Visualisation des données de réponse aux éléments Likert

Quels sont les bons moyens de visualiser un ensemble de réponses Likert?

Par exemple, un ensemble d'éléments demandant l'importance de X dans ses décisions concernant A, B, C, D, E, F & G? Y a-t-il quelque chose de mieux que des graphiques à barres empilées?

• Que faut-il faire avec les réponses N / A? Comment pourraient-ils être représentés?
• Les graphiques à barres devraient-ils indiquer des pourcentages ou le nombre de réponses? (c.-à-d. que les barres devraient avoir la même longueur?)
• S'il s'agit de pourcentages, le dénominateur doit-il inclure des réponses invalides et / ou N / A?

J'ai mes propres opinions, mais je recherche les idées des autres.

J'aime la vue centrée du compte. Cette version particulière supprime les réponses neutres (traitant efficacement neutre et n / a comme la même) pour ne montrer que la quantité d'opinions d'accord / en désaccord. Le point 0 est l'endroit où le rouge et le bleu se rencontrent. L'axe de comptage est tronqué.

À titre de comparaison, voici les cinq mêmes réponses que les pourcentages empilés, montrant à la fois neutre (gris) et aucune réponse (blanc).

Mise à jour: article suggérant une méthode similaire: traçage du Likert et d'autres échelles de notation (PDF)

Les graphiques à barres empilées sont généralement bien compris par les non-statisticiens, à condition qu'ils soient introduits doucement. Il est utile de les mettre à l'échelle sur une métrique commune (par exemple 0-100%), avec une couleur graduelle pour chaque catégorie si ce sont des éléments ordinaux (par exemple Likert). Je préfère dotchart (Cleveland dot plot), quand il n'y a pas trop d'articles et pas plus de 3-5 catégories de réponses. Mais c'est vraiment une question de clarté visuelle. Je fournis généralement% car il s'agit d'une mesure standardisée, et je ne signale que les% et les décomptes avec un graphique à barres non empilé. Voici un exemple de ce que je veux dire:

data(Environment, package="ltm")
Environment[sample(1:nrow(Environment), 10),1] <- NA
na.count <- apply(Environment, 2, function(x) sum(is.na(x)))
tab <- apply(Environment, 2, table)/
       apply(apply(Environment, 2, table), 2, sum)*100
dotchart(tab, xlim=c(0,100), xlab="Frequency (%)", 
         sub=paste("N", nrow(Environment), sep="="))
text(100, c(2,7,12,17,22,27), rev(na.count), cex=.8)
mtext("# NA", side=3, line=0, at=100, cex=.8)

Un meilleur rendu pourrait être obtenu avec latticeou ggplot2. Tous les éléments ont les mêmes catégories de réponses dans cet exemple particulier, mais dans un cas plus général, nous pouvons nous attendre à des réponses différentes, de sorte que leur affichage ne semble pas redondant comme c'est le cas ici. Il serait cependant possible de donner la même couleur à chaque catégorie de réponse afin de faciliter la lecture.

Mais je dirais que les graphiques à barres empilées sont meilleurs lorsque tous les éléments ont la même catégorie de réponse, car ils aident à apprécier la fréquence d'une modalité de réponse entre les éléments:

Je peux également penser à une sorte de carte thermique, qui est utile s'il existe de nombreux éléments avec une catégorie de réponse similaire.

Les réponses manquantes (en particulier lorsqu'elles ne sont pas négligeables ou localisées sur un élément / une question spécifique) doivent être signalées, idéalement pour chaque élément. Généralement, le% de réponses pour chaque catégorie est calculé sans NA. C'est ce qui se fait habituellement en enquête ou en psychométrie (on parle de "réponses exprimées ou observées").

PS Je peux penser à d' autres choses de fantaisie comme l'image ci - dessous (la première a été faite à la main, le second est de ggplot2, ggfluctuation(as.table(tab))), mais je ne pense pas transmettre des informations aussi précises que dotplot ou barchart puisque les variations de surface sont difficiles à apprécier.

Je pense que la réponse de chl est excellente.

Une chose que je pourrais ajouter, c'est dans le cas où vous voudriez comparer la corrélation entre les éléments. Pour cela, vous pouvez utiliser quelque chose comme une matrice de nuage de points de corrélation pour les données catégorielles ordonnées

(Ce code a encore besoin de quelques ajustements - mais il donne l'idée générale ...)