Ce guide exhaustif a pour vocation d’accompagner les chercheurs, cliniciens et \u00e9tudiants avanc\u00e9s dans l’art de cr\u00e9er, de d\u00e9coder et de valoriser les bo\u00eetes \u00e0 moustaches sous SPSS. De la formalisation th\u00e9orique du r\u00e9sum\u00e9 \u00e0 cinq nombres jusqu’\u00e0 la mise en conformit\u00e9 graphique selon les normes de publication de l’American Psychological Association<\/a> (APA 7e \u00e9dition), chaque \u00e9tape est d\u00e9clin\u00e9e \u00e0 travers le prisme de la rigueur psychom\u00e9trique. En articulant manipulation proc\u00e9durale, syntaxe de commande reproductible et diagnostics cliniques approfondis, cet article fournit les cl\u00e9s indispensables pour transformer vos visualisations de donn\u00e9es en v\u00e9ritables outils d’inf\u00e9rence et de d\u00e9couverte scientifique.<\/p>\n Dans le champ des sciences comportementales, les variables mesur\u00e9es se caract\u00e9risent fr\u00e9quemment par une forte variabilit\u00e9 interindividuelle et une vuln\u00e9rabilit\u00e9 marqu\u00e9e aux biais d’\u00e9chantillonnage. Qu’il s’agisse de scores d’inventaires de d\u00e9pression, d’\u00e9chelles d’anxi\u00e9t\u00e9-trait ou de temps de r\u00e9action mesur\u00e9s en millisecondes lors de t\u00e2ches d’inhibition cognitive, les donn\u00e9es psychologiques s’\u00e9cartent r\u00e9guli\u00e8rement du mod\u00e8le th\u00e9orique de la distribution normale de Gauss-Laplace. Dans ce contexte, l’utilisation aveugle d’indicateurs param\u00e9triques expose le chercheur \u00e0 des conclusions erron\u00e9es, en masquant des ph\u00e9nom\u00e8nes de troncature ou des concentrations asym\u00e9triques d’observations.<\/p>\n La bo\u00eete \u00e0 moustaches r\u00e9pond \u00e0 cette contrainte en offrant une lecture directe et non param\u00e9trique de la dispersion et de l’asym\u00e9trie. Contrairement aux diagrammes en barres classiques qui r\u00e9duisent l’information \u00e0 une moyenne ponctu\u00e9e d’un intervalle d’erreur souvent mal interpr\u00e9t\u00e9, le boxplot expose simultan\u00e9ment la m\u00e9diane et l’\u00e9cart interquartile. Cette transparence s’av\u00e8re d\u00e9terminante lors de la phase pr\u00e9liminaire d’inspection des donn\u00e9es, car elle permet de statuer visuellement sur la l\u00e9gitimit\u00e9 des postulats requis par les tests d’hypoth\u00e8ses classiques, tels que le test t de Student ou l’analyse de variance (ANOVA). L’\u00e9valuation visuelle de la forme des distributions guide ainsi le chercheur vers le maintien d’une approche param\u00e9trique ou, \u00e0 l’inverse, vers l’adoption de mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s ou de tests non param\u00e9triques de type Mann-Whitney et Kruskal-Wallis.<\/p>\n Pour les variables issues d’\u00e9chelles d’\u00e9valuation clinique standardis\u00e9es (telles que le BDI-II, le STAI ou les sous-tests de l’\u00e9chelle d’intelligence de Wechsler), la bo\u00eete \u00e0 moustaches offre une granularit\u00e9 diagnostique incomparable. Elle permet de situer instantan\u00e9ment le profil distributionnel d’une cohorte clinique par rapport aux normes th\u00e9oriques ou \u00e0 un groupe contr\u00f4le sain, r\u00e9v\u00e9lant la pr\u00e9sence d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s sous-jacentes au sein d’un m\u00eame \u00e9chantillon de patients.<\/p>\n L’acte de naissance de la bo\u00eete \u00e0 moustaches remonte aux travaux pionniers de John Wilder Tukey<\/a> dans les ann\u00e9es 1970, formalis\u00e9s dans son ouvrage s\u00e9minal consacr\u00e9 \u00e0 l’analyse exploratoire des donn\u00e9es (Exploratory Data Analysis<\/em>). Tukey postulait que les statistiques devaient permettre aux donn\u00e9es de r\u00e9v\u00e9ler spontan\u00e9ment leurs r\u00e9gularit\u00e9s et leurs singularit\u00e9s avant toute imposition d’un mod\u00e8le probabiliste contraignant. C’est dans cet esprit d’heuristique visuelle que le sch\u00e9ma en bo\u00eete a \u00e9t\u00e9 con\u00e7u comme un condens\u00e9 g\u00e9om\u00e9trique du comportement d’un jeu de donn\u00e9es.<\/p>\n La structure classique repose sur un rectangle central (la \u00ab bo\u00eete \u00bb), dont les limites inf\u00e9rieures et sup\u00e9rieures sont rigoureusement calqu\u00e9es sur le premier quartile (25e percentile) et le troisi\u00e8me quartile (75e percentile). L’espace d\u00e9limit\u00e9 par cette bo\u00eete repr\u00e9sente ainsi pr\u00e9cis\u00e9ment l’\u00e9tendue interquartile (EIQ ou IQR), encapsulant les 50 % interm\u00e9diaires de la population \u00e9tudi\u00e9e. Au c\u0153ur de ce polygone, une ligne transversale marque l’emplacement de la m\u00e9diane (50e percentile), servant d’ancrage \u00e0 la tendance centrale non param\u00e9trique.<\/p>\n De part et d’autre de cette bo\u00eete centrale \u00e9mergent des segments rectilignes, commun\u00e9ment appel\u00e9s \u00ab moustaches \u00bb (whiskers<\/em>). Selon la formulation standardis\u00e9e adopt\u00e9e par Tukey et int\u00e9gr\u00e9e par d\u00e9faut dans SPSS, ces moustaches ne s’\u00e9tendent pas n\u00e9cessairement jusqu’aux valeurs absolues minimales et maximales de la s\u00e9rie. Elles sont born\u00e9es par les \u00ab valeurs adjacentes \u00bb, d\u00e9finies math\u00e9matiquement comme les observations les plus extr\u00eames situ\u00e9es \u00e0 l’int\u00e9rieur d’une zone d\u00e9limit\u00e9e par une fois et demie l’\u00e9tendue interquartile au-del\u00e0 des charni\u00e8res. Tout point de donn\u00e9e transgressant ces barri\u00e8res virtuelles est isol\u00e9 individuellement au-del\u00e0 des moustaches, ce qui pr\u00e9vient la d\u00e9formation artificielle du trac\u00e9 par des artefacts de mesure.<\/p>\n L’appropriation de la bo\u00eete \u00e0 moustaches dans le logiciel IBM SPSS Statistics exige bien plus que la simple ex\u00e9cution m\u00e9canique de menus d\u00e9roulants. L’objectif p\u00e9dagogique fondamental consiste \u00e0 articuler une compr\u00e9hension conceptuelle des indicateurs math\u00e9matiques repr\u00e9sent\u00e9s avec la ma\u00eetrise technique des multiples voies d’ex\u00e9cution propos\u00e9es par le logiciel. L’utilisateur doit \u00eatre en mesure de choisir de fa\u00e7on optimale entre la proc\u00e9dure exploratoire automatis\u00e9e, le g\u00e9n\u00e9rateur interactif de graphiques et l’\u00e9criture directe de syntaxe de commande.<\/p>\n La d\u00e9marche analytique structur\u00e9e implique d’abord une inspection critique de la distribution globale, suivie de la v\u00e9rification rigoureuse des d\u00e9viations par rapport au centre et aux seuils de dispersion. L’analyste doit apprendre \u00e0 d\u00e9coder les indicateurs graphiques comme des signaux d’alerte m\u00e9thodologiques : une m\u00e9diane \u00e9cras\u00e9e contre un quartile signale un biais m\u00e9trologique ou une s\u00e9lection d’\u00e9chantillon asym\u00e9trique, tandis qu’une moustache unilat\u00e9ralement \u00e9tir\u00e9e met en lumi\u00e8re une queue de distribution prononc\u00e9e. Cette d\u00e9marche doit syst\u00e9matiquement d\u00e9boucher sur une prise de d\u00e9cision \u00e9clair\u00e9e quant au traitement des donn\u00e9es et \u00e0 leur restitution formelle.<\/p>\n Enfin, la finalit\u00e9 de cette d\u00e9marche r\u00e9side dans la communication scientifique. Un graphique statistique produit dans un cadre acad\u00e9mique ne se contente pas d’\u00eatre lisible \u00e0 l’\u00e9cran : il doit r\u00e9pondre \u00e0 des crit\u00e8res stricts de clart\u00e9, de sobri\u00e9t\u00e9 et de standardisation typographique, tels que prescrits par les manuels de style internationaux. Savoir transformer une sortie brute g\u00e9n\u00e9r\u00e9e par le Viewer de SPSS en une figure \u00e9ditable pr\u00eate pour la soumission dans une revue scientifique \u00e0 comit\u00e9 de lecture repr\u00e9sente la comp\u00e9tence culminante de ce parcours m\u00e9thodologique.<\/p>\n La bo\u00eete \u00e0 moustaches constitue la traduction graphique int\u00e9grale d’un puissant ensemble de statistiques d’ordre connu sous le nom de \u00ab r\u00e9sum\u00e9 \u00e0 cinq nombres \u00bb (Five-Number Summary<\/em>). Ce dispositif synth\u00e9tique s’affranchit des contraintes distributionnelles en d\u00e9crivant la structure quantitative d’une variable au moyen de cinq rep\u00e8res positionnels fondamentaux : le minimum non aberrant, le premier quartile (Q1), la m\u00e9diane (Q2), le troisi\u00e8me quartile (Q3) et le maximum non aberrant.<\/p>\n Le premier quartile, ou 25e percentile, marque le seuil en de\u00e7\u00e0 duquel se situe exactement un quart des observations class\u00e9es par ordre croissant. Sur le plan psychom\u00e9trique, il d\u00e9limite les scores caract\u00e9risant les participants pr\u00e9sentant les niveaux d’intensit\u00e9 les plus faibles sur le trait \u00e9valu\u00e9. La m\u00e9diane, ou second quartile (50e percentile), s\u00e9pare la distribution en deux moiti\u00e9s \u00e9quiprobables. Contrairement \u00e0 la moyenne arithm\u00e9tique, elle n’est pas pond\u00e9r\u00e9e par la magnitude num\u00e9rique des extr\u00eames, ce qui lui conf\u00e8re une robustesse absolue face aux distributions lourdement \u00e9tir\u00e9es.<\/p>\n Le troisi\u00e8me quartile, ou 75e percentile, \u00e9tablit la fronti\u00e8re au-dessus de laquelle se trouvent les 25 % d’individus obtenant les scores les plus \u00e9lev\u00e9s. Les deux valeurs extr\u00eames non aberrantes, d\u00e9limitant l’extr\u00e9mit\u00e9 des moustaches, repr\u00e9sentent respectivement la plus petite et la plus grande observation du jeu de donn\u00e9es qui ne satisfont pas aux crit\u00e8res formels de d\u00e9viance statistique. Ce quintet de valeurs fournit une cartographie non param\u00e9trique compl\u00e8te de l’\u00e9tendue, du tassement et de la polarit\u00e9 des observations, sans rien pr\u00e9sumer de la lin\u00e9arit\u00e9 ou de la normalit\u00e9 de la variable sous-jacente.