{"id":2935,"date":"2026-09-06T22:53:29","date_gmt":"2026-09-06T22:53:29","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-et-interpreter-boites-a-moustaches-excel\/"},"modified":"2026-09-06T22:53:46","modified_gmt":"2026-09-06T22:53:46","slug":"comment-creer-et-interpreter-boites-a-moustaches-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-et-interpreter-boites-a-moustaches-excel","title":{"rendered":"Comment cr\u00e9er et interpr\u00e9ter des bo\u00eetes \u00e0 moustaches dans Excel"},"content":{"rendered":"

Dans le champ contemporain de la recherche en psychologie, en neurosciences cognitives et en sciences sociales, l’intelligibilit\u00e9 des distributions empiriques constitue le socle fondamental sur lequel reposent la validit\u00e9 interne et la reproductibilit\u00e9 des inf\u00e9rences scientifiques. Trop souvent, l’analyse descriptive initiale se trouve ind\u00fbment r\u00e9duite \u00e0 deux param\u00e8tres gaussiens \u00e9l\u00e9mentaires : la moyenne arithm\u00e9tique et l’\u00e9cart-type. Or, dans les investigations comportementales, cliniques ou psychom\u00e9triques, les donn\u00e9es recueillies s’\u00e9cartent fr\u00e9quemment de la distribution normale th\u00e9orique. Les latences de r\u00e9ponse motrice, les scores d’inventaires psychopathologiques ou les indices de performance sous contrainte temporelle exhibent r\u00e9guli\u00e8rement des asym\u00e9tries prononc\u00e9es, des distributions multimodales et des observations p\u00e9riph\u00e9riques aberrantes. Dans ce contexte \u00e9pist\u00e9mologique, la bo\u00eete \u00e0 moustaches \u2014 d\u00e9sign\u00e9e sous l’appellation anglo-saxonne de box plot<\/em> ou box-and-whisker plot<\/em> \u2014 s’impose comme un instrument d’exploration visuelle irrempla\u00e7able, conjuguant concision s\u00e9miotique et robustesse math\u00e9matique.<\/p>\n

Historiquement formalis\u00e9e pour lib\u00e9rer le chercheur des postulats distributionnels restrictifs, la bo\u00eete \u00e0 moustaches permet d’appr\u00e9hender d’un coup d’\u0153il synth\u00e9tique la dispersion centrale, l’\u00e9tendue globale, le degr\u00e9 d’asym\u00e9trie ainsi que la pr\u00e9sence \u00e9ventuelle d’art\u00e9facts de mesure au sein d’un \u00e9chantillon. Alors que les logiciels d’analyse statistique sp\u00e9cialis\u00e9s tels que R, SPSS ou Jamovi ont longtemps d\u00e9tenu le monopole de sa g\u00e9n\u00e9ration rigoureuse, l’int\u00e9gration native de ce moteur graphique au sein de la suite logicielle Microsoft Excel offre d\u00e9sormais une accessibilit\u00e9 m\u00e9thodologique sans pr\u00e9c\u00e9dent. Toutefois, la production et l’interpr\u00e9tation de ces diagrammes au sein d’un tableur grand public ne sauraient s’op\u00e9rer de mani\u00e8re empirique ou na\u00efve. Elles exigent une ma\u00eetrise rigoureuse des m\u00e9canismes de calcul sous-jacents, des options d’agencement matriciel, des r\u00e8gles de d\u00e9tection d’anomalies et des normes de publication scientifique en vigueur, notamment les directives de l’American Psychological Association<\/a> (APA).<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive, th\u00e9orique et op\u00e9rationnelle, de la bo\u00eete \u00e0 moustaches dans l’environnement Microsoft Excel. Con\u00e7u \u00e0 l’intention des chercheurs, des doctorants, des neuropsychologues et des analystes de donn\u00e9es quantitatives, ce guide d\u00e9taille chaque \u00e9tape du protocole : depuis les fondements historiques de l’analyse exploratoire des donn\u00e9es jusqu’au param\u00e9trage m\u00e9ticuleux des \u00e9tiquettes et des cl\u00f4tures statistiques, en passant par le traitement des donn\u00e9es manquantes, le diagnostic de normalit\u00e9 visuelle et la formalisation d’une \u00e9tude de cas compl\u00e8te consacr\u00e9e \u00e0 un paradigme d’interf\u00e9rence cognitive de type Stroop. Par cette approche syst\u00e9matique, le praticien sera en mesure d’exploiter la pleine puissance analytique d’Excel afin de produire des repr\u00e9sentations visuelles conformes aux standards acad\u00e9miques les plus exigeants.<\/p>\n

1. Fondements \u00e9pist\u00e9mologiques et utilit\u00e9 de la bo\u00eete \u00e0 moustaches en psychologie<\/h2>\n

1.1 Origine historique et conceptuelle selon John Tukey<\/h3>\n

L’\u00e9mergence de la bo\u00eete \u00e0 moustaches s’inscrit au c\u0153ur d’une r\u00e9volution m\u00e9thodologique majeure amorc\u00e9e au d\u00e9but des ann\u00e9es 1970 sous l’impulsion du statisticien am\u00e9ricain John Wilder Tukey<\/a>. Confront\u00e9 \u00e0 la d\u00e9pendance excessive de la statistique inf\u00e9rentielle envers les distributions param\u00e9triques et les tests d’hypoth\u00e8ses rigides, Tukey a formalis\u00e9 le cadre conceptuel de l’analyse exploratoire des donn\u00e9es (Exploratory Data Analysis<\/em> ou EDA) dans son ouvrage s\u00e9minal de 1977. Son postulat fondamental reposait sur l’imp\u00e9ratif de \u00ab laisser parler les donn\u00e9es \u00bb avant d’imposer des mod\u00e8les probabilistes pr\u00e9con\u00e7us. Dans cette perspective \u00e9pist\u00e9mologique, la bo\u00eete \u00e0 moustaches a \u00e9t\u00e9 con\u00e7ue comme une alternative graphique d’une sobri\u00e9t\u00e9 radicale, capable de r\u00e9sumer les propri\u00e9t\u00e9s morphologiques fondamentales d’un \u00e9chantillon sans recourir aux postulats de la loi normale.<\/p>\n

