Veröffentlicht | Letzte Aktualisierung:

Die richtigen Diagrammtypen für Ihre Forschung hängen von einem Faktor ab: der Fragestellung, die Ihre Daten beantworten. Verwenden Sie ein Balkendiagramm mit Rohdaten, um Gruppen zu vergleichen, ein Boxplot, um die Streuung zu vergleichen, ein Histogramm, um die Form einer einzelnen Messung darzustellen, ein Streudiagramm für zwei Messungen und ein Liniendiagramm, um Veränderungen im Zeitverlauf zu visualisieren. Im Folgenden wird jeder Diagrammtyp anhand eines realen, zitierfähigen Datensatzes erläutert. Dabei werden die relevanten Zahlen und die häufigsten Fehler, die Gutachter bemängeln, aufgeführt.

In einfachen Worten

Wählen Sie das Diagramm anhand Ihrer Aufgabenstellung, nicht aus Gewohnheit. Zeigen Sie alle Datenpunkte an, wenn es nur wenige sind. Beginnen Sie die Balkenachsen bei Null. Geben Sie n und die Bedeutung der Fehlerbalken in der Bildunterschrift an.

Welcher Diagrammtyp passt zu Ihrer Frage?

Beginnen Sie mit dieser Tabelle. Jede Zeile verknüpft eine Forschungsfrage mit dem zugehörigen Diagramm und erläutert, wie dieses Diagramm häufig irreführend sein kann. Alle Diagramme in der Tabelle werden im Folgenden ausführlich erläutert; Diagramme mit zwei Achsen erhalten einen eigenen Abschnitt. Diagramme zur diagnostischen Genauigkeit, zu Studien und Metaanalysen (ROC, Kaplan-Meier, Forest, Bland-Altman) finden Sie unter „ Grafiken für klinische Forschung: 10 Diagramme für Studien, diagnostische Tests und Metaanalysen“.

Ihre FrageZu verwendendes DiagrammWo es scheitert
Vergleich der GruppenmittelwerteBalkendiagramm mit den RohdatenBalken allein verbergen Streuung und Stichprobengröße
Vergleich der Streuung und der Ausreißer zwischen den GruppenBox-PlotVerbirgt Bimodalität; zeigt Punkte an, wenn n klein ist
Sehen Sie sich die Form einer Messung anHistogrammDie Behälterbreite verändert das Bild; probieren Sie zwei Breiten aus.
Zeigen Sie, wie sich zwei Messwerte gemeinsam verändern.StreudiagrammEine Ausgleichsgerade impliziert Ursache; sie zeigt lediglich einen Zusammenhang.
Veränderungen im Laufe der Zeit aufzeigenLiniendiagrammEin geradliniger Trend kann einen plötzlichen Schritt verbergen
Zeigen Sie eine Tabelle mit Werten oder Korrelationen an.WärmekarteFarbskalen sind ohne eine beschriftete Legende irreführend.
Anteile eines Ganzen anzeigen (2 bis 5 Teile)Kuchen oder gestapelter RiegelMehr als 5 Scheiben können nicht mit bloßem Auge verglichen werden.

Jeder Diagrammtyp wird zweimal bearbeitet. Zuerst anhand eines öffentlichen Datensatzes, der mit R ausgeliefert wird, sodass Sie jede Zahl reproduzieren können (unabhängig in R und Python berechnet und bis auf die letzte Ziffer abgeglichen). Anschließend anhand einer Abbildung aus einer kürzlich erschienenen Open-Access-Publikation in JAMA Network Open oder Nature Communications, die unter der CC-BY-4.0-Lizenz mit Namensnennung veröffentlicht wurde, damit Sie sehen können, wie die Autoren dieselben Entscheidungen in gedruckter Form treffen.

Balkendiagramm: Vergleich der Gruppenmittelwerte (Punkte anzeigen)

Ein Balkendiagramm stellt einen Wert als Länge dar und beantwortet somit die Frage: „Welche Gruppe ist größer?“. Die Daten beziehen sich auf die Zahnlänge von 60 Meerschweinchen, denen Vitamin C in Form von Orangensaft (OJ) oder Ascorbinsäure (VC) in drei Dosierungen verabreicht wurde (Crampton 1947, 10 Tiere pro Balken).

Balkendiagramm der Zahnlänge von Meerschweinchen in Abhängigkeit von der Vitamin-C-Dosis mit überlagerten Einzeldatenpunkten
Abbildung 1. Mittlere Zahnlänge nach Dosis und Supplement, jedes Tier als Punkt dargestellt. Balkenhöhe = Gruppenmittelwert; n = 10 pro Balken. Quelle: ToothGrowth (Crampton 1947). Bearbeitet mit Editverse.

So lesen Sie die Daten: Bei 0.5 mg/Tag beträgt der durchschnittliche Partikeldurchmesser bei OJ 13.23 Mikrometer, bei VC hingegen 7.98 Mikrometer. Bei 1 mg/Tag liegt der Unterschied bei 22.70 Mikrometern gegenüber 16.77 Mikrometern. Bei 2 mg/Tag sehen die Balken identisch aus: 26.06 Mikrometer gegenüber 26.14 Mikrometern. Die Punkte verdeutlichen, was die Balken nicht können: Bei 2 mg/Tag streuen die Werte der VC-Gruppe deutlich stärker.

Häufiger Fehler: Es werden nur der Balken und ein Fehlerbalken dargestellt. Weissgerber et al. (2015) argumentieren, dass kontinuierliche Daten mit kleinen Stichproben einzelne Punkte zeigen sollten, da Balken sehr unterschiedliche Verteilungen hinter demselben Mittelwert verbergen können. Die y-Achse sollte bei Null beginnen: Die Balkenlänge dient der Kodierung.

