{"id":6288,"date":"2026-09-16T07:44:49","date_gmt":"2026-09-16T07:44:49","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-graphique-points-empiles-r\/"},"modified":"2026-09-16T07:44:58","modified_gmt":"2026-09-16T07:44:58","slug":"comment-creer-graphique-points-empiles-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-graphique-points-empiles-r","title":{"rendered":"Comment cr\u00e9er un graphique \u00e0 points empil\u00e9s dans R"},"content":{"rendered":"

Dans le champ contemporain de l’analyse quantitative et des sciences du comportement, la repr\u00e9sentation visuelle des donn\u00e9es empiriques constitue une \u00e9tape charni\u00e8re qui transcende la simple illustration esth\u00e9tique. Longtemps cantonn\u00e9s \u00e0 des r\u00e9sum\u00e9s statistiques sommaires tels que la moyenne arithm\u00e9tique et l’\u00e9cart-type, souvent illustr\u00e9s par des diagrammes en barres ou des bo\u00eetes \u00e0 moustaches opaques, les chercheurs en psychologie et en neurosciences cognitives font face \u00e0 une exigence accrue de transparence m\u00e9thodologique. Cette \u00e9volution s’inscrit au c\u0153ur de la crise de la reproductibilit\u00e9, incitant la communaut\u00e9 scientifique \u00e0 privil\u00e9gier des formes graphiques capables d’exposer l’int\u00e9gralit\u00e9 de la structure distributionnelle sans dissimuler les singularit\u00e9s sous-jacentes. \u00c0 cet \u00e9gard, le graphique \u00e0 points empil\u00e9s, commun\u00e9ment d\u00e9sign\u00e9 sous le terme anglo-saxon de stacked dot plot<\/em>, s’impose comme une modalit\u00e9 de restitution particuli\u00e8rement vertueuse, r\u00e9conciliant la lisibilit\u00e9 macroscopique des fr\u00e9quences avec la pr\u00e9servation absolue de l’individualit\u00e9 de chaque observation.<\/p>\n

Le langage de programmation statistique R, reconnu internationalement comme la r\u00e9f\u00e9rence pour l’analyse computationnelle et la cr\u00e9ation graphique scientifique, offre un \u00e9cosyst\u00e8me remarquable pour concevoir des visualisations \u00e0 la fois rigoureuses et modulables. Que ce soit au moyen du moteur graphique natif via des fonctions historiques comme stripchart<\/a>, ou par l’interm\u00e9diaire de la grammaire des graphiques structur\u00e9e au sein du paquet ggplot2<\/a> avec la couche d\u00e9di\u00e9e geom_dotplot<\/em>, R permet d’orchestrer une discr\u00e9tisation spatiale fine des distributions uni- et multivari\u00e9es. La ma\u00eetrise de ces outils techniques permet aux analystes d’aborder des corpus de donn\u00e9es complexes en \u00e9vitant les \u00e9cueils conventionnels de l’agr\u00e9gation pr\u00e9matur\u00e9e et de la perte d’information statistique.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique propose une exploration exhaustive, th\u00e9orique et op\u00e9rationnelle, de la construction des graphiques \u00e0 points empil\u00e9s au sein de l’environnement R. Con\u00e7u sp\u00e9cifiquement pour r\u00e9pondre aux exigences des protocoles de recherche exp\u00e9rimentale en psychologie, ce guide d\u00e9taille l’ensemble des concepts math\u00e9matiques, s\u00e9miotiques et computationnels n\u00e9cessaires \u00e0 la g\u00e9n\u00e9ration de visualisations conformes aux standards \u00e9ditoriaux les plus rigoureux, notamment ceux de l’American Psychological Association (APA). De la formalisation de la perception visuelle selon les pr\u00e9ceptes de Cleveland et McGill jusqu’\u00e0 la manipulation fine des param\u00e8tres d’empilement algorithmique, en passant par le traitement des artefacts de sur-tra\u00e7age et l’int\u00e9gration de m\u00e9triques de tendance centrale robustes, ce document constitue un manuel complet pour tout chercheur d\u00e9sireux d’\u00e9lever la qualit\u00e9 analytique de ses productions scientifiques.<\/p>\n

\"\"<\/figure>\n

1. Introduction aux graphiques \u00e0 points empil\u00e9s dans l’analyse quantitative<\/h2>\n

1.1 D\u00e9finition et morphologie du graphique \u00e0 points empil\u00e9s<\/h3>\n

Le graphique \u00e0 points empil\u00e9s est une repr\u00e9sentation g\u00e9om\u00e9trique univari\u00e9e qui projette un ensemble d’observations discr\u00e8tes ou discr\u00e9tis\u00e9es le long d’un axe dimensionnel unique, tout en empilant verticalement ou orthogonalement les unit\u00e9s statistiques qui partagent une valeur identique ou comprise dans un m\u00eame intervalle m\u00e9trique. Formalis\u00e9 initialement dans les travaux s\u00e9minaux de Leland Wilkinson sur la grammaire graphique, ce dispositif visuel combine la simplicit\u00e9 de lecture d’un axe lin\u00e9aire avec la puissance analytique d’une distribution de fr\u00e9quences. Contrairement \u00e0 un simple nuage de points unidimensionnel o\u00f9 la superposition directe engendre une perte critique de discernement, le graphique \u00e0 points empil\u00e9s applique un algorithme de d\u00e9calage r\u00e9gulier qui pr\u00e9serve la visibilit\u00e9 de chaque \u00e9l\u00e9ment constitutif de l’\u00e9chantillon.<\/p>\n