\"Box
Box plot example<\/figcaption><\/figure>\n

Contrairement aux repr\u00e9sentations conventionnelles fond\u00e9es sur la moyenne et l’\u00e9cart-type \u2014 grandeurs hautement vuln\u00e9rables \u00e0 la moindre contamination par des valeurs extr\u00eames \u2014, le diagramme de Tukey mobilise des estimateurs d’ordre : la m\u00e9diane et les quartiles. Cette rupture algorithmique conf\u00e8re \u00e0 la bo\u00eete \u00e0 moustaches une r\u00e9sistance statistique exceptionnelle. En condensant l’information issue de plusieurs centaines ou milliers d’observations en un rectangle central flanqu\u00e9 de deux segments lin\u00e9aires, l’outil permet de pr\u00e9server l’int\u00e9grit\u00e9 de la structure distributionnelle sous-jacente tout en isolant visuellement les singularit\u00e9s empiriques. Pour les sciences du comportement, cette avanc\u00e9e a marqu\u00e9 le passage d’une vision normative de la variabilit\u00e9 \u00e0 une exploration granulaire de la diversit\u00e9 des r\u00e9ponses individuelles.<\/p>\n

1.2 Pertinence m\u00e9thodologique pour les donn\u00e9es psychom\u00e9triques et comportementales<\/h3>\n

Dans l’investigation empirique des processus mentaux et des construits psychologiques, la lin\u00e9arit\u00e9 et la sym\u00e9trie constituent l’exception plut\u00f4t que la r\u00e8gle. Les donn\u00e9es psychom\u00e9triques issues d’\u00e9chelles de Likert cumul\u00e9es, d’inventaires d’anxi\u00e9t\u00e9 ou de questionnaires d’\u00e9valuation de la d\u00e9pression pr\u00e9sentent structurellement des ph\u00e9nom\u00e8nes d’asym\u00e9trie positive ou n\u00e9gative. Par exemple, au sein d’une population non clinique soumise \u00e0 une \u00e9chelle de d\u00e9tresse psychologique, une proportion \u00e9crasante de participants obtiendra des scores regroup\u00e9s \u00e0 proximit\u00e9 du plancher de l’instrument, g\u00e9n\u00e9rant une tra\u00eene distributionnelle \u00e9tir\u00e9e vers les valeurs hautes. La bo\u00eete \u00e0 moustaches r\u00e9v\u00e8le instantan\u00e9ment cette dissym\u00e9trie par l’excentrement de la ligne m\u00e9diane au sein du rectangle interquartile et par l’\u00e9tirement diff\u00e9rentiel des moustaches.<\/p>\n

Par ailleurs, la neuropsychologie et la psychologie diff\u00e9rentielle s’int\u00e9ressent pr\u00e9cis\u00e9ment aux profils atypiques qui se d\u00e9marquent de la tendance centrale. Qu’il s’agisse de mesurer la d\u00e9t\u00e9rioration cognitive cons\u00e9cutive \u00e0 une l\u00e9sion c\u00e9r\u00e9brale ou de rep\u00e9rer des capacit\u00e9s intellectuelles hautement sup\u00e9rieures, l’identification non invasive et imm\u00e9diate des valeurs aberrantes ou extr\u00eames s’av\u00e8re critique. En dissociant explicitement la dispersion ordinaire \u2014 circonscrite \u00e0 l’int\u00e9rieur des limites th\u00e9oriques du diagramme \u2014 des performances p\u00e9riph\u00e9riques isol\u00e9es au-del\u00e0 des cl\u00f4tures, la bo\u00eete \u00e0 moustaches offre au clinicien et \u00e0 l’exp\u00e9rimentateur un outil de criblage diagnostique imm\u00e9diat, pr\u00e9servant la fid\u00e9lit\u00e9 de l’observation sans alt\u00e9rer la sensibilit\u00e9 de la comparaison intergroupe.<\/p>\n

1.3 Avantages comparatifs face aux histogrammes et diagrammes en barres<\/h3>\n

L’utilisation r\u00e9currente dans les publications scientifiques de diagrammes en barres (bar charts<\/em>) surmont\u00e9s d’une simple barre d’erreur standard \u2014 pratique parfois qualifi\u00e9e de \u00ab graphiques dynamite \u00bb \u2014 a \u00e9t\u00e9 vivement d\u00e9nonc\u00e9e par la communaut\u00e9 m\u00e9thodologique contemporaine. Ces repr\u00e9sentations dissimulent la variabilit\u00e9 interne r\u00e9elle des donn\u00e9es, induisent une illusion cognitive quant \u00e0 l’importance de l’aire sous la barre et ne permettent aucunement de d\u00e9celer si une condition exp\u00e9rimentale est tir\u00e9e par deux individus atypiques ou si l’ensemble du groupe pr\u00e9sente une augmentation homog\u00e8ne de son niveau de performance. L’histogramme, s’il offre une vision d\u00e9taill\u00e9e de la densit\u00e9 de distribution, pr\u00e9sente l’inconv\u00e9nient majeur de requ\u00e9rir un espace visuel consid\u00e9rable et d\u00e9pend excessivement du d\u00e9coupage en classes (binning<\/em>), rendant ardues les comparaisons directes entre de multiples facteurs.<\/p>\n

La bo\u00eete \u00e0 moustaches surmonte ces \u00e9cueils gr\u00e2ce \u00e0 une remarquable \u00e9conomie s\u00e9miotique. Sa morphologie standardis\u00e9e et compacte autorise la juxtaposition lat\u00e9rale sans surcharge cognitive de dizaines de conditions exp\u00e9rimentales sur un m\u00eame axe m\u00e9trique ordonn\u00e9. Les param\u00e8tres affich\u00e9s \u2014 m\u00e9diane et intervalle interquartile \u2014 sont totalement insensibles aux effets de bord qui d\u00e9forment si profond\u00e9ment les moyennes arithm\u00e9tiques. De surcro\u00eet, le diagramme pr\u00e9vient l’artefact bien connu du masquage de la variance : deux groupes affichant une moyenne et un \u00e9cart-type rigoureusement identiques peuvent pr\u00e9senter des bo\u00eetes \u00e0 moustaches radicalement discordantes en termes d’asym\u00e9trie et de regroupement central, guidant ainsi l’analyste vers le choix ad\u00e9quat d’un mod\u00e8le statistique explicatif.<\/p>\n