Veröffentlichtes Beispiel: ein Balken pro Teilnehmer, mit Konfidenzintervallen (JAMA Network Open, 2026)

Balkendiagramme eignen sich gut, wenn jeder Balken eine Person repräsentiert. In einer doppelblinden N-of-1-Studie zur Reduzierung der Tamsulosin-Verschreibung bei älteren Männern schätzten Bauer und Kollegen den Effekt für jeden Teilnehmer separat und zeichneten für jeden Teilnehmer einen Balken, sortiert vom größten zum kleinsten Behandlungseffekt.

Balkendiagramm der individuellen Behandlungseffekte von Tamsulosin im Vergleich zu Placebo mit 95%-Konfidenzintervallen, ein Balken pro Teilnehmer, sortiert vom größten zum kleinsten Effekt
Abbildung A. Behandlungseffekte auf individueller Ebene mit 95%-Konfidenzintervallen (A) und mittlerer Symptomscore unter Placebo versus Behandlung pro Teilnehmer (B). Abbildung aus: Bauer SR et al. JAMA Netw Open. 2026;9(7):e2621639. doi:10.1001/jamanetworkopen.2026.21639. Lizenz: CC BY 4.0. Für die Webdarstellung angepasst; keine weiteren Änderungen. Tippen Sie auf die Abbildung, um sie in voller Größe anzuzeigen.

Was die Studie berichtet: Von 30 Teilnehmenden, die das vollständige Studienprotokoll durchliefen, zeigten 11 (36.7 %) eine minimale oder keine Wirkung von Tamsulosin, 11 (36.7 %) eine moderate Wirkung und 4 (13.3 %) eine starke Wirkung; 4 vertrugen die Placebo-Einführungsphase nicht. Die Farben kennzeichnen die Wirkungskategorie, und die Legende gibt die jeweilige Anzahl (n) an (4, 11, 11). Die Teilnehmer-IDs befinden sich unter den Balken. Die Bildunterschrift benennt das den Schätzungen zugrunde liegende Modell (lineare gemischte Modelle, adjustiert für Periode und Zeit) und die Bedeutung der Fehlerbalken (95%-Konfidenzintervalle). In Abbildung B sind die Mittelwerte der Placebo- und Behandlungsgruppe jeder Person als verknüpftes Paar dargestellt, sodass die Leser die Rohwerte der Wirkung sehen können.

Boxplot: Vergleich der Streuung und Ausreißer

Ein Boxplot fasst jede Gruppe anhand ihres Medians, ihrer Quartile und ihrer Spannweite zusammen (Tukey 1977). Er ist die schnellste Methode, die Streuung zu vergleichen. Dieselben 60 Tiere, dargestellt als Boxen:

Boxplot der Zahnlänge bei Meerschweinchen in Abhängigkeit von der Dosis und der Vitamin-C-Supplementierung, der eine unterschiedliche Streuung bei 2 mg pro Tag zeigt.
Abbildung 2. Box = erstes bis drittes Quartil, Linie = Median, Whisker = 1.5 x IQR, Punkt = Ausreißer. n = 10 pro Box. Quelle: ToothGrowth (Crampton 1947). Bearbeitet von Editverse.

So lesen Sie die Ergebnisse: Bei einer Dosis von 2 mg/Tag liegt der Median in beiden Gruppen bei 25.95. Die Werte der OJ-Gruppe variieren zwischen 22.4 und 30.9 (SD 2.66), die der VC-Gruppe zwischen 18.5 und 33.9 (SD 4.80). Ein Welch-t-Test der Mittelwerte ergibt t = -0.05, p = 0.96, 95%-KI -3.80 bis 3.64: kein signifikanter Unterschied im Mittelwert, aber eine deutlich unterschiedliche Variabilität. Eine reine Mittelwerttabelle hätte dies nicht aufgezeigt.

Häufiger Fehler: Ein Boxplot mit 10 Punkten wird so interpretiert, als handele es sich um eine gleichmäßige Verteilung. Bei so kleinem n werden die Punkte entweder übereinandergelegt oder n in der Bildunterschrift angegeben.

Veröffentlichtes Beispiel: Einzelne Fälle sind über jedem Balken dargestellt (JAMA Network Open, 2026)

Das gleiche Prinzip gilt auch in einer klinischen Studie. McNamara und Kollegen verglichen die Strahlenbelastung von interventionellen Echokardiographen, die entweder einen Bleischutzanzug (95 Fälle) oder eine herkömmliche Bleischürze (30 Fälle) trugen. In Abbildung A ist jeder Fall als Punkt über dem Kasten dargestellt. Die Abbildungen B und C zeigen als Balken den prozentualen Anteil der Fälle mit nicht nachweisbarer Dosis bzw. mit einer Dosis von mindestens 20 Mikrosievert.

Boxplot mit Einzeldatenpunkten der Strahlendosis pro Fall für herkömmliche Bleischürze im Vergleich zu hängender Bleischutzkleidung, mit Balkendiagrammen für nicht nachweisbare Dosen und Dosen von 20 Mikrosievert oder höher
Abbildung B. Strahlendosis pro Fall nach Abschirmungstyp. Abbildung aus McNamara DA et al. JAMA Netw Open. 2026;9(3):e2558134. doi:10.1001/jamanetworkopen.2025.58134. Lizenz: CC BY 4.0. Für Webdarstellung angepasst; keine weiteren Änderungen. Tippen Sie auf die Abbildung, um sie in voller Größe anzuzeigen.

Was die Studie berichtet: Die Mediandosis betrug 0.0 Mikrosievert (IQR 0.0 bis 0.3) bei Verwendung von Bleischürzen gegenüber 10.6 Mikrosievert (IQR 5.8 bis 24.1) bei Verwendung herkömmlicher Schürzen (p < 001). Was zu beachten ist: Erstens die Punkte: Die Gruppe mit Bleischürzen bildet einen Cluster nahe Null, der durch ein einfaches Rechteck als flache Linie dargestellt würde. Zweitens: Die Bildunterschrift erklärt, dass extreme Ausreißer aus Abbildung A aus Darstellungsgründen entfernt wurden, und definiert die Box (Interquartilsabstand), die Mittellinie (Median) und die Whisker (Minimum und Maximum ohne Ausreißer). Drittens: Balken werden nur für prozentuale Fallzahlen verwendet, wobei die Balkenlänge die korrekte Darstellungsform ist.

