咨询：R中可视化含时间点、分组、情绪的反应时数据集的替代图表

你的数据属于混合设计重复测量数据（组间变量：组别；组内变量：时间点、情绪类型），除了柱状图，以下几种图表更能挖掘数据特征：

1. 箱线图（Box Plot） #

• 核心价值：相比柱状图只展示均值，箱线图能直观呈现数据分布、中位数、四分位距及异常值，特别适合反应时这类易出现极端值的指标。
• R代码示例：

library(ggplot2)

# 导入样本数据集
df <- data.frame(
  participant = c("AA", "AA", "AA", "AA", "AA", "AA", "AB", "AB", "AB", "AB", "AB", "AB"),
  emotion = c("happy", "happy", "sad", "sad", "neutral", "neutral", "happy", "happy", "sad", "sad", "neutral", "neutral"),
  group = c("groupA", "groupA", "groupA", "groupA", "groupA", "groupA", "groupB", "groupB", "groupB", "groupB", "groupB", "groupB"),
  time = c("t1", "t2", "t1", "t2", "t1", "t2", "t1", "t2", "t1", "t2", "t1", "t2"),
  rt = c(47.09, 40.09, 33.99, 33.99, 104.97, 98.75, 54.65, 64.65, 53.99, 43.99, 24.97, 98.75)
)

# 绘制分面箱线图
ggplot(df, aes(x = time, y = rt, fill = emotion)) +
  geom_boxplot(position = position_dodge(width = 0.8)) +
  facet_wrap(~group) +
  labs(title = "不同组别、时间点下的情绪面孔反应时分布",
       x = "时间点", y = "反应时", fill = "情绪类型") +
  theme_minimal()

2. 折线图（Line Plot） #

• 核心价值：聚焦时间变化趋势，清晰展示同一组别/被试从T1到T2的反应时变化，能快速识别交互效应（比如Group A在neutral情绪下反应时下降，Group B反而上升）。
• R代码示例：

library(dplyr)
library(ggplot2)

# 计算各条件下的均值与标准误
df_summary <- df %>%
  group_by(group, time, emotion) %>%
  summarise(mean_rt = mean(rt), se_rt = sd(rt)/sqrt(n()), .groups = "drop")

# 绘制带误差棒的折线图
ggplot(df_summary, aes(x = time, y = mean_rt, color = emotion, group = emotion)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  geom_errorbar(aes(ymin = mean_rt - se_rt, ymax = mean_rt + se_rt), width = 0.2) +
  facet_wrap(~group) +
  labs(title = "不同组别情绪面孔的反应时随时间变化趋势",
       x = "时间点", y = "平均反应时", color = "情绪类型") +
  theme_minimal()

3. 小提琴图（Violin Plot） #

• 核心价值：结合箱线图和密度图的优势，展示数据分布的形状，能直观看出反应时是偏态还是正态分布，适合小样本数据呈现分布特征。
• R代码示例：

ggplot(df, aes(x = emotion, y = rt, fill = time)) +
  geom_violin(position = position_dodge(width = 0.8), alpha = 0.7) +
  geom_boxplot(position = position_dodge(width = 0.8), width = 0.2, color = "black") +
  facet_wrap(~group) +
  labs(title = "不同组别、时间点下情绪面孔的反应时分布形状",
       x = "情绪类型", y = "反应时", fill = "时间点") +
  theme_minimal()

4. 原始点图（Dot Plot） #

• 核心价值：保留所有原始数据点，避免均值掩盖个体差异，适合样本量不大的情况，能直接看到每个被试的反应时表现。
• R代码示例：

ggplot(df, aes(x = emotion, y = rt, color = time)) +
  geom_jitter(width = 0.2, size = 2, alpha = 0.8) +
  stat_summary(fun = mean, geom = "point", shape = 18, size = 4, color = "black") +
  facet_wrap(~group) +
  labs(title = "不同组别情绪面孔的原始反应时数据",
       x = "情绪类型", y = "反应时", color = "时间点") +
  theme_minimal()

5. 交互效应图（Interaction Plot） #

• 核心价值：专门展示多因素交互关系，清晰呈现组别、时间、情绪三者之间的交互效应，快速定位差异显著的条件组合。
• R代码示例：

# ggplot2分面交互图
ggplot(df_summary, aes(x = time, y = mean_rt, color = emotion)) +
  geom_line(aes(group = emotion)) +
  geom_point() +
  facet_wrap(~group) +
  labs(title = "组别×情绪×时间的交互效应",
       x = "时间点", y = "平均反应时", color = "情绪类型") +
  theme_minimal()

内容的提问来源于stack exchange，提问作者Christina