<\/p>\n L’\u00e9cart interquartile, d\u00e9sign\u00e9 couramment par l’acronyme anglais IQR (Interquartile Range<\/em>) ou EIQ en fran\u00e7ais, constitue le param\u00e8tre de dispersion central de l’approche non param\u00e9trique. Math\u00e9matiquement, il correspond \u00e0 la diff\u00e9rence arithm\u00e9tique stricte entre le troisi\u00e8me et le premier quartile (IQR = Q3 – Q1). En \u00e9liminant par construction les 25 % inf\u00e9rieurs et les 25 % sup\u00e9rieurs de la distribution ordonn\u00e9e, l’IQR neutralise l’impact des variations marginales pour se focaliser sur l’intervalle dans lequel se concentrent les 50 % centraux des donn\u00e9es.<\/p>\n La sup\u00e9riorit\u00e9 m\u00e9thodologique de l’IQR sur la variance et l’\u00e9cart-type appara\u00eet avec \u00e9vidence d\u00e8s lors qu’une variable pr\u00e9sente une asym\u00e9trie marqu\u00e9e (skewness<\/em>). Dans les \u00e9tudes de temps de r\u00e9action cognitive, par exemple, o\u00f9 les r\u00e9ponses physiologiques planchers c\u00f4toient des ralentissements attentionnels massifs, l’\u00e9cart-type est syst\u00e9matiquement gonfl\u00e9 vers le haut par les quelques temps de latence tr\u00e8s longs. Ce ph\u00e9nom\u00e8ne donne l’illusion d’une impr\u00e9cision de mesure g\u00e9n\u00e9ralis\u00e9e. L’IQR, quant \u00e0 lui, demeure stable face \u00e0 ces fluctuations p\u00e9riph\u00e9riques, pr\u00e9servant une estimation fid\u00e8le de la variabilit\u00e9 typique du comportement \u00e9tudi\u00e9.<\/p>\n L’analyse visuelle de l’\u00e9cart interquartile permet un diagnostic imm\u00e9diat de la nature de l’asym\u00e9trie. Dans le cas d’une asym\u00e9trie positive (\u00e9talement vers la droite, fr\u00e9quent pour les variables de consommation de substances ou d’affects n\u00e9gatifs en population g\u00e9n\u00e9rale), la m\u00e9diane se retrouve coll\u00e9e \u00e0 la base inf\u00e9rieure de la bo\u00eete, tandis que la partie sup\u00e9rieure du rectangle et la moustache du haut s’allongent consid\u00e9rablement. \u00c0 l’inverse, une asym\u00e9trie n\u00e9gative (\u00e9talement vers la gauche, caract\u00e9ristique des \u00e9preuves cognitives simples pr\u00e9sentant un effet d’apprentissage massif) se traduit par une m\u00e9diane coll\u00e9e au sommet de la bo\u00eete et une moustache inf\u00e9rieure anormalement d\u00e9velopp\u00e9e.<\/p>\n L’une des strat\u00e9gies analytiques les plus f\u00e9condes lors de l’inspection d’une bo\u00eete \u00e0 moustaches consiste \u00e0 confronter mentalement ou graphiquement la position de la m\u00e9diane \u00e0 celle de la moyenne arithm\u00e9tique. Bien que le boxplot standard de Tukey ne trace par d\u00e9faut que la m\u00e9diane, de nombreuses options sous SPSS permettent de projeter la moyenne au sein de la bo\u00eete sous la forme d’un marqueur distinct (souvent une croix ou un losange). Le d\u00e9calage observable entre ces deux param\u00e8tres fournit un indice direct de la d\u00e9viation param\u00e9trique de la distribution.<\/p>\n Dans une distribution strictement sym\u00e9trique et m\u00e9socurtique, repr\u00e9sentative d’une loi normale parfaite, la moyenne arithm\u00e9tique et la m\u00e9diane co\u00efncident rigoureusement au centre exact de la bo\u00eete interquartile. D\u00e8s que la distribution s’\u00e9tire en direction d’une queue de distribution \u00e9paisse (heavy tail<\/em>), la moyenne est irr\u00e9sistiblement tract\u00e9e dans le sens des valeurs extr\u00eames sous l’effet de leur poids arithm\u00e9tique cumul\u00e9, alors que la m\u00e9diane conserve sa position ordinale stable. Un \u00e9cart substantiel entre ces deux m\u00e9triques atteste sans ambigu\u00eft\u00e9 d’une rupture du postulat de sym\u00e9trie, remettant formellement en question l’ad\u00e9quation des statistiques fond\u00e9es sur les moindres carr\u00e9s.<\/p>\n En outre, l’aplatissement de la distribution (kurtosis<\/em>) influe directement sur la morphologie globale du graphique. Une distribution leptocurtique, caract\u00e9ris\u00e9e par un pic aigu et des queues \u00e9paisses, engendre une bo\u00eete interquartile extr\u00eamement \u00e9troite et compacte, flanqu\u00e9e de moustaches courtes d’o\u00f9 s’\u00e9chappent de multiples observations isol\u00e9es. Inversement, une distribution platycurtique se manifeste par un \u00e9talement important du rectangle central occupant la majeure partie de l’intervalle entre les valeurs extr\u00eames, signalant une dispersion uniforme des scores sans concentration privil\u00e9gi\u00e9e autour du centre.<\/p>\n Avant d’engager toute proc\u00e9dure de trac\u00e9 graphique dans SPSS, une configuration minutieuse du dictionnaire de donn\u00e9es dans l’onglet \u00ab Affichage des variables \u00bb (Variable View<\/em>) est indispensable. Le moteur graphique de SPSS s’appuie \u00e9troitement sur les m\u00e9tadonn\u00e9es d\u00e9clar\u00e9es pour d\u00e9terminer les options d’agr\u00e9gation, les \u00e9chelles des axes et les algorithmes de calcul applicables. N\u00e9gliger cette \u00e9tape expose le chercheur \u00e0 des sorties tronqu\u00e9es, \u00e0 des erreurs de labellisation ou \u00e0 des cat\u00e9gorisations erron\u00e9es.<\/p>\n Chaque variable continue destin\u00e9e \u00e0 faire l’objet d’un boxplot doit imp\u00e9rativement \u00eatre param\u00e9tr\u00e9e avec le niveau de mesure \u00ab \u00c9chelle \u00bb (Scale<\/em>) dans la colonne \u00ab Mesure \u00bb. L’attribution d’un niveau incorrect, tel que \u00ab Nominal \u00bb ou \u00ab Ordinal \u00bb, peut restreindre les fonctionnalit\u00e9s disponibles dans le G\u00e9n\u00e9rateur de graphiques ou fausser l’interpr\u00e9tation des percentiles. Parall\u00e8lement, il convient de renseigner soigneusement la colonne \u00ab Libell\u00e9 \u00bb (Variable Label<\/em>). C’est ce libell\u00e9 textuel \u00e9tendu, et non le nom brut et abr\u00e9g\u00e9 de la variable, qui sera automatiquement import\u00e9 par le moteur de rendu graphique pour annoter l’axe des ordonn\u00e9es, garantissant l’intelligibilit\u00e9 imm\u00e9diate des sorties.<\/p>\n Pour les variables ind\u00e9pendantes destin\u00e9es \u00e0 scinder les repr\u00e9sentations en sous-groupes (variables cat\u00e9gorielles telles que les conditions exp\u00e9rimentales, les sous-types diagnostiques ou les paliers d’\u00e2ge), la configuration de la colonne \u00ab Valeurs \u00bb (Values<\/em>) s’av\u00e8re tout aussi cruciale. Chaque code num\u00e9rique entier doit \u00eatre explicitement appari\u00e9 \u00e0 son \u00e9tiquette s\u00e9mantique (par exemple : 1 = \u00ab T\u00e9moins sains \u00bb, 2 = \u00ab Trouble d\u00e9pressif caract\u00e9ris\u00e9 \u00bb, 3 = \u00ab Trouble bipolaire en r\u00e9mission \u00bb). Ces \u00e9tiquettes textuelles structureront automatiquement l’axe des abscisses ou les cl\u00e9s de l\u00e9gende, \u00e9liminant les risques de confusion analytique lors de l’examen des r\u00e9sultats comparatifs.<\/p>\n Le traitement des omissions de r\u00e9ponse et des donn\u00e9es non recueillies constitue une probl\u00e9matique r\u00e9currente en psychologie exp\u00e9rimentale et clinique. SPSS distingue conceptuellement deux types d’omissions : les valeurs manquantes d\u00e9finies par le syst\u00e8me (System-Missing<\/em>, mat\u00e9rialis\u00e9es par un point dans la grille de donn\u00e9es) r\u00e9sultant d’absences physiques d’enregistrement, et les valeurs manquantes d\u00e9clar\u00e9es par l’utilisateur (User-Missing<\/em>), cod\u00e9es arbitrairement par des chiffres conventionnels tels que 999 ou -99 pour signifier un refus de r\u00e9pondre, un abandon ou une panne instrumentale.<\/p>\n L’omission de d\u00e9clarer rigoureusement ces codes num\u00e9riques dans la colonne \u00ab Manquant \u00bb (Missing<\/em>) de l’affichage des variables constitue une source majeure de d\u00e9naturation des bo\u00eetes \u00e0 moustaches. Si la valeur 999 n’est pas formellement identifi\u00e9e comme manquante par le syst\u00e8me, SPSS la traitera comme une valeur quantitative r\u00e9elle sur l’axe continu. Il en r\u00e9sultera un \u00e9crasement complet de la bo\u00eete interquartile au fond du graphique et l’apparition de moustaches aberrantes, rendant toute interpr\u00e9tation clinique rigoureusement impossible.<\/p>\n De surcro\u00eet, le mode d’exclusion des donn\u00e9es manquantes doit \u00eatre anticip\u00e9 lors des analyses multivari\u00e9es ou factorielles. Selon que l’on retient l’exclusion observation par observation (listwise<\/em>) ou variable par variable (pairwise<\/em>), la taille effective de l’\u00e9chantillon fluctue, ce qui alt\u00e8re m\u00e9caniquement le rang des observations et, par cons\u00e9quent, la valeur exacte des percentiles Q1, Q2 et Q3. Une v\u00e9rification attentive des effectifs valides dans le tableau r\u00e9capitulatif initial g\u00e9n\u00e9r\u00e9 par SPSS s’impose donc syst\u00e9matiquement avant d’extraire des conclusions de la g\u00e9om\u00e9trie de la bo\u00eete.