L’espace compris entre le premier et le troisi\u00e8me quartile constitue l’\u00e9cart interquartile (commun\u00e9ment d\u00e9sign\u00e9 sous l’acronyme IQR pour Interquartile Range<\/em>). Math\u00e9matiquement d\u00e9fini par la diff\u00e9rence stricte Q3 moins Q1, l’\u00e9cart interquartile mesure la dispersion des cinquante pour cent centraux de la population observ\u00e9e. Contrairement \u00e0 la variance ou \u00e0 l’\u00e9cart-type, dont les calculs reposent sur les d\u00e9viations quadratiques par rapport \u00e0 la moyenne arithm\u00e9tique, l’IQR poss\u00e8de un point de rupture \u00e9lev\u00e9, atteignant vingt-cinq pour cent : cela signifie qu’un quart des observations peuvent \u00eatre arbitrairement alt\u00e9r\u00e9es ou corrompues sans que cette mesure de dispersion ne bascule vers l’infini. Cette propri\u00e9t\u00e9 de robustesse s’av\u00e8re particuli\u00e8rement cruciale dans les disciplines exp\u00e9rimentales o\u00f9 les contaminations de mesure ou les erreurs d’encodage sont fr\u00e9quentes.<\/p>\n Dans la formalisation standard de Tukey impl\u00e9ment\u00e9e nativement par Stata, les d\u00e9limitations extr\u00eames de la bo\u00eete centrale mat\u00e9rialisent directement le premier et le troisi\u00e8me quartile. La ligne traversant la bo\u00eete correspond \u00e0 la m\u00e9diane. En revanche, les moustaches (ou whiskers<\/em>) ne s’\u00e9tendent pas n\u00e9cessairement jusqu’aux valeurs minimale et maximale absolues du jeu de donn\u00e9es. Elles sont born\u00e9es par des barri\u00e8res de calcul sp\u00e9cifiques, \u00e9tablies conventionnellement \u00e0 une fois et demie l’\u00e9cart interquartile au-del\u00e0 des quartiles inf\u00e9rieur et sup\u00e9rieur. Les donn\u00e9es situ\u00e9es en de\u00e7\u00e0 de la barri\u00e8re inf\u00e9rieure ou au-del\u00e0 de la barri\u00e8re sup\u00e9rieure sont class\u00e9es comme des valeurs aberrantes ou atypiques et repr\u00e9sent\u00e9es sous forme de points individualis\u00e9s, pr\u00e9venant ainsi toute distorsion visuelle de l’\u00e9chelle d’analyse.<\/p>\n Dans le domaine de la psychom\u00e9trie contemporaine<\/a> et de l’\u00e9valuation comportementale, la structure empirique des donn\u00e9es s’\u00e9loigne fr\u00e9quemment de la courbe th\u00e9orique de Gauss. Les variables telles que les scores de d\u00e9pression clinique, les inventaires de traumatismes, ou les temps de latence cognitive manifestent une asym\u00e9trie de distribution (skewness<\/em>) positive prononc\u00e9e, caract\u00e9ris\u00e9e par une longue tra\u00eene vers les valeurs \u00e9lev\u00e9es et une forte concentration vers le bas. \u00c0 l’inverse, des tests d’aptitude cognitive standardis\u00e9s appliqu\u00e9s \u00e0 des cohortes s\u00e9lectionn\u00e9es peuvent g\u00e9n\u00e9rer une asym\u00e9trie n\u00e9gative marqu\u00e9e. La bo\u00eete \u00e0 moustaches permet d’\u00e9valuer visuellement cette dissym\u00e9trie d’un simple coup d’\u0153il : une m\u00e9diane non centr\u00e9e \u00e0 l’int\u00e9rieur de la bo\u00eete centrale et des longueurs in\u00e9gales de moustaches signalent sans \u00e9quivoque une violation de l’hypoth\u00e8se de sym\u00e9trie.<\/p>\n De surcro\u00eet, les \u00e9chelles d’\u00e9valuation psychologique souffrent r\u00e9guli\u00e8rement de contraintes de mesure intrins\u00e8ques, telles que l’effet de plancher (floor effect<\/em>) ou l’effet de plafond (ceiling effect<\/em>). L’effet de plancher survient lorsqu’un instrument de mesure est incapable de distinguer les variations chez les individus pr\u00e9sentant des niveaux extr\u00eamement faibles du trait latent, comprimant artificiellement une fraction notable de l’\u00e9chantillon sur le score minimal admissible. L’effet de plafond produit la distorsion inverse \u00e0 l’extr\u00e9mit\u00e9 sup\u00e9rieure de l’\u00e9chelle. Dans un diagramme en bo\u00eete, ces artefacts se manifestent par un aplatissement complet de la moustache inf\u00e9rieure ou sup\u00e9rieure et par la coalescence de la ligne m\u00e9diane avec l’une des bordures du rectangle interquartile, avertissant imm\u00e9diatement l’exp\u00e9rimentateur de la troncation des scores.<\/p>\n Enfin, la comparaison non param\u00e9trique entre des cohortes cliniques et des groupes t\u00e9moins sains trouve dans la bo\u00eete \u00e0 moustaches un vecteur de communication d’une clart\u00e9 in\u00e9gal\u00e9e. Lorsque les postulats d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9 requis par le test t de Student ou l’analyse de variance classique sont viol\u00e9s, la juxtaposition de bo\u00eetes \u00e0 moustaches permet de comparer la tendance centrale par le d\u00e9calage des m\u00e9dianes et la variabilit\u00e9 intrins\u00e8que par la hauteur relative des bo\u00eetes, fournissant ainsi une base solide et intuitive pour appuyer des tests inf\u00e9rentiels non param\u00e9triques tels que le test de Wilcoxon-Mann-Whitney ou le test de Kruskal-Wallis.