2. Anatomie th\u00e9orique du diagramme : Le r\u00e9sum\u00e9 \u00e0 cinq nombres<\/h2>\n

2.1 La m\u00e9diane comme mesure robuste de tendance centrale<\/h3>\n

L’\u00e9l\u00e9ment d’ancrage fondamental de la bo\u00eete \u00e0 moustaches repose sur la m\u00e9diane de l’\u00e9chantillon, traditionnellement d\u00e9sign\u00e9e comme le second quartile ou $Q_2$<\/span>. Math\u00e9matiquement, la m\u00e9diane est la valeur qui scinde la s\u00e9rie statistique ordonn\u00e9e en deux segments d’effectifs rigoureusement identiques : exactement 50 % des observations se situent en de\u00e7\u00e0 de cette grandeur, et 50 % au-del\u00e0. Cette m\u00e9trique d’ordre jouit d’une propri\u00e9t\u00e9 de robustesse de 50 %, ce qui signifie qu’il faudrait corrompre la moiti\u00e9 exacte des observations d’un \u00e9chantillon pour d\u00e9placer arbitrairement la m\u00e9diane vers l’infini, alors qu’une unique valeur erron\u00e9e suffit \u00e0 biaiser substantiellement la moyenne arithm\u00e9tique.<\/p>\n

Dans le recueil des latences de r\u00e9ponse en chronom\u00e9trie mentale, cette stabilit\u00e9 conceptuelle est d\u00e9terminante. Les temps de r\u00e9action int\u00e8grent in\u00e9vitablement des bruits p\u00e9riph\u00e9riques : un rel\u00e2chement attentionnel transitoire de la part du sujet exp\u00e9rimental peut engendrer une latence de 4 500 millisecondes sur un essai isol\u00e9, alors que la m\u00e9diane de sa distribution se stabilise autour de 480 millisecondes. L\u00e0 o\u00f9 la moyenne arithm\u00e9tique int\u00e9grerait cette anomalie motrice en produisant un r\u00e9sultat artificiellement gonfl\u00e9 et non repr\u00e9sentatif du traitement cognitif sous-jacent, la m\u00e9diane demeure imperturbable. Elle figure au sein de la bo\u00eete sous la forme d’un trait horizontal transversale, mat\u00e9rialisant le point d’\u00e9quilibre intrins\u00e8que de la performance.<\/p>\n

2.2 Les charni\u00e8res : Premier et troisi\u00e8me quartiles<\/h3>\n

Le rectangle central de la bo\u00eete \u00e0 moustaches, commun\u00e9ment d\u00e9sign\u00e9 sous le terme de corps de la bo\u00eete, est strictement d\u00e9limit\u00e9 par deux bornes structurales qualifi\u00e9es historiquement de \u00ab charni\u00e8res \u00bb (hinges<\/em>) par Tukey, correspondant au premier quartile ($Q_1$<\/span> ou 25e centile) et au troisi\u00e8me quartile ($Q_3$<\/span> ou 75e centile). Le premier quartile repr\u00e9sente la valeur seuil sous laquelle se trouvent 25 % des observations les plus basses de la distribution ordonn\u00e9e. Corr\u00e9lativement, le troisi\u00e8me quartile constitue la fronti\u00e8re sup\u00e9rieure sous laquelle se situent 75 % des valeurs, laissant ainsi les 25 % des scores les plus \u00e9lev\u00e9s au-dessus de lui.<\/p>\n

La distance math\u00e9matique s\u00e9parant ces deux charni\u00e8res d\u00e9finit l’\u00e9cart interquartile (EIQ, ou Interquartile Range<\/em>, IQR), formul\u00e9 selon la relation :<\/p>\n

$$\\text{EIQ} = Q_3 – Q_1$$<\/span><\/p>\n

Cet \u00e9cart interquartile mat\u00e9rialise l’enveloppe contenant les 50 % centraux des donn\u00e9es de l’\u00e9chantillon. Il constitue un indice non param\u00e9trique de dispersion de r\u00e9f\u00e9rence, insensible aux fluctuations des queues de distribution. La hauteur verticale du rectangle offre une appr\u00e9ciation imm\u00e9diate de l’homog\u00e9n\u00e9it\u00e9 du comportement \u00e9tudi\u00e9 : une bo\u00eete \u00e9tir\u00e9e verticalement signale une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 marqu\u00e9e de la population centrale, tandis qu’une bo\u00eete tass\u00e9e t\u00e9moigne d’un regroupement robuste et consensuel des r\u00e9ponses autour de la tendance m\u00e9diane.<\/p>\n

2.3 Les moustaches et les limites extr\u00eames non aberrantes<\/h3>\n

S’\u00e9tendant verticalement de part et d’autre du rectangle central, les moustaches (whiskers<\/em>) mat\u00e9rialisent la dispersion des donn\u00e9es situ\u00e9es dans les zones p\u00e9riph\u00e9riques non exceptionnelles de la s\u00e9rie statistique. Selon la formalisation canonique \u00e9tablie par Tukey, les moustaches ne rejoignent pas syst\u00e9matiquement la valeur minimale et la valeur maximale absolues de l’\u00e9chantillon, car ces derni\u00e8res peuvent constituer des anomalies de mesure. Elles se d\u00e9ploient plut\u00f4t jusqu’aux valeurs adjacentes les plus \u00e9loign\u00e9es qui demeurent \u00e0 l’int\u00e9rieur d’un intervalle de s\u00e9curit\u00e9 algorithmique born\u00e9 par les cl\u00f4tures int\u00e9rieures (inner fences<\/em>).<\/p>\n

La moustache inf\u00e9rieure relie le bord bas de la bo\u00eete ($Q_1$<\/span>) \u00e0 la plus petite observation de l’\u00e9chantillon qui soit sup\u00e9rieure ou \u00e9gale \u00e0 la cl\u00f4ture inf\u00e9rieure ($Q_1 – 1,5 \\times \\text{EIQ}$<\/span>). De mani\u00e8re sym\u00e9trique, la moustache sup\u00e9rieure s’\u00e9tend du bord haut ($Q_3$<\/span>) jusqu’\u00e0 la plus grande observation qui soit inf\u00e9rieure ou \u00e9gale \u00e0 la cl\u00f4ture sup\u00e9rieure ($Q_3 + 1,5 \\times \\text{EIQ}$<\/span>). Les moustaches d\u00e9limitent ainsi ce qui rel\u00e8ve de la variabilit\u00e9 normale attendue dans le cadre d’un \u00e9chantillonnage empirique. Toute valeur se situant au-del\u00e0 des extr\u00e9mit\u00e9s de ces segments n’est pas connect\u00e9e au corps du graphique : elle est rejet\u00e9e dans l’espace des donn\u00e9es exceptionnelles et repr\u00e9sent\u00e9e par un symbole g\u00e9om\u00e9trique distinct.<\/p>\n