Histogramm: die Form einer Messung

Ein Histogramm unterteilt eine kontinuierliche Messung in Intervalle und zählt die Beobachtungen in jedem Intervall. Es beantwortet die Frage: „Wie sieht diese Variable aus?“. Die Daten umfassen 272 Ausbrüche des Geysirs Old Faithful (Azzalini und Bowman 1990).

Histogramm der Ausbruchsdauern des Geysirs Old Faithful, das zwei Cluster mit dem Mittelwert in der Lücke dazwischen zeigt.
Abbildung 3. Ausbruchsdauer, in 0.25-Minuten-Intervallen, n = 272. Rote Linie = Mittelwert (3.49 min). Quelle: faithful (Azzalini und Bowman 1990). Bearbeitet mit Editverse.

So lesen Sie die Daten: Es gibt zwei Spitzenwerte bei etwa 2 und 4.4 Minuten. Der Mittelwert liegt bei 3.49 Minuten, der Median bei 4.0 Minuten. Allerdings dauern nur 12 von 272 Eruptionen (4.4 %) zwischen 2.5 und 3.5 Minuten. Der Mittelwert beschreibt praktisch keine tatsächliche Eruption. Die Angabe „Mittelwert 3.49, Standardabweichung 1.14“ allein würde den Lesern ein falsches Bild vermitteln.

Häufiger Fehler: Eine Variable mit zwei Maxima wird mit einem Mittelwert und einer Standardabweichung zusammengefasst. Vor der Auswahl einer Kennzahl sollte die Verteilung immer grafisch dargestellt und mehrere Intervallbreiten getestet werden.

Veröffentlichtes Beispiel: Vergleich von Verteilungsformen mit Violinplots (JAMA Network Open, 2026)

Um die Form einer Verteilung zwischen verschiedenen Gruppen zu vergleichen, verwendet man ein Violin-Plot (Hintze und Nelson 1998), der für jede Gruppe ein gespiegeltes Histogramm darstellt. Dias und Kollegen nutzten diese Methode, um die jährlichen Gesundheitskosten von Kindern mit (n = 86) und ohne (n = 169) genetische Diagnose nach der Sequenzierung des gesamten Genoms zu analysieren.

Violinendiagramme der jährlichen Gesundheitskosten für Kinder mit und ohne genetische Diagnose, mit Median und Stichprobengröße unter jeder Violine
Abbildung C. Jährliche Kosten nach Diagnosestatus. Abbildung aus Dias JML et al. JAMA Netw Open. 2026;9(9):e2634372. doi:10.1001/jamanetworkopen.2026.34372. Lizenz: CC BY 4.0. Für die Webdarstellung angepasst; keine weiteren Änderungen. Tippen Sie auf die Abbildung, um sie in voller Größe anzuzeigen.

Was die Abbildung zeigt: Die mittleren jährlichen Aufnahmekosten betrugen in der diagnostizierten Gruppe 1,281 Pfund gegenüber 795 Pfund in der nicht diagnostizierten Gruppe (Abbildung A). Die mittleren Rezeptkosten lagen bei 335 Pfund gegenüber 77 Pfund (Abbildung B, n = 84 und 168). Hinweis: Jede Violine zeigt die Stichprobengröße und den Median darunter an, und horizontale Linien markieren die Quartile. So erhält der Leser die Zusammenfassung und die Verteilung gleichzeitig. Die Bildunterschrift erklärt, dass für die rechtsschiefe Kostenverteilung eine pseudo-logarithmische y-Achse verwendet wurde, wobei Nullwerte beibehalten wurden. Da die Achse nicht linear ist, lesen Sie die Werte von den beschrifteten Markierungen und den angegebenen Medianen ab, nicht vom Auge.

Streudiagramm: zwei Messungen zusammen

Ein Streudiagramm ordnet jedem Messwert seine x- und y-Werte zu. Es beantwortet die Frage: „Bewegen sich diese beiden Messwerte gemeinsam?“. Die Daten umfassen Gewicht und Kraftstoffverbrauch von 32 Automodellen (Henderson und Velleman 1981).

Streudiagramm des Fahrzeuggewichts in Abhängigkeit vom Kraftstoffverbrauch mit angepasster Regressionsgeraden und Konfidenzintervall
Abbildung 4. Kraftstoffverbrauch in Abhängigkeit vom Gewicht, n = 32, mit linearer Regression und 95%-Konfidenzintervall. Quelle: mtcars (Henderson und Velleman 1981). Bearbeitet von Editverse.

So lesen Sie die Daten: Pearson-Korrelationskoeffizient r = -0.87 (95 %-Konfidenzintervall -0.93 bis -0.74, p = 1.3e-10). Die Steigung der Regressionsgeraden beträgt -5.34 mpg pro 1,000 lb, und das Gewicht erklärt 75 % der Varianz des Kraftstoffverbrauchs (R² = 0.75). Geben Sie das Konfidenzintervall an, nicht nur r: Eine Korrelation ohne Konfidenzintervall verschleiert die mögliche Schwankungsbreite des Schätzwertes.

Häufiger Fehler: Die Regressionsgerade wird als Beweis dafür interpretiert, dass eine Variable die andere verursacht. Die Grafik zeigt einen Zusammenhang. Ein dritter Faktor, wie beispielsweise die Motorgröße, der beide Variablen beeinflusst, kann jedoch nicht ausgeschlossen werden.