<\/p>\n Afin d’ancrer les d\u00e9veloppements proc\u00e9duraux dans la r\u00e9alit\u00e9 de la recherche exp\u00e9rimentale, consid\u00e9rons un protocole de recherche simul\u00e9 portant sur l’impact d’une t\u00e2che d’induction de stress cognitif chez des adultes jeunes. Le jeu de donn\u00e9es comprend un \u00e9chantillon de N = 120 participants, r\u00e9partis al\u00e9atoirement en deux conditions exp\u00e9rimentales : un groupe exp\u00e9rimental soumis au Trier Social Stress Test<\/em> (TSST) et un groupe t\u00e9moin r\u00e9alisant une t\u00e2che d’attention neutre sans \u00e9valuation sociale.<\/p>\n Le protocole collige deux variables d\u00e9pendantes quantitatives continues de natures distributionnelles contrast\u00e9es. La premi\u00e8re correspond au score obtenu \u00e0 l’inventaire d’anxi\u00e9t\u00e9 situationnelle de Spielberger (STAI-Y1, variable d’\u00e9chelle continue born\u00e9e th\u00e9oriquement entre 20 et 80 points), dont la distribution tend \u00e0 \u00eatre mod\u00e9r\u00e9ment asym\u00e9trique en fonction du niveau d’exposition au stresseur. La seconde variable enregistre le temps de r\u00e9action m\u00e9dian (TR, exprim\u00e9 en millisecondes) lors d’une t\u00e2che ult\u00e9rieure de d\u00e9tection de cibles sous interf\u00e9rence attentionnelle de type t\u00e2che de Stroop, variable typiquement caract\u00e9ris\u00e9e par une forte asym\u00e9trie positive et l’\u00e9mergence r\u00e9guli\u00e8re de valeurs extr\u00eames.<\/p>\n La structure factorielle de cet \u00e9chantillon est mat\u00e9rialis\u00e9e dans SPSS par une variable nominale binaire \u00ab Condition_Stress \u00bb (cod\u00e9e 0 = \u00ab T\u00e9moin \u00bb, 1 = \u00ab Stress exp\u00e9rimental \u00bb), compl\u00e9t\u00e9e par une variable de stratification ordinale \u00ab Profil_Anxiete_Trait \u00bb (cod\u00e9e 1 = \u00ab Bas \u00bb, 2 = \u00ab Mod\u00e9r\u00e9 \u00bb, 3 = \u00ab S\u00e9v\u00e8re \u00bb) issue d’une passation pr\u00e9liminaire du STAI-Y2. Cette organisation matricielle permettra d’illustrer la construction successive de bo\u00eetes simples, de bo\u00eetes comparatives inter-groupes et de repr\u00e9sentations factorielles crois\u00e9es.<\/p>\n Au sein de l’environnement SPSS, la commande \u00ab Explorer \u00bb (Explore<\/em>) repr\u00e9sente sans doute la voie la plus rigoureuse et la plus compl\u00e8te pour g\u00e9n\u00e9rer des bo\u00eetes \u00e0 moustaches univari\u00e9es. Con\u00e7ue initialement pour impl\u00e9menter fid\u00e8lement les pr\u00e9ceptes de l’analyse exploratoire des donn\u00e9es de Tukey, cette proc\u00e9dure surpasse largement les options de tra\u00e7age \u00e9l\u00e9mentaires int\u00e9gr\u00e9es dans les menus de fr\u00e9quences ou de descriptifs standards. Elle couple en effet le rendu graphique \u00e0 une batterie d’indicateurs num\u00e9riques de forme et de robustesse de premier ordre.<\/p>\n Pour acc\u00e9der \u00e0 cette fonctionnalit\u00e9, l’utilisateur doit d\u00e9rouler l’arborescence principale du logiciel : cliquez sur le menu Analyse<\/strong> (Analyze<\/em>), positionnez le curseur sur la sous-cat\u00e9gorie Statistiques descriptives<\/strong> (Descriptive Statistics<\/em>), puis s\u00e9lectionnez l’instruction Explorer<\/strong> (Explore<\/em>). Cette action d\u00e9clenche l’ouverture de la bo\u00eete de dialogue principale correspondante, laquelle orchestre l’ensemble des calculs param\u00e9triques et non param\u00e9triques ainsi que le rendu visuel associ\u00e9.<\/p>\n L’atout m\u00e9thodologique d\u00e9terminant de cette commande r\u00e9side dans sa capacit\u00e9 \u00e0 produire, en un passage unique, une documentation statistique exhaustive de la variable cible : estimation de la moyenne robuste \u00e0 5 % de troncation (5% Trimmed Mean<\/em>), intervalle de confiance \u00e0 95 %, \u00e9cart interquartile exact, indices d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>) assortis de leurs erreurs-types respectives, tout en affichant la distribution sous forme graphique.<\/p>\n L’interface de la commande Explorer pr\u00e9sente une structure ergonomique claire mais rigide. Dans la partie gauche figure la liste compl\u00e8te des variables disponibles dans le jeu de donn\u00e9es actif. Pour g\u00e9n\u00e9rer un boxplot univari\u00e9 global (par exemple, sur la distribution g\u00e9n\u00e9rale du temps de r\u00e9action de tous les sujets de l’\u00e9tude), il convient de s\u00e9lectionner la variable continue cible \u00ab Temps_Reaction_ms \u00bb et de la faire glisser, via la fl\u00e8che directionnelle centrale, dans le champ sup\u00e9rieur intitul\u00e9 Liste des variables d\u00e9pendantes<\/strong> (Dependent List<\/em>).<\/p>\n \u00c0 ce stade, si l’objectif se cantonne \u00e0 l’inspection descriptive globale de l’\u00e9chantillon sans distinction de groupes, le champ inf\u00e9rieur Liste des facteurs<\/strong> (Factor List<\/em>) doit demeurer vide. Dans le quadrant inf\u00e9rieur droit nomm\u00e9 Affichage<\/strong> (Display<\/em>), l’utilisateur dispose de trois boutons radio alternatifs : \u00ab Les deux \u00bb (Both<\/em>), \u00ab Statistiques \u00bb (Statistics<\/em>) ou \u00ab Trac\u00e9s \u00bb (Plots<\/em>). Pour une exploration clinique compl\u00e8te, le maintien de la s\u00e9lection par d\u00e9faut \u00ab Les deux \u00bb est vivement recommand\u00e9, afin de confronter imm\u00e9diatement les rep\u00e8res graphiques aux valeurs chiffr\u00e9es correspondantes.<\/p>\n Il est imp\u00e9ratif d’ajuster ensuite les param\u00e8tres graphiques en cliquant sur le bouton Trac\u00e9s<\/strong> (Plots…<\/em>) situ\u00e9 dans la marge sup\u00e9rieure droite de la bo\u00eete de dialogue. Dans la fen\u00eatre secondaire qui s’ouvre, le groupe d’options intitul\u00e9 Bo\u00eetes \u00e0 moustaches<\/strong> (Boxplots<\/em>) propose de cocher \u00ab Niveaux des facteurs ensemble \u00bb (Factor levels together<\/em>) ou \u00ab D\u00e9pendants ensemble \u00bb (Dependents together<\/em>). Pour optimiser le diagnostic, cochez \u00e9galement la case Graphiques de normalit\u00e9 avec tests<\/strong> (Normality plots with tests<\/em>). Cette derni\u00e8re commande int\u00e9grera dans la sortie le test formel de normalit\u00e9 de Shapiro-Wilk ainsi que les trac\u00e9s quantile-quantile (Q-Q plots), fournissant un \u00e9tayage analytique d\u00e9terminant pour interpr\u00e9ter le boxplot.<\/p>\n Apr\u00e8s validation des options s\u00e9lectionn\u00e9es en cliquant sur le bouton Poursuivre<\/strong> (Continue<\/em>), puis sur OK<\/strong> dans la fen\u00eatre principale, SPSS envoie les instructions au processeur de calcul et bascule automatiquement l’affichage vers la fen\u00eatre des r\u00e9sultats (SPSS Viewer<\/em>). Le document de sortie s’enrichit d’une s\u00e9quence hi\u00e9rarchis\u00e9e de sections qu’il convient de contr\u00f4ler chronologiquement avec un \u0153il critique.<\/p>\n La premi\u00e8re table g\u00e9n\u00e9r\u00e9e, intitul\u00e9e R\u00e9capitulatif du traitement des observations<\/strong> (Case Processing Summary<\/em>), constitue le filtre de s\u00e9curit\u00e9 de l’analyste. Elle d\u00e9taille le nombre absolu et le pourcentage de cas valides pris en compte dans le trac\u00e9, ainsi que le volume pr\u00e9cis des donn\u00e9es rejet\u00e9es pour cause de valeurs manquantes. La confirmation d’un taux de validit\u00e9 conforme aux pr\u00e9visions exp\u00e9rimentales garantit que le calcul des percentiles repose bien sur l’int\u00e9gralit\u00e9 de l’\u00e9chantillon cibl\u00e9.<\/p>\n En faisant d\u00e9filer le Viewer au-del\u00e0 du tableau des statistiques descriptives \u00e9tendues, la bo\u00eete \u00e0 moustaches univari\u00e9e appara\u00eet sur le plan de travail. L’axe des ordonn\u00e9es affiche l’\u00e9chelle m\u00e9trique de la variable continue, gradu\u00e9e selon un intervalle arithm\u00e9tique r\u00e9gulier calcul\u00e9 par le moteur logiciel. L’utilisateur doit imm\u00e9diatement inspecter les limites de cet axe pour s’assurer qu’aucune distorsion d’\u00e9chelle n’est venue compresser la bo\u00eete de fa\u00e7on anormale, attestant d’une configuration g\u00e9om\u00e9trique conforme aux propri\u00e9t\u00e9s du signal psychom\u00e9trique mesur\u00e9.<\/p>\n L’immense majorit\u00e9 des plans de recherche en psychologie clinique, cognitive ou sociale repose sur la comparaison syst\u00e9matique de groupes d’individus soumis \u00e0 des conditions exp\u00e9rimentales contrast\u00e9es ou pr\u00e9sentant des caract\u00e9ristiques nosographiques diff\u00e9rentielles. La projection conjointe de bo\u00eetes \u00e0 moustaches juxtapos\u00e9es sur un axe d’ordonn\u00e9e partag\u00e9 constitue \u00e0 cet \u00e9gard l’un des moyens les plus puissants pour appr\u00e9cier d’un coup d’\u0153il l’ampleur d’un effet exp\u00e9rimental et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des r\u00e9actions individuelles.<\/p>\n Pour mettre en \u0153uvre cette configuration comparative via la proc\u00e9dure Explorer, la variable quantitative continue (par exemple, le score d’anxi\u00e9t\u00e9 \u00ab Score_STAI \u00bb) est de nouveau assign\u00e9e \u00e0 la Liste des variables d\u00e9pendantes<\/strong>. La distinction op\u00e9ratoire r\u00e9side dans l’exploitation conjointe du champ Liste des facteurs<\/strong> (Factor List<\/em>), au sein duquel l’utilisateur doit ins\u00e9rer la variable cat\u00e9gorielle de regroupement, telle que \u00ab Condition_Stress \u00bb. En proc\u00e9dant ainsi, SPSS n’op\u00e8re plus une agr\u00e9gation aveugle de toutes les donn\u00e9es, mais segmente math\u00e9matiquement la distribution globale en sous-\u00e9chantillons distincts.