<\/p>\n L’environnement logiciel Stata dispose d’un sous-syst\u00e8me graphique hautement sp\u00e9cialis\u00e9, dot\u00e9 d’une grammaire logique qui structure chaque \u00e9l\u00e9ment g\u00e9om\u00e9trique sous forme d’une couche superposable et param\u00e9trable. Pour le tra\u00e7age des distributions condens\u00e9es, Stata distingue fondamentalement deux commandes s\u0153urs : la commande graph box<\/strong>, con\u00e7ue pour produire des visualisations \u00e0 orientation verticale, et la commande graph hbox<\/strong>, d\u00e9di\u00e9e aux projections \u00e0 orientation horizontale. Bien que ces deux commandes partagent une quasi-totalit\u00e9 de leurs arguments syntaxiques et de leurs sous-options de formatage, leur divergence directionnelle modifie l’attribution spatiale des axes et l’ergonomie de lecture des sorties textuelles.<\/p>\n Contrairement aux commandes graphiques g\u00e9n\u00e9riques de type bidimensionnel, regroup\u00e9es sous l’instruction twoway<\/strong>, les commandes de bo\u00eetes \u00e0 moustaches de Stata fonctionnent sous un paradigme d’agr\u00e9gation statistique directe. L’utilisateur ne transmet pas au moteur graphique des coordonn\u00e9es cart\u00e9siennes pr\u00e9calcul\u00e9es ; il sp\u00e9cifie les variables analytiques brutes ainsi que d’\u00e9ventuelles variables de stratification cat\u00e9gorielle. C’est le compilateur interne de Stata qui ex\u00e9cute en m\u00e9moire vive le tri des rangs, le calcul matriciel des quantiles et l’\u00e9valuation des seuils d’exclusion avant de dessiner les polygones et les marqueurs.<\/p>\n Cette architecture int\u00e9gr\u00e9e permet une flexibilit\u00e9 remarquable. L’utilisateur peut simultan\u00e9ment d\u00e9finir la g\u00e9om\u00e9trie des bo\u00eetes, personnaliser la typographie des axes, calibrer les \u00e9chelles num\u00e9riques et filtrer les sous-populations au sein d’une seule ligne d’instruction. L’int\u00e9gration de la syntaxe par couches garantit en outre que chaque modification d’aspect, qu’il s’agisse de l’\u00e9paisseur d’un trait, du motif d’une trame ou de la teinte d’un point aberrant, s’applique de fa\u00e7on d\u00e9terministe et reproductible au sein de scripts de traitement automatis\u00e9s.<\/p>\n Toute initiative de visualisation graphique rigoureuse dans Stata commence imp\u00e9rativement par une phase d’audit structurel des donn\u00e9es import\u00e9es en m\u00e9moire vive. L’acquisition du jeu de donn\u00e9es s’effectue couramment via l’instruction use<\/strong>, suivie du chemin d’acc\u00e8s absolu ou relatif vers le fichier de format propri\u00e9taire, compl\u00e9t\u00e9e si n\u00e9cessaire par l’option clear<\/strong> afin de purger les donn\u00e9es r\u00e9siduelles pr\u00e9alablement charg\u00e9es. Pour illustrer des manipulations m\u00e9thodologiquement reproductibles, les chercheurs s’appuient fr\u00e9quemment sur les jeux de donn\u00e9es h\u00e9berg\u00e9s directement sur les d\u00e9p\u00f4ts distants de StataCorp<\/a>, tels que les inventaires de sant\u00e9 publique ou les bases automobiles d’apprentissage.<\/p>\n D\u00e8s le chargement compl\u00e9t\u00e9, la phase d’inspection pr\u00e9liminaire s’ouvre par l’ex\u00e9cution de la commande describe<\/strong>. Cette directive fournit un \u00e9tat des lieux exhaustif de la table : nombre total de lignes (observations), nombre de colonnes (variables), typage machine de chaque champ (entiers sous formats byte ou int, r\u00e9els \u00e0 virgule flottante sous formats float ou double, et cha\u00eenes de caract\u00e8res de type str). Il est capital de v\u00e9rifier que les variables psychom\u00e9triques ou cliniques continues destin\u00e9es \u00e0 figurer dans le diagramme sont bel et bien encod\u00e9es sous forme de variables num\u00e9riques r\u00e9elles, faute de quoi le moteur de graph box<\/strong> rejettera la commande avec une notification d’incompatibilit\u00e9 de type.<\/p>\n Par la suite, l’op\u00e9rateur d\u00e9ploie les instructions summarize<\/strong> (souvent assortie du modificateur detail<\/strong> pour d\u00e9voiler l’int\u00e9gralit\u00e9 des centiles) et codebook<\/strong>. La sous-routine summarize, detail<\/strong> constitue un pr\u00e9lude essentiel au trac\u00e9 graphique : elle affiche textuellement les valeurs pr\u00e9cises de Q1, de la m\u00e9diane et de Q3, permettant au statisticien de disposer des valeurs num\u00e9riques exactes qui serviront d’\u00e9talons de v\u00e9rification lors de l’examen visuel de la bo\u00eete g\u00e9n\u00e9r\u00e9e par Stata.