D’un point de vue morphologique, le stacked dot plot<\/em> se distingue fondamentalement de l’histogramme classique. Alors que l’histogramme substitue aux donn\u00e9es brutes des rectangles continus dont l’aire correspond \u00e0 une densit\u00e9 ou une fr\u00e9quence relative agr\u00e9g\u00e9e, le trac\u00e9 \u00e0 points empil\u00e9s conserve chaque observation sous la forme d’un glyphe g\u00e9om\u00e9trique distinct, g\u00e9n\u00e9ralement un disque plein ou \u00e9vid\u00e9. De m\u00eame, il surpasse le diagramme en bandes traditionnel (strip chart<\/em> brut) en substituant au chevauchement al\u00e9atoire ou au bruit artificiel (jittering<\/em>) une structure d\u00e9terministe et ordonn\u00e9e. Cette organisation permet \u00e0 l’observateur d’op\u00e9rer simultan\u00e9ment un d\u00e9codage qualitatif de la morphologie distributionnelle et un d\u00e9nombrement cardinal pr\u00e9cis des effectifs au sein de chaque classe m\u00e9trique.<\/p>\n

Cette morphologie s’av\u00e8re particuli\u00e8rement \u00e9clairante lors de l’examen de variables issues de dispositifs de mesure comportementale. Dans les situations o\u00f9 les valeurs observ\u00e9es se concentrent sur un nombre restreint de points de donn\u00e9es entiers, le graphique empil\u00e9 agit comme une mat\u00e9rialisation directe de la fonction de masse empirique. L’observateur n’a plus besoin d’interpoler mentalement des hauteurs de barres continues par rapport \u00e0 un axe vertical abstrait ; il appr\u00e9cie directement la masse de donn\u00e9es par la sommation physique des symboles empil\u00e9s, conf\u00e9rant \u00e0 cette figure une clart\u00e9 cognitive in\u00e9gal\u00e9e pour l’analyse des fr\u00e9quences discr\u00e8tes.<\/p>\n

1.2 Applications empiriques dans la recherche en psychologie<\/h3>\n

Dans le domaine des sciences psychologiques, les applications du graphique \u00e0 points empil\u00e9s couvrent un large spectre m\u00e9thodologique, s’\u00e9tendant de la psychologie cognitive exp\u00e9rimentale \u00e0 la neuropsychologie clinique. Un cas d’usage pr\u00e9\u00e9minent r\u00e9side dans l’analyse des scores de latence et des temps de r\u00e9action recueillis sur de petits \u00e9chantillons de participants. Lors d’exp\u00e9rimentations factorielles impliquant des t\u00e2ches de d\u00e9tection visuelle, de rotation mentale ou de paradigme de Stroop sur des cohortes r\u00e9duites (par exemple, n<\/em> compris entre 15 et 40 sujets par condition), l’agr\u00e9gation de la latence au sein d’une moyenne occulte fr\u00e9quemment l’existence d’asym\u00e9tries positives marqu\u00e9es ou de distributions bimodales t\u00e9moignant de strat\u00e9gies attentionnelles divergentes. Le trac\u00e9 empil\u00e9 rend ces dynamiques imm\u00e9diatement perceptibles.<\/p>\n

De surcro\u00eet, le graphique \u00e0 points empil\u00e9s constitue l’outil de pr\u00e9dilection pour l’investigation des mesures psychom\u00e9triques discr\u00e8tes, telles que les inventaires de personnalit\u00e9 ou les \u00e9chelles de d\u00e9pression et d’anxi\u00e9t\u00e9 fond\u00e9es sur des \u00e9chelles de Likert \u00e0 5 ou 7 points. Dans ces configurations d’\u00e9chantillonnage, les scores composites totaux manifestent une granularit\u00e9 discr\u00e8te inh\u00e9rente \u00e0 leur sommation math\u00e9matique. La visualisation par empilement \u00e9vite l’illusion d’une fausse continuit\u00e9 m\u00e9trique que sugg\u00e8rent souvent les courbes de densit\u00e9 liss\u00e9es, tout en fournissant une perspective exhaustive sur la r\u00e9partition exacte des participants le long des \u00e9chelons de s\u00e9v\u00e9rit\u00e9 clinique.<\/p>\n

Enfin, cette modalit\u00e9 graphique excelle dans l’identification sans ambigu\u00eft\u00e9 des effets de plancher et de plafond au sein des instruments d’\u00e9valuation cognitive ou d’apprentissage. Dans l’\u00e9tude des populations g\u00e9riatriques ou p\u00e9diatriques, il est fr\u00e9quent qu’un test de m\u00e9moire ou de flexibilit\u00e9 mentale produise une accumulation massive de scores minimaux ou parfaits. Tandis qu’un diagramme en bo\u00eete standard tronque ou dissimule la morphologie exacte de cette saturation sous la forme d’un trait de m\u00e9diane coll\u00e9 au bord du quartile, le graphique \u00e0 points empil\u00e9s d\u00e9ploie une tour verticale pro\u00e9minente \u00e0 l’extr\u00e9mit\u00e9 de l’\u00e9chelle, signalant sans \u00e9quivoque la limitation psychom\u00e9trique de l’outil et renfor\u00e7ant la transparence m\u00e9thodologique des protocoles \u00e0 effectif contraint.<\/p>\n