<\/p>\n Le Viewer g\u00e9n\u00e8re alors une figure unique comportant autant de bo\u00eetes \u00e0 moustaches parall\u00e8les qu’il existe de modalit\u00e9s exhaustives d\u00e9finies dans la variable de facteur (dans notre exemple : une bo\u00eete d\u00e9di\u00e9e au groupe \u00ab T\u00e9moin \u00bb et une bo\u00eete d\u00e9di\u00e9e au groupe \u00ab Stress exp\u00e9rimental \u00bb). Cette juxtaposition horizontale imm\u00e9diate permet une \u00e9valuation comparative directe des m\u00e9dianes, de l’\u00e9tendue des bo\u00eetes centrales et de la dispersion des queues de distribution, simplifiant consid\u00e9rablement le travail d’inf\u00e9rence pr\u00e9liminaire.<\/p>\n Lorsque le dispositif m\u00e9thodologique int\u00e8gre plusieurs variables d\u00e9pendantes (par exemple, l’\u00e9valuation conjointe de l’anxi\u00e9t\u00e9 subjective et du temps de r\u00e9action) ou fait intervenir une hi\u00e9rarchie factorielle \u00e0 plusieurs niveaux, le param\u00e9trage des trac\u00e9s dans la bo\u00eete de dialogue Explorer doit \u00eatre ajust\u00e9 en cons\u00e9quence via le sous-menu Trac\u00e9s<\/strong>.<\/p>\n L’option Niveaux des facteurs ensemble<\/strong> (Factor levels together<\/em>) constitue le choix par excellence pour \u00e9valuer un effet de groupe univari\u00e9 : elle regroupe sur un graphique unique les diff\u00e9rentes cat\u00e9gories d\u00e9finies par le facteur pour la variable d\u00e9pendante \u00e9tudi\u00e9e. Cette disposition optimise la comparaison de la dispersion inter-groupes, fonctionnant comme un proxy visuel des postulats d’homosc\u00e9dasticit\u00e9 requis pour les tests de comparaison de moyennes. Si l’amplitude verticale des bo\u00eetes interquartiles pr\u00e9sente un rapport de un \u00e0 trois entre les groupes, l’analyste est imm\u00e9diatement alert\u00e9 d’un risque \u00e9lev\u00e9 d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances.<\/p>\n \u00c0 l’inverse, l’option D\u00e9pendants ensemble<\/strong> (Dependents together<\/em>) trouve son utilit\u00e9 lorsque le chercheur transf\u00e8re simultan\u00e9ment plusieurs variables d\u00e9pendantes partageant rigoureusement la m\u00eame unit\u00e9 m\u00e9trique (comme diff\u00e9rentes sous-\u00e9chelles d’un m\u00eame questionnaire standardis\u00e9) sans sp\u00e9cifier de facteur de partition. SPSS aligne alors c\u00f4te \u00e0 c\u00f4te les bo\u00eetes relatives \u00e0 chaque sous-\u00e9chelle, autorisant un diagnostic comparatif imm\u00e9diat du profil psychom\u00e9trique moyen de l’ensemble de l’\u00e9chantillon d’\u00e9tude.<\/p>\n L’investigation clinique recourt fr\u00e9quemment \u00e0 des devis longitudinaux ou \u00e0 des protocoles intra-sujets \u00e0 mesures r\u00e9p\u00e9t\u00e9es, dans lesquels chaque individu est \u00e9valu\u00e9 \u00e0 de multiples reprises dans le temps (par exemple : \u00ab Anxiete_PreTest \u00bb, \u00ab Anxiete_PostTest \u00bb, \u00ab Anxiete_Suivi_3Mois \u00bb). La transposition graphique de cette architecture temporelle sous SPSS requiert une attention m\u00e9thodologique particuli\u00e8re li\u00e9e au formatage matriciel des donn\u00e9es.<\/p>\n Sous SPSS, les mesures r\u00e9p\u00e9t\u00e9es sont classiquement saisies dans un format dit \u00ab large \u00bb (Wide format<\/em>), o\u00f9 chaque temps de mesure occupe une colonne s\u00e9par\u00e9e pour une m\u00eame ligne repr\u00e9sentant un sujet unique. Si l’on applique directement la proc\u00e9dure Explorer en injectant ces trois colonnes dans la \u00ab Liste des variables d\u00e9pendantes \u00bb sans variable de facteur, le logiciel juxtapose les trois bo\u00eetes \u00e0 moustaches chronologiques sur un m\u00eame panneau. Cela permet d’observer l’\u00e9volution temporelle de la m\u00e9diane et de la variabilit\u00e9 interindividuelle \u00e0 travers les phases th\u00e9rapeutiques.<\/p>\n N\u00e9anmoins, une pr\u00e9caution th\u00e9orique critique s’impose lors du d\u00e9codage de ce type de visualisation : les bo\u00eetes \u00e0 moustaches ind\u00e9pendantes juxtapos\u00e9es masquent intrins\u00e8quement la corr\u00e9lation intra-sujet qui unit les mesures r\u00e9p\u00e9t\u00e9es d’un m\u00eame individu. Le d\u00e9placement de la m\u00e9diane d’un temps \u00e0 l’autre refl\u00e8te fid\u00e8lement la tendance collective du groupe, mais le graphique ne permet pas de discerner si les trajectoires individuelles sont homog\u00e8nes ou si certains sous-groupes de patients \u00e9voluent \u00e0 contre-courant. L’analyste gardera \u00e0 l’esprit que la bo\u00eete \u00e0 moustaches traite ici les occasions de mesure comme des coupes transversales successives.<\/p>\n Si la proc\u00e9dure Explorer s\u00e9duit par sa richesse statistique automatis\u00e9e, le G\u00e9n\u00e9rateur de graphiques<\/strong> (Chart Builder<\/em>) d’IBM SPSS offre un contr\u00f4le esth\u00e9tique, fonctionnel et architectural nettement sup\u00e9rieur sur la composition visuelle. Reposant sur le puissant moteur sous-jacent Graphics Production Language<\/em> (GPL), ce module interactif permet d’\u00e9chafauder des figures complexes hautement personnalis\u00e9es, r\u00e9pondant directement aux exigences typographiques des publications scientifiques.<\/p>\n L’acc\u00e8s s’op\u00e8re via la barre de menus sup\u00e9rieure en s\u00e9lectionnant Graphiques<\/strong> (Graphs<\/em>), puis G\u00e9n\u00e9rateur de graphiques<\/strong> (Chart Builder…<\/em>). Une bo\u00eete d’alerte m\u00e9thodologique rappelle fr\u00e9quemment la n\u00e9cessit\u00e9 de renseigner correctement le niveau de mesure des variables, rappel fondamental dont d\u00e9pend l’activation des fonctionnalit\u00e9s du g\u00e9n\u00e9rateur. Une fois l’espace de travail affich\u00e9, l’utilisateur s\u00e9lectionne l’onglet Galerie<\/strong> (Gallery<\/em>) dans la partie inf\u00e9rieure, puis clique sur la famille typologique Bo\u00eete \u00e0 moustaches<\/strong> (Boxplot<\/em>).<\/p>\n La galerie expose plusieurs d\u00e9clinaisons fondamentales : la \u00ab Bo\u00eete \u00e0 moustaches 1-D \u00bb (trac\u00e9 univari\u00e9), la \u00ab Bo\u00eete \u00e0 moustaches simple \u00bb (pour comparer plusieurs sous-groupes selon un facteur nominal unique), et la \u00ab Bo\u00eete \u00e0 moustaches group\u00e9e \u00bb (Clustered Boxplot<\/em>, pour mod\u00e9liser des plans factoriels crois\u00e9s). Pour initier la construction, il suffit d’effectuer un glisser-d\u00e9poser de l’ic\u00f4ne choisie vers la grande zone d’aper\u00e7u dynamique du canevas sup\u00e9rieur, initialisant ainsi les zones r\u00e9ceptrices d’axes.<\/p>\n L’environnement du G\u00e9n\u00e9rateur de graphiques r\u00e9v\u00e8le toute sa puissance lors de la mod\u00e9lisation de plans factoriels complexes \u00e0 deux facteurs crois\u00e9s (plans de type ANOVA 2×2 ou 2×3). Pour cartographier, par exemple, l’interaction potentielle entre la condition d’induction de stress et le profil d’anxi\u00e9t\u00e9-trait des individus, la s\u00e9lection de la bo\u00eete \u00e0 moustaches group\u00e9e s’av\u00e8re optimale.<\/p>\n Apr\u00e8s avoir gliss\u00e9 la variable continue \u00ab Score_STAI \u00bb sur l’axe vertical (axe Y) et la variable \u00ab Condition_Stress \u00bb sur l’axe horizontal (axe X), une zone r\u00e9ceptrice additionnelle intitul\u00e9e \u00ab D\u00e9finir les groupes\/la couleur \u00bb (Cluster on X: set color<\/em>) s’illumine dans le coin sup\u00e9rieur droit du canevas. Il suffit d’y d\u00e9poser la seconde variable ind\u00e9pendante, \u00ab Profil_Anxiete_Trait \u00bb. SPSS g\u00e9n\u00e8re alors imm\u00e9diatement un aper\u00e7u structurel o\u00f9 chaque niveau du facteur X est subdivis\u00e9 en grappes de bo\u00eetes diff\u00e9renci\u00e9es par des textures ou des teintes de gris contrast\u00e9es, accompagn\u00e9es de leur l\u00e9gende d’attribution.<\/p>\n De plus, l’onglet lat\u00e9ral Propri\u00e9t\u00e9s des \u00e9l\u00e9ments<\/strong> (Element Properties<\/em>) permet de piloter rigoureusement l’ordre d’affichage des cat\u00e9gories nominales. Le chercheur peut y r\u00e9organiser logiquement la disposition des groupes (par exemple, placer syst\u00e9matiquement le groupe t\u00e9moin en premi\u00e8re position de gauche) ou exclure temporairement une modalit\u00e9 non pertinente sans devoir alt\u00e9rer la matrice de donn\u00e9es brutes, pr\u00e9servant ainsi l’int\u00e9grit\u00e9 de la structure source.<\/p>\n La zone de pr\u00e9visualisation du G\u00e9n\u00e9rateur de graphiques n’est pas une simple illustration statique : elle r\u00e9agit dynamiquement aux modifications param\u00e9triques ordonn\u00e9es dans la bo\u00eete de contr\u00f4le lat\u00e9rale. En s\u00e9lectionnant l’\u00e9l\u00e9ment \u00ab Bo\u00eete \u00e0 moustaches 1 \u00bb dans la liste des propri\u00e9t\u00e9s, l’analyste acc\u00e8de \u00e0 des r\u00e9glages morphologiques pr\u00e9cis, tels que la modification de la largeur relative des bo\u00eetes (Box width<\/em>), permettant d’ajuster l’encombrement graphique selon le nombre de sous-groupes compar\u00e9s.<\/p>\n Ce menu autorise \u00e9galement le param\u00e9trage imm\u00e9diat de l’\u00e9chelle de mesure sur l’axe des ordonn\u00e9es. En cliquant sur le bouton \u00ab Axe Y (Bo\u00eete1) \u00bb, l’utilisateur peut d\u00e9sactiver le calibrage automatique des bornes pour imposer des valeurs minimales et maximales ancr\u00e9es sur la r\u00e9alit\u00e9 th\u00e9orique de l’instrument de mesure (par exemple, forcer l’axe \u00e0 d\u00e9buter au z\u00e9ro absolu ou au score plancher de 20 pour une \u00e9chelle psychom\u00e9trique, \u00e9vitant ainsi d’exag\u00e9rer visuellement des fluctuations inter-groupes mineures).