ggrain: a R package for raincloud plots

이 논문은 원시 데이터, 요약 통계, 분포를 통합하여 시각화하는 레인클라우드 플롯을 R 의 문법 (grammar of graphics) 에 부합하도록 구현한 새로운 R 패키지 `ggrain` 과 그 핵심 함수 `geom_rain` 을 소개합니다.

핵심

🌧️ 비와 구름이 섞인 '레인클라우드 (Raincloud)' 플롯이란?

우리가 통계를 볼 때 가장 흔히 보는 그래프는 **'막대 그래프 (Bar plot)'**입니다. 하지만 이 논문은 "막대 그래프는 데이터의 진짜 모습을 가리고 있다"고 비판합니다. 마치 상자 안에 숨겨진 보물을 상자 크기만으로 추측하는 것과 비슷하죠.

그래서 연구팀이 제안한 것이 바로 **'레인클라우드 (비구름) 플롯'**입니다. 이름처럼 **비 (Rain)**와 **구름 (Cloud)**이 섞인 이 그래프는 데이터를 보여주는 세 가지 방식을 하나로 합친 '슈퍼 그래프'입니다.

1. 비 (Dot plot - 점): 구름에서 떨어지는 빗방울처럼 개별 데이터 점을 보여줍니다.
   • 비유: "이 반에 학생이 총 30 명이고, 그중 3 명은 시험 점수가 아주 낮구나"라고 모든 학생의 얼굴을 한눈에 볼 수 있는 것입니다.
2. 구름 (Violin plot - 바이올린): 데이터가 모여 있는 모양을 구름처럼 보여줍니다.
   • 비유: "대부분의 학생은 70~80 점 사이 (구름이 두꺼운 부분) 에 모여 있고, 90 점 이상은 드물구나"라고 **데이터의 분포 (밀도)**를 직관적으로 보여줍니다.
3. 상자 (Box plot - 상자): 구름 안에 작은 상자를 넣어 중간값과 범위를 보여줍니다.
   • 비유: "학생들의 점수 중간값은 75 점이고, 상위 25% 와 하위 25% 는 이 정도다"라고 핵심 통계 수치를 정확히 알려줍니다.

이 세 가지를 합치면, 데이터의 전체적인 모양, 개별적인 특징, 그리고 핵심 수치를 한 번에 볼 수 있게 됩니다.

---

🛠️ 'ggrain': 이 모든 것을 쉽게 만드는 '요리 도구'

이론적으로 좋은 그래프가 있지만, 실제로 그걸 그리는 건 전문가만 할 수 있는 어려운 일이었습니다. 마치 고급 요리를 하려면 전문 셰프만 가능했던 것처럼요.

여기서 **ggrain**이라는 R 프로그램 패키지가 등장합니다.

• 역할: 이 패키지는 **"한 번의 명령 (geom_rain)"**으로 복잡한 레인클라우드 그래프를 자동으로 만들어주는 자동 요리사 같은 역할을 합니다.
• 장점:
  • 간편함: 복잡한 코드를 몰라도 쉽게 그릴 수 있습니다.
  • 유연함: 실험 그룹을 나누거나 (예: 남자 vs 여자), 시간이 지남에 따른 변화 (예: 치료 전 vs 치료 후) 를 선으로 연결해서 보여줄 수도 있습니다.
  • 투명성: 데이터를 숨기지 않고 있는 그대로 보여줍니다.

---

💡 왜 이것이 중요한가요?

과거에는 막대 그래프를 쓰면서 "A 그룹이 B 그룹보다 점수가 높다"라고만 말했지만, 실제로는 A 그룹은 점수가 고르게 분포했는데 B 그룹은 극단적으로 높은 사람과 낮은 사람이 섞여 있었다는 사실을 놓칠 수 있었습니다.

**ggrain**을 사용하면:

• 변화의 양상을 볼 수 있습니다. (예: 치료 전에는 두 그룹의 점수 차이가 컸는데, 치료 후에는 두 그룹 모두 비슷해졌다는 것을 '구름'의 모양으로 바로 알 수 있습니다.)
• 개별 사례를 놓치지 않습니다. (이상치나 특이한 데이터를 쉽게 찾아낼 수 있습니다.)
• 과학적 소통이 명확해집니다. 데이터를 왜곡하지 않고 투명하게 보여주므로, 독자들이 결과를 더 신뢰하게 됩니다.

📝 한 줄 요약

"이 논문은 복잡한 데이터를 숨기지 않고, 비 (개별 점) 와 구름 (분포) 이 어우러진 아름다운 그래프를 누구나 쉽게 그릴 수 있게 해주는 'ggrain'이라는 새로운 도구를 소개합니다."

이 도구를 통해 연구자들은 데이터를 더 정직하고 아름답게 전달할 수 있게 되었고, 일반인들도 복잡한 통계 결과를 훨씬 쉽게 이해할 수 있게 되었습니다.

