{"id":3191,"date":"2026-09-07T01:43:09","date_gmt":"2026-09-07T01:43:09","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-un-graphique-a-points-dans-excel\/"},"modified":"2026-09-07T01:43:17","modified_gmt":"2026-09-07T01:43:17","slug":"comment-creer-un-graphique-a-points-dans-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-un-graphique-a-points-dans-excel","title":{"rendered":"Comment cr\u00e9er un graphique \u00e0 points dans Excel"},"content":{"rendered":"

Dans le paysage contemporain de l’analyse exploratoire des donn\u00e9es et de la communication scientifique, la repr\u00e9sentation graphique occupe une place \u00e9pist\u00e9mologique centrale. Loin d’\u00eatre un simple artifice cosm\u00e9tique destin\u00e9 \u00e0 agr\u00e9menter un rapport ou une communication de recherche, le choix d’un dispositif visuel conditionne directement la validit\u00e9 des inf\u00e9rences tir\u00e9es par l’observateur. Au sein des sciences du comportement, de la biom\u00e9decine et des sciences sociales quantitatives, les chercheurs sont confront\u00e9s au d\u00e9fi r\u00e9current de rendre compte de la variabilit\u00e9 empirique d’\u00e9chantillons souvent restreints sans pour autant sacrifier l’int\u00e9grit\u00e9 granulaire de chaque observation individuelle. C’est pr\u00e9cis\u00e9ment au confluent de cette double exigence de pr\u00e9cision m\u00e9trologique et de transparence m\u00e9thodologique que se situe le graphique \u00e0 points, commun\u00e9ment d\u00e9sign\u00e9 sous le terme anglo-saxon de dot plot<\/em>.<\/p>\n

Bien que le logiciel Microsoft Excel<\/a> demeure l’environnement computationnel le plus largement diffus\u00e9 dans les laboratoires, les administrations et les entreprises, il ne propose pas, dans ses configurations standard pr\u00eates \u00e0 l’emploi, de commande unitaire intitul\u00e9e \u00ab Graphique \u00e0 points de Wilkinson \u00bb. Cette absence apparente d’automatisation native a souvent conduit les analystes \u00e0 se replier sur des visualisations sous-optimales, \u00e0 l’instar des diagrammes en b\u00e2tons ou des histogrammes conventionnels dont les biais de discr\u00e9tisation sont pourtant largement document\u00e9s dans la litt\u00e9rature statistique. La cr\u00e9ation d’un graphique \u00e0 points rigoureux dans Excel requiert ainsi une compr\u00e9hension approfondie de son moteur g\u00e9om\u00e9trique sous-jacent, reposant sur l’instrumentalisation m\u00e9thodique des coordonn\u00e9es cart\u00e9siennes d’un nuage de points combin\u00e9e \u00e0 des techniques d’empilement vertical algorithmique.<\/p>\n

Ce guide exhaustif a pour vocation d’exposer de mani\u00e8re syst\u00e9matique, didactique et rigoureuse l’ensemble des fondements conceptuels, math\u00e9matiques et pratiques n\u00e9cessaires \u00e0 l’\u00e9laboration de graphiques \u00e0 points hautement professionnels au sein de l’environnement Excel. En articulant les prescriptions s\u00e9miologiques issues des travaux fondateurs de la statistique visuelle avec des proc\u00e9dures pas \u00e0 pas reproductibles, nous aborderons tant la restructuration matricielle des donn\u00e9es que l’automatisation dynamique par formules avanc\u00e9es, l’int\u00e9gration d’indicateurs de tendance centrale et la mise en conformit\u00e9 formelle avec les normes typographiques de l’American Psychological Association<\/a> (APA 7e \u00e9dition).<\/p>\n

