Aggregate berechnete Indikatoren Daten Visualisierung Spezifikation Visualisierung Bild Erkennen Verstehen Erkundung Nutzer Wissen Grafik nach: Johnson et al, Visualization Research Challenge Report, IEEE Computer Science Press,

7 Taxonomie der Visualisierung Task by Data (Shneiderman, The Eyes have it, 1996) 1-dimensional 2-dimensional 3-dimensional Temporal Multidimensional Tree Network klassische statistische Visualisierungen statistische Datenbanken 7

8 Taxonomie der Visualisierung (1-dimensional) statistische Datenbanken 8

9 6. Dresdner Flächennutzungssymposium, 11./ Taxonomie der Visualisierung (2-dimensional) Task by Data (Shneiderman, The Eyes have it, 1996) 1-dimensional 2-dimensional 3-dimensional Temporal Multidimensional Tree Network klassische statistische Visualisierungen statistische Datenbanken 9

10 Taxonomie der Visualisierung (3-dimensional) Task by Data (Shneiderman, The Eyes have it, 1996) 1-dimensional 2-dimensional 3-dimensional Temporal Multidimensional Tree Network klassische statistische Visualisierungen statistische Datenbanken 10

11 Taxonomie der Visualisierung (temporal) Task by Data (Shneiderman, The Eyes have it, 1996) 1-dimensional 2-dimensional 3-dimensional Temporal Multidimensional Tree Network klassische statistische Visualisierungen statistische Datenbanken Gantt-Diagramm 11

12 Taxonomie der Visualisierung (multidimensional) Task by Data (Shneiderman, The Eyes have it, 1996) 1-dimensional 2-dimensional 3-dimensional Temporal Multidimensional Tree Network klassische statistische Visualisierungen statistische Datenbanken 12

13 Taxonomie der Visualisierung (Tree) Task by Data (Shneiderman, The Eyes have it, 1996) 1-dimensional 2-dimensional 3-dimensional Temporal Multidimensional Tree Network klassische statistische Visualisierungen statistische Datenbanken 13

14 Taxonomie der Visualisierung (Network) Task by Data (Shneiderman, The Eyes have it, 1996) 1-dimensional 2-dimensional 3-dimensional Temporal Multidimensional Tree Network klassische statistische Visualisierungen statistische Datenbanken 14

15 Kartendarstellungen in der Praxis Geoportal Sachsenatlas Geo.MIS GeoSN LfULG Regionalatlas 15

16 Kartendarstellungen in der Praxis (Sachsenatlas) Geoportal Sachsenatlas Geo.MIS GeoSN LfULG Regionalatlas 16

17 Kartendarstellungen in der Praxis (Geo.MIS) Geoportal Sachsenatlas Geo.MIS GeoSN LfULG Regionalatlas 17

18 Kartendarstellungen in der Praxis (GeoSN) Geoportal Sachsenatlas Geo.MIS GeoSN LfULG Regionalatlas 18

19 Kartendarstellungen in der Praxis (LfULG) Geoportal Sachsenatlas Geo.MIS GeoSN LfULG Regionalatlas 19

20 Kartendarstellungen in der Praxis (Regionalatlas) Geoportal Sachsenatlas Geo.MIS GeoSN LfULG Regionalatlas 20

21 Karten in der Statistik Wichtige Aspekte: Karten zum lesen vs. Karten zum sehen Information Overload Auslagerung und Optionalisierung von Information 21

22 Karten in der Statistik Wichtige Aspekte: Karten zum lesen vs. Karten zum sehen Auszug aus: Le Graphique et le Traitment Graphique de l Information, Jacques Bertin, Flammarion,

23 6. Dresdner Flächennutzungssymposium, 11./ Karten in der Statistik (Information Overload) Wichtige Aspekte: Karten zum lesen vs. Karten zum sehen Information Overload Auslagerung und Optionalisierung von Information 23

24 Karten in der Statistik (Optionalisierung) Wichtige Aspekte: Karten zum lesen vs. Karten zum sehen Information Overload Auslagerung und Optionalisierung von Information 24

25 Semiotik in der Statistik Das Gesetz der Sichtbarkeit (nach Bertin, 1977) Variablen des grafischen Bildes: Räumliche Anordnung (Position), Größe, Helligkeit Trennende Variablen: Muster, Farbe, Richtung, Form Visual Information-Seeking Mantra (Shneiderman, The Eyes Have It, 1996): Overview first, zoom and filter, then details-on-demand. 25

26 Semiotik in der Statistik (Beispiele für die Variablen) Das Gesetz der Sichtbarkeit (nach Bertin, 1977) Variablen des grafischen Bildes: Räumliche Anordnung (Position), Größe, Helligkeit Trennende Variablen: Muster, Farbe, Richtung, Form Visual Information-Seeking Mantra (Shneiderman, The Eyes Have It, 1996): Overview first, zoom and filter, then details-on-demand. 26 nach: Le Graphique et le Traitment Graphique de l Information, Jacques Bertin, Flammarion, 1977