Veröffentlichtes Beispiel: Streudiagramm plus Übereinstimmungsdiagramm (Nature Communications, 2026)

Ein Streudiagramm mit Korrelationskoeffizient beantwortet die Frage „Bewegen sich diese Werte gemeinsam?“. Es beantwortet jedoch nicht die Frage „Stimmen die beiden Methoden überein?“. Butkow und Kollegen testeten eine auf Ohrhörern basierende Schätzung des Schlagvolumens anhand eines klinischen Referenzgeräts bei 23 gesunden Probanden und stellten beide Ergebnisse in einer Abbildung dar.

Streudiagramm des vorhergesagten versus gemessenen Schlagvolumens mit Identitätslinie und r = 0.94, plus Bland-Altman-Übereinstimmungsdiagramme und Fehlerbalken pro Teilnehmer.
Abbildung D. Geschätzt anhand des Referenz-Schlagvolumens (a, b), der Bland-Altman-Übereinstimmung (c, d) und des Fehlers pro Teilnehmer (e). Reproduziert aus Butkow KJ et al. Nat Commun. 2026;17(1):8755. doi:10.1038/s41467-026-75642-0. Reproduziert unter CC BY 4.0. Für das Web verkleinert; keine weiteren Änderungen. Tippen Sie auf die Abbildung, um sie in voller Größe zu öffnen.

Was die Studie berichtet: Der Pearson-Korrelationskoeffizient r beträgt 0.94 zwischen dem durchschnittlich vorhergesagten und dem Referenz-Schlagvolumen. Der mittlere absolute Fehler liegt bei 5.24 ml, der prozentuale Fehler innerhalb der Übereinstimmungsgrenzen bei 11.05 %. In Abbildung c beträgt die mittlere Differenz -0.02 ml, die 95%-Übereinstimmungsgrenzen reichen von -9.35 ml bis 9.3 ml. Was Sie übernehmen sollten: Abbildung a zeigt zusätzlich eine Identitätslinie (y = x), sodass der Leser nicht nur einen Trend, sondern auch Abweichungen von der perfekten Übereinstimmung erkennt. Die Abbildungen c und d zeigen die Bland-Altman-Darstellung (Bland und Altman 1986), die das Ausmaß der Abweichung verdeutlicht. Weitere Informationen finden Sie in unserem Leitfaden zu Übereinstimmungsgrenzen und dem Bias-Differenz-Diagramm.

Liniendiagramm: Veränderung im Zeitverlauf

Ein Liniendiagramm verbindet geordnete Beobachtungen, sodass das Auge dem Trend folgen kann. Die Daten stellen den jährlichen Nilabfluss bei Assuan von 1871 bis 1970 dar (Cobb 1978).

Liniendiagramm des jährlichen Nilabflusses von 1871 bis 1970 mit einer abwärts gerichteten linearen Trendlinie
Abbildung 5. Jährlicher Abfluss, n = 100 Jahre. Gestrichelte Linie = linearer Trend (-2.7 m³ pro Jahr, R² 0.22). Quelle: Nile (Cobb 1978). Bearbeitet mit Editverse.

So ist die Interpretation: Der berechnete Trend beträgt -2.7 Einheiten pro Jahr (R² 0.22, p = 1.1e-06), unterschätzt aber den tatsächlichen Verlauf. Cobb (1978) lokalisierte eine Veränderung im Jahr 1898. Der mittlere Durchfluss betrug 1871 bis 1898 1,098 (n = 28) und danach 850 (n = 72): ein Sprung von etwa 248 Einheiten (Welch-p = 7.3e-11). Die Daten beschreiben einen plötzlichen Umschwung, keinen langsamen Rückgang.

Häufiger Fehler: Eine Trendlinie durch eine Datenreihe mit einem Sprungeffekt zu legen, ist nicht ratsam. Man sollte zunächst nach Brüchen suchen; eine Trendlinie über einem Sprungeffekt liefert die falsche Rate und verzerrt die Aussage.

Veröffentlichtes Beispiel: eine Zeitreihe mit Konfidenzintervallen (JAMA Network Open, 2026)

Matta und Kollegen haben die Besuchsraten der Notaufnahmen in Ontario, Kanada, für jedes Jahr von 2007 bis 2022 grafisch dargestellt: alle Besuche (n = 29,461,281) in Panel A und Besuche mit einer urologischen Diagnose (n = 2,192,213) in Panel B.

Liniendiagramme mit Fehlerbalken der Notfallaufnahmen pro 100 Einwohner in Ontario von 2007 bis 2022, alle Besuche und urologischen Diagnosen
Abbildung E. Notaufnahmen pro 100 Einwohner, 2007 bis 2022. Die Fehlerbalken stellen 95%-Konfidenzintervalle dar. Abbildung aus: Matta R et al. JAMA Netw Open. 2026;9(3):e2560058. doi:10.1001/jamanetworkopen.2025.60058. Lizenz: CC BY 4.0. Für die Webdarstellung angepasst; keine weiteren Änderungen. Tippen Sie auf die Abbildung, um sie in voller Größe anzuzeigen.

Was die Studie berichtet: Die alters- und geschlechtsstandardisierten urologischen Besuchsraten stiegen von 0.91 pro 100 Einwohner im Jahr 2007 auf 1.0 im Jahr 2015 und sanken dann bis 2020. Was man übernehmen sollte: Ein Datenpunkt pro Jahr mit einem 95%-Konfidenzintervall, eine y-Achse, die die Entwicklung und nicht einen Nullwert als Basiswert darstellt (zulässig für ein Liniendiagramm, nicht für ein Balkendiagramm), und zwei Diagramme anstelle einer zweiten Achse. Der Einbruch um das Jahr 2020 ist sofort erkennbar. Wie beim Beispiel mit dem Nil würde eine einfache Trendlinie über diese Jahre diesen Einbruch verdecken.