<\/p>\n L’int\u00e9grit\u00e9 de la bo\u00eete \u00e0 moustaches d\u00e9pend \u00e9troitement de la salubrit\u00e9 du jeu de donn\u00e9es sous-jacent. L’un des \u00e9cueils majeurs dans l’\u00e9cosyst\u00e8me Stata r\u00e9side dans le traitement des valeurs manquantes syst\u00e8me (repr\u00e9sent\u00e9es par un simple point typographique) et des valeurs manquantes \u00e9tendues (allant de .a jusqu’\u00e0 .z). Dans la hi\u00e9rarchie computationnelle de Stata, les valeurs manquantes num\u00e9riques sont assimil\u00e9es \u00e0 des grandeurs positives infiniment plus \u00e9lev\u00e9es que le plus grand nombre r\u00e9el encodable. Bien que la commande graph box<\/strong> poss\u00e8de des filtres internes pour ignorer par d\u00e9faut les observations manquantes sur la variable continue trac\u00e9e, la prudence dicte un assainissement pr\u00e9alable explicite pour \u00e9viter toute contamination lors d’analyses combin\u00e9es.<\/p>\n Le chercheur utilise judicieusement la clause conditionnelle if<\/strong> pour d\u00e9limiter les sous-\u00e9chantillons analytiques. Dans le cadre d’un protocole d’investigation en sciences comportementales, il peut s’av\u00e9rer n\u00e9cessaire d’exclure les participants n’ayant pas satisfait aux crit\u00e8res d’attention ou pr\u00e9sentant des profils cliniques aberrants. L’expression prendra la forme d’un filtrage direct au sein de l’instruction graphique, ou passera par la cr\u00e9ation pr\u00e9alable d’une variable binaire d’inclusion via la commande generate<\/strong> et l’assignation de valeurs logiques.<\/p>\n Le recodage syst\u00e9matique des variables d’identification et des modalit\u00e9s cat\u00e9gorielles fait \u00e9galement partie de cette phase pr\u00e9paratoire. L’utilisation de l’utilitaire recode<\/strong> permet de red\u00e9finir les scores hors normes, de fusionner des cohortes marginales ou de transformer des valeurs sentinelles (telles que -99 ou 999, fr\u00e9quemment utilis\u00e9es dans les questionnaires papier pour signifier l’absence de r\u00e9ponse) en valeurs manquantes formelles reconnues par le syst\u00e8me, \u00e9cartant ainsi tout risque de distorsion monumentale de l’\u00e9chelle des ordonn\u00e9es.<\/p>\n La dimension communicante d’un graphique repose pour une large part sur la pr\u00e9cision de sa s\u00e9miologie textuelle. L’un des atouts d\u00e9terminants de Stata r\u00e9side dans son architecture de m\u00e9tadonn\u00e9es, qui permet de greffer des descriptions litt\u00e9rales sur les objets math\u00e9matiques. Lors de l’ex\u00e9cution de graph box<\/strong>, le logiciel utilise prioritairement l’\u00e9tiquette de la variable (variable label<\/em>) pour nommer l’axe de mesure. Si aucune \u00e9tiquette n’a \u00e9t\u00e9 sp\u00e9cifi\u00e9e, Stata se r\u00e9sout \u00e0 afficher le nom technique abr\u00e9g\u00e9 de la variable, ce qui d\u00e9grade consid\u00e9rablement la lisibilit\u00e9 du document scientifique.<\/p>\n L’attribution de cette m\u00e9tadonn\u00e9e descriptive s’op\u00e8re via la commande label variable<\/strong>, suivie du nom de la variable et de la cha\u00eene de caract\u00e8res correspondante, qui doit id\u00e9alement expliciter la m\u00e9trique employ\u00e9e ainsi que l’unit\u00e9 de mesure (par exemple : \u00ab Temps de r\u00e9action moyen (en millisecondes) \u00bb ou \u00ab Score total d’anxi\u00e9t\u00e9 (inventaire de Beck) \u00bb). Cette pr\u00e9caution garantit que l’axe m\u00e9trique du futur trac\u00e9 sera imm\u00e9diatement compr\u00e9hensible sans n\u00e9cessiter d’annotations correctives ult\u00e9rieures.<\/p>\n Pour les variables cat\u00e9gorielles destin\u00e9es \u00e0 former les sous-groupes de comparaison, l’assignation d’\u00e9tiquettes de valeurs (value labels<\/em>) est un pr\u00e9requis absolu. Ce processus se d\u00e9ploie en deux temps distincts : la cr\u00e9ation d’une table d’association au moyen de l’instruction label define<\/strong>, qui lie chaque code num\u00e9rique discret \u00e0 une cha\u00eene explicative claire, suivie de l’attachement effectif de cette nomenclature \u00e0 la variable cible gr\u00e2ce \u00e0 label values<\/strong>. Gr\u00e2ce \u00e0 cette discipline pr\u00e9paratoire, les modalit\u00e9s appara\u00eetront sous forme d’intitul\u00e9s explicites sur l’axe cat\u00e9goriel plut\u00f4t que sous des codes cryptiques r\u00e9clamant un effort de d\u00e9codage cognitif superflu de la part du lecteur.<\/p>\n La production d’un diagramme en bo\u00eete univari\u00e9 repr\u00e9sente l’op\u00e9ration fondamentale \u00e0 partir de laquelle s’articulent toutes les extensions ult\u00e9rieures du moteur graphique de Stata. La syntaxe la plus \u00e9l\u00e9mentaire s’\u00e9nonce en saisissant le terme graph box<\/strong>, suivi imm\u00e9diatement du nom de la variable num\u00e9rique continue dont on cherche \u00e0 inspecter la dispersion. D\u00e8s la validation de cette consigne, Stata sollicite son compilateur, ex\u00e9cute le calcul du r\u00e9sum\u00e9 \u00e0 cinq nombres en arri\u00e8re-plan, ouvre la fen\u00eatre de rendu graphique d\u00e9di\u00e9e et affiche la silhouette caract\u00e9ristique du diagramme de Tukey dress\u00e9 \u00e0 la verticale.