<\/p>\n Enfin, le G\u00e9n\u00e9rateur int\u00e8gre la possibilit\u00e9 de sauvegarder l’int\u00e9gralit\u00e9 de la configuration stylistique sous la forme d’un fichier mod\u00e8le SPSS Chart Template (portant l’extension Dans une perspective de science ouverte et de rigueur m\u00e9thodologique, l’exploitation exclusive de l’interface graphique pilot\u00e9e par la souris pr\u00e9sente des vuln\u00e9rabilit\u00e9s document\u00e9es : manque de tra\u00e7abilit\u00e9, risques de manipulations erron\u00e9es non document\u00e9es et lenteur op\u00e9rationnelle lors du traitement d’\u00e9chantillons massifs. La ma\u00eetrise de la programmation en syntaxe de commande SPSS constitue le garant absolu de la reproductibilit\u00e9 des analyses exploratoires.<\/p>\n Le pilotage textuel de la proc\u00e9dure Explorer s’effectue au moyen de la commande EXAMINE<\/strong>. Pour reproduire par script l’exploration univari\u00e9e de la variable continue de temps de r\u00e9action en fonction des niveaux de la condition de stress, l’instruction de base s’articule comme suit dans une fen\u00eatre de syntaxe d\u00e9di\u00e9e :<\/p>\n EXAMINE VARIABLES = Temps_Reaction_ms BY Condition_Stress La clause Pour exploiter les potentialit\u00e9s visuelles maximales de SPSS et concevoir des figures vectorielles sophistiqu\u00e9es, la commande GGRAPH<\/strong>, coupl\u00e9e au m\u00e9talangage d\u00e9claratif GPL<\/strong> (Graphics Production Language<\/em>), repr\u00e9sente l’outil programmatique de r\u00e9f\u00e9rence. Cette syntaxe d\u00e9couple la pr\u00e9paration statistique des donn\u00e9es de la d\u00e9finition g\u00e9om\u00e9trique des objets graphiques, offrant une flexibilit\u00e9 typographique in\u00e9gal\u00e9e.<\/p>\n Une s\u00e9quence GPL d\u00e9di\u00e9e \u00e0 l’\u00e9laboration d’une bo\u00eete \u00e0 moustaches comparative robuste adopte une architecture modulaire standardis\u00e9e :<\/p>\n GGRAPH L’\u00e9l\u00e9ment fonctionnel central r\u00e9side dans l’instruction L’int\u00e9gration de la programmation par syntaxe au c\u0153ur de la routine du chercheur en sciences humaines r\u00e9pond aux exigences d\u00e9ontologiques contemporaines de transparence m\u00e9thodologique. L’enregistrement rigoureux des scripts dans un fichier de syntaxe (.sps) constitue un journal d’audit infalsifiable de toutes les d\u00e9cisions prises au cours de l’analyse : traitement des valeurs manquantes, d\u00e9coupage des facteurs, s\u00e9lection des variables et param\u00e8tres graphiques appliqu\u00e9s.<\/p>\n Au-del\u00e0 de la conformit\u00e9 aux standards de reproductibilit\u00e9, l’automatisation programmatique d\u00e9cuple l’efficacit\u00e9 op\u00e9rationnelle face \u00e0 des devis d’\u00e9valuation psychom\u00e9trique exhaustifs. L’analyse simultan\u00e9e de multiples dimensions issues d’inventaires de personnalit\u00e9 (tels que les 30 facettes du NEO-PI-3) n\u00e9cessiterait des dizaines de manipulations fastidieuses et r\u00e9p\u00e9t\u00e9es \u00e0 la souris via l’interface graphique. Par script, il suffit de formuler une boucle it\u00e9rative ou de renseigner l’ensemble de la liste des variables dans l’instruction Enfin, cette approche immunise l’analyste contre les erreurs humaines inh\u00e9rentes \u00e0 la fatigue cognitive : une bo\u00eete coch\u00e9e par inadvertance, une \u00e9chelle mal red\u00e9finie ou une variable confondue lors d’une session de clics successifs peuvent introduire des biais silencieux dans le traitement des sorties. La syntaxe garantit qu’un protocole valid\u00e9 s’ex\u00e9cutera de fa\u00e7on immuable, quel que soit le moment de l’analyse ou la version de la plateforme SPSS utilis\u00e9e.<\/p>\n L’\u00e9valuation rigoureuse d’une bo\u00eete \u00e0 moustaches d\u00e9bute syst\u00e9matiquement par l’analyse g\u00e9om\u00e9trique du rectangle central, qui concentre les indicateurs majeurs de tendance centrale et de dispersion de la sous-population investigu\u00e9e. La ligne transversale repr\u00e9sentant la m\u00e9diane doit \u00eatre appr\u00e9hend\u00e9e comme le point d’\u00e9quilibre non param\u00e9trique : 50 % des participants obtiennent un score situ\u00e9 en dessous de ce rep\u00e8re, et 50 % un score situ\u00e9 au-dessus. Sa position absolue sur l’axe des ordonn\u00e9es fournit une indication clinique imm\u00e9diate de l’amplitude globale de la r\u00e9ponse du groupe.<\/p>\n La hauteur physique de la bo\u00eete, correspondant \u00e0 l’\u00e9cart interquartile (Q3 – Q1), traduit fid\u00e8lement le degr\u00e9 d’homog\u00e9n\u00e9it\u00e9 ou d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des 50 % interm\u00e9diaires de l’\u00e9chantillon. Une bo\u00eete extr\u00eamement courte et tass\u00e9e refl\u00e8te une forte consistance interindividuelle, signifiant que la moiti\u00e9 des sujets observ\u00e9s pr\u00e9sentent des scores hautement convergents autour de la m\u00e9diane. \u00c0 l’inverse, une bo\u00eete haute t\u00e9moigne d’une dispersion substantielle des r\u00e9ponses, sugg\u00e9rant que le groupe \u00e9valu\u00e9 r\u00e9agit de fa\u00e7on disparate au construit mesur\u00e9, ce qui doit inciter le clinicien \u00e0 rechercher des variables mod\u00e9ratrices sous-jacentes.<\/p>\n L’asym\u00e9trie interne de la bo\u00eete constitue le troisi\u00e8me indice diagnostique fondamental. La m\u00e9diane ne scinde pas obligatoirement le rectangle en deux parties \u00e9gales. Si elle se positionne de fa\u00e7on excentr\u00e9e, nettement rapproch\u00e9e du plancher de la bo\u00eete (Q1), cela d\u00e9montre que les observations de la moiti\u00e9 centrale sont denses et ramass\u00e9es dans les bas scores, tandis qu’elles s’\u00e9tirent de fa\u00e7on plus diffuse vers le troisi\u00e8me quartile, mat\u00e9rialisant une asym\u00e9trie positive locale au c\u0153ur m\u00eame de la distribution.<\/p>\n Les moustaches qui s’\u00e9tendent de part et d’autre de la bo\u00eete centrale d\u00e9limitent le domaine de variabilit\u00e9 des observations consid\u00e9r\u00e9es comme non contamin\u00e9es par des processus d’alt\u00e9ration statistique. L’algorithme standard impl\u00e9ment\u00e9 dans SPSS d\u00e9termine la longueur maximale th\u00e9orique d’une moustache en multipliant l’\u00e9cart interquartile par une constante fixe de 1,5, puis en ajoutant cette marge au quartile sup\u00e9rieur (Q3 + 1,5*IQR) ou en la soustrayant du quartile inf\u00e9rieur (Q1 – 1,5*IQR).<\/p>\n Toutefois, une nuance algorithmique fondamentale distingue la bo\u00eete de Tukey telle que rendue par SPSS : l’extr\u00e9mit\u00e9 de la moustache ne s’arr\u00eate pas arbitrairement \u00e0 cette borne calcul\u00e9e, mais s’ancre exactement sur la valeur de la donn\u00e9e empirique la plus extr\u00eame qui demeure \u00e0 l’int\u00e9rieur de cet intervalle de tol\u00e9rance (la valeur adjacente). D\u00e8s lors, la longueur effective des moustaches sup\u00e9rieure et inf\u00e9rieure d\u00e9pend \u00e9troitement de la structure concr\u00e8te des donn\u00e9es recueillies et pr\u00e9sente tr\u00e8s rarement une \u00e9galit\u00e9 g\u00e9om\u00e9trique parfaite.<\/p>\n Une dissym\u00e9trie marqu\u00e9e entre la longueur de la moustache sup\u00e9rieure et celle de la moustache inf\u00e9rieure constitue un marqueur visuel direct de non-normalit\u00e9. Si la moustache sup\u00e9rieure s’allonge sur plusieurs unit\u00e9s d’\u00e9chelle tandis que la moustache inf\u00e9rieure appara\u00eet quasiment inexistante, la distribution est affect\u00e9e d’une forte asym\u00e9trie positive avec un \u00e9talement de la queue sup\u00e9rieure. Cette observation visuelle disqualifie d’embl\u00e9e l’hypoth\u00e8se d’une loi de distribution sym\u00e9trique gaussienne, rendant hautement suspecte l’utilisation de tests statistiques fond\u00e9s sur la pr\u00e9somption de normalit\u00e9 stricte.<\/p>\n La comparaison juxtapos\u00e9e de plusieurs bo\u00eetes \u00e0 moustaches au sein d’une m\u00eame figure invite naturellement l’analyste \u00e0 formuler des inf\u00e9rences comparatives sur l’efficacit\u00e9 relative d’un traitement ou la singularit\u00e9 d’un profil nosologique. Pour mener cet examen avec rigueur sans c\u00e9der aux illusions perceptives, certains rep\u00e8res g\u00e9om\u00e9triques empiriques m\u00e9ritent d’\u00eatre formalis\u00e9s.<\/p>\n Une r\u00e8gle heuristique classique stipule que si la ligne m\u00e9diane d’un groupe exp\u00e9rimental se situe enti\u00e8rement en dehors du rectangle central (EIQ) d’un groupe t\u00e9moin, la probabilit\u00e9 d’une diff\u00e9rence statistiquement significative entre les deux populations au seuil conventionnel alpha = 0,05 est particuli\u00e8rement \u00e9lev\u00e9e. \u00c0 l’inverse, un chevauchement substantiel des deux bo\u00eetes centrales, avec des m\u00e9dianes log\u00e9es \u00e0 des niveaux d’ordonn\u00e9es \u00e9quivalents, laisse pr\u00e9sager l’absence d’effet clinique ou exp\u00e9rimental majeur du traitement administr\u00e9.<\/p>\n Cependant, le chercheur doit se garder rigoureusement d’\u00e9riger ces indices visuels en verdicts inf\u00e9rentiels d\u00e9finitifs. La bo\u00eete \u00e0 moustaches refl\u00e8te des distributions d’\u00e9chantillons bruts et non des distributions d’\u00e9chantillonnage de la moyenne ou de la m\u00e9diane : elle ne tient pas compte directement de la puissance statistique tributaire de la taille globale de l’\u00e9chantillon (N). Un chevauchement mod\u00e9r\u00e9 de bo\u00eetes peut demeurer hautement significatif sur un tr\u00e8s grand \u00e9chantillon (N = 10 000), tout comme une disjonction visuelle apparente peut s’av\u00e9rer statistiquement non significative sur une petite cohorte de 10 patients en raison d’une erreur-type \u00e9lev\u00e9e. L’interpr\u00e9tation visuelle constitue une \u00e9tape exploratoire indispensable, mais ne saurait se substituer au test d’hypoth\u00e8se formel.