3. Structuration et nettoyage pr\u00e9alable des donn\u00e9es dans Excel<\/h2>\n

3.1 Organisation tabulaire adapt\u00e9e au moteur graphique d’Excel<\/h3>\n

Le moteur de rendu statistique de Microsoft Excel, profond\u00e9ment remani\u00e9 \u00e0 partir de la version 2016, ob\u00e9it \u00e0 des contraintes matricielles strictes pour l’interpr\u00e9tation automatique des s\u00e9ries de donn\u00e9es. Pour une variable d\u00e9pendante univari\u00e9e isol\u00e9e \u2014 par exemple, les scores d’anxi\u00e9t\u00e9 d’une cohorte homog\u00e8ne \u2014, l’agencement le plus rigoureux consiste \u00e0 disposer l’ensemble des observations au sein d’une unique colonne verticale, pr\u00e9c\u00e9d\u00e9e d’un en-t\u00eate explicite log\u00e9 en ligne 1 (ex. Score_STAI_Y1<\/code>). Cette organisation s\u00e9quentielle en vecteur colonne pr\u00e9vient toute confusion algorithmique lors de la reconnaissance automatique de la dimension d’\u00e9chantillonnage par le tableur.<\/p>\n

\"Raw
Raw data in one column in Excel<\/figcaption><\/figure>\n

Dans le cas d’un plan factoriel ou d’une comparaison de groupes ind\u00e9pendants (ex. Groupe Contr\u00f4le, Groupe Th\u00e9rapie Cognitive, Groupe M\u00e9dication), la structuration peut adopter deux configurations tabulaires distinctes. La premi\u00e8re, dite \u00ab format large \u00bb, alloue une colonne distincte \u00e0 chaque niveau de la variable ind\u00e9pendante, chaque colonne contenant la liste brute des scores associ\u00e9s. La seconde, dite \u00ab format long \u00bb ou relationnel, emploie une colonne de classification cat\u00e9gorielle (ex. Condition<\/code>) coupl\u00e9e \u00e0 une colonne num\u00e9rique (ex. Latence_ms<\/code>). Bien qu’Excel puisse traiter les deux formats sous certaines conditions via les tableaux crois\u00e9s dynamiques, le format large en colonnes juxtapos\u00e9es demeure la structure la plus directe et la plus stable pour g\u00e9n\u00e9rer nativement des bo\u00eetes \u00e0 moustaches comparatives sans recourir \u00e0 des \u00e9tapes interm\u00e9diaires de mod\u00e9lisation.<\/p>\n

3.2 Traitement des valeurs manquantes et incoh\u00e9rences de saisie<\/h3>\n

L’int\u00e9grit\u00e9 du rendu visuel de la bo\u00eete \u00e0 moustaches d\u00e9pend imp\u00e9rativement d’un nettoyage pr\u00e9alable du tableau de recueil. Dans la pratique exp\u00e9rimentale, il est fr\u00e9quent que des cellules demeurent non renseign\u00e9es en raison de d\u00e9fections de sujets ou de d\u00e9faillances techniques. Dans Excel, une cellule laiss\u00e9e totalement vide est automatiquement ignor\u00e9e par le moteur de trac\u00e9 du box plot<\/em>. En revanche, l’insertion accidentelle d’un z\u00e9ro num\u00e9rique (0<\/code>) au lieu d’une valeur manquante alt\u00e8re dramatiquement la distribution : le z\u00e9ro sera interpr\u00e9t\u00e9 comme une mesure valide de plancher, d\u00e9pla\u00e7ant artificiellement $Q_1$<\/span>, comprimant l’\u00e9cart interquartile et g\u00e9n\u00e9rant de potentielles fausses valeurs aberrantes.<\/p>\n

De m\u00eame, une erreur courante r\u00e9side dans l’encodage textuel inadvertant de grandeurs quantitatives, par exemple l’usage d’une virgule au lieu d’un point d\u00e9cimal selon les param\u00e8tres r\u00e9gionaux du syst\u00e8me d’exploitation, ou l’adjonction d’un espace ins\u00e9cable lors de l’importation de fichiers CSV. Une valeur num\u00e9rique encod\u00e9e sous forme de cha\u00eene textuelle est purement exclue du calcul statistique sans notification d’erreur explicite, r\u00e9duisant d’autant la taille apparente de l’\u00e9chantillon $N$<\/span>. L’application pr\u00e9alable de filtres automatiques combin\u00e9e \u00e0 des r\u00e8gles de mise en forme conditionnelle (rep\u00e9rant les formats non num\u00e9riques via la formule =ESTTEXTE(cellule)<\/code>) constitue un pr\u00e9requis m\u00e9thodologique non n\u00e9gociable avant d’activer le g\u00e9n\u00e9rateur de graphiques.<\/p>\n

3.3 V\u00e9rification des postulats d’\u00e9chelle de mesure<\/h3>\n

L’emploi l\u00e9gitime de la bo\u00eete \u00e0 moustaches requiert que les donn\u00e9es soient issues d’une \u00e9chelle de mesure adapt\u00e9e. En psychom\u00e9trie, selon la classification canonique de Stanley Smith Stevens, les grandeurs se distribuent entre \u00e9chelles nominales, ordinales, d’intervalles et de rapports. La bo\u00eete \u00e0 moustaches n’a aucune pertinence sur des variables strictement nominales ou cat\u00e9gorielles. Elle acquiert sa pleine validit\u00e9 \u00e9pist\u00e9mique \u00e0 partir des \u00e9chelles ordinales rigoureuses comportant un nombre substantiel de modalit\u00e9s ordonn\u00e9es, et trouve son terrain d’excellence sur les \u00e9chelles d’intervalles (ex. \u00e9chelles de quotients intellectuels, scores standardis\u00e9s $T$<\/span>, scores $Z$<\/span>) et de rapports (ex. temps de r\u00e9ponse, taux de cortisol salivaire, seuils de discrimination sensorielle).<\/p>\n

Une vigilance m\u00e9thodologique accrue doit \u00eatre observ\u00e9e lorsque le chercheur manipule des donn\u00e9es fortement discr\u00e9tis\u00e9es issues d’un item de Likert unique \u00e0 4 ou 5 points. Bien que techniquement ex\u00e9cutable sous Excel, le trac\u00e9 d’un diagramme en bo\u00eete sur un item isol\u00e9 \u00e0 tr\u00e8s faible cardinalit\u00e9 de r\u00e9ponses engendre des \u00e9crasements s\u00e9miotiques s\u00e9v\u00e8res : les quartiles et la m\u00e9diane se superposent fr\u00e9quemment sur les m\u00eames entiers, annihilant la lisibilit\u00e9 de la dispersion et produisant des moustaches artificiellement d\u00e9g\u00e9n\u00e9r\u00e9es. Dans de telles circonstances, l’analyste privil\u00e9giera le score total composite somm\u00e9 de l’\u00e9chelle ou se tournera vers des diagrammes en barres de fr\u00e9quences cumul\u00e9es.<\/p>\n