1.3 Avantages comparatifs par rapport aux repr\u00e9sentations classiques<\/h3>\n

La sup\u00e9riorit\u00e9 \u00e9pist\u00e9mologique du graphique \u00e0 points empil\u00e9s sur les repr\u00e9sentations graphiques traditionnelles se manifeste avec \u00e9clat lorsqu’on le confronte aux bo\u00eetes \u00e0 moustaches de Tukey. Bien que les bo\u00eetes \u00e0 moustaches constituent un standard indiscutable pour condenser les param\u00e8tres d’ordre (m\u00e9diane, \u00e9cart interquartile, valeurs aberrantes th\u00e9oriques), elles op\u00e8rent une simplification dramatique qui dissimule la v\u00e9ritable g\u00e9om\u00e9trie des donn\u00e9es sous-jacentes. Une distribution unimodale sym\u00e9trique, une distribution bimodale en selle de cheval et une distribution uniforme peuvent engendrer des diagrammes de bo\u00eete rigoureusement superposables. Le graphique \u00e0 points empil\u00e9s neutralise ce risque en restituant l’int\u00e9gralit\u00e9 du profil distributionnel sans aucun filtre r\u00e9ducteur.<\/p>\n

De fa\u00e7on encore plus critique, le trac\u00e9 \u00e0 points empil\u00e9s permet d’extirper la recherche en psychologie du dogme d\u00e9l\u00e9t\u00e8re des diagrammes en barres flanqu\u00e9s d’une barre d’erreur, souvent d\u00e9nonc\u00e9s sous le qualificatif de dynamite plots<\/em>. Ces figures conventionnelles, largement r\u00e9pandues dans la litt\u00e9rature du si\u00e8cle dernier, constituent une source majeure de d\u00e9sinformation visuelle : la hauteur de la barre cr\u00e9e une asym\u00e9trie perceptive injustifi\u00e9e en accordant une pr\u00e9sence visuelle substantielle \u00e0 la zone comprise entre z\u00e9ro et la moyenne, tout en masquant compl\u00e8tement la variance intra-groupe, l’asym\u00e9trie de la distribution et l’influence des valeurs extr\u00eames. Les points empil\u00e9s \u00e9vitent cet \u00e9cueil en mat\u00e9rialisant exclusivement les points d’ancrage empiriques r\u00e9els.<\/p>\n

Sur le plan de la communication scientifique et p\u00e9dagogique, la clart\u00e9 intuitive des points empil\u00e9s facilite la transmission des r\u00e9sultats cliniques \u00e0 des publics h\u00e9t\u00e9rog\u00e8nes, incluant des praticiens de terrain ou des comit\u00e9s d’\u00e9thique non sp\u00e9cialistes de l’\u00e9conom\u00e9trie. En conformit\u00e9 absolue avec les directives du mouvement de la science ouverte (Open Science Framework<\/em>) et les principes de donn\u00e9es FAIR (Faciles \u00e0 trouver, Accessibles, Interop\u00e9rables, R\u00e9utilisables), ce mode de restitution garantit que le lecteur visualise les micro-donn\u00e9es exactes \u00e0 partir desquelles les inf\u00e9rences statistiques et les conclusions th\u00e9oriques ont \u00e9t\u00e9 \u00e9labor\u00e9es.<\/p>\n

2. Fondements th\u00e9oriques et pertinence m\u00e9thodologique en psychologie<\/h2>\n

2.1 Principes de perception visuelle et th\u00e9orie de Cleveland-McGill<\/h3>\n

L’efficacit\u00e9 analytique du graphique \u00e0 points empil\u00e9s s’enracine profond\u00e9ment dans les lois fondamentales de la psychophysique et de la s\u00e9miologie graphique, formalis\u00e9es notamment par William S. Cleveland et Robert McGill<\/a> dans leur th\u00e9orie paradigmatique des t\u00e2ches de perception graphique \u00e9l\u00e9mentaire. Selon cette hi\u00e9rarchie empiriquement valid\u00e9e, l’\u00e9valuation visuelle de la position d’un \u00e9l\u00e9ment le long d’une \u00e9chelle gradu\u00e9e commune se classe au sommet absolu de la pr\u00e9cision cognitive humaine, surpassant nettement l’estimation des longueurs, des orientations angulaires, des surfaces bidimensionnelles ou des saturations chromatiques. En alignant l’ensemble des observations sur un m\u00eame axe m\u00e9trique continu ou discret, le graphique \u00e0 points empil\u00e9s mobilise cet op\u00e9rateur cognitif optimal.<\/p>\n

Cette conformit\u00e9 aux m\u00e9canismes perceptifs primaires induit une r\u00e9duction drastique de la charge cognitive extrins\u00e8que impos\u00e9e au lecteur du manuscrit de recherche. Lorsque l’analyste contemple une courbe d’estimation de la densit\u00e9 par noyau, le cortex visuel doit int\u00e9grer une fonction diff\u00e9rentielle continue pour appr\u00e9hender la probabilit\u00e9 d’occurrence, ce qui n\u00e9cessite une m\u00e9diation math\u00e9matique complexe sujette \u00e0 des distorsions d’interpr\u00e9tation. En revanche, dans le cas du trac\u00e9 \u00e0 points empil\u00e9s, la hauteur d’une colonne de disques correspond directement \u00e0 un comptage d’\u00e9v\u00e9nements discrets, permettant une quantification imm\u00e9diate et pr\u00e9-attentionnelle de la fr\u00e9quence locale.<\/p>\n