<\/p>\n L’un des apports majeurs de la bo\u00eete \u00e0 moustaches r\u00e9side dans son protocole formalis\u00e9 et transparent de signalement des donn\u00e9es discordantes. Alors que d’autres progiciels statistiques agr\u00e8gent indistinctement l’ensemble des points au sein de moustaches fond\u00e9es sur les percentiles 5 et 95, SPSS applique rigoureusement la taxonomie bipartite propos\u00e9e par John Tukey, scindant les donn\u00e9es atypiques en \u00ab valeurs aberrantes \u00bb (outliers<\/em>) et \u00ab valeurs extr\u00eames \u00bb (extreme values<\/em>).<\/p>\n Sont class\u00e9es comme valeurs aberrantes mod\u00e9r\u00e9es (Outliers<\/em>) toutes les observations dont la magnitude se situe au-del\u00e0 des cl\u00f4tures int\u00e9rieures (c’est-\u00e0-dire entre 1,5 fois l’IQR et 3 fois l’IQR au-dessus de Q3 ou en dessous de Q1). Sur le trac\u00e9 graphique de SPSS, ces donn\u00e9es sont mat\u00e9rialis\u00e9es de fa\u00e7on standardis\u00e9e par de petits cercles (o). Ces points traduisent une d\u00e9viation inhabituelle par rapport au corps de la distribution, sans que l’on puisse statuer d’embl\u00e9e sur leur caract\u00e8re pathologique ou artefactuel.<\/p>\n Sont formellement d\u00e9sign\u00e9es comme valeurs extr\u00eames (Extreme values<\/em>) les observations qui transgressent la cl\u00f4ture ext\u00e9rieure, en se positionnant \u00e0 plus de 3 fois l’\u00e9tendue interquartile (3*IQR) au-del\u00e0 des charni\u00e8res de la bo\u00eete. SPSS identifie ces d\u00e9viations critiques sur le graphique au moyen d’un symbole distinctif en forme d’ast\u00e9risque (*). Dans le cadre d’un protocole exp\u00e9rimental standard, la pr\u00e9sence d’une valeur extr\u00eame atteste d’une rupture distributionnelle massive qui alt\u00e8re substantiellement les estimations param\u00e9triques et impose des mesures correctives imm\u00e9diates.<\/p>\n La force op\u00e9ratoire de l’algorithme graphique de SPSS repose sur l’attribution syst\u00e9matique d’une \u00e9tiquette num\u00e9rique adjacente \u00e0 chaque cercle ou ast\u00e9risque projet\u00e9 sur le canevas. Ce chiffre ne repr\u00e9sente pas la valeur num\u00e9rique prise par la mesure, mais correspond au num\u00e9ro exact de la ligne d’enregistrement (Case Number<\/em>) du participant concern\u00e9 dans la matrice de donn\u00e9es active. Cette tra\u00e7abilit\u00e9 directe \u00e9limine toute incertitude lors de la phase d’audit m\u00e9dico-l\u00e9gal des donn\u00e9es.<\/p>\n Conjointement au rendu graphique, la proc\u00e9dure Explorer g\u00e9n\u00e8re un tableau synth\u00e9tique intitul\u00e9 Observations extr\u00eames<\/strong> (Extreme Values Table<\/em>). Ce relev\u00e9 dresse l’inventaire nominatif des cinq valeurs empiriques les plus \u00e9lev\u00e9es et des cinq valeurs les plus basses pour la variable investigu\u00e9e, en consignant pour chacune le num\u00e9ro de sujet, le code d’identification textuel le cas \u00e9ch\u00e9ant et la valeur chiffr\u00e9e absolue enregistr\u00e9e. Cette double documentation autorise un recoupement imm\u00e9diat entre la g\u00e9om\u00e9trie visuelle du boxplot et les valeurs quantitatives r\u00e9elles.<\/p>\n Il est en outre possible, dans les options avanc\u00e9es d’Explorer, d’affecter une variable textuelle personnalis\u00e9e (telle que l’identifiant clinique anonymis\u00e9 du patient \u00ab Code_Patient \u00bb) dans le champ intitul\u00e9 \u00c9tiqueter les observations par<\/strong> (Label Cases by<\/em>). D\u00e8s lors, le Viewer de SPSS ne placera plus de simples num\u00e9ros de lignes arbitraires \u00e0 c\u00f4t\u00e9 des ast\u00e9risques et cercles d’aberration, mais affichera explicitement les codes patients, simplifiant la transmission des donn\u00e9es de pharmacovigilance ou le retour aux dossiers cliniques d’origine.<\/p>\n La d\u00e9couverte d’observations isol\u00e9es au-del\u00e0 des moustaches place l’analyste face \u00e0 un arbitrage m\u00e9thodologique d\u00e9licat. Dans les sciences comportementales, l’exclusion arbitraire et silencieuse des donn\u00e9es discordantes constitue une faute scientifique caract\u00e9ris\u00e9e. Toute intervention curative sur la matrice de donn\u00e9es doit \u00eatre adoss\u00e9e \u00e0 une typologie \u00e9tiologique rigoureuse et consign\u00e9e de fa\u00e7on transparente dans les rapports de recherche.<\/p>\n On distingue classiquement trois sources \u00e9tiologiques principales :<\/p>\n Face \u00e0 des donn\u00e9es authentiques mais hautement perturbatrices pour les mod\u00e8les param\u00e9triques, plusieurs solutions alternatives s’offrent au chercheur : appliquer une transformation math\u00e9matique continue (logarithmique, racine carr\u00e9e ou inverse) afin de comprimer l’\u00e9talement de la queue de distribution, recourir \u00e0 la winsorisation (technique consistant \u00e0 ramener la valeur aberrante au seuil percentile le plus proche non discordant), ou abandonner les mod\u00e8les lin\u00e9aires classiques au profit de m\u00e9thodes d’estimation robustes ou de tests de rangs non param\u00e9triques.<\/p>\n Les rendus bruts g\u00e9n\u00e9r\u00e9s dans la fen\u00eatre d’affichage de SPSS souffrent traditionnellement d’une lourdeur stylistique peu compatible avec les standards esth\u00e9tiques contemporains : arri\u00e8re-plans gr\u00e8ges sombres, quadrillages omnipr\u00e9sents, polices typographiques mal proportionn\u00e9es et saturations chromatiques excessives. L’appropriation de l’\u00c9diteur de graphiques<\/strong> (Chart Editor<\/em>) de SPSS est une \u00e9tape essentielle pour convertir un sch\u00e9ma brut en une figure scientifique raffin\u00e9e.<\/p>\n Pour activer ce module d’\u00e9dition interactif, il suffit d’effectuer un double-clic directement sur le graphique cible au sein du Viewer de SPSS. La figure s’isole imm\u00e9diatement dans une fen\u00eatre d’\u00e9dition d\u00e9di\u00e9e, lib\u00e9rant une riche barre d’outils et ouvrant l’acc\u00e8s au volet d’ajustement structurel Propri\u00e9t\u00e9s<\/strong> (activable par le raccourci Ctrl+T ou par double-clic sur n’importe quel composant de l’image).<\/p>\n Depuis cet espace, chaque \u00e9l\u00e9ment g\u00e9om\u00e9trique devient individuellement manipulable. Un double-clic sur le rectangle d’une bo\u00eete donne acc\u00e8s \u00e0 l’onglet \u00ab Remplissage et bordure \u00bb (Fill & Border<\/em>), permettant de remplacer les couleurs vives par d\u00e9faut par des teintes de gris neutres ou un remplissage blanc pur d\u00e9limit\u00e9 par un trait de contour noir fin. De m\u00eame, un simple clic sur les lignes de quadrillage horizontal et vertical permet d’ordonner leur suppression d\u00e9finitive, all\u00e9geant imm\u00e9diatement la charge visuelle de la repr\u00e9sentation.<\/p>\n La 7e \u00e9dition du manuel de publication de l’American Psychological Association (APA) \u00e9dicte des r\u00e8gles particuli\u00e8rement rigoureuses concernant l’architecture typographique et l’\u00e9conomie visuelle des figures scientifiques. La conformit\u00e9 acad\u00e9mique exige l’application scrupuleuse de plusieurs ajustements stylistiques fondamentaux sous SPSS :<\/p>\n L’obtention d’une bo\u00eete \u00e0 moustaches scientifiquement irr\u00e9prochable et esth\u00e9tiquement norm\u00e9e s’av\u00e8re vaine si le processus d’exportation alt\u00e8re sa nettet\u00e9 optique. Les revues scientifiques imposent des seuils de r\u00e9solution minimaux stricts pour les \u00e9l\u00e9ments graphiques : g\u00e9n\u00e9ralement 300 \u00e0 600 DPI (points par pouce) pour les demi-teintes et jusqu’\u00e0 1200 DPI pour les dessins au trait au format d’impression final.<\/p>\n Pour exporter une figure depuis le Viewer de SPSS sans d\u00e9gradation matricielle, effectuez un clic droit sur le graphique \u00e9dit\u00e9, puis s\u00e9lectionnez l’instruction Exporter…<\/strong> (Export…<\/em>). Dans la bo\u00eete de dialogue d’exportation, il convient de modifier le menu d\u00e9roulant Type d’objet<\/strong> pour choisir un format d’image vectorielle tel que l’EPS<\/strong> (Encapsulated PostScript<\/em>) ou le PDF<\/strong> vectoriel. Les formats vectoriels offrent l’avantage d\u00e9terminant d’une r\u00e9solution th\u00e9oriquement infinie : le trac\u00e9 g\u00e9om\u00e9trique de la bo\u00eete, des moustaches et des symboles d’aberration ne subit aucune pixellisation, quelle que soit l’\u00e9chelle d’agrandissement appliqu\u00e9e par l’\u00e9diteur de la revue.<\/p>\n Si la soumission exige un format matriciel (rasteris\u00e9), le format TIFF<\/strong> (.tif) non compress\u00e9 ou avec compression LZW constitue le choix de r\u00e9f\u00e9rence. Dans les options avanc\u00e9es d’exportation TIFF, l’utilisateur veillera \u00e0 configurer manuellement la r\u00e9solution de sortie sur un minimum absolu de 300 DPI (voire 600 DPI pour les sch\u00e9mas en noir et blanc). Il importe \u00e9galement de veiller au verrouillage strict des proportions d’aspect (Lock aspect ratio<\/em>) afin d’\u00e9viter que le rectangle de la bo\u00eete \u00e0 moustaches ne soit accidentellement \u00e9tir\u00e9 ou comprim\u00e9 sur l’un de ses axes lors de l’enregistrement num\u00e9rique.