{"id":9788,"date":"2026-10-14T18:02:34","date_gmt":"2026-10-14T18:02:34","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-histogrammes-sas-3-exemples\/"},"modified":"2026-10-14T18:02:34","modified_gmt":"2026-10-14T18:02:34","slug":"comment-creer-histogrammes-sas-3-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-histogrammes-sas-3-exemples","title":{"rendered":"Comment cr\u00e9er des histogrammes dans SAS (3 exemples)"},"content":{"rendered":"

L’analyse exploratoire des donn\u00e9es constitue le socle m\u00e9thodologique indispensable de toute d\u00e9marche empirique rigoureuse. Popularis\u00e9e par les travaux s\u00e9minaux du statisticien John Tukey<\/a>, cette phase inaugurale ne se limite nullement \u00e0 une simple formalit\u00e9 technique : elle conditionne la validit\u00e9 des inf\u00e9rences futures en d\u00e9voilant la structure fondamentale des variables continues observ\u00e9es. Dans cet \u00e9cosyst\u00e8me analytique, l’histogramme demeure l’outil de r\u00e9f\u00e9rence absolue pour appr\u00e9hender la forme g\u00e9om\u00e9trique des lois sous-jacentes, diagnostiquer les \u00e9carts par rapport \u00e0 la sym\u00e9trie th\u00e9orique et identifier les singularit\u00e9s de distribution qui \u00e9chappent aux r\u00e9sum\u00e9s num\u00e9riques univari\u00e9s simplifi\u00e9s.<\/p>\n

Au sein des environnements d’analyse statistique avanc\u00e9e, l’environnement SAS (Statistical Analysis System) s’est impos\u00e9 comme une plateforme standardis\u00e9e d’une remarquable puissance, notamment au sein des sciences biom\u00e9dicales, de l’\u00e9pid\u00e9miologie, de l’\u00e9conom\u00e9trie et de la recherche comportementale. Gr\u00e2ce \u00e0 sa proc\u00e9dure historique PROC UNIVARIATE, SAS offre une int\u00e9gration unique entre la mod\u00e9lisation statistique param\u00e9trique, l’\u00e9valuation des moments d’ordre sup\u00e9rieur et la restitution graphique de haute pr\u00e9cision. Cet outil va bien au-del\u00e0 de la simple repr\u00e9sentation visuelle en associant syst\u00e9matiquement \u00e0 chaque graphique un ensemble exhaustif d’indicateurs de localisation, de dispersion et de tests formels d’ad\u00e9quation distributionnelle.<\/p>\n

L’objectif de cet article acad\u00e9mique est de fournir un guide technique et conceptuel complet d\u00e9di\u00e9 \u00e0 la construction et \u00e0 l’optimisation des histogrammes dans SAS. \u00c0 travers un jeu de donn\u