1. Introduction aux graphiques \u00e0 points (Dot Plots) en m\u00e9thodologie quantitative<\/h2>\n

1.1 D\u00e9finition conceptuelle et origines statistiques du dot plot<\/h3>\n

L’\u00e9mergence du graphique \u00e0 points s’inscrit dans un mouvement intellectuel de rupture initi\u00e9 au cours de la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle, visant \u00e0 lib\u00e9rer l’analyse des donn\u00e9es de l’application aveugle de mod\u00e8les param\u00e9triques standardis\u00e9s. Le pionnier de cette r\u00e9orientation \u00e9pist\u00e9mologique, John W. Tukey<\/a>, introduisit \u00e0 travers son ouvrage s\u00e9minal sur l’analyse exploratoire des donn\u00e9es (Exploratory Data Analysis<\/em> en 1977) une s\u00e9rie d’outils graphiques minimalistes con\u00e7us pour r\u00e9v\u00e9ler la morphologie intrins\u00e8que des distributions sans imposer d’hypoth\u00e8se distributionnelle a priori<\/em>. Parmi ces innovations figurait l’anc\u00eatre direct du dot plot contemporain, initialement formalis\u00e9 comme une d\u00e9clinaison visuelle du diagramme branche-et-feuille (stem-and-leaf display<\/em>).<\/p>\n

Toutefois, la taxonomie moderne des graphiques \u00e0 points doit ses distinctions fondamentales aux travaux de William S. Cleveland et de Leland Wilkinson. William S. Cleveland<\/a> d\u00e9veloppa au cours des ann\u00e9es 1980 ce que la litt\u00e9rature nomme aujourd’hui le \u00ab dot plot de Cleveland \u00bb. Ce dernier se pr\u00e9sente essentiellement comme une alternative sup\u00e9rieure au diagramme \u00e0 barres horizontales pour repr\u00e9senter des variables quantitatives ventil\u00e9es par cat\u00e9gories discr\u00e8tes. En rempla\u00e7ant les barres massives par des marqueurs circulaires positionn\u00e9s sur un axe continu, Cleveland r\u00e9duisit consid\u00e9rablement l’encombrement graphique superflu, maximisant ainsi ce que Edward Tufte qualifiera plus tard de \u00ab ratio encre-donn\u00e9es \u00bb (data-ink ratio<\/em>).<\/p>\n

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

Quelques ann\u00e9es plus tard, Leland Wilkinson formalisa dans sa grammaire des graphiques (The Grammar of Graphics<\/em>) le dot plot de distribution univari\u00e9e par empilement r\u00e9gulier. Contrairement \u00e0 la variante de Cleveland qui associe une \u00e9tiquette cat\u00e9gorielle unique \u00e0 une coordonn\u00e9e quantitative, le dot plot de Wilkinson discr\u00e9tise une variable continue en micro-intervalles au sein desquels chaque observation individuelle est repr\u00e9sent\u00e9e par un symbole unique empil\u00e9 verticalement. Cette approche garantit la pr\u00e9servation absolue de la taille de l’\u00e9chantillon (N) : chaque entit\u00e9 empirique mesur\u00e9e se voit assigner un point physique sur le canevas visuel, offrant une transparence analytique totale qu’aucun mod\u00e8le synth\u00e9tique ne peut \u00e9galer.<\/p>\n

1.2 Pertinence et utilit\u00e9 du dot plot dans la recherche psychologique et comportementale<\/h3>\n

Dans le domaine des sciences comportementales, de la neuropsychologie clinique et des protocoles d’intervention th\u00e9rapeutique, les chercheurs op\u00e8rent fr\u00e9quemment sur des cohortes d’effectif mod\u00e9r\u00e9, typiquement comprises entre dix et quarante participants par bras exp\u00e9rimental. Dans ces configurations d’\u00e9chantillonnage restreint, l’application machinale d’outils de visualisation globale tels que les histogrammes s’av\u00e8re m\u00e9thodologiquement trompeuse. Les histogrammes ont tendance \u00e0 lisser artificiellement la variance ou, \u00e0 l’inverse, \u00e0 cr\u00e9er des ruptures de continuit\u00e9 purement art\u00e9factuelles selon l’origine et l’amplitude des intervalles de classe s\u00e9lectionn\u00e9s.<\/p>\n