<\/p>\n Au-del\u00e0 de sa fonction de description descriptive, la bo\u00eete \u00e0 moustaches se r\u00e9v\u00e8le \u00eatre un instrument diagnostique de choix pour sonder les postulats sous-jacents aux mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux. L’analyse de variance classique (ANOVA univari\u00e9e ou factorielle) repose de mani\u00e8re critique sur l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 des variances intra-groupes, couramment d\u00e9sign\u00e9e sous le terme d’homosc\u00e9dasticit\u00e9. Une rupture substantielle de cette condition compromet la pr\u00e9cision du ratio F de Fisher-Snedecor et gonfle de fa\u00e7on incontr\u00f4l\u00e9e le taux d’erreur de premi\u00e8re esp\u00e8ce (rejet indu de l’hypoth\u00e8se nulle).<\/p>\n La juxtaposition de bo\u00eetes \u00e0 moustaches pour chaque niveau du facteur exp\u00e9rimental fournit un diagnostic pr\u00e9liminaire direct de la validit\u00e9 de ce postulat. \u00c9tant donn\u00e9 que la hauteur physique du rectangle central mat\u00e9rialise l’\u00e9cart interquartile (IQR), l’analyste peut comparer visuellement l’amplitude de dispersion des 50 % interm\u00e9diaires de chaque groupe. Si la bo\u00eete la plus haute pr\u00e9sente une hauteur sup\u00e9rieure \u00e0 1,5 ou 2 fois celle de la bo\u00eete la plus courte, l’analyste se trouve face \u00e0 un signal manifeste d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9.<\/p>\n Cette inspection visuelle doit \u00eatre mise en perspective avec les r\u00e9sultats formels du test d’\u00e9galit\u00e9 des variances d’erreur de Levene. N\u00e9anmoins, le test de Levene est r\u00e9put\u00e9 pour sa sensibilit\u00e9 excessive dans les grands \u00e9chantillons (o\u00f9 d’infimes \u00e9carts sans cons\u00e9quence pratique deviennent statistiquement significatifs) et pour son manque de puissance dans les cohortes restreintes. L’observation de la hauteur des bo\u00eetes \u00e0 moustaches fournit un contrepoids clinique pragmatique. En cas d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle constat\u00e9e \u00e0 la fois sur le graphique et sur les indices num\u00e9riques, le chercheur devra imm\u00e9diatement d\u00e9laisser l’ANOVA param\u00e9trique standard au profit de mod\u00e8les robustes qui ne postulent pas l’\u00e9galit\u00e9 des variances, tels que l’ANOVA de Welch ou la correction de Brown-Forsythe.<\/p>\n L’administration d’instruments de mesure psychom\u00e9triques ou de batteries d’\u00e9valuation neuropsychologique se heurte r\u00e9guli\u00e8rement \u00e0 des ph\u00e9nom\u00e8nes de troncature d’\u00e9chelle, connus sous les vocables d’effets de plancher (floor effects<\/em>) et de plafond (ceiling effects<\/em>). Ces distorsions m\u00e9thodologiques surviennent lorsqu’une \u00e9preuve pr\u00e9sente un niveau de difficult\u00e9 inadapt\u00e9 \u00e0 l’\u00e9chantillon investigu\u00e9, conduisant une proportion disproportionn\u00e9e d’individus \u00e0 saturer la note minimale ou maximale possible.<\/p>\n La bo\u00eete \u00e0 moustaches agit comme un r\u00e9v\u00e9lateur graphique imm\u00e9diat de ces pathologies de mesure :<\/p>\n La d\u00e9tection graphique de tels profils tronqu\u00e9s interdit formellement l’utilisation de statistiques lin\u00e9aires ordinaires. Elle impose un recadrage m\u00e9thodologique profond : recours \u00e0 des mod\u00e8les de r\u00e9gression censur\u00e9e (mod\u00e8les de type Tobit), recodage ordinal de la variable ou r\u00e9vision int\u00e9grale des outils d’\u00e9valuation psychom\u00e9trique lors de protocoles futurs.<\/p>\n Dans la recherche nosographique et translationnelle, la bo\u00eete \u00e0 moustaches \u00e9claire l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne de cat\u00e9gories cliniques complexes. Une cat\u00e9gorie diagnostique consolid\u00e9e (par exemple, le syndrome de stress post-traumatique ou le trouble d\u00e9ficit de l’attention avec hyperactivit\u00e9) dissimule fr\u00e9quemment des profils de r\u00e9ponse h\u00e9t\u00e9rog\u00e8nes, articul\u00e9s autour d’endoph\u00e9notypes distincts qui se fondent silencieusement dans les statistiques d’agr\u00e9gation globale.<\/p>\n L’inspection minutieuse d’une bo\u00eete comparative entre un groupe contr\u00f4le et un groupe clinique r\u00e9v\u00e8le souvent une asym\u00e9trie interne paradoxale. Une bo\u00eete anormalement allong\u00e9e chez les patients, flanqu\u00e9e d’un \u00e9cart interquartile trois fois plus vaste que celui des t\u00e9moins et d’une m\u00e9diane d\u00e9cal\u00e9e par rapport au centre g\u00e9om\u00e9trique, trahit la coexistence de deux sous-groupes physiologiques r\u00e9actifs distincts : une fraction de patients dits \u00ab r\u00e9pondeurs \u00bb dont la distribution s’apparente \u00e0 la normale, et une fraction de patients dits \u00ab non r\u00e9pondeurs \u00bb formant un bloc secondaire distant.<\/p>\n Bien que la bo\u00eete \u00e0 moustaches standard ne permette pas d’objectiver directement la bimodalit\u00e9 interne d’une distribution continue (car elle r\u00e9sume les donn\u00e9es par des percentiles sans en tracer la densit\u00e9 continue point par point), elle fonctionne comme un puissant signal d’alarme. L’observation d’une bo\u00eete d\u00e9mesur\u00e9ment \u00e9tir\u00e9e sans valeurs aberrantes individualis\u00e9es au-del\u00e0 des moustaches doit imm\u00e9diatement inciter le chercheur \u00e0 coupler son exploration avec un estimateur de densit\u00e9 par noyau (Kernel Density Estimation<\/em>) ou un graphique en violon (Violin Plot<\/em>), afin de d\u00e9busquer les \u00e9ventuels sous-groupes latents dissimul\u00e9s sous la bo\u00eete.<\/p>\n L’utilisation pratique du moteur de visualisation de SPSS confronte fr\u00e9quemment l’utilisateur \u00e0 des comportements graphiques d\u00e9concertants, qui r\u00e9sultent le plus souvent d’erreurs de param\u00e9trage matriciel ou d’ambigu\u00eft\u00e9s de codage dans l’interface de commande. Savoir diagnostiquer ces blocages fait partie int\u00e9grante de l’expertise m\u00e9thodologique de l’analyste.<\/p>\n L’anomalie la plus courante se manifeste par des moustaches totalement invisibles ou \u00e9cras\u00e9es<\/strong> contre les charni\u00e8res de la bo\u00eete, alors m\u00eame que les donn\u00e9es sous-jacentes semblent continues. Ce probl\u00e8me d\u00e9coule quasi syst\u00e9matiquement d’une mauvaise d\u00e9claration du niveau de mesure dans le dictionnaire des variables : si une variable continue quantitative a \u00e9t\u00e9 \u00e9tiquet\u00e9e par inadvertance comme \u00ab Nominale \u00bb, le G\u00e9n\u00e9rateur de graphiques applique des algorithmes de regroupement cat\u00e9goriels discrets, ce qui alt\u00e8re le calcul continu des cl\u00f4tures de Tukey.<\/p>\n Une seconde d\u00e9faillance r\u00e9currente r\u00e9side dans la superposition illisible des \u00e9tiquettes d’aberration<\/strong> lorsque plusieurs points extr\u00eames se concentrent sur des valeurs tr\u00e8s proches dans le Viewer. L’activation de l’\u00c9diteur de graphiques permet de r\u00e9soudre ce d\u00e9sagr\u00e9ment : en s\u00e9lectionnant les marqueurs d’aberration dans l’onglet des propri\u00e9t\u00e9s, l’utilisateur peut d\u00e9sactiver les libell\u00e9s redondants, ajuster la taille typographique ou imposer un d\u00e9calage horizontal dynamique des annotations textuelles pour pr\u00e9venir le chevauchement des num\u00e9ros d’observation.<\/p>\n Enfin, la pr\u00e9sence de bo\u00eetes uniques d\u00e9connect\u00e9es et morcel\u00e9es<\/strong> dans des panneaux s\u00e9par\u00e9s au lieu d’une comparaison unifi\u00e9e provient d’une erreur d’assignation dans le G\u00e9n\u00e9rateur de graphiques. Si l’on glisse la variable de regroupement dans la zone des \u00ab Lignes \u00bb ou des \u00ab Colonnes \u00bb (qui cr\u00e9ent des facettes multipanels disjointes) au lieu de l’assigner \u00e0 l’Axe X ou au canal de \u00ab Regroupement par couleur \u00bb, SPSS fractionne artificiellement la visualisation en autant de fen\u00eatres ind\u00e9pendantes, brisant la perspective comparative d’ensemble.<\/p>\n En d\u00e9pit de leur sup\u00e9riorit\u00e9 m\u00e9thodologique av\u00e9r\u00e9e sur les diagrammes en barres classiques, les bo\u00eetes \u00e0 moustaches pr\u00e9sentent des limitations intrins\u00e8ques que tout chercheur rigoureux doit garder \u00e0 l’esprit lors de l’interpr\u00e9tation de ses r\u00e9sultats.<\/p>\n La limite majeure r\u00e9side dans l’incapacit\u00e9 structurelle du boxplot \u00e0 discriminer la multimodalit\u00e9<\/strong>. Une distribution unimodale parfaitement normale, une distribution uniform\u00e9ment plate en plateau, et une distribution bimodalement scind\u00e9e en deux bosses prononc\u00e9es peuvent th\u00e9oriquement produire exactement la m\u00eame bo\u00eete \u00e0 moustaches (m\u00eames quartiles Q1, Q2, Q3 et m\u00eames valeurs adjacentes). La bo\u00eete interquartile comble les espaces vides et lisse les creux de densit\u00e9, masquant des configurations sous-jacentes d’int\u00e9r\u00eat clinique majeur.<\/p>\n Par ailleurs, la bo\u00eete \u00e0 moustaches standard occulte totalement la taille effective de l’\u00e9chantillon (N)<\/strong>. Une bo\u00eete construite sur 15 patients pr\u00e9sente la m\u00eame apparence g\u00e9om\u00e9trique g\u00e9n\u00e9rale qu’une bo\u00eete calcul\u00e9e sur 15 000 sujets, alors que la stabilit\u00e9 stochastique des estimations de percentiles est radicalement dissemblable. Cette absence d’indication de l’effectif peut induire une impression trompeuse de pr\u00e9cision sur de tr\u00e8s petits \u00e9chantillons.