<\/p>\n Dans ce mode d’affichage par d\u00e9faut, la structure g\u00e9om\u00e9trique ob\u00e9it \u00e0 un ensemble de conventions standardis\u00e9es. Le corps central de la bo\u00eete est constitu\u00e9 d’un rectangle bleu ardoise (selon le sch\u00e9ma graphique d’usine par d\u00e9faut), d\u00e9limit\u00e9 en bas par le premier quartile et en haut par le troisi\u00e8me quartile. La hauteur de ce rectangle repr\u00e9sente exactement l’\u00e9cart interquartile. Une ligne transversale blanche ou sombre traverse le parall\u00e9l\u00e9pip\u00e8de \u00e0 hauteur exacte de la m\u00e9diane empirique, permettant d’appr\u00e9cier la sym\u00e9trie locale des cinquante pour cent centraux de la distribution.<\/p>\n Les moustaches s’\u00e9tendent verticalement \u00e0 partir des ar\u00eates de la bo\u00eete centrale jusqu’aux valeurs adjacentes les plus \u00e9loign\u00e9es qui respectent la barri\u00e8re de Tukey de 1,5 fois l’\u00e9cart interquartile. Toutes les observations tombant en dehors de ces bornes de tol\u00e9rance sont mat\u00e9rialis\u00e9es par des points isol\u00e9s suspendus au-dessus ou au-dessous des moustaches. L’axe vertical (ordonn\u00e9e) re\u00e7oit automatiquement une graduation arithm\u00e9tique couvrant l’intervalle complet des donn\u00e9es observ\u00e9es, tandis que l’axe horizontal ne comporte aucune graduation m\u00e9trique, servant uniquement de support d’ancrage pour l’unique bo\u00eete trac\u00e9e.<\/p>\n L’application directe de la commande graph box<\/strong> univari\u00e9e prend tout son sens lors de la phase initiale d’\u00e9valuation des propri\u00e9t\u00e9s d’une \u00e9chelle psychom\u00e9trique nouvellement administr\u00e9e. Consid\u00e9rons l’examen des scores bruts obtenus par un groupe d’individus \u00e0 un test d’aptitude spatiale. Le chercheur lance le trac\u00e9 de la bo\u00eete \u00e0 moustaches afin d’\u00e9valuer la dispersion globale des comp\u00e9tences au sein de sa cohorte. La hauteur de la bo\u00eete offre une appr\u00e9ciation instantan\u00e9e de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des sujets : une bo\u00eete \u00e9tir\u00e9e traduit une forte divergence interindividuelle, tandis qu’une bo\u00eete comprim\u00e9e t\u00e9moigne d’une grande coh\u00e9sion des performances.<\/p>\n Cette appr\u00e9ciation visuelle permet de confronter les observations aux hypoth\u00e8ses sous-jacentes de la mod\u00e9lisation statistique. Si la ligne m\u00e9diane est coll\u00e9e contre le plancher du premier quartile et que la moustache sup\u00e9rieure est consid\u00e9rablement plus longue que la moustache inf\u00e9rieure, le psychom\u00e9tricien diagnostique imm\u00e9diatement une distribution fortement \u00e9tal\u00e9e vers la droite. Dans une telle configuration, l’hypoth\u00e8se de normalit\u00e9 univari\u00e9e est manifestement compromise, ce qui incite le chercheur \u00e0 la prudence quant \u00e0 l’application pr\u00e9matur\u00e9e de mod\u00e8les param\u00e9triques lin\u00e9aires.<\/p>\n Il est de bonne pratique acad\u00e9mique de confronter ce diagnostic graphique aux r\u00e9sultats des tests statistiques inf\u00e9rentiels de normalit\u00e9, tels que le test de Shapiro-Wilk (ex\u00e9cut\u00e9 via la commande swilk<\/strong>) ou le test de sym\u00e9trie et d’aplatissement de D’Agostino et Pearson (accessible par sktest<\/strong>). Si la p-valeur de ces tests s’av\u00e8re inf\u00e9rieure au seuil critique conventionnel de cinq pour cent, le rejet de l’hypoth\u00e8se nulle de normalit\u00e9 trouve dans la bo\u00eete \u00e0 moustaches une justification empirique irr\u00e9futable, fournissant la documentation visuelle n\u00e9cessaire pour \u00e9tayer le choix de recourir \u00e0 des m\u00e9thodes statistiques robustes ou \u00e0 des transformations math\u00e9matiques pr\u00e9alables.<\/p>\n Une fonctionnalit\u00e9 particuli\u00e8rement puissante de la commande graph box<\/strong> r\u00e9side dans sa facult\u00e9 d’accueillir simultan\u00e9ment plusieurs variables continues distinctes au sein de la m\u00eame ligne d’instruction. Pour g\u00e9n\u00e9rer un affichage comparatif juxtapos\u00e9, il suffit d’\u00e9num\u00e9rer les variables d’int\u00e9r\u00eat \u00e0 la suite du mot-cl\u00e9 initial, par exemple en sp\u00e9cifiant graph box score_anxiete score_depression score_stress<\/strong>. Stata engendre alors un graphique unifi\u00e9 o\u00f9 chaque variable se voit assigner une bo\u00eete \u00e0 moustaches d\u00e9di\u00e9e, positionn\u00e9e parall\u00e8lement sur le plan visuel.<\/p>\n Cette approche implique cependant une contrainte m\u00e9thodologique capitale : l’ensemble des variables appel\u00e9es doit imp\u00e9rativement partager une \u00e9chelle de mesure identique ou du moins parfaitement standardis\u00e9e. Si un analyste tente de superposer sur le m\u00eame graphique un temps de r\u00e9action exprim\u00e9 en millisecondes (dont les grandeurs oscillent couramment entre trois cents et douze cents unit\u00e9s) et un score d’exactitude born\u00e9 entre z\u00e9ro et un, la seconde distribution se trouvera \u00e9cras\u00e9e de mani\u00e8re illisible contre l’axe de r\u00e9f\u00e9rence sous l’effet de l’\u00e9tirement excessif de l’\u00e9chelle des ordonn\u00e9es.