4. Protocole pas \u00e0 pas : Cr\u00e9ation du graphique dans Excel<\/h2>\n

4.1 S\u00e9lection des s\u00e9ries de donn\u00e9es brutes<\/h3>\n

L’initialisation de la proc\u00e9dure graphique requiert une d\u00e9limitation spatiale rigoureuse de la matrice source au sein de la feuille de calcul. Le chercheur doit s\u00e9lectionner l’int\u00e9gralit\u00e9 de la plage de cellules h\u00e9bergeant les valeurs quantitatives, en veillant scrupuleusement \u00e0 int\u00e9grer la premi\u00e8re ligne d\u00e9volue aux intitul\u00e9s de colonnes. L’inclusion des en-t\u00eates permet au moteur graphique d’associer automatiquement les libell\u00e9s exp\u00e9rimentaux aux cat\u00e9gories d’axe horizontal, \u00e9liminant tout risque de permutation ult\u00e9rieure des s\u00e9ries lors de remaniements du document.<\/p>\n

\"Highlighted
Highlighted data in Excel<\/figcaption><\/figure>\n

Pour manipuler des volum\u00e9tries d’\u00e9chantillons substantielles sans risquer une troncature accidentelle cons\u00e9cutive \u00e0 un glissement de curseur manuel, il est vivement recommand\u00e9 d’utiliser les raccourcis clavier standards de productivit\u00e9. Le positionnement sur la cellule sup\u00e9rieure gauche de la plage suivi de l’ex\u00e9cution s\u00e9quentielle de la combinaison Ctrl + Shift + Fl\u00e8che Basse<\/code> (ou Cmd + Shift + Fl\u00e8che Basse<\/code> sur macOS) permet d’\u00e9tendre la s\u00e9lection active jusqu’\u00e0 la derni\u00e8re cellule non vide du vecteur. Si plusieurs groupes exp\u00e9rimentaux sont dispos\u00e9s en colonnes contigu\u00ebs, l’extension lat\u00e9rale s’op\u00e8re instantan\u00e9ment via Ctrl + Shift + Fl\u00e8che Droite<\/code>. L’analyste s’assurera visuellement qu’aucune cellule r\u00e9siduelle ext\u00e9rieure n’a \u00e9t\u00e9 ind\u00fbment captur\u00e9e dans la zone active.<\/p>\n

4.2 Navigation et s\u00e9lection du type de graphique statistique<\/h3>\n

La s\u00e9lection matricielle \u00e9tant active, le protocole se d\u00e9place vers le ruban sup\u00e9rieur d’Excel. L’acc\u00e8s aux fonctionnalit\u00e9s d’ing\u00e9nierie visuelle s’effectue par l’activation de l’onglet Insertion<\/strong>. Au sein du groupe d’outils labellis\u00e9 Graphiques<\/strong>, Excel regroupe ses moteurs de rendu selon diff\u00e9rentes topologies s\u00e9miotiques. Les bo\u00eetes \u00e0 moustaches ne se situent pas dans les menus conventionnels d’histogrammes ou de courbes, mais rel\u00e8vent de la cat\u00e9gorie d\u00e9di\u00e9e \u00e0 la mod\u00e9lisation statistique.<\/p>\n

\"Box
Box and whisker plot option in Excel 2016<\/figcaption><\/figure>\n

Le chercheur cliquera sur l’ic\u00f4ne intitul\u00e9e Ins\u00e9rer un graphique statistique<\/strong>, repr\u00e9sent\u00e9e visuellement par une s\u00e9rie de barres bleues stylis\u00e9es \u00e9voquant un histogramme de densit\u00e9. Dans le menu contextuel d\u00e9roulant qui se d\u00e9ploie alors sous la d\u00e9signation g\u00e9n\u00e9rique \u00ab Graphiques statistiques \u00bb, deux sous-familles apparaissent : \u00ab Histogramme \u00bb et \u00ab Zone et valeurs \u00bb. C’est sous cette derni\u00e8re appellation, ou directement sous le libell\u00e9 Bo\u00eete et moustaches<\/strong> (Box and Whisker<\/em> selon la nomenclature de la version linguistique du logiciel), que se trouve l’algorithme d\u00e9di\u00e9. Un clic gauche sur cette option ordonne l’instanciation imm\u00e9diate de l’objet graphique au sein de la feuille active.<\/p>\n

4.3 G\u00e9n\u00e9ration initiale et positionnement sur la feuille de calcul<\/h3>\n

D\u00e8s la validation de l’insertion, le moteur d’Excel calcule en arri\u00e8re-plan les quantiles requis pour chaque colonne s\u00e9lectionn\u00e9e et projette un canevas graphique vectoriel par d\u00e9faut au centre de l’espace de travail. \u00c0 ce stade primaire, le trac\u00e9 g\u00e9n\u00e9r\u00e9 pr\u00e9sente une configuration standardis\u00e9e int\u00e9grant un titre g\u00e9n\u00e9rique, un axe des ordonn\u00e9es calibr\u00e9 automatiquement et un corps de bo\u00eete aux couleurs de la charte graphique par d\u00e9faut du tableur.<\/p>\n

\"Box
Box plot in Excel<\/figcaption><\/figure>\n

Ce rendu pr\u00e9liminaire souffre fr\u00e9quemment d’une compression visuelle pr\u00e9judiciable \u00e0 l’analyse fine des distributions. Il incombe au chercheur de redimensionner proportionnellement l’objet graphique en saisissant les poign\u00e9es d’ancrage situ\u00e9es sur ses bordures p\u00e9riph\u00e9riques. Pour une exploitation documentaire ergonomique, notamment lors de la pr\u00e9paration de manuscrits destin\u00e9s \u00e0 l’expertise par les pairs, il est souvent pr\u00e9f\u00e9rable de d\u00e9tacher le graphique de la grille de donn\u00e9es brutes. Un clic droit sur le canevas permet de s\u00e9lectionner l’option D\u00e9placer le graphique<\/strong>, offrant l’alternative de l’ancrer sous la forme d’un objet flottant dans une feuille d\u00e9di\u00e9e ou de l’isoler sur une nouvelle feuille de graphique exclusive (Feuille Graphique<\/em>), optimisant ainsi la r\u00e9solution spatiale globale.<\/p>\n