Editverse

Editverse
Für diesen Artikel empfohlen

Möchten Sie diese Abbildungen für Ihre Fachzeitschrift aufbereiten lassen? Senden Sie uns Rohdaten, eine Skizze oder eine bereits vorhandene Abbildung. Wir liefern Ihnen bis zu 10 Abbildungen, formatiert nach den Vorgaben Ihrer Zielzeitschrift.

editverse.com
Datenvisualisierungsdienst
$300

Den Service ansehen

Bis zu 10 FigurenPDF, PNG, EPS und TIFF3-5 Werktagen

Heatmaps, Kreisdiagramme und Diagramme mit zwei Achsen: Wann sie ihren Platz verdienen

Diese drei Grafiken rufen die meisten Kommentare von Rezensenten hervor, da sie außerhalb ihres Anwendungsbereichs irreführend sein können. Jede Grafik wird im Folgenden anhand realer Daten erläutert, inklusive der zu interpretierenden Zahlen und der Regel, nach der sie ihre Aussagekraft behält.

Wärmekarte: ein Raster, das zu groß ist, um als Zahlen gelesen zu werden.

Eine Heatmap färbt jede Zelle eines Rasters entsprechend ihrem Wert ein. Sie eignet sich, wenn eine Zahlentabelle zu umfangreich zum Durchlesen ist, beispielsweise eine Korrelationsmatrix über viele Variablen oder einen Ausdruck über viele Stichproben. Das Beispiel ist die Korrelationsmatrix von fünf Messungen an 32 Automodellen (Henderson und Velleman 1981). Fünf Variablen ergeben nur 10<sup>10</sup> Wertepaare, daher genügt hier eine Tabelle; dasselbe Verfahren lässt sich auf Dutzende von Variablen skalieren, wo eine Tabelle jedoch nicht mehr ausreicht.

Heatmap der Pearson-Korrelationen zwischen Kraftstoffverbrauch, Gewicht, PS-Zahl, Hubraum und Viertelmeilenzeit bei 32 Fahrzeugen, mit ausgedruckten r-Werten und einer blau-weiß-roten Farbskala
Abbildung 6. Pearson-Korrelationen zwischen fünf Fahrzeugmessungen, n = 32. Quelle: mtcars (Henderson und Velleman 1981). Erstellt mit Editverse.

So lesen Sie es: Blaue Zellen steigen gemeinsam an; rote Zellen bewegen sich in entgegengesetzte Richtungen. Gewicht und Hubraum korrelieren stark (r = 0.89) und gehen beide mit einem höheren Kraftstoffverbrauch einher (r = -0.87 bzw. -0.85). Die Viertelmeilenzeit korreliert nur schwach mit dem Gewicht (r = -0.17). Da der Wert in jeder Zelle angegeben ist, muss der Leser nie anhand der Schattierung raten.

Vier Optionen gewährleisten Vertrauenswürdigkeit. Eine divergierende Skala mit Mittelpunkt Null und festen Grenzen von -1 bis 1. Der Wert wird in jeder Zelle ausgedruckt. Nur das untere Dreieck wird angezeigt, da die obere Hälfte den Wert wiederholt. Variablennamen in Worten, Einheiten in der Beschriftung. Vermeiden Sie Regenbogenfarbenskalen: Crameri, Shephard und Heron (2020) zeigen, dass diese Daten falsch darstellen und Leser mit Farbsehschwäche ausschließen können.

Häufiger Fehler: Betrachten Sie eine Korrelations-Heatmap als Beleg für jedes dargestellte Paar. Eine Matrix mit k Variablen enthält k(k-1)/2 Koeffizienten, sodass 20 Variablen 190 Paare ergeben, wobei einige zufällig stark erscheinen. Beschreiben Sie, wie Sie mit Mehrfachvergleichen umgegangen sind, und geben Sie für jedes hervorgehobene Paar ein Intervall an.

Tortendiagramm: Teile eines Ganzen, nur wenn sich einige wenige Segmente deutlich unterscheiden

Ein Tortendiagramm veranschaulicht die Aufteilung eines Ganzen in Teile. Leser beurteilen die Position auf einer gemeinsamen Skala genauer als Winkel oder Fläche (Cleveland und McGill 1984). Daher ist ein Tortendiagramm nur dann sinnvoll, wenn sich einige wenige Segmente deutlich unterscheiden. Hier sind die gleichen Anzahlen von Küken in sechs Futtergruppen in beiden Darstellungsformen abgebildet (Kükengewichte, n = 71).

Ein Tortendiagramm und ein sortiertes Balkendiagramm mit den gleichen Kükenanzahlen in sechs Futtergruppen zeigen, dass das Balkendiagramm die Rangfolge verständlicher macht.
Abbildung 7. Die gleichen Werte werden als Kreisdiagramm (A) und sortiertes Balkendiagramm (B) dargestellt. Sechs Fütterungsgruppen mit jeweils 10 bis 14 Küken. Quelle: chickwts (R-Paket „datasets“). Erstellt mit Editverse.

So lesen Sie es: Im Kreisdiagramm sehen Sonnenblumenkerne, Leinsamen und Kasein (jeweils 12 Küken), Fleischmehl (11) und Ackerbohnen (10) fast gleich groß aus, sodass die Rangfolge nicht erkennbar ist. Im sortierten Balkendiagramm führt Soja (14 Küken, 19.7 %) auf einen Blick, gefolgt von Ackerbohnen (10, 14.1 %). Die jeweiligen Anzahlwerte sind neben jedem Balken angegeben. Verwenden Sie ein Kreisdiagramm nur für 2 bis 5 Segmente mit deutlichen Abständen und geben Sie die Prozentwerte an. Sortieren Sie andernfalls die Kategorien und verwenden Sie Balkendiagramme.