<\/p>\n Lorsque cette condition d’homog\u00e9n\u00e9it\u00e9 m\u00e9trique est respect\u00e9e \u2014 comme dans le cas de sous-\u00e9chelles d’un inventaire psychologique toutes not\u00e9es sur une \u00e9chelle de Likert de 1 \u00e0 7, ou de scores standardis\u00e9s en notes Z (de moyenne nulle et d’\u00e9cart-type unitaire) \u2014, la juxtaposition visuelle permet d’\u00e9tablir des comparaisons de profils imm\u00e9diates. Le chercheur peut observer en un regard quelle dimension clinique pr\u00e9sente la dispersion la plus prononc\u00e9e, quelle facette de la personnalit\u00e9 se caract\u00e9rise par la m\u00e9diane la plus \u00e9lev\u00e9e, et quelles \u00e9chelles g\u00e9n\u00e8rent des distributions asym\u00e9triques au sein de la population cibl\u00e9e.<\/p>\n Bien que la disposition verticale soit historiquement la plus r\u00e9pandue dans les publications scientifiques, Stata propose une alternative ergonomique majeure au travers de sa commande sp\u00e9cialis\u00e9e graph hbox<\/strong>. Le pr\u00e9fixe \u00ab h \u00bb signale sans ambigu\u00eft\u00e9 la translation vers une orientation horizontale (horizontal box plot<\/em>). D’un point de vue fonctionnel et algorithmique, graph hbox<\/strong> op\u00e8re une permutation cart\u00e9sienne rigoureuse : l’axe m\u00e9trique, habituellement attribu\u00e9 aux ordonn\u00e9es verticales, est d\u00e9sormais d\u00e9ploy\u00e9 sur l’axe des abscisses horizontales, tandis que l’axe cat\u00e9goriel ou l’espace de r\u00e9partition des variables prend place sur l’axe vertical.<\/p>\n Toutes les options de personnalisation, d’ajustement de calcul, de coloration des trames et de contr\u00f4le des valeurs aberrantes d\u00e9velopp\u00e9es pour la commande verticale s’appliquent avec une interchangeabilit\u00e9 syntaxique parfaite \u00e0 la commande horizontale. L’utilisateur peut ainsi transposer l’int\u00e9gralit\u00e9 de ses scripts d’une orientation \u00e0 l’autre en rempla\u00e7ant simplement le mot-cl\u00e9 graph box<\/strong> par graph hbox<\/strong>, sans risquer de corrompre les arguments de mise en forme ou les conditions logiques sous-jacentes.<\/p>\n Le comportement de l’\u00e9chelle m\u00e9trique sur l’axe horizontal offre une lecture intuitive similaire \u00e0 celle d’une r\u00e8gle gradu\u00e9e ou d’une frise temporelle, progressant classiquement de la gauche (valeurs minimales) vers la droite (valeurs maximales). Les moustaches s’\u00e9tendent lat\u00e9ralement, et la ligne m\u00e9diane traverse d\u00e9sormais la bo\u00eete de fa\u00e7on verticale. Cette disposition est particuli\u00e8rement pris\u00e9e pour repr\u00e9senter des grandeurs physiques unidirectionnelles ou des scores continus s’inscrivant naturellement dans une perspective d’accroissement progressif de la gauche vers la droite.<\/p>\n Le recours \u00e0 la projection horizontale r\u00e9pond avant tout \u00e0 un probl\u00e8me fr\u00e9quent d’affichage graphique : la gestion de l’encombrement spatial des \u00e9tiquettes de texte. Dans une configuration verticale standard utilisant graph box<\/strong>, l’axe horizontal accueille les noms des variables ou les libell\u00e9s des modalit\u00e9s exp\u00e9rimentales. Lorsque ces libell\u00e9s comportent un nombre \u00e9lev\u00e9 de caract\u00e8res, leur alignement horizontal classique conduit in\u00e9vitablement \u00e0 des collisions typographiques d\u00e9sastreuses, o\u00f9 les mots se chevauchent et deviennent ind\u00e9chiffrables, \u00e0 moins d’imposer une rotation angulaire des textes qui alt\u00e8re le confort de lecture.<\/p>\n La commande graph hbox<\/strong> r\u00e9sout ce d\u00e9fi avec \u00e9l\u00e9gance. En d\u00e9portant les \u00e9tiquettes sur l’axe vertical gauche, le graphique d\u00e9gage une hauteur de ligne g\u00e9n\u00e9reuse pour chaque modalit\u00e9. Les libell\u00e9s textuels, qu’il s’agisse de d\u00e9nominations cliniques complexes telles que \u00ab Troubles obsessionnels compulsifs avec composante d\u00e9pressive majeure \u00bb ou d’intitul\u00e9s de postes organisationnels \u00e9tendus, peuvent ainsi s’\u00e9crire horizontalement et dans leur int\u00e9gralit\u00e9, dans le sens naturel de la lecture occidentale.<\/p>\n Cette caract\u00e9ristique fait de graph hbox<\/strong> l’outil privil\u00e9gi\u00e9 pour la restitution des grands inventaires de personnalit\u00e9, tels que les tests \u00e9valuant les facettes du Big Five ou le MMPI (Minnesota Multiphasic Personality Inventory<\/em>). Lorsque l’on souhaite repr\u00e9senter simultan\u00e9ment une douzaine de sous-dimensions comportementales distinctes, l’empilement vertical permis par graph hbox<\/strong> produit une structure visuelle a\u00e9r\u00e9e et aplanit toute friction cognitive lors de la lecture des rapports d’expertise ou des m\u00e9moires universitaires.