<\/p>\n Pour contourner ces \u00e9cueils g\u00e9om\u00e9triques, l’approche m\u00e9thodologique contemporaine pr\u00e9conise d’enrichir la bo\u00eete \u00e0 moustaches de couches d’information compl\u00e9mentaires. Il est fortement recommand\u00e9 d’adjoindre en surimpression le nuage des observations individuelles brutes<\/strong> l\u00e9g\u00e8rement dispers\u00e9es lat\u00e9ralement de fa\u00e7on al\u00e9atoire (Jittered Data Points<\/em>). Cette technique permet de visualiser simultan\u00e9ment la structure globale par percentiles (la bo\u00eete de Tukey) et la distribution r\u00e9elle de chaque point de mesure, d\u00e9voilant sans ambigu\u00eft\u00e9 les concentrations multimodales ou les zones de vacuit\u00e9 d’\u00e9chantillonnage.<\/p>\n Avant d’int\u00e9grer une bo\u00eete \u00e0 moustaches dans un manuscrit acad\u00e9mique, une th\u00e8se d’universit\u00e9 ou un rapport de diagnostic clinique, l’analyste veillera \u00e0 valider rigoureusement la check-list m\u00e9thodologique r\u00e9capitulative suivante :<\/p>\n En observant syst\u00e9matiquement ces pr\u00e9requis m\u00e9thodologiques et techniques, le chercheur en psychologie et en sciences du comportement conf\u00e8re \u00e0 ses analyses exploratoires une robustesse, une reproductibilit\u00e9 et une \u00e9l\u00e9gance visuelle r\u00e9pondant aux plus hauts standards de la communication scientifique contemporaine.<\/p>\n American Psychological Association. (2020). Publication manual of the American Psychological Association<\/em> (7th ed.). American Psychological Association. https:\/\/doi.org\/10.1037\/0000165-000<\/a><\/p>\n Field, A. (2018). Discovering statistics using IBM SPSS statistics<\/em> (5th ed.). SAGE Publications.<\/p>\n Hoaglin, D. C., Mosteller, F., & Tukey, J. W. (Eds.). (2000). Understanding robust and exploratory data analysis<\/em>. John Wiley & Sons.<\/p>\n IBM Corporation. (2021). IBM SPSS Statistics 28 Brief Guide<\/em>. IBM Corporation. https:\/\/www.ibm.com\/docs\/en\/spss-statistics<\/a><\/p>\n McGill, R., Tukey, J. W., & Larsen, W. A. (1978). Variations of box plots. 1. Introduction aux bo\u00eetes \u00e0 moustaches dans le cadre de la recherche en psychologie<\/h2>\n
1.1 Utilit\u00e9 m\u00e9thodologique de la bo\u00eete \u00e0 moustaches dans les sciences du comportement<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/stemSPSS1-1.png\")
<\/figure>\n1.2 Composantes fondamentales de la visualisation selon John Tukey<\/h3>\n
1.3 Objectifs p\u00e9dagogiques et d\u00e9marche d’analyse sous SPSS<\/h3>\n
2. Fondements statistiques : Le r\u00e9sum\u00e9 \u00e0 cinq nombres et la distribution des donn\u00e9es<\/h2>\n
2.1 Le r\u00e9sum\u00e9 \u00e0 cinq nombres (Five-Number Summary)<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/stemSPSS2-1.png\")
<\/figure>\n2.2 L’\u00e9cart interquartile (IQR) et la sensibilit\u00e9 aux distributions asym\u00e9triques<\/h3>\n
2.3 Positionnement relatif de la moyenne et de la m\u00e9diane<\/h3>\n
3. Pr\u00e9paration et structuration des donn\u00e9es psychom\u00e9triques dans SPSS<\/h2>\n
3.1 Configuration des variables dans l’\u00e9diteur de donn\u00e9es SPSS<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/stemSPSS3-1.png\")
<\/figure>\n3.2 Gestion pr\u00e9alable des valeurs manquantes (Missing Values)<\/h3>\n
3.3 Exemple pratique : Donn\u00e9es de scores d’anxi\u00e9t\u00e9 et de temps de r\u00e9action<\/h3>\n
4. Cr\u00e9ation d’une bo\u00eete \u00e0 moustache simple via la proc\u00e9dure \u00ab Explorer \u00bb<\/h2>\n
4.1 Navigation au sein du menu Statistiques descriptives<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/stemSPSS4-1.png\")
<\/figure>\n4.2 Attribution des champs dans la bo\u00eete de dialogue Explorer<\/h3>\n
4.3 Ex\u00e9cution et v\u00e9rification de la sortie initiale dans le Viewer<\/h3>\n
![\"Box](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxSPSS1.png\")
5. Cr\u00e9ation de bo\u00eetes \u00e0 moustaches comparatives par groupe<\/h2>\n
5.1 Utilisation de la liste des facteurs (Factor List)<\/h3>\n
![\"Multiple](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxSPSS5.png\")
5.2 Configuration des trac\u00e9s en fonction de la structure exp\u00e9rimentale<\/h3>\n
5.3 Comparaison de mesures r\u00e9p\u00e9t\u00e9es au sein d’un m\u00eame \u00e9chantillon<\/h3>\n
6. Utilisation du G\u00e9n\u00e9rateur de graphiques (Chart Builder) pour les bo\u00eetes \u00e0 moustaches<\/h2>\n
6.1 Acc\u00e8s et param\u00e9trage dans la galerie de graphiques<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxSPSS3.png\")
<\/figure>\n6.2 Sous-groupes et variables de regroupement suppl\u00e9mentaires<\/h3>\n
6.3 Personnalisation dynamique et pr\u00e9visualisation<\/h3>\n
.sgt<\/code>). Cette disposition m\u00e9thodologique s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse pour les laboratoires de recherche d\u00e9sireux de standardiser l’apparence de leurs productions scientifiques : un gabarit graphique valid\u00e9 une fois peut \u00eatre appliqu\u00e9 r\u00e9trospectivement et automatiquement \u00e0 l’ensemble des graphiques ult\u00e9rieurs de la cohorte exp\u00e9rimentale.<\/p>\n7. G\u00e9n\u00e9ration de bo\u00eetes \u00e0 moustaches via la syntaxe SPSS<\/h2>\n
7.1 Syntaxe de la commande EXAMINE<\/h3>\n
\n \/PLOT BOXPLOT STEMLEAF
\n \/COMPARE GROUPS
\n \/STATISTICS DESCRIPTIVES
\n \/CINTERVAL 95
\n \/MISSING LISTWISE
\n \/NOTOTAL.<\/p>\n\/PLOT BOXPLOT<\/code> ordonne explicitement l’affichage des bo\u00eetes \u00e0 moustaches factorielles, tandis que le param\u00e8tre \/NOTOTAL<\/code> supprime l’affichage superf\u00e9tatoire du groupe agr\u00e9g\u00e9 consolid\u00e9, recentrant la sortie sur le contraste bilat\u00e9ral entre les groupes exp\u00e9rimentaux. L’utilisateur d\u00e9sireux de g\u00e9n\u00e9rer ces analyses par script peut concevoir ses instructions de z\u00e9ro ou cliquer syst\u00e9matiquement sur le bouton Coller<\/strong> (Paste<\/em>) disponible dans chaque bo\u00eete de dialogue SPSS, ce qui transf\u00e8re instantan\u00e9ment les ordres configur\u00e9s vers l’\u00e9diteur de syntaxe.<\/p>\n![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxSPSS4.png\")
<\/figure>\n7.2 G\u00e9n\u00e9ration avanc\u00e9e avec la commande GGRAPH et GPL<\/h3>\n
\n \/GRAPHDATASET NAME=\u00a0\u00bbgraphdataset\u00a0\u00bb VARIABLES=Condition_Stress Temps_Reaction_ms MISSING=LISTWISE REPORTMISSING=NO
\n \/GRAPHSPEC SOURCE=INLINE.
\nBEGIN GPL
\n SOURCE: s=userSource(id(\u00ab\u00a0graphdataset\u00a0\u00bb))
\n DATA: Condition_Stress=col(value(\u00ab\u00a0Condition_Stress\u00a0\u00bb), unit.category())
\n DATA: Temps_Reaction_ms=col(value(\u00ab\u00a0Temps_Reaction_ms\u00a0\u00bb))
\n DATA: id=col(value(\u00ab\u00a0$CASENUM\u00a0\u00bb), unit.category())
\n GUIDE: axis(dim(1), label(\u00ab\u00a0Condition Exp\u00e9rimentale\u00a0\u00bb))
\n GUIDE: axis(dim(2), label(\u00ab\u00a0Temps de R\u00e9action (ms)\u00a0\u00bb))
\n ELEMENT: schema(position(bin.percentile(Condition_Stress*Temps_Reaction_ms)), label(id))
\nEND GPL.<\/p>\nELEMENT: schema()<\/code>, o\u00f9 la fonction schema<\/code> d\u00e9signe pr\u00e9cis\u00e9ment la bo\u00eete \u00e0 moustaches selon la nomenclature formelle de GPL. L’adjonction de la fonction d’\u00e9tiquetage label(id)<\/code> ordonne au moteur de cartographier explicitement le num\u00e9ro d’enregistrement de l’observation adjacente \u00e0 tout point aberrant d\u00e9tect\u00e9, simplifiant consid\u00e9rablement le travail d’identification m\u00e9dico-l\u00e9gale des singularit\u00e9s cliniques.<\/p>\n7.3 Avantages de la programmation en syntaxe pour la recherche reproductible<\/h3>\n
EXAMINE<\/code> pour ex\u00e9cuter en quelques secondes le trac\u00e9 de plusieurs dizaines de figures parfaitement homog\u00e8nes.<\/p>\n8. Interpr\u00e9tation statistique d\u00e9taill\u00e9e des composantes du graphique<\/h2>\n
8.1 D\u00e9codage de la bo\u00eete centrale et de la ligne m\u00e9diane<\/h3>\n
![\"Interpreting](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxSPSS2.png\")
8.2 Analyse des moustaches et de l’\u00e9tendue des donn\u00e9es<\/h3>\n
8.3 Comparaisons inter-groupes et inf\u00e9rences visuelles<\/h3>\n
9. D\u00e9tection et gestion des valeurs aberrantes et extr\u00eames dans SPSS<\/h2>\n
9.1 Distinction entre valeurs aberrantes (Outliers) et valeurs extr\u00eames (Extreme Values)<\/h3>\n
![\"Box](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxSPSS6-1.png\")
9.2 Identification et tra\u00e7abilit\u00e9 des observations probl\u00e9matiques<\/h3>\n
9.3 Strat\u00e9gies m\u00e9thodologiques face aux donn\u00e9es aberrantes en psychologie<\/h3>\n
\n
10. Personnalisation esth\u00e9tique et mise en forme acad\u00e9mique (Normes APA) dans SPSS<\/h2>\n
10.1 Utilisation de l’\u00c9diteur de graphiques (Chart Editor)<\/h3>\n
10.2 Conformit\u00e9 avec les normes de publication APA (7e \u00e9dition)<\/h3>\n
\n
10.3 Exportation haute r\u00e9solution pour les revues scientifiques<\/h3>\n
11. Diagnostics cliniques et psychologiques avanc\u00e9s \u00e0 partir des bo\u00eetes \u00e0 moustaches<\/h2>\n
11.1 \u00c9valuation visuelle de l’homosc\u00e9dasticit\u00e9 pour l’ANOVA<\/h3>\n
11.2 D\u00e9tection des effets de plancher (Floor) et de plafond (Ceiling)<\/h3>\n
\n
11.3 Visualisation de profils de sous-groupes diagnostiques<\/h3>\n
12. R\u00e9solution des probl\u00e8mes courants et bonnes pratiques m\u00e9thodologiques<\/h2>\n
12.1 Erreurs fr\u00e9quentes lors de la g\u00e9n\u00e9ration sous SPSS<\/h3>\n
12.2 Limites inh\u00e9rentes aux bo\u00eetes \u00e0 moustaches et solutions compl\u00e9mentaires<\/h3>\n
12.3 Check-list m\u00e9thodologique pour le chercheur en sciences sociales<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n