Häufiger Fehler: Für sechs oder mehr Kategorien oder für Werte, deren Summe kein Ganzes ergibt, wird kein Tortendiagramm verwendet. Der Anteil der Patienten mit jeweils einem von mehreren Symptomen lässt sich nicht als Tortendiagramm darstellen, da ein Patient mehrere Symptome aufweisen kann.

Zwei-Achsen-Diagramm: zwei Skalen, eine vom Autor gewählte Geschichte

Ein Diagramm mit zwei Achsen stellt zwei Kennzahlen in einem Diagramm dar, jede mit ihrer eigenen y-Achse. Der Autor wählt die jeweilige Skala, und diese Wahl kann die Aussagekraft des Diagramms beeinflussen. Das Beispiel zeigt die täglichen Schlusskurse zweier europäischer Aktienindizes, des deutschen DAX und des britischen FTSE, von 1991 bis 1998 (1,860 Handelstage).

Drei Diagramme mit den täglichen Werten von DAX und FTSE von 1991 bis 1998: zwei Versionen mit zwei Achsen, die unterschiedliche Sachverhalte darstellen, und eine Version mit einer Achse und Index.
Abbildung 8. Die gleichen beiden Reihen, dargestellt mit zwei Achsenskalierungen (A, B) und auf einer indizierten Achse (C). n = 1,860 Tage. Quelle: EuStockMarkets (R-Paket „datasets“). Aufbereitet von Editverse.

So lesen Sie es: In Diagramm A ist die rechte Achse so gestreckt, dass beide Linien die gleiche Höhe haben. Der FTSE scheint den DAX zu überholen, bis dieser 1998 aufholt. In Diagramm B sehen dieselben Daten, jedoch mit verschobener rechter Achse, wie zwei Linien aus, die sich nie schneiden. Diagramm C zeigt beide Indizes auf einer Achse, die mit 100 beginnt: Der DAX endet bei etwa 336 und der FTSE bei etwa 223, da der DAX um 236 % und der FTSE um 123 % gestiegen ist. Keiner der beiden Diagramme mit zwei Achsen zeigt diesen Effekt.

Betrachten Sie die Korrelation der Trendreihen. Über die 1,860 Tage beträgt die Korrelation der beiden Indexstände r = 0.975, was jedoch hauptsächlich auf den Anstieg beider Werte zurückzuführen ist. Die Korrelation der täglichen logarithmischen Renditen, die den gemeinsamen Trend eliminiert, beträgt r = 0.64 (n = 1,859). Beide Werte wurden unabhängig voneinander in R und Python berechnet und stimmen überein.

Sicherere Alternativen. Indexieren Sie beide Reihen auf einer gemeinsamen Basislinie einer Achse (Abbildung C) oder stapeln Sie zwei Abbildungen, die die x-Achse gemeinsam nutzen. Falls Sie zwei Achsen verwenden müssen, färben Sie jede Achse passend zu ihrer Linie ein, geben Sie Einheiten an und erläutern Sie die gewählte Skala in der Bildunterschrift. Isenberg et al. (2011) untersuchten, wie Leser Diagramme mit zwei Skalen interpretieren.

Häufiger Fehler: Die Achsenbereiche werden so gewählt, dass zwei unabhängige Reihen übereinstimmen. Eine visuelle Übereinstimmung aufgrund der Skalenwahl beweist jedoch keinen Zusammenhang.

Checkliste vor dem Einreichen einer Abbildung

  • Der Diagrammtyp entspricht der Fragestellung (siehe Tabelle oben).
  • Die Achsen des Balkendiagramms beginnen bei Null; einzelne Punkte werden angezeigt, wenn n klein ist.
  • Die Bildunterschrift gibt n an, erklärt, was die Fehlerbalken oder -bänder darstellen, und nennt die Datenquelle.
  • Farben bleiben auch in Graustufen und für farbenblinde Leser unterscheidbar.
  • Der Text ist in der gedruckten Spaltenbreite Ihrer Zielzeitschrift lesbar.
  • Die Achsen sind mit Einheiten beschriftet; keine unnötigen Diagrammelemente (3D-Effekte, Schatten).

Weiterführende Literatur zu den Prinzipien: Rougier, Droettboom und Bourne (2014) stellen zehn Regeln für bessere Grafiken vor, und Midway (2020) behandelt Gestaltungsprinzipien für effektive Datenvisualisierung. Beide Werke sind unten mit DOIs aufgeführt. Eine detailliertere Erklärung des Unterschieds zwischen Balkendiagrammen und Histogrammen finden Sie unter Balkendiagramme vs. Histogramme ; Informationen zur Auswahl des passenden statistischen Tests finden Sie unter Auswahl des richtigen statistischen Tests.

Kostenlose Recherchetools zur Erstellung dieser Grafiken

Kostenlose Recherchetools von Editverse

  • GraphProErstellen Sie publikationsreife Diagramme (25 Typen) mit integrierten t-Tests, ANOVA, Korrelations- und Chi-Quadrat-p-Werten. Kostenlos, keine Anmeldung erforderlich.
  • StatProKostenlose Statistikrechner und ein Testauswahltool für Gruppenvergleiche, kategoriale Ergebnisse, Zeit-bis-Ereignis-Analysen und diagnostische Genauigkeit.
  • Flowchart Pro: Generieren Sie PRISMA 2020-, PRISMA-ScR-, CONSORT-, STROBE-, STARD-, MOOSE- und ARRIVE-Flussdiagramme direkt in Ihrem Browser.

Professionelle Zahlen und statistische Analysen

Wenn Ihre Ergebnisse vorliegen und Sie Grafiken benötigen, die der Gutachter nicht zurückschickt, erstellen die Fachstatistiker und Grafikdesigner von Editverse diese gemäß den Vorgaben Ihrer Zielzeitschrift hinsichtlich Spaltenbreite, Schriftarten und Farben. Falls die Analyse selbst noch nicht abgeschlossen ist, wird sie zunächst mit den unten aufgeführten Statistikprogrammen durchgeführt.