5. Param\u00e9trage technique et affichage pr\u00e9cis des \u00e9tiquettes num\u00e9riques<\/h2>\n

5.1 Activation de l’interface des \u00e9l\u00e9ments de graphique<\/h3>\n

L’exploration visuelle brute gagne immens\u00e9ment en rigueur lorsque les m\u00e9triques fondamentales du r\u00e9sum\u00e9 \u00e0 cinq nombres sont explicitement superpos\u00e9es au dessin vectoriel. L’acc\u00e8s \u00e0 la configuration modulaire s’effectue en s\u00e9lectionnant le graphique, ce qui d\u00e9clenche l’apparition d’un bouton contextuel flottant mat\u00e9rialis\u00e9 par une croix verte<\/strong> (dans les versions Windows) en marge sup\u00e9rieure droite de l’objet, ou via l’onglet contextuel Cr\u00e9ation de graphique<\/strong> dans le ruban sup\u00e9rieur.<\/p>\n

\"Data
Data labels for a box plot in Excel<\/figcaption><\/figure>\n

En d\u00e9ployant ce menu des \u00e9l\u00e9ments de graphique, le chercheur doit cocher l’option \u00c9tiquettes de donn\u00e9es<\/strong>. Imm\u00e9diatement, Excel affiche une s\u00e9rie de grandeurs num\u00e9riques le long de la structure de chaque bo\u00eete. Dans sa configuration par d\u00e9faut, le syst\u00e8me appose les six valeurs calcul\u00e9es : le minimum non aberrant, le premier quartile ($Q_1$<\/span>), la m\u00e9diane ($Q_2$<\/span>), la moyenne arithm\u00e9tique (symbolis\u00e9e par une croix), le troisi\u00e8me quartile ($Q_3$<\/span>) et le maximum non aberrant. En cas de proximit\u00e9 m\u00e9trique serr\u00e9e entre deux param\u00e8tres \u2014 par exemple, lorsque la m\u00e9diane et la moyenne sont quasi superpos\u00e9es \u2014, des collisions typographiques peuvent survenir. L’analyste interviendra manuellement en double-cliquant sur les \u00e9tiquettes incrimin\u00e9es pour les d\u00e9caler lat\u00e9ralement, garantissant une lisibilit\u00e9 absolue.<\/p>\n

5.2 Configuration des options de la s\u00e9rie de donn\u00e9es<\/h3>\n

La personnalisation math\u00e9matique et structurelle profonde du diagramme requiert l’ouverture du panneau lat\u00e9ral de configuration. Un double-clic pr\u00e9cis sur l’une des bo\u00eetes \u00e0 moustaches ou un clic droit suivi de la commande Mise en forme des s\u00e9ries de donn\u00e9es<\/strong> fait \u00e9merger \u00e0 droite de l’\u00e9cran un volet d’outils exhaustif. Sous l’onglet symbolis\u00e9 par un ic\u00f4ne de trac\u00e9 en colonnes (Options de s\u00e9rie<\/strong>), se trouvent les commutateurs algorithmiques r\u00e9gissant le comportement du mod\u00e8le.<\/p>\n

Parmi ces leviers figure l’option Afficher les points int\u00e9rieurs<\/strong>. Lorsqu’elle est activ\u00e9e, Excel projette l’int\u00e9gralit\u00e9 des observations empiriques r\u00e9elles sous la forme de points dispers\u00e9s lat\u00e9ralement (selon un principe de jittering<\/em> pour r\u00e9duire les recouvrements) \u00e0 l’int\u00e9rieur m\u00eame du corps de la bo\u00eete et le long des moustaches. Cette fonctionnalit\u00e9 s’av\u00e8re hautement vertueuse sur le plan \u00e9pist\u00e9mologique : elle restitue la granularit\u00e9 de l’\u00e9chantillon sous-jacent, r\u00e9v\u00e9lant d’\u00e9ventuelles zones de vacuit\u00e9 distributionnelle ou des sous-agr\u00e9gats invisibles au travers du seul r\u00e9sum\u00e9 par quartiles. Corr\u00e9lativement, le chercheur peut choisir d’activer ou d’inhiber le Marqueur de moyenne<\/strong>, qui superpose une croix arithm\u00e9tique ($\\times$<\/span>) au sein du rectangle, facilitant l’\u00e9valuation visuelle imm\u00e9diate du d\u00e9calage entre moyenne et m\u00e9diane.<\/p>\n

5.3 Gestion de la ligne m\u00e9diane et des segments de liaison<\/h3>\n

Toujours au sein du panneau de configuration des s\u00e9ries, une option strat\u00e9gique intitul\u00e9e Afficher la ligne de moyenne<\/strong> ou Lignes de liaison<\/strong> permet de tracer un segment continu reliant les moyennes ou les m\u00e9dianes respectives des diff\u00e9rents groupes exp\u00e9rimentaux dispos\u00e9s c\u00f4te \u00e0 c\u00f4te. Dans les protocoles longitudinaux ou les plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es (ex. Pr\u00e9-test, Post-test imm\u00e9diat, R\u00e9tention \u00e0 long terme), ces segments de liaison soulignent graphiquement la trajectoire temporelle de la cohorte, offrant un pont s\u00e9miotique intuitif entre l’analyse descriptive transversale et les tests d’effets principaux issus de l’analyse de variance.<\/p>\n

Il importe \u00e9galement de veiller \u00e0 la diff\u00e9renciation chromatique et au contraste typographique de la barre m\u00e9diane. Par d\u00e9faut, Excel applique parfois une teinte identique pour le contour de la bo\u00eete et la ligne m\u00e9diane transversale, ce qui peut nuire \u00e0 l’identification instantan\u00e9e de $Q_2$<\/span> lors de l’impression en niveaux de gris. En acc\u00e9dant aux propri\u00e9t\u00e9s de Remplissage et trait<\/strong> du volet lat\u00e9ral, le chercheur veillera \u00e0 assigner un contour net et une \u00e9paisseur suffisante (au minimum 1,25 point) pour que la m\u00e9diane s’impose visuellement comme l’axe pivot du diagramme.<\/p>\n

6. D\u00e9codage analytique des cinq valeurs cl\u00e9s g\u00e9n\u00e9r\u00e9es par Excel<\/h2>\n

6.1 Interpr\u00e9tation du minimum non aberrant<\/h3>\n

La limite inf\u00e9rieure mat\u00e9rialis\u00e9e par la terminaison de la moustache basse repr\u00e9sente le minimum non aberrant de la s\u00e9rie empirique. Il est crucial d’insister sur la qualification de \u00ab non aberrant \u00bb : cette borne ne correspond pas n\u00e9cessairement \u00e0 la valeur minimale th\u00e9orique accessible sur l’instrument d’\u00e9valuation, ni m\u00eame syst\u00e9matiquement \u00e0 la plus petite valeur enregistr\u00e9e dans le fichier de donn\u00e9es. Elle mat\u00e9rialise l’observation la plus basse qui n’a pas \u00e9t\u00e9 disqualifi\u00e9e par la cl\u00f4ture de Tukey, c’est-\u00e0-dire le point r\u00e9el le plus bas v\u00e9rifiant la condition $ge Q_1 – 1,5 \\times \\text{EIQ}$<\/span>.<\/p>\n