<\/p>\n L’analyse des chronom\u00e9tries mentales et des latences de r\u00e9ponse exp\u00e9rimentales constitue un champ d’\u00e9lection remarquable pour les bo\u00eetes \u00e0 moustaches horizontales. Dans les protocoles de psychologie cognitive explorant des t\u00e2ches de Stroop, d’\u00e9coute dichotique ou de d\u00e9tection de signaux visuels, les temps de r\u00e9action sont structurellement born\u00e9s \u00e0 gauche par un seuil physiologique infranchissable (environ cent millisecondes) et pr\u00e9sentent une queue de distribution extr\u00eamement \u00e9tir\u00e9e vers les latences lentes, caus\u00e9e par des d\u00e9faillances attentionnelles transitoires.<\/p>\n L’alignement horizontal de ces distributions permet d’aligner le regard de l’observateur avec la fl\u00e8che naturelle du temps. Les latences rapides se massent sur le c\u00f4t\u00e9 gauche du rep\u00e8re, tandis que les valeurs atypiques et les moustaches distendues pointent vers la droite, traduisant visuellement la dynamique d’\u00e9chappement temporel. L’observateur compare avec une pr\u00e9cision accrue les \u00e9carts d’\u00e9tendue interquartile entre des conditions congruentes et incongruentes, percevant imm\u00e9diatement la robustesse de l’effet exp\u00e9rimental.<\/p>\n Le choix entre une orientation verticale et horizontale doit \u00e9galement \u00eatre dict\u00e9 par la mise en page finale du support de diffusion. Dans un article scientifique \u00e0 deux colonnes, une bo\u00eete verticale \u00e9troite calibr\u00e9e sur la largeur exacte d’une seule colonne optimise l’occupation de l’espace typographique. En revanche, pour un rapport technique de format paysage, une pr\u00e9sentation sur \u00e9cran de conf\u00e9rence ou une planche d’annexes transversales, l’amplitude offerte par la commande graph hbox<\/strong> assure un d\u00e9ploiement spatial bien plus harmonieux.<\/p>\n L’une des op\u00e9rations les plus f\u00e9condes en analyse exploratoire des donn\u00e9es consiste \u00e0 d\u00e9sagr\u00e9ger la distribution d’une variable quantitative continue \u00e0 travers les niveaux successifs d’une variable nominale ou ordinale. Dans le langage de commande de Stata, cette op\u00e9ration de partitionnement s’effectue au moyen de l’option fondamentale over()<\/strong>. La syntaxe requiert de d\u00e9clarer la variable continue principale, puis de sp\u00e9cifier entre les parenth\u00e8ses de l’option le nom de la variable cat\u00e9gorielle qui servira de facteur de regroupement, par exemple : graph box temps_reaction, over(condition_experimentale)<\/strong>.<\/p>\n L’algorithme de Stata calcule alors le r\u00e9sum\u00e9 \u00e0 cinq nombres de mani\u00e8re enti\u00e8rement ind\u00e9pendante pour chaque sous-groupe identifi\u00e9 au sein de la variable de stratification. Le moteur graphique g\u00e9n\u00e8re autant de bo\u00eetes \u00e0 moustaches individuelles qu’il existe de modalit\u00e9s effectives, et les dispose les unes \u00e0 c\u00f4t\u00e9 des autres le long de l’axe cat\u00e9goriel. L’\u00e9cartement entre les bo\u00eetes et leur centrage par rapport aux marques de graduation sont automatiquement g\u00e9r\u00e9s par le syst\u00e8me pour pr\u00e9server une sym\u00e9trie visuelle optimale.<\/p>\n Cette mise en regard permet une interpr\u00e9tation clinique et exp\u00e9rimentale imm\u00e9diate. Dans un essai contr\u00f4l\u00e9 randomis\u00e9 comparant un placebo, une th\u00e9rapie standard et un protocole innovant, la juxtaposition des trois bo\u00eetes associ\u00e9es au score symptomatique final d\u00e9voile sans d\u00e9tour l’ampleur du d\u00e9placement de la m\u00e9diane du traitement exp\u00e9rimental vers des zones d’am\u00e9lioration clinique, tout en mettant en lumi\u00e8re d’\u00e9ventuelles modifications de dispersion au sein des cohortes trait\u00e9es.<\/p>\n Par d\u00e9faut, Stata ordonne les bo\u00eetes \u00e0 moustaches le long de l’axe cat\u00e9goriel selon l’ordre num\u00e9rique croissant des codes sous-jacents de la variable de groupement. Cependant, cet agencement chronologique ou arbitraire n’est pas toujours le plus pertinent sur le plan narratif ou th\u00e9orique. Pour conf\u00e9rer une r\u00e9elle force d\u00e9monstrative \u00e0 un trac\u00e9 comparatif, il est souvent souhaitable d’ordonner les cat\u00e9gories selon l’intensit\u00e9 croissante ou d\u00e9croissante de la m\u00e9trique observ\u00e9e.<\/p>\n L’option over()<\/strong> embarque \u00e0 cet effet une riche collection de sous-arguments de contr\u00f4le. L’introduction de la sous-option sort()<\/strong> permet de trier les cat\u00e9gories en fonction de la valeur prise par la variable d\u00e9pendante. Par exemple, la commande r\u00e9dig\u00e9e sous la forme graph box salaire, over(secteur_activite, sort(1))<\/strong> r\u00e9ordonnera automatiquement l’ensemble des secteurs d’activit\u00e9 de telle fa\u00e7on que les m\u00e9dianes des salaires progressent de gauche \u00e0 droite sur le graphique, transformant un assemblage chaotique en une progression lin\u00e9aire facile \u00e0 analyser.