Zahlen

$300

Bis zu 10 druckfertige Abbildungen in den Formaten PDF (Vektor), PNG, EPS und TIFF, formatiert für Ihre Zielzeitschrift. 3–5 Werktage.

Paket ansehen →

Analyse und Überprüfung

$475

Überprüfung des Studiendesigns, Analyse mit Annahmenprüfung, Tabellen und Abbildungen in Publikationsqualität sowie ein schriftlicher Abschnitt zu den statistischen Methoden. 5–10 Werktage.

Paket ansehen →

Erweiterte Analyse

$750

Regression, gemischte Modelle, Überlebenszeitanalyse und Propensity-Score-Analyse für komplexe Studiendesigns. 5–7 Werktage.

Paket ansehen →

Sie möchten das vollständige Manuskript anhand dieser Zahlen verfassen? Informieren Sie sich über unsere Dienstleistungen im Bereich Manuskripterstellung . Die Vorgehensweise bei Editverse entspricht den Standards von COPE, ICMJE und GPP 2022.

Fazit

Wählen Sie das Diagramm aus der Aufgabenstellung, zeigen Sie nach Möglichkeit die Rohdaten an und lesen Sie die Zahlen, bevor Sie die Bildunterschrift verfassen. Jedes der fünf Diagramme oben erzählt eine andere Geschichte, obwohl die Zusammenfassung ähnlich ist: identische Mittelwerte mit unterschiedlicher Streuung, ein Mittelwert, der keinen wirklichen Ausbruch beschreibt, ein Trend, der einen Schritt verschleiert. Genau darauf achten die Gutachter.

Häufig gestellte Fragen

Welche Diagrammtypen werden hauptsächlich in der Forschung verwendet?

Balkendiagramme, Boxplots, Histogramme, Streudiagramme und Liniendiagramme decken die meisten Ergebnisbereiche ab. Heatmaps, Kreisdiagramme und Diagramme mit zwei Achsen eignen sich für spezifischere Aufgaben. Wählen Sie das Diagramm passend zur Fragestellung und nicht aus Gewohnheit.

Welches Diagramm sollte ich verwenden, um zwei Gruppen zu vergleichen?

Verwenden Sie ein Balkendiagramm, in dem jeder Datenpunkt einzeln dargestellt wird, oder ein Boxplot. Im obigen Beispiel mit den Meerschweinchen weisen zwei Gruppen einen gemeinsamen Mittelwert von etwa 26 Mikrometern auf, ihre Streuungen unterscheiden sich jedoch um fast das Doppelte.

Wann sollte ich ein Histogramm anstelle eines Balkendiagramms verwenden?

Verwenden Sie ein Histogramm für eine kontinuierliche Messgröße, wie z. B. die Ausbruchszeit oder den Blutdruck, da es die Verteilung darstellt. Verwenden Sie ein Balkendiagramm, um Kategorien oder Gruppenmittelwerte zu vergleichen.

Beweist ein Streudiagramm, dass eine Variable die andere verursacht?

Nein. In den Fahrzeugdaten besteht zwar ein Zusammenhang zwischen Gewicht und Kraftstoffverbrauch von r = -0.87, die Grafik zeigt jedoch lediglich eine Assoziation. Für Kausalzusammenhänge ist ein Studiendesign erforderlich, nicht nur eine Trendlinie.

Sollte die y-Achse eines Balkendiagramms immer bei Null beginnen?

Ja. Die Balkenlänge kodiert den Wert, daher übertreibt eine abgeschnittene Achse die Unterschiede. Liniendiagramme und Streudiagramme unterliegen dieser Einschränkung nicht.

Warum fragen Fachzeitschriften nach einzelnen Datenpunkten?

Balken- und Mittelwertdiagramme verschleiern Stichprobengröße und Streuung. Weissgerber und Kollegen (2015, PLOS Biology) zeigten, dass viele Artikel in physiologischen Fachzeitschriften kontinuierliche Daten aus kleinen Stichproben als Balken- oder Liniendiagramme darstellen, die die zugrundeliegende Verteilung nicht erkennen lassen.

Wie viele Klassen sollte ein Histogramm haben?

Es gibt keine allgemeingültige Regel. Probieren Sie mindestens zwei Breiten aus und behalten Sie diejenige, die die Struktur ohne Störungen darstellt. Das Old Faithful-Histogramm verwendet 0.25-Minuten-Intervalle.

Welche Grafik veranschaulicht die Veränderung im Zeitverlauf am besten?

Ein Liniendiagramm. Prüfen Sie es auf sprunghafte Veränderungen, bevor Sie einen geraden Trend anpassen: Der Nilabfluss sank nach 1898 um etwa 248 Einheiten, was durch eine einfache Trendlinie unterschätzt wird.

Was ist ein Diagramm mit zwei Achsen und wann ist es unbedenklich?

Es überlagert zwei Kennzahlen mit unterschiedlichen Skalen in einem Diagramm. Dies ist nur dann sinnvoll, wenn beide Achsen beschriftet sind und die Skalen nicht so gewählt werden, dass sie visuell übereinstimmen; andernfalls sollten zwei separate Diagramme verwendet werden.

Wann ist eine Heatmap besser als eine Tabelle?

Wenn das Raster zu groß ist, um es als Zahlen zu lesen, wie beispielsweise eine Korrelationsmatrix über viele Variablen, geben Sie den Wert in jeder Zelle aus, zentrieren Sie eine divergierende Skala auf Null und vermeiden Sie Regenbogenfarben.

Warum werden Tortendiagramme zum Vergleich von Kategorien nicht empfohlen?