기술 요약

제공된 논문 (ggrain – a R package for raincloud plots) 에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 문제 제기 (Problem)

• 기존 시각화 방법의 한계: 연구자들은 관습이나 관례에 따라 막대 그래프 (barplot) 를 주로 사용하지만, 이는 데이터의 분포 특성을 왜곡하거나 숨기는 단점이 있습니다.
• 통계적 오해의 소지: 막대 그래프는 왜곡에 민감하며 원시 데이터 (raw data) 를 정확하게 표현하지 못하고, 잠재적인 분포 차이를 보여주지 못합니다. 이로 인해 표본 간 통계적 차이의 크기에 대한 오해를 초래할 수 있으며, 데이터 투명성이 부족하다는 비판을 받아 왔습니다.
• R 생태계의 부재: 'Raincloud plot'은 이러한 문제를 해결하기 위해 제안된 강력한 시각화 도구이지만, R 언어의 '그래픽 문법 (grammar of graphics)' 원칙에 부합하는 전용 패키지가 존재하지 않았습니다.

2. 방법론 (Methodology)

• Raincloud Plot 의 구성: 이 논문에서 소개하는 Raincloud plot 은 세 가지 그래프를 미적으로 조화롭게 결합하여 구성됩니다.
  1. 점도표 (Dot plot): 왜곡을 최소화한 원시 데이터를 표시하여 표본 크기와 이상치를 빠르게 파악할 수 있게 합니다.
  2. 상자 그림 (Box plot): 중앙값 (median) 과 사분위수 범위 (IQR) 와 같은 핵심 분포 요약 통계를 표시합니다.
  3. 바이올린 플롯 (Violin plot): 데이터의 근본적인 분포를 투명하게 보여줍니다.
• ggrain 패키지의 개발: R 생태계 내에서 이러한 플롯을 쉽게 생성할 수 있도록 ggrain 패키지를 개발했습니다.
  • 핵심 함수: geom_rain이라는 하나의 직관적인 함수를 제공하여 R 의 ggplot2 생태계와 자연스럽게 통합됩니다.
  • 고급 기능 지원:
    • 요인별 그룹핑 (factorial grouping)
    • 이차 연속 공변량 (secondary continuous covariate) 매핑
    • 여러 시점에 걸친 종단적 관측치 연결 (longitudinal connection, 예: 사전/사후 설계)

3. 주요 기여 (Key Contributions)

• R 패키지 ggrain 출시: CRAN 및 GitHub 에서 이용 가능한 오픈 소스 R 패키지를 제공하여, 연구자들이 '그래픽 문법'에 따라 쉽게 Raincloud plot 을 생성할 수 있게 했습니다.
• 복잡한 설계 지원: 단순한 그룹 비교를 넘어, 요인 설계 (factorial design) 나 종단 연구 (longitudinal studies) 와 같은 복잡한 실험 설계에서도 데이터의 변동성 (variability) 과 개인 내 변화 (intraindividual change) 를 동시에 시각화할 수 있는 기능을 구현했습니다.
• 생태계 확장: 기존에 Python (ptitprince) 과 JASP 에서 구현된 바 있는 Raincloud plot 개념을 R 언어로 확장하여, 프로그래밍 경험이 적은 연구자들도 JASP GUI 를 통해 접근할 수 있는 환경을 조성했습니다.

4. 결과 및 사례 (Results & Examples)

• 시각적 효과: Figure 1 의 예시에서 보듯, 두 그룹 간의 분포 차이를 명확하게 보여줄 뿐만 아니라 (1a), 개체 내 변화와 함께 평균 그룹 변화를 시각화할 수 있습니다 (1b).
• 변동성 감지: 종단적 설계 (예: 중재 전/후) 에서 그룹 간 변동성 (variability) 의 변화를 즉시 감지할 수 있습니다. 예를 들어, 중재 전에는 두 그룹 간 점수 변동성이 크게 달랐으나 (6.5 SD vs 2 SD), 중재 후에는 그룹 간 변동성 차이가 사라지는 것을 한눈에 확인할 수 있습니다.
• 사용성: geom_rain 함수를 통해 복잡한 코딩 없이도 통계적으로 견고하고 직관적인 시각화를 생성할 수 있음을 입증했습니다.

5. 의의 및 중요성 (Significance)

• 과학적 커뮤니케이션의 투명성 강화: 다양한 연구 분야와 일반 대중에게 경험적 발견을 효과적으로 전달하기 위해 투명한 데이터 시각화가 필수적이며, ggrain은 이를 실현하는 도구가 됩니다.
• 통계적 정확성 향상: 막대 그래프의 한계를 극복하고 원시 데이터, 요약 통계, 분포 형태를 동시에 제공함으로써 통계적 오해를 줄이고 데이터 해석의 정확성을 높입니다.
• 접근성 확대: R 사용자뿐만 아니라 JASP 와 같은 GUI 기반 도구를 사용하는 연구자들도 고급 시각화 기법을 활용할 수 있게 하여, 데이터 시각화의 민주화와 표준화에 기여합니다.

이 논문은 데이터 시각화의 표준을 높이고, 연구자들이 더 투명하고 통계적으로 엄밀한 방식으로 결과를 보고할 수 있도록 하는 ggrain 패키지의 개발과 그 활용 가치를 강조합니다.