<\/p>\n Si la logique d\u00e9monstrative impose une hi\u00e9rarchie invers\u00e9e, il suffit d’adjoindre le modificateur descending<\/strong> \u00e0 l’int\u00e9rieur de la clause de tri de l’option over()<\/strong>. Cette flexibilit\u00e9 permet aux chercheurs engag\u00e9s dans des \u00e9tudes \u00e9pid\u00e9miologiques transversales de s\u00e9rier instantan\u00e9ment les groupes de patients du plus vuln\u00e9rable au plus r\u00e9silient, guidant le regard des \u00e9valuateurs vers les contrastes les plus remarquables sans exiger de recodage laborieux des identifiants cat\u00e9goriels dans la base de donn\u00e9es brute.<\/p>\n L’esth\u00e9tique globale d’un graphique factoriel repose pour une grande part sur la lisibilit\u00e9 des libell\u00e9s d\u00e9crivant chaque groupe d’\u00e9chantillonnage. Lorsque l’axe des abscisses accueille un nombre substantiel de cat\u00e9gories, les textes peuvent se chevaucher ou empi\u00e9ter sur les marges du cadre graphique. Pour pallier cet inconv\u00e9nient sans recourir syst\u00e9matiquement \u00e0 l’orientation horizontale, l’option over()<\/strong> permet d’ajuster l’apparence des \u00e9tiquettes via la sous-option label()<\/strong>.<\/p>\n \u00c0 l’int\u00e9rieur de cette clause, le chercheur peut moduler l’orientation angulaire du texte au moyen de l’argument angle()<\/strong>. La d\u00e9claration de valeurs angulaires courantes comme angle(45)<\/strong> ou angle(90)<\/strong> incline les libell\u00e9s, \u00e9vitant ainsi les collisions typographiques entre cat\u00e9gories contigu\u00ebs. De m\u00eame, la taille des caract\u00e8res peut \u00eatre finement recalibr\u00e9e via l’argument labsize()<\/strong>, acceptant des modificateurs standardis\u00e9s de Stata tels que small<\/strong>, vsmall<\/strong> ou medium<\/strong> pour pr\u00e9server l’\u00e9quilibre visuel.<\/p>\n Un autre d\u00e9fi fr\u00e9quent concerne la pr\u00e9sence de modalit\u00e9s cat\u00e9gorielles th\u00e9oriquement d\u00e9finies dans la nomenclature mais totalement absentes des donn\u00e9es observ\u00e9es. Par d\u00e9faut, Stata r\u00e9serve un espace vide sur l’axe pour ces cat\u00e9gories sans observation, ce qui cr\u00e9e des discontinuit\u00e9s inesth\u00e9tiques. L’introduction de la sous-option nofill<\/strong> commande au logiciel de supprimer imm\u00e9diatement ces espaces orphelins, condensant le graphique sur les seuls groupes r\u00e9ellement document\u00e9s pour maintenir une haute densit\u00e9 d’information visuelle.<\/p>\n Dans la recherche empirique contemporaine, les protocoles d’investigation se limitent rarement \u00e0 des comparaisons univari\u00e9es simples ; ils mettent fr\u00e9quemment en sc\u00e8ne des dispositifs exp\u00e9rimentaux crois\u00e9s, tels que les plans factoriels 2×2 ou les protocoles \u00e0 mesures r\u00e9p\u00e9t\u00e9es entre groupes ind\u00e9pendants. L’environnement Stata r\u00e9pond \u00e0 ces exigences en autorisant la d\u00e9claration simultan\u00e9e de deux instructions over()<\/strong> au sein de la m\u00eame commande graph box<\/strong>.<\/p>\n La hi\u00e9rarchie spatiale ob\u00e9it scrupuleusement \u00e0 l’ordre d’\u00e9nonciation s\u00e9quentielle des options dans la ligne d’instruction. Si l’on saisit graph box score_stress, over(statut_clinique) over(genre)<\/strong>, Stata interpr\u00e8te la premi\u00e8re variable comme le facteur de regroupement interne primaire et la seconde variable comme le facteur de regroupement externe majeur. Visuellement, le graphique regroupera les cat\u00e9gories de statut clinique (par exemple t\u00e9moin versus pathologique) \u00e0 l’int\u00e9rieur de chaque compartiment d\u00e9limit\u00e9 par le genre (f\u00e9minin versus masculin).<\/p>\n Cette mod\u00e9lisation visuelle embo\u00eet\u00e9e s’av\u00e8re remarquable pour d\u00e9pister d’\u00e9ventuels effets d’interaction entre deux variables ind\u00e9pendantes. Si l’amplitude du d\u00e9calage des bo\u00eetes \u00e0 moustaches entre t\u00e9moins et sujets cliniques est marginale chez les hommes mais s’av\u00e8re monumentale chez les femmes, l’observateur d\u00e9tecte imm\u00e9diatement la pr\u00e9sence d’une interaction crois\u00e9e. Ce diagnostic graphique orientera judicieusement la formulation des termes de contraste lors de l’estimation ult\u00e9rieure de mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s ou d’analyses de variance factorielles.<\/p>\n Bien que la r\u00e9p\u00e9tition des clauses over()<\/strong> permette des comparaisons \u00e9l\u00e9gantes au sein d’un rep\u00e8re cart\u00e9sien unique, cette strat\u00e9gie peut saturer l’espace visuel d\u00e8s lors que les facteurs multiplient leurs modalit\u00e9s respectives. Pour a\u00e9rer la pr\u00e9sentation tout en isolant l’effet d’une tierce variable mod\u00e9ratrice ou de confusion, l’architecture graphique de Stata propose l’option de compartimentation en panneaux s\u00e9par\u00e9s via l’instruction by()<\/strong>.