Sur le plan de l’interpr\u00e9tation psychologique, cette borne inf\u00e9rieure \u00e9claire la pr\u00e9sence potentielle d’un \u00ab effet plancher \u00bb au sein de la t\u00e2che cognitive ou de l’\u00e9chelle d’\u00e9valuation. Si le minimum non aberrant co\u00efncide rigoureusement avec le score z\u00e9ro d’un inventaire d’anxi\u00e9t\u00e9 ou avec la latence minimale physiologique d’un temps de r\u00e9action motrice (ex. 150 \u00e0 200 ms pour l’inhibition saccadique), cela confirme que le protocole capture fid\u00e8lement la limite basale de r\u00e9activit\u00e9 du syst\u00e8me nerveux central, sans qu’aucun sujet n’ait produit d’anticipation motrice pr\u00e9matur\u00e9e.<\/p>\n

6.2 Lecture approfondie du bloc central (Q1, M\u00e9diane, Q3)<\/h3>\n

Le bloc central, form\u00e9 par la r\u00e9union du premier quartile, de la m\u00e9diane et du troisi\u00e8me quartile, concentre l’essence de l’information structurelle. Le premier quartile ($Q_1$<\/span>) \u00e9tablit la ligne de d\u00e9marcation sous laquelle s’enfoncent les 25 % des sujets les plus lents, les moins performants ou les moins symptomatiques de l’\u00e9chantillon. \u00c0 l’oppos\u00e9, le troisi\u00e8me quartile ($Q_3$<\/span>) consacre le seuil d’acc\u00e8s aux 25 % des scores sup\u00e9rieurs, marquant la fronti\u00e8re vers les performances exceptionnelles ou les degr\u00e9s \u00e9lev\u00e9s de s\u00e9v\u00e9rit\u00e9 clinique.<\/p>\n

\"Box
Box plot calculations in Excel<\/figcaption><\/figure>\n

La distance m\u00e9trique s\u00e9parant la m\u00e9diane de $Q_1$<\/span> et de $Q_3$<\/span> fournit un diagnostic imm\u00e9diat quant \u00e0 la morphologie de la dispersion interne. Si la m\u00e9diane est rigoureusement \u00e9quidistante des deux bordures du rectangle, la moiti\u00e9 centrale des donn\u00e9es s’av\u00e8re parfaitement sym\u00e9trique. En revanche, si la m\u00e9diane se tasse contre le bord inf\u00e9rieur $Q_1$<\/span>, cela atteste que les scores situ\u00e9s entre le 25e et le 50e centile sont extr\u00eamement concentr\u00e9s et resserr\u00e9s, tandis que les scores oscillant entre le 50e et le 75e centile s’\u00e9tirent de mani\u00e8re beaucoup plus l\u00e2che vers les valeurs hautes. Cette asym\u00e9trie interne du corps central refl\u00e8te fid\u00e8lement la dynamique de r\u00e9ponse propre aux populations examin\u00e9es.<\/p>\n

6.3 Interpr\u00e9tation du maximum non aberrant<\/h3>\n

\u00c0 l’extr\u00e9mit\u00e9 sup\u00e9rieure du diagramme, la terminaison de la moustache haute incarne le maximum non aberrant. Tout comme son pendant inf\u00e9rieur, cette marque identifie l’observation empirique la plus \u00e9lev\u00e9e qui s’inscrit encore en de\u00e7\u00e0 de la cl\u00f4ture sup\u00e9rieure d\u00e9finie par $Q_3 + 1,5 \\times \\text{EIQ}$<\/span>. Cette valeur constitue un indicateur de premier ordre pour \u00e9valuer l’\u00e9tendue normale de la variabilit\u00e9 humaine dans la condition examin\u00e9e.<\/p>\n

Dans l’\u00e9valuation des comp\u00e9tences psychom\u00e9triques, la confrontation entre ce maximum observ\u00e9 et la limite physique ou technique impos\u00e9e par le paradigme exp\u00e9rimental (ex. le score maximal th\u00e9orique \u00e0 un test d’aptitude math\u00e9matique ou le d\u00e9lai d’expiration temporelle [time-out<\/em>] fix\u00e9 sur un logiciel de chronom\u00e9trie) permet de d\u00e9celer l’existence d’un \u00ab effet plafond \u00bb. Si le maximum non aberrant s’agglutine contre la borne sup\u00e9rieure autoris\u00e9e par le test, le chercheur doit en d\u00e9duire que l’instrument n’a pas permis de discriminer ad\u00e9quatement les sujets aux capacit\u00e9s cognitives les plus avanc\u00e9es, orientant ainsi la r\u00e9vision m\u00e9thodologique future de l’\u00e9preuve.<\/p>\n

7. Traitement algorithmique des valeurs aberrantes (outliers) sous Excel<\/h2>\n

7.1 La formule de d\u00e9tection automatique des seuils de Tukey<\/h3>\n

L’un des apports majeurs de l’int\u00e9gration native de la bo\u00eete \u00e0 moustaches au sein de Microsoft Excel r\u00e9side dans l’automatisation rigoureuse du criblage des anomalies distributionnelles selon les r\u00e8gles canoniques de Tukey. L’architecture computationnelle du tableur calcule dynamiquement les cl\u00f4tures int\u00e9rieures (inner fences<\/em>) \u00e0 partir des centiles de l’\u00e9chantillon sans exiger de saisie manuelle de macros complexes. Les formules r\u00e9gissant cette d\u00e9marcation s’\u00e9noncent formellement :<\/p>\n

$$\\text{Cl\u00f4ture Inf\u00e9rieure} = Q_1 – (1,5 \\times \\text{EIQ})$$<\/span><\/p>\n

$$\\text{Cl\u00f4ture Sup\u00e9rieure} = Q_3 + (1,5 \\times \\text{EIQ})$$<\/span><\/p>\n