En outre, l’\u00e9valuation de la sym\u00e9trie, de l’aplatissement (kurtosis<\/em>) et de l’asym\u00e9trie (skewness<\/em>) s’effectue sans abstraction d\u00e9lib\u00e9r\u00e9e. Le profil global form\u00e9 par l’enveloppe des empilements de points reproduit fid\u00e8lement la silhouette de la fonction de masse sans requ\u00e9rir l’ajustement param\u00e9trique d’un mod\u00e8le sous-jacent. Ainsi, l’observateur d\u00e9tecte intuitivement les d\u00e9viations par rapport \u00e0 la normalit\u00e9 gaussienne, ce qui oriente de mani\u00e8re pr\u00e9ventive le diagnostic des postulats distributionnels pr\u00e9alables aux mod\u00e9lisations inf\u00e9rentielles.<\/p>\n

2.2 Le probl\u00e8me de la perte d’information dans les grands r\u00e9sum\u00e9s statistiques<\/h3>\n

L’histoire de la psychom\u00e9trie contemporaine est \u00e9maill\u00e9e de conclusions erron\u00e9es d\u00e9coulant de l’utilisation non critique de la moyenne arithm\u00e9tique et de la d\u00e9viation standard pour r\u00e9sumer des donn\u00e9es ph\u00e9notypiques ou psychopathologiques asym\u00e9triques. Dans les populations cliniques souffrant de troubles psychiatriques majeurs, les scores aux inventaires diagnostiques exhibent fr\u00e9quemment des queues de distribution extr\u00eamement \u00e9tir\u00e9es, entrecoup\u00e9es de ruptures de continuit\u00e9 ou de vides empiriques que des param\u00e8tres de position globale sont incapables d’encoder. Le recours au graphique \u00e0 points empil\u00e9s permet de pallier ces d\u00e9faillances de mod\u00e9lisation en exposant sans fard la texture discontinue du ph\u00e9nom\u00e8ne mesur\u00e9.<\/p>\n

Consid\u00e9rons le paradoxe classique du quartet d’Anscombe ou le Datasaurus Dozen<\/em> : des jeux de donn\u00e9es aux propri\u00e9t\u00e9s descriptives identiques (moyennes et variances concordantes au centi\u00e8me pr\u00e8s) peuvent provenir de structures distributionnelles radicalement dissemblables. Dans une cohorte exp\u00e9rimentale o\u00f9 l’intervention psychologique produit un effet scind\u00e9 \u2014 am\u00e9liorant spectaculairement un sous-groupe de patients tout en d\u00e9t\u00e9riorant l’\u00e9tat d’un autre \u2014, l’analyse exclusive de la moyenne postulera une absence d’effet th\u00e9rapeutique (effet nul global). Le trac\u00e9 empil\u00e9 r\u00e9v\u00e8le imm\u00e9diatement la s\u00e9gr\u00e9gation de l’\u00e9chantillon en deux grappes disjointes, incitant le chercheur \u00e0 investiguer des variables mod\u00e9ratrices sous-jacentes.<\/p>\n

Cette transparence visuelle agit en synergie directe avec l’application des statistiques non param\u00e9triques (tests de Wilcoxon-Mann-Whitney, tests de Kruskal-Wallis) ou des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s \u00e0 distribution non normale. Avant m\u00eame d’ex\u00e9cuter un test d’hypoth\u00e8se, le chercheur dispose d’une cartographie fid\u00e8le de l’espacement ordinal et des rangs r\u00e9els de chaque individu statistique, ce qui pr\u00e9munit la d\u00e9marche empirique contre les faux n\u00e9gatifs induits par un non-respect insidieux des hypoth\u00e8ses de mod\u00e9lisation classique.<\/p>\n

2.3 Ad\u00e9quation selon la taille d’\u00e9chantillon<\/h3>\n

L’opportunit\u00e9 m\u00e9thodologique de d\u00e9ployer un graphique \u00e0 points empil\u00e9s est \u00e9troitement tributaire de la taille de l’\u00e9chantillon (n<\/em>) disponible pour l’investigation. Cette repr\u00e9sentation d\u00e9livre son rendement diagnostique maximal pour des cohortes de taille petite \u00e0 mod\u00e9r\u00e9e, typiquement born\u00e9es entre n<\/em> = 15 et n<\/em> = 150 observations par condition exp\u00e9rimentale. Au sein de cet intervalle de puissance statistique, chaque observation pr\u00e9serve une existence spatiale bien diff\u00e9renci\u00e9e sur la toile graphique, et le lecteur peut ais\u00e9ment d\u00e9nombrer ou suivre individuellement les trajectoires des sujets \u00e0 travers les diff\u00e9rentes strates de la variable d\u00e9pendante.<\/p>\n

Lorsque la volum\u00e9trie d’\u00e9chantillonnage s’\u00e9l\u00e8ve au-del\u00e0 de seuils critiques (par exemple, n<\/em> > 250 ou plusieurs milliers d’observations issues de cohortes \u00e9pid\u00e9miologiques massives), le graphique \u00e0 points empil\u00e9s subit le ph\u00e9nom\u00e8ne d’occlusion visuelle et de saturation dimensionnelle (overplotting<\/em>). Les colonnes de points tendent alors \u00e0 d\u00e9passer les limites physiques du cadre graphique, contraignant l’analyste \u00e0 r\u00e9duire dramatiquement la taille des glyphes au point d’en faire des poussi\u00e8res graphiques indistinctes, ce qui an\u00e9antit le b\u00e9n\u00e9fice m\u00eame de la discr\u00e9tisation individuelle.<\/p>\n