Leser beurteilen die Position auf einer gemeinsamen Skala genauer als den Winkel (Cleveland und McGill 1984). Im Beispiel mit dem Kükenfutter lassen sich sechs nahezu gleich große Stücke auf dem Kuchen nicht ordnen, während ein sortiertes Balkendiagramm die Reihenfolge sofort anzeigt.

Darf ich eine Abbildung aus einer veröffentlichten Arbeit in meinem eigenen Manuskript wiederverwenden?

Nur wenn die Lizenz dies erlaubt. Eine CC-BY-4.0-Abbildung darf unter Angabe der Urheber, eines Links zur Lizenz und eines Hinweises auf etwaige Änderungen wiederverwendet werden. Bei anderen Lizenzen fragen Sie bitte den Verlag um Erlaubnis oder erstellen Sie eine eigene Abbildung anhand Ihrer eigenen Daten. Unsere Anleitung zur Einholung der Urheberrechtsgenehmigung für Abbildungen beschreibt die einzelnen Schritte.

Kann ich diese Diagramme ohne Programmierung erstellen?

Ja. GraphPro erstellt 25 Diagrammtypen direkt im Browser und bietet integrierte Funktionen für t-Test, ANOVA, Korrelationsanalyse und Chi-Quadrat-Test (p-Werte). Die Nutzung ist kostenlos und erfordert keine Registrierung.

Referenzen

  1. Rougier NP, Droettboom M, Bourne PE. Zehn einfache Regeln für bessere Abbildungen. PLoS Comput Biol. 2014;10(9):e1003833. doi:10.1371/journal.pcbi.1003833
  2. Weissgerber TL, Milic NM, Winham SJ, Garovic VD. Jenseits von Balken- und Liniendiagrammen: Zeit für ein neues Paradigma der Datenpräsentation. PLoS Biol. 2015;13(4):e1002128. doi:10.1371/journal.pbio.1002128
  3. Midway SR. Prinzipien effektiver Datenvisualisierung. Patterns. 2020;1(9):100141. doi:10.1016/j.patter.2020.100141
  4. Crampton EW. Das Wachstum der Odontoblasten des Schneidezahns als Kriterium für die Vitamin-C-Aufnahme des Meerschweinchens. J Nutr. 1947;33(5):491-504. doi:10.1093/jn/33.5.491
  5. Azzalini A, Bowman AW. Ein Blick auf einige Daten zum Geysir Old Faithful. Appl Stat. 1990;39(3):357-365. doi:10.2307/2347385
  6. Henderson HV, Velleman PF. Interaktive Erstellung multipler Regressionsmodelle. Biometrics. 1981;37(2):391-411. doi:10.2307/2530428
  7. Cobb GW. Das Problem des Nils: Bedingte Lösung eines Änderungspunktproblems. Biometrika. 1978;65(2):243-251. doi:10.1093/biomet/65.2.243
  8. McNamara DA, Decker JM, McNamara MW, et al. Bleischürzen und Strahlenbelastung bei interventionellen Echokardiographen. JAMA Netw Open. 2026;9(3):e2558134. doi:10.1001 / jamanetworkopen.2025.58134
  9. Bauer SR, Kenfield SA, Oni-Orisan A, et al. Tamsulosin-Deprescribing bei Symptomen der unteren Harnwege bei älteren Männern: eine randomisierte klinische Studie. JAMA Netw Open. 2026;9(7):e2621639. doi:10.1001 / jamanetworkopen.2026.21639
  10. Dias JML, More RP, Butler D, et al. Diagnose durch Ganzgenomsequenzierung und Inanspruchnahme von Versorgungsleistungen bei schwer erkrankten Kindern. JAMA Netw Open. 2026;9(9):e2634372. doi:10.1001 / jamanetworkopen.2026.34372
  11. Butkow KJ, Jalaludeen N, Liu Y, et al. Messung des Herzschlagvolumens mittels In-Ear-Audiosensorik. Nat Commun. 2026;17(1):8755. doi:10.1038/s41467-026-75642-0
  12. Matta R, Shaw J, Mohamud H, et al. Notfallaufnahmen, Krankenhauseinweisungen und Wartezeiten für Patienten mit urologischen Erkrankungen. JAMA Netw Open. 2026;9(3):e2560058. doi:10.1001 / jamanetworkopen.2025.60058
  13. Bland JM, Altman DG. Statistische Methoden zur Beurteilung der Übereinstimmung zwischen zwei klinischen Messmethoden. Lancet. 1986;327(8476):307-310. doi:10.1016/S0140-6736(86)90837-8
  14. Hintze JL, Nelson RD. Violinplots: Eine Synergie zwischen Boxplot und Dichtefunktion. Am Stat. 1998;52(2):181-184. doi:10.1080/00031305.1998.10480559
  15. Cleveland WS, McGill R. Grafische Wahrnehmung: Theorie, Experimente und Anwendung zur Entwicklung grafischer Methoden. J Am Stat Assoc. 1984;79(387):531-554. doi:10.1080/01621459.1984.10478080
  16. Crameri F, Shephard GE, Heron PJ. Der Missbrauch von Farbe in der Wissenschaftskommunikation. Nat Commun. 2020;11(1). doi:10.1038/s41467-020-19160-7
  17. Isenberg P, Bezerianos A, Dragicevic P, Fekete JD. Eine Studie über Datendiagramme mit zwei Skalen. IEEE Trans Vis Comput Graph. 2011;17(12):2469-2478. doi:10.1109/TVCG.2011.160
  18. Tukey JW. Explorative Datenanalyse. Reading, MA: Addison-Wesley; 1977.

Die veröffentlichten Abbildungen (Abbildungen A bis E) wurden unter CC BY 4.0 aus den fünf im Literaturverzeichnis am Ende aufgeführten Publikationen übernommen. Datensätze: ToothGrowth, faithful, mtcars, Nile, chickwts und EuStockMarkets aus dem R-Paket datasets. Alle Statistiken wurden unabhängig in R und Python reproduziert.