Проблема недобросовестной визуализации данных — не новость. Еще в 1950-х годах, до появления персональных компьютеров, писатель Дарелл Хафф в своей книге «Как лгать с помощью статистики» собрал множество примеров вводящих в заблуждение диаграмм из газет.
Обрезка оси Y — один из самых распространенных приемов редактирования графиков. Его суть в том, что вертикальная шкала начинается не с нуля, а например, с 90. На первый взгляд — ничего страшного. Но на деле это может сильно исказить впечатление от данных.
Простой пример: представьте два столбца со значениями 92 и 96. Если ось начинается с 0, разница почти незаметна. А если начать с 90, то второй столбец будет в несколько раз выше первого. Хотя на самом деле он всего на 4 единицы больше.
Почему это обманывает мозг?
Ученые давно изучают, как мы воспринимаем графики. Исследование Кливленда и Макгилла еще в 1984 году показало, что лучше всего мы сравниваем значения, когда они расположены вдоль одной общей шкалы — как деления на линейке [6]. А вот сравнение длин (например, высота столбцов без общей базы) дается гораздо сложнее и чаще приводит к ошибкам.
Когда ось Y обрезана, зритель теряет точку отсчета и начинает сравнивать не абсолютные значения, а относительные длины. Это и создает иллюзию «огромного роста» или «резкого падения», даже если изменения минимальны.
Что говорит наука: люди действительно ошибаются?
Да, и это доказано экспериментально. В другом исследовании сотни участников оценивали «честные» и «обрезанные» графики и отвечали на вопросы вроде: «Насколько сильно вырос показатель?» [7]. Результаты были однозначны: люди, видевшие графики с обрезанной осью, значительно переоценивали разницу между значениями — в среднем на 58–130%. Похожий эффект давали и другие искажения: например, неправильное масштабирование площадей или изменение пропорций графика.
Еще одно исследование показало, что эффект обрезки оси сохраняется, даже когда на графике присутствуют явные указания на обрезку или подписаны точные цифры [4]. Зрители все равно полагались на визуальное впечатление, а не на числа.
Так можно ли вообще обрезать ось?
Можно — для линейных графиков, но осторожно и честно. Проблема не в самом приеме, а в том, как и зачем его используют.
Разберем график динамики снижения числа учителей в России, представленный в материале RTVI. Чисто визуально такое изменение мы можем назвать «существенным» или даже «резким». В то же время, если мы построим график от нуля с этими же показателями, он будет выглядеть как прямая линия. Такой вариант тоже не подходит: он не информативен.
Что же делать?
Как решить такую проблему и сделать это честно, советует евангелист Tableau и консультант в Moxy Analytics Кевин Флерлейдж. Нужно:
- Разместить график в верхней части поля, оставив пустое пространство снизу — так зритель сразу поймет, что ноль «не в кадре»;
- Добавить символ разрыва на оси (например, зигзаг или «//»);
- Подписать: «Ось Y обрезана для лучшей детализации изменений».
Когда обрезка (не)допустима?
Если нужно показать абсолютные значения на столбчатой диаграмме, ось должна начинаться с нуля.
Если же вас интересует небольшая, но важная динамика в узком диапазоне на линейной диаграмме, обрезка допустима, но об этом обязательно нужно предупредить.
Источники
- It’s never okay to crop the y-axis, except when it is // ObservableHQ. — URL: https://observablehq.com/blog/never-okay-crop-y-axis-except-when-it-is (дата обращения: 27.11.2025).
- Correll M. Truncating the y-axis: threat or menace // Medium. — URL: https://mcorrell.medium.com/truncating-the-y-axis-threat-or-menace-d0bce66d4d08 (дата обращения: 27.11.2025).
- How to spot visualization lies // Data Science Central. — URL: https://datasciencecentral.com/how-to-spot-visualization-lies-1/ (дата обращения: 27.11.2025).
- Correll M., Bertini E., Franconeri S. Truncating the Y-Axis: Threat or Menace // ResearchGate. — URL: https://researchgate.net/publication/334223354_Truncating_the_Y-Axis_Threat_or_Menace (дата обращения: 27.11.2025).
- Misinformed by Visualization: What Do We Learn From Misinformative Visualizations? // Wiley Online Library. — URL: https://onlinelibrary.wiley.com/doi/full/10.1111/cgf.14559 (дата обращения: 27.11.2025).
- Cleveland W.S., McGill R. Graphical Perception: Theory, Experimentation, and Application to the Development of Graphical Methods // Euclid Psych YorkU. — URL: euclid.psych.yorku.ca/www/psy6135/papers/ClevelandMcGill1984.pdf (дата обращения: 27.11.2025).
- Pandey A., et al. How Deceptive are Deceptive Visualizations? An Empirical Analysis of Common Distortion Techniques // Web Archive. — URL: https://web.archive.org/web/20161223174531id_/http://faculty.poly.edu/~onov/Pandey_et_al_CHI_2015.pdf (дата обращения: 27.11.2025).