Dans de tels contextes de volum\u00e9trie massive, la transition vers des mod\u00e8les de repr\u00e9sentation continue ou semi-continue devient une n\u00e9cessit\u00e9 s\u00e9miotique. Le chercheur devra alors basculer avec discernement vers des estimateurs de densit\u00e9 \u00e0 noyau (kernel density plots<\/em>), des diagrammes en violon complets ou des histogrammes liss\u00e9s avec ajustement fin de la bande passante. Le graphique \u00e0 points empil\u00e9s doit ainsi \u00eatre con\u00e7u comme un instrument chirurgical de haute pr\u00e9cision d\u00e9di\u00e9 \u00e0 la petite et moyenne m\u00e9trologie, domaine d’excellence pr\u00e9pond\u00e9rant des protocoles exp\u00e9rimentaux contr\u00f4l\u00e9s en laboratoire de psychologie.<\/p>\n

3. Pr\u00e9paration de l’environnement de travail et structuration des donn\u00e9es sous R<\/h2>\n

3.1 Configuration des biblioth\u00e8ques et reproductibilit\u00e9<\/h3>\n

L’\u00e9dification d’un pipeline de visualisation robuste et reproductible sous R requiert une initialisation m\u00e9thodique de l’environnement de calcul. La premi\u00e8re prescription consiste \u00e0 verrouiller l’al\u00e9a g\u00e9n\u00e9r\u00e9 par les g\u00e9n\u00e9rateurs pseudo-al\u00e9atoires lors des simulations ou des op\u00e9rations de sous-\u00e9chantillonnage, garantissant ainsi que les figures g\u00e9n\u00e9r\u00e9es demeurent rigoureusement identiques au pixel pr\u00e8s lors des ex\u00e9cutions ult\u00e9rieures. L’attribution d’un germe num\u00e9rique constant par l’instruction set.seed(42)<\/em> (ou tout autre entier pr\u00e9d\u00e9fini) doit syst\u00e9matiquement ouvrir la s\u00e9quence de script.<\/p>\n

Dans un second temps, le chargement s\u00e9lectif des extensions logicielles appropri\u00e9es assure l’acc\u00e8s aux fonctions avanc\u00e9es de gestion des structures vectorielles et de mod\u00e9lisation graphique. Si le moteur de base R ne n\u00e9cessite aucune importation externe pour ex\u00e9cuter les instructions natives telles que stripchart<\/em>, la cr\u00e9ation de visualisations modernes articul\u00e9es autour de la grammaire graphique commande l’activation du paquet ggplot2<\/a>. Dans le cadre de flux de travail exhaustifs, l’incorporation de l’\u00e9cosyst\u00e8me tidyverse<\/em> (englobant dplyr<\/em> pour le remaniement des donn\u00e9es et tibble<\/em> pour l’encadrement tabulaire) s’av\u00e8re hautement pr\u00e9conis\u00e9e.<\/p>\n

Enfin, la v\u00e9rification de la compatibilit\u00e9 des versions de R et des paquets graphiques constitue un imp\u00e9ratif m\u00e9thodologique incontournable. Les modifications apport\u00e9es p\u00e9riodiquement au moteur de rendu graphique vectoriel ou aux algorithmes de partitionnement de ggplot2<\/em> peuvent engendrer des variations subtiles dans le calcul des empilements ou la gestion des marges de graduation. La documentation rigoureuse de la session via l’appel r\u00e9current \u00e0 l’instruction sessionInfo()<\/em> garantit la tra\u00e7abilit\u00e9 des conditions logicielles n\u00e9cessaires \u00e0 la r\u00e9g\u00e9n\u00e9ration p\u00e9renne des artefacts graphiques.<\/p>\n

3.2 Simulation d’un jeu de donn\u00e9es psychom\u00e9triques contr\u00f4l\u00e9<\/h3>\n

Afin d’illustrer la construction pas-\u00e0-pas des graphiques \u00e0 points empil\u00e9s avec une pertinence clinique r\u00e9aliste, nous proc\u00e9dons \u00e0 la g\u00e9n\u00e9ration d’un ensemble de donn\u00e9es synth\u00e9tiques simulant l’administration d’une \u00e9chelle psychom\u00e9trique d’\u00e9valuation de la d\u00e9pression, inspir\u00e9e des propri\u00e9t\u00e9s quantitatives de l’inventaire de d\u00e9pression de Beck (BDI-II). Dans ce sc\u00e9nario exp\u00e9rimental, nous nous proposons de comparer l’efficacit\u00e9 de deux protocoles th\u00e9rapeutiques : une Th\u00e9rapie Cognitive et Comportementale (TCC) structur\u00e9e face \u00e0 une condition de Contr\u00f4le sur Liste d’Attente (CLA), administr\u00e9es \u00e0 une cohorte de 60 patients (30 participants par modalit\u00e9 d’intervention).<\/p>\n

Le jeu de donn\u00e9es est programm\u00e9 pour refl\u00e9ter les scores totaux discrets obtenus post-traitement, lesquels s’\u00e9chelonnent conventionnellement de 0 \u00e0 63 points entiers. Pour mod\u00e9liser la condition de contr\u00f4le, nous employons un \u00e9chantillonnage discret tir\u00e9 d’une distribution unimodale asym\u00e9trique centr\u00e9e autour d’une s\u00e9v\u00e9rit\u00e9 mod\u00e9r\u00e9e (moyenne estim\u00e9e autour de 26 points, \u00e9cart-type de 6), synth\u00e9tis\u00e9 via la commande sample()<\/em> avec remise appliqu\u00e9e \u00e0 une grille probabiliste tronqu\u00e9e. Inversement, la condition exp\u00e9rimentale TCC est configur\u00e9e pour exhiber une am\u00e9lioration clinique sensible, se traduisant par un glissement distributionnel vers des scores r\u00e9duits (moyenne approximative de 12 points) et l’\u00e9mergence d’un amas marqu\u00e9 au voisinage des valeurs minimales de r\u00e9mission.<\/p>\n

