چهارتایی آنسکامب مجموعهای از چهار مجموعه داده است که با وجود آمار توصیفی بسیار مشابه، توزیع و نمودارهای کاملاً متفاوتی دارند. هر مجموعه شامل یازده نقطه (x, y) است که توسط فرانسیس آنسکامب در سال ۱۹۷۳ طراحی شدند.
هدف آنسکامب از ساخت این مجموعهها، نشان دادن اهمیت نمودارسازی دادهها در تحلیل و تأثیر دادههای پرت بر ویژگیهای آماری بود. او معتقد بود که آماردانان نباید تنها به محاسبات عددی اعتماد کنند، بلکه باید از نمودارها برای درک بهتر دادهها استفاده نمایند.
بررسی هر مجموعه
- نمودار اول (بالا سمت چپ): رابطه خطی ساده بین دو متغیر نشان میدهد که میتوان y را به صورت گوسی با میانگین وابسته به x مدل کرد.
- نمودار دوم (بالا سمت راست): رابطهای غیرخطی بین متغیرها وجود دارد که ضریب همبستگی پیرسون برای آن مناسب نیست. رگرسیون عمومیتر و ضریب تعیین مناسبتر هستند.
- نمودار سوم (پایین سمت چپ): رابطه خطی وجود دارد، اما خط رگرسیون به دلیل یک داده پرت منحرف شده است. رگرسیون مقاوم نتایج بهتری ارائه میدهد.
- نمودار چهارم (پایین سمت راست): یک نقطه با اهرم بالا باعث ایجاد ضریب همبستگی بالا شده است، در حالی که سایر نقاط رابطهای بین متغیرها نشان نمیدهند.
این مجموعه همچنان برای نشان دادن اهمیت بررسی گرافیکی دادهها قبل از تحلیل و ناکافی بودن آمار پایه برای توصیف دادههای واقعی استفاده میشود.
روش دقیق ساخت این مجموعهها توسط آنسکامب مشخص نیست، اما از زمان انتشار آن، روشهای مختلفی برای ایجاد مجموعههای مشابه توسعه یافتهاند.
یکی از این روشها، Datasaurus Dozen است که شامل دوازده مجموعه داده با آمار خلاصه یکسان و شکلهای گرافیکی متفاوت، از جمله طرح یک دایناسور، میباشد.