Le graphique \u00e0 points r\u00e9sout ce dilemme m\u00e9trologique en fournissant une cartographie sans fard de la dispersion empirique. Il permet \u00e0 l’investigateur de d\u00e9celer instantan\u00e9ment l’existence de sous-groupes latents, de d\u00e9viations s\u00e9v\u00e8res par rapport \u00e0 la normalit\u00e9 th\u00e9orique ou de plafonnements de scores (effets plancher et plafond), particuli\u00e8rement fr\u00e9quents dans les inventaires psychom\u00e9triques et les \u00e9preuves de temps de r\u00e9action informatis\u00e9es. La d\u00e9tection des valeurs aberrantes ou atypiques (outliers<\/em>) ne s’effectue plus par une coupure statistique arbitraire, mais par une appr\u00e9ciation contextuelle imm\u00e9diate de l’isolement spatial d’un marqueur sur l’axe des mesures.<\/p>\n

Par ailleurs, sur le plan de la communication interprofessionnelle, le dot plot constitue un vecteur de m\u00e9diation scientifique d’une rare efficacit\u00e9. Alors que la lecture d’une bo\u00eete \u00e0 moustaches requiert l’assimilation pr\u00e9alable de concepts statistiques abstraits tels que les quartiles, la m\u00e9diane ou l’\u00e9cart interquartile, le graphique \u00e0 points fait appel \u00e0 l’intuition perceptive primaire du d\u00e9nombrement unitaire. Un clinicien, un d\u00e9cideur institutionnel ou un praticien de terrain non initi\u00e9 aux arcanes de la mod\u00e9lisation probabiliste appr\u00e9hende imm\u00e9diatement le fait que chaque point incarne la trajectoire d’un sujet clinique singulier, ce qui renforce l’adh\u00e9sion aux conclusions tir\u00e9es de l’exp\u00e9rimentation.<\/p>\n

1.3 Comparaison critique : graphique \u00e0 points versus histogramme et bo\u00eete \u00e0 moustaches<\/h3>\n

L’\u00e9valuation comparative des dispositifs d’affichage univari\u00e9 met en lumi\u00e8re des divergences structurales fondamentales. La bo\u00eete \u00e0 moustaches de Tukey (boxplot<\/em>), omnipr\u00e9sente dans les revues acad\u00e9miques, r\u00e9sume une distribution au travers d’un r\u00e9sum\u00e9 \u00e0 cinq nombres. Si cette compression informationnelle s’av\u00e8re vertueuse face \u00e0 des m\u00e9ga-donn\u00e9es de plusieurs milliers d’enregistrements, elle constitue une bo\u00eete noire p\u00e9rilleuse pour les \u00e9chantillons de taille petite \u00e0 moyenne. Deux distributions diam\u00e9tralement oppos\u00e9es, l’une unimodale sym\u00e9trique et l’autre profond\u00e9ment bimodale (en sablier), peuvent engendrer des bo\u00eetes \u00e0 moustaches rigoureusement identiques, dissimulant ainsi des ph\u00e9nom\u00e8nes cliniques cruciaux tels que la pr\u00e9sence d’une sous-population de non-r\u00e9pondeurs \u00e0 une m\u00e9dication.<\/p>\n

L’histogramme, quant \u00e0 lui, est tributaire du param\u00e9trage de ses classes (binning<\/em>). Une variation infime dans la largeur de la classe ou dans le point de d\u00e9part de l’axe des abscisses peut modifier radicalement la perception de la sym\u00e9trie ou de l’asym\u00e9trie de la courbe observ\u00e9e. Ce ph\u00e9nom\u00e8ne de distorsion morphologique induit souvent les analystes en erreur lors de la phase d’\u00e9valuation visuelle de la normalit\u00e9. Le graphique \u00e0 points s’affranchit de ce biais majeur : chaque observation conservant son int\u00e9grit\u00e9 scalaire, la densit\u00e9 locale de la distribution \u00e9merge organiquement de la proximit\u00e9 et de la hauteur d’empilement des disques sans qu’aucune fonction de lissage arbitraire n’ait \u00e9t\u00e9 impos\u00e9e aux donn\u00e9es brutes.<\/p>\n

Le tableau comparatif suivant synth\u00e9tise les propri\u00e9t\u00e9s m\u00e9trologiques de ces trois instruments s\u00e9miologiques en fonction des contraintes de l’analyse exp\u00e9rimentale :<\/p>\n