Tout score empirique individuel $x_i$<\/span> satisfaisant \u00e0 la condition d’exclusion $x_i \\text{Cl\u00f4ture Sup\u00e9rieure}$<\/span> est imm\u00e9diatement extrait de la s\u00e9rie continue reliant les moustaches. Le coefficient $1,5$ appliqu\u00e9 \u00e0 l’\u00e9cart interquartile n’est pas arbitraire : dans le cas d’une distribution parfaitement gaussienne, cette distance correspond approximativement \u00e0 un intervalle couvrant $\\pm 2,7$<\/span> \u00e9carts-types autour de la moyenne, ce qui signifie qu’environ 99,3 % des donn\u00e9es d’une population normale th\u00e9orique sont attendues \u00e0 l’int\u00e9rieur des moustaches, ne laissant \u00e9merger en dehors que 0,7 % d’observations statistiquement improbables.<\/p>\n

7.2 Repr\u00e9sentation graphique sp\u00e9cifique des points atypiques<\/h3>\n

Lorsqu’une observation franchit ces cl\u00f4tures de Tukey, Excel neutralise l’extension de la moustache correspondante et mat\u00e9rialise l’anomalie sous la forme d’un point g\u00e9om\u00e9trique totalement d\u00e9solidaris\u00e9 du reste de l’\u00e9difice structural. Dans les options de s\u00e9rie, la case \u00e0 cocher Afficher les points hors limites<\/strong> (activ\u00e9e par d\u00e9faut) r\u00e9git ce comportement s\u00e9miotique. Si cette option venait \u00e0 \u00eatre d\u00e9sactiv\u00e9e par l’analyste, Excel forcerait artificiellement les moustaches \u00e0 s’\u00e9tirer jusqu’aux valeurs absolues minimales et maximales, masquant ainsi l’existence m\u00eame des singularit\u00e9s empiriques, une pratique vivement d\u00e9conseill\u00e9e sur le plan de la d\u00e9ontologie scientifique.<\/p>\n

\"Box
Box plot with an outlier in Excel<\/figcaption><\/figure>\n

Il importe de souligner une nuance th\u00e9orique majeure que l’interface native d’Excel simplifie parfois \u00e0 l’exc\u00e8s. Dans la litt\u00e9rature statistique classique, Tukey distinguait les valeurs atypiques mod\u00e9r\u00e9es (situ\u00e9es entre $1,5 \\times \\text{EIQ}$<\/span> et $3,0 \\times \\text{EIQ}$<\/span> au-del\u00e0 des quartiles) des valeurs atypiques s\u00e9v\u00e8res ou extr\u00eames (d\u00e9passant $3,0 \\times \\text{EIQ}$<\/span>). Alors que des progiciels comme SPSS ou R adoptent des symboles diff\u00e9renci\u00e9s (par exemple des cercles pour les anomalies mod\u00e9r\u00e9es et des ast\u00e9risques pour les valeurs extr\u00eames), le moteur de rendu d’Excel projette un marqueur uniforme pour l’ensemble des points isol\u00e9s. Il incombe donc \u00e0 l’analyste de proc\u00e9der \u00e0 un examen tabulaire compl\u00e9mentaire pour quantifier la s\u00e9v\u00e9rit\u00e9 de l’\u00e9cartement de chaque valeur hors limites.<\/p>\n

7.3 Prise de d\u00e9cision clinique et m\u00e9thodologique face aux valeurs isol\u00e9es<\/h3>\n

L’\u00e9mergence d’un point atypique sur un diagramme en bo\u00eete ne doit en aucun cas d\u00e9clencher une r\u00e9action r\u00e9flexe de suppression m\u00e9canique. Face \u00e0 une observation p\u00e9riph\u00e9rique isol\u00e9e, le chercheur doit op\u00e9rer une triple d\u00e9marche d\u00e9cisionnelle. En premier lieu, il convient de traquer une \u00e9ventuelle erreur mat\u00e9rielle de saisie ou d’encodage (par exemple, la saisie d’un temps de r\u00e9action de 50 000 ms r\u00e9sultant d’une frappe accidentelle sur un chiffre surnum\u00e9raire). Dans ce cas pr\u00e9cis, la correction ou l’invalidation de la donn\u00e9e proc\u00e8de d’un imp\u00e9ratif d’assainissement \u00e9vident.<\/p>\n

En second lieu, si la donn\u00e9e se r\u00e9v\u00e8le techniquement valide, l’analyste doit d\u00e9terminer si elle proc\u00e8de d’un manquement protocolaire av\u00e9r\u00e9 (somnolence constat\u00e9e du sujet, incompr\u00e9hension des consignes verbales valid\u00e9e lors du d\u00e9briefing). Enfin, dans les situations o\u00f9 la mesure traduit une r\u00e9ponse authentique mais hautement singuli\u00e8re \u00e9manant d’un sujet clinique (ex. un participant pr\u00e9sentant une symptomatologie obsessionnelle-compulsive majeure au sein d’une cohorte tout-venant), la valeur aberrante constitue souvent l’information scientifique la plus substantielle du recueil. L’\u00e9radiquer reviendrait \u00e0 appauvrir d\u00e9lib\u00e9r\u00e9ment la r\u00e9alit\u00e9 \u00e9cologique du ph\u00e9nom\u00e8ne psychologique. La recommandation \u00e9thique contemporaine consiste \u00e0 documenter rigoureusement toute anomalie, \u00e0 publier le graphique int\u00e9grant les points isol\u00e9s, et le cas \u00e9ch\u00e9ant, \u00e0 mener une analyse de sensibilit\u00e9 comparant les mod\u00e8les statistiques avec et sans l’inclusion des cas extr\u00eames.<\/p>\n

8. Analyse de la forme de la distribution psychologique : Asym\u00e9trie et variabilit\u00e9<\/h2>\n

8.1 Diagnostic visuel de l’asym\u00e9trie positive et n\u00e9gative<\/h3>\n

La bo\u00eete \u00e0 moustaches constitue un sismographe visuel d’une sensibilit\u00e9 remarquable pour appr\u00e9cier l’asym\u00e9trie (skewness<\/em>) d’une s\u00e9rie statistique sans exiger dans l’imm\u00e9diat le calcul formel des coefficients de Fisher ou de Pearson. Le diagnostic visuel repose sur la confrontation simultan\u00e9e de trois indicateurs g\u00e9om\u00e9triques internes : la position de la barre m\u00e9diane au sein du rectangle, la longueur relative des deux moustaches, et la position du marqueur de moyenne arithm\u00e9tique par rapport \u00e0 la m\u00e9diane.<\/p>\n

Une distribution est dite affect\u00e9e d’une asym\u00e9trie positive<\/strong> (ou \u00e9tal\u00e9e \u00e0 droite) lorsque les valeurs faibles sont tr\u00e8s fortement concentr\u00e9es et que les valeurs \u00e9lev\u00e9es s’\u00e9tirent de mani\u00e8re diffuse. Graphiquement, cette configuration se traduit par :<\/p>\n