<\/p>\n La distinction conceptuelle entre over()<\/strong> et by()<\/strong> est fondamentale. L’option over()<\/strong> dispose les sous-groupes sur un m\u00eame espace d’axes partageant les m\u00eames graduations au sein d’une seule fen\u00eatre de coordonn\u00e9es. \u00c0 l’oppos\u00e9, la commande graph box score, over(groupe) by(tranche_age)<\/strong> va scinder la toile graphique globale en une matrice de sous-graphiques autonomes, chacun repr\u00e9sentant une classe d’\u00e2ge sp\u00e9cifique et abritant ses propres bo\u00eetes relatives aux groupes exp\u00e9rimentaux.<\/p>\n L’utilisation de by()<\/strong> assure une standardisation automatique des \u00e9chelles d’ordonn\u00e9es \u00e0 travers l’ensemble des panneaux matriciels, garantissant une comparabilit\u00e9 visuelle sans distorsion d’un cadran \u00e0 l’autre. En outre, la commande supporte des sous-arguments d’agencement tels que cols()<\/strong> ou rows()<\/strong> pour prescrire le nombre exact de colonnes ou de rang\u00e9es de la matrice, ainsi que rescale<\/strong> lorsque l’on souhaite d\u00e9roger \u00e0 l’\u00e9galisation des \u00e9chelles pour mettre en exergue des variations purement internes \u00e0 chaque facette.<\/p>\n Le degr\u00e9 ultime de complexit\u00e9 dans la structuration des bo\u00eetes \u00e0 moustaches sous Stata r\u00e9side dans la conjonction de plusieurs variables m\u00e9triques continues projet\u00e9es \u00e0 travers une ou plusieurs dimensions cat\u00e9gorielles. Consid\u00e9rons un cas o\u00f9 un chercheur d\u00e9sire inspecter conjointement l’anxi\u00e9t\u00e9 cognitive et l’anxi\u00e9t\u00e9 somatique \u00e0 travers trois conditions de traitement pharmacologique. La commande prendra alors la configuration graph box anxiete_cognitive anxiete_somatique, over(traitement)<\/strong>.<\/p>\n Face \u00e0 cette consigne, Stata adopte une typologie de regroupement sophistiqu\u00e9e : pour chaque niveau du facteur cat\u00e9goriel sp\u00e9cifi\u00e9 dans l’option over()<\/strong>, il g\u00e9n\u00e8re une paire de bo\u00eetes adjacentes, l’une figurant l’anxi\u00e9t\u00e9 cognitive et l’autre l’anxi\u00e9t\u00e9 somatique. Afin de diff\u00e9rencier clairement les deux variables continues sans confusion possible, le moteur graphique applique des teintes contrast\u00e9es distinctes \u00e0 chacune des bo\u00eetes et g\u00e9n\u00e8re automatiquement une l\u00e9gende explicative en bas de figure.<\/p>\n![\"Box](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxplot-2.png\")
1.2 Importance de la visualisation robuste en psychom\u00e9trie<\/h3>\n
1.3 Architecture du moteur graphique de Stata<\/h3>\n
2. Pr\u00e9paration de l’environnement Stata et manipulation des donn\u00e9es<\/h2>\n
2.1 Chargement et inspection pr\u00e9liminaire du jeu de donn\u00e9es<\/h3>\n
2.2 Nettoyage et filtrage pr\u00e9alable des observations<\/h3>\n
2.3 Attribution d’\u00e9tiquettes de variables et de valeurs<\/h3>\n
3. Cr\u00e9ation de bo\u00eetes \u00e0 moustaches verticales fondamentales<\/h2>\n
3.1 Syntaxe de base de la commande graph box<\/h3>\n
![\"Box](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata1.png\")
3.2 Analyse univari\u00e9e de variables psychom\u00e9triques continues<\/h3>\n
3.3 Comparaison simultan\u00e9e de plusieurs variables sur la m\u00eame \u00e9chelle<\/h3>\n
4. Cr\u00e9ation de bo\u00eetes \u00e0 moustaches horizontales avec graph hbox<\/h2>\n
4.1 Sp\u00e9cificit\u00e9s et syntaxe de la commande graph hbox<\/h3>\n
![\"Horizontal](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata2.png\")
4.2 Avantages ergonomiques pour les libell\u00e9s textuels longs<\/h3>\n
4.3 Cas d’usage appliqu\u00e9s aux donn\u00e9es comportementales<\/h3>\n
5. Segmentation et comparaison univari\u00e9e par variable cat\u00e9gorielle<\/h2>\n
5.1 Utilisation de l’option over() pour l’analyse intergroupe<\/h3>\n
![\"Multiple](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata3.png\")
5.2 Tri et agencement logique des modalit\u00e9s cat\u00e9gorielles<\/h3>\n
5.3 Gestion fine des \u00e9tiquettes de cat\u00e9gories<\/h3>\n
6. Conception de bo\u00eetes \u00e0 moustaches factorielles complexes et embo\u00eet\u00e9es<\/h2>\n
6.1 Combinaisons de facteurs multiples avec double over()<\/h3>\n
![\"Multiple](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata4.png\")
6.2 Compartimentation par panneaux avec l’option by()<\/h3>\n
6.3 Affichage de plusieurs variables d\u00e9pendantes \u00e0 travers plusieurs facteurs<\/h3>\n
![\"Box](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata8.png\")
![\"Box](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata5.png\")
![\"Boxplot](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata6.png\")
![\"Using](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/boxPlotStata7.png\")