Ces donn\u00e9es individuelles sont ensuite combin\u00e9es dans une structure tabulaire rectangulaire standardis\u00e9e de type data.frame<\/em> ou tibble<\/em>. Cet arrangement associe \u00e0 chaque observation un identifiant num\u00e9rique unique (Participant_ID<\/em>), une variable nominale identifiant la modalit\u00e9 d’intervention (Groupe<\/em>), et la mesure quantitative discr\u00e8te correspondante (Score_Depression<\/em>). Cette structure matricielle constitue le socle indispensable sur lequel les moteurs graphiques de base et avanc\u00e9s appliqueront leurs algorithmes de projection g\u00e9om\u00e9trique.<\/p>\n

3.3 Validation du formatage des variables<\/h3>\n

Pr\u00e9alablement \u00e0 tout acte de rendu visuel, une inspection diagnostique scrupuleuse de la structure interne du jeu de donn\u00e9es doit \u00eatre conduite. L’omission fr\u00e9quente de la conversion des variables nominales en objets de type factor<\/em> dans l’espace R constitue l’une des sources majeures d’\u00e9chec d’empilement ou de d\u00e9sordre taxinomique sur les axes. La variable cat\u00e9gorielle inter-sujets doit \u00eatre formellement instruite comme un facteur ordonn\u00e9 ou non au moyen de la primitive factor()<\/em>, en explicitant scrupuleusement les niveaux (levels<\/em>) et les \u00e9tiquettes textuelles (labels<\/em>) afin de garantir une disposition harmonieuse des groupes le long de l’axe structural.<\/p>\n

En parall\u00e8le, la v\u00e9rification de l’int\u00e9grit\u00e9 m\u00e9trique de la variable d\u00e9pendante s’impose. Si le vecteur de scores pr\u00e9sente des encodages sous format textuel ou sous forme de r\u00e9els impr\u00e9cis induits par des erreurs d’importation de fichiers externes (s\u00e9parateurs d\u00e9cimaux erron\u00e9s), le moteur graphique \u00e9chouera \u00e0 calculer les fr\u00e9quences discr\u00e8tes exactes n\u00e9cessaires \u00e0 l’empilement d\u00e9terministe. Le recours syst\u00e9matique \u00e0 la fonction de v\u00e9rification logique is.numeric()<\/em> ou \u00e0 l’inspection globale via str()<\/em> permet d’\u00e9carter toute alt\u00e9ration de la nature dimensionnelle des scores psychom\u00e9triques.<\/p>\n

L’exploration pr\u00e9liminaire se cl\u00f4ture par le calcul des r\u00e9sum\u00e9s d’effectifs \u00e0 l’aide de l’outil table()<\/em> et des m\u00e9triques descriptives transversales avec summary()<\/em>. Cette tabulation pr\u00e9liminaire offre un double b\u00e9n\u00e9fice : elle certifie l’absence totale de valeurs manquantes (NA<\/em>) insidieuses susceptibles de corrompre les calculs d’alignement spatial, et elle fournit \u00e0 l’analyste un \u00e9talon arithm\u00e9tique absolu des fr\u00e9quences d’empilement attendues sur la toile graphique finale, autorisant un contr\u00f4le qualit\u00e9 rigoureux du rendu algorithmique.<\/p>\n

4. M\u00e9thode 1 : Construction d’un graphique \u00e0 points empil\u00e9s avec les fonctions de base (stripchart)<\/h2>\n

4.1 Syntaxe fondamentale et m\u00e9canisme d’empilement<\/h3>\n

L’environnement natif de R renferme, au sein de sa biblioth\u00e8que standard graphics<\/em>, une commande historique remarquablement agile pour tracer des distributions univari\u00e9es sans d\u00e9pendre de paquets tiers : la fonction stripchart()<\/em>. Dans son impl\u00e9mentation brute, cette proc\u00e9dure g\u00e9n\u00e8re une simple droite le long de laquelle les valeurs sont juxtapos\u00e9es. Toutefois, l’activation sp\u00e9cifique du param\u00e8tre formel method = \u00ab\u00a0stack\u00a0\u00bb<\/em> transforme radicalement le comportement interne du moteur graphique en enclenchant l’algorithme d’agr\u00e9gation verticale d\u00e9terministe qui fonde le principe du graphique \u00e0 points empil\u00e9s.<\/p>\n

Le fonctionnement m\u00e9canique de cet empilement repose sur une analyse s\u00e9quentielle du vecteur de donn\u00e9es num\u00e9riques fourni en entr\u00e9e. Lorsque deux ou plusieurs occurrences pr\u00e9sentent une valeur strictement \u00e9quivalente (ou tombent sous le seuil d’indiscernabilit\u00e9 fix\u00e9 par la r\u00e9solution graphique active), le syst\u00e8me calcule une coordonn\u00e9e de d\u00e9calage orthogonal incr\u00e9mentale. Au lieu de sur-imprimer le glyphe au m\u00eame emplacement bidimensionnel, il \u00e9l\u00e8ve chaque observation subs\u00e9quente d’un incr\u00e9ment constant le long de l’axe perpendiculaire, \u00e9rigeant ainsi progressivement une tour de symboles proportionnelle \u00e0 l’effectif observ\u00e9.<\/p>\n

L’application directe de cette commande sur un vecteur brut (par exemple, les scores des patients du groupe TCC) engendre imm\u00e9diatement une silhouette distributionnelle d\u00e9pouill\u00e9e. Les \u00e9chelles et les marges graphiques natives s’adaptent de fa\u00e7on automatique \u00e0 l’\u00e9tendue num\u00e9rique du vecteur d’entr\u00e9e pour l’axe principal, tandis que l’axe secondaire d’empilement est ajust\u00e9 pour h\u00e9berger la hauteur de la colonne la plus \u00e9lev\u00e9e sans d\u00e9border du cadre p\u00e9riph\u00e9rique standard calcul\u00e9 par les param\u00e8tres par d\u00e9faut du p\u00e9riph\u00e9rique graphique actif.<\/p>\n

\"Stacked
Stacked dot plot in R<\/figcaption><\/figure>\n

4.2 Orientation spatiale et disposition des axes<\/h3>\n

Par configuration initiale, l’instruction stripchart()<\/em> d\u00e9ploie son trac\u00e9 de fa\u00e7on horizontale : l’axe primaire supportant la graduation des valeurs de mesure s’\u00e9tend sur l’abscisse (axe horizontal x<\/em>), tandis que les tours d’empilement s’\u00e9rigent verticalement le long de l’ordonn\u00e9e (axe y<\/em>). Cette disposition horizontale s’av\u00e8re particuli\u00e8rement naturelle pour la conceptualisation de scores psychom\u00e9triques per\u00e7us comme des continus scalaires s’\u00e9talant de la gauche vers la droite, mimant ainsi la progression temporelle ou l’aggravation dimensionnelle d’un sympt\u00f4me clinique.<\/p>\n

N\u00e9anmoins, dans de nombreuses configurations de comparaison exp\u00e9rimentale o\u00f9 l’on souhaite juxtaposer plusieurs cohortes c\u00f4te \u00e0 c\u00f4te, l’orientation verticale devient structurellement sup\u00e9rieure. Le basculement spatial s’op\u00e8re sans friction au moyen de l’argument logique vertical = TRUE<\/em>. Dans ce mode invers\u00e9, l’axe m\u00e9trique des ordonn\u00e9es accueille les scores de la variable d\u00e9pendante, tandis que les empilements de donn\u00e9es se projettent horizontalement vers la droite \u00e0 partir d’une ligne d’ancrage d\u00e9finie. Cette g\u00e9om\u00e9trie verticale s’aligne fid\u00e8lement sur la tradition des diagrammes en bo\u00eete et des distributions d’indices de performance cognitive.<\/p>\n

L’ergonomie g\u00e9n\u00e9rale du trac\u00e9 commande par ailleurs un calibrage explicite des limites dimensionnelles afin de m\u00e9nager un espace visuel respirant autour des extr\u00eames de distribution. L’utilisation d\u00e9lib\u00e9r\u00e9e des arguments vectoriels xlim<\/em> et ylim<\/em> permet de circonscrire pr\u00e9cis\u00e9ment la fen\u00eatre d’observation. Par exemple, forcer l’\u00e9tendue horizontale entre 0 et 60 pour une \u00e9chelle clinique born\u00e9e structurellement entre ces deux valeurs emp\u00eache l’algorithme d’ajuster arbitrairement le cadre aux bornes \u00e9troites de l’\u00e9chantillon observ\u00e9, assurant ainsi une comparabilit\u00e9 visuelle authentique entre diff\u00e9rents sous-\u00e9chantillons d’\u00e9tudes.<\/p>\n

4.3 Gestion du d\u00e9calage et alignement de la ligne de base<\/h3>\n

L’un des leviers de contr\u00f4le les plus pr\u00e9cis au sein de la fonction stripchart()<\/em> r\u00e9side dans la manipulation des arguments spatiaux at<\/em> et offset<\/em>. Le param\u00e8tre scalaire ou vectoriel at<\/em> d\u00e9termine la coordonn\u00e9e g\u00e9ographique exacte sur l’axe orthogonal o\u00f9 s’\u00e9tablit la ligne de base (le plancher) sur lequel reposera le premier point de chaque colonne empil\u00e9e. Dans le cadre d’un trac\u00e9 univari\u00e9 unique, cette ligne d’ancrage est fr\u00e9quemment positionn\u00e9e sur la valeur unitaire 1, mais elle peut \u00eatre r\u00e9assign\u00e9e sur toute autre coordonn\u00e9e afin de coordonner l’insertion du trac\u00e9 au sein d’un agencement graphique composite complexe \u00e0 multiples compartiments.<\/p>\n

Le param\u00e8tre offset<\/em>, quant \u00e0 lui, gouverne l’espacement inter-points relatif appliqu\u00e9 lors de chaque superposition verticale d’une observation suppl\u00e9mentaire. Exprim\u00e9 sous la forme d’une fraction de la taille de police ou de cellule graphique de base, un d\u00e9calage calibr\u00e9 par d\u00e9faut \u00e0 1\/3 (environ 0,33) produit g\u00e9n\u00e9ralement un empilement contigu o\u00f9 les cercles se touchent de fa\u00e7on tangentielle. Si la g\u00e9om\u00e9trie des symboles choisis engendre des frictions visuelles ou un empi\u00e8tement partiel excessif d\u00e9t\u00e9riorant la lisibilit\u00e9, l’analyste a toute latitude pour moduler cette constante avec finesse (par exemple en assignant offset = 0.5<\/em> ou offset = 0.8<\/em>).<\/p>\n

Cette modulation micro-m\u00e9trique de l’alignement est cruciale pour pr\u00e9venir les collisions graphiques disgracieuses lors de la repr\u00e9sentation simultan\u00e9e de plusieurs sous-groupes sur un m\u00eame canevas. En fractionnant judicieusement les ancrages vectoriels at = c(1, 2)<\/em> pour deux conditions distinctes et en ajustant le coefficient offset<\/em> pour que la hauteur cumul\u00e9e des piles ne vienne jamais empi\u00e9ter sur le territoire de la cohorte voisine, l’analyste compose un document visuel d’une nettet\u00e9 parfaite, d\u00e9pourvu de tout chevauchement non contr\u00f4l\u00e9.<\/p>\n

5. Personnalisation avanc\u00e9e du graphique stripchart dans l’environnement R de base<\/h2>\n

5.1 Attribution des symboles et s\u00e9lecteurs de forme<\/h3>\n

Le raffinement formel d’un trac\u00e9 \u00e0 points empil\u00e9s r\u00e9alis\u00e9 sous le moteur de base R exige une s\u00e9lection rigoureuse de la typologie des glyphes g\u00e9om\u00e9triques employ\u00e9s pour repr\u00e9senter les observations. Cette op\u00e9ration est r\u00e9gie par l’argument canonique pch<\/em> (plotting character<\/em>), qui accepte une vaste gamme de codes num\u00e9riques entiers correspondant \u00e0 des topologies universelles. Dans les publications psychologiques acad\u00e9miques, la pratique conventionnelle privil\u00e9gie tr\u00e8s nettement l’usage de disques circulaires ferm\u00e9s (obtenus via pch = 16<\/em> ou pch = 19<\/em>), lesquels offrent une visibilit\u00e9 optimale et une saturation spatiale homog\u00e8ne au sein de la colonne empil\u00e9e.<\/p>\n

Alternativement, le recours \u00e0 des cercles ouverts ou \u00e9vid\u00e9s (accessible via pch = 1<\/em> ou la forme composite bord\u00e9e pch = 21<\/em>) s’av\u00e8re particuli\u00e8rement judicieux dans les contextes o\u00f9 la densit\u00e9 locale des scores engendre une contigu\u00eft\u00e9 extr\u00eame. La forme pch = 21<\/em> pr\u00e9sente un avantage m\u00e9thodologique sup\u00e9rieur en autorisant une diff\u00e9rentiation conjointe de la bordure p\u00e9riph\u00e9rique (param\u00e9tr\u00e9e par l’argument col<\/em>) et du remplissage interne (gouvern\u00e9 par l’argument bg<\/em>), permettant ainsi de maintenir une d\u00e9marcation visuelle irr\u00e9prochable m\u00eame si deux glyphes voisins viennent accidentellement \u00e0 se fr\u00f4ler de quelques pixels.<\/p>\n

L’\u00e9chelle physique individuelle de ces marqueurs se module quant \u00e0 elle par l’entremise de l’argument de dilatation scalaire cex<\/em> (character expansion<\/em>). Par d\u00e9faut initialis\u00e9 \u00e0 la valeur 1, ce coefficient peut \u00eatre contract\u00e9 avec souplesse (par exemple cex = 0.7<\/em> ou cex = 0.8<\/em>) lorsque le nombre total d’observations cro\u00eet, \u00e9vitant ainsi que les piles de points ne prennent l’aspect d’un bloc uniforme et monolithique. \u00c0 l’inverse, pour des s\u00e9ries tr\u00e8s restreintes (n<\/em> < 20), une \u00e9l\u00e9vation mod\u00e9r\u00e9e \u00e0 cex = 1.2<\/em> renforce la pr\u00e9sence visuelle et conf\u00e8re \u00e0 chaque mesure son plein poids indicatif.<\/p>\n

5.2 Application des palettes chromatiques et transparence<\/h3>\n

L’application raisonn\u00e9e de la couleur au sein d’une figure scientifique r\u00e9pond \u00e0 une stricte exigence de clarification s\u00e9mantique et non \u00e0 des consid\u00e9rations purement ornementales. Dans le moteur graphique de base R, l’incorporation de teintes professionnelles unies s’op\u00e8re via des cha\u00eenes de caract\u00e8res hexad\u00e9cimales standardis\u00e9es (telles que le bleu acad\u00e9mique \u00ab\u00a0#2B4C7E\u00a0\u00bb<\/em> ou le bordeaux sobre \u00ab\u00a0#7E2B3D\u00a0\u00bb<\/em>) ou par le truchement de la table des noms de couleurs internes via la fonction native colors()<\/em>. Le respect des pr\u00e9ceptes de publication scientifique commande de bannir les teintes primaires satur\u00e9es au profit d’un nuancier att\u00e9nu\u00e9 favorisant le repos oculaire.<\/p>\n

L’un des apports majeurs \u00e0 la s\u00e9miologie graphique moderne consiste en l’int\u00e9gration syst\u00e9matique d’un canal alpha de semi-transparence. Dans le syst\u00e8me graphique de base, cette fonctionnalit\u00e9 s’active avec une grande \u00e9l\u00e9gance math\u00e9matique au moyen de la fonction int\u00e9gr\u00e9e adjustcolor()<\/em>. En soumettant une couleur de base \u00e0 un facteur d’opacit\u00e9 modul\u00e9 (par exemple adjustcolor(\u00ab\u00a0#2B4C7E\u00a0\u00bb, alpha.f = 0.6)<\/em>), l’analyste conf\u00e8re aux disques une perm\u00e9abilit\u00e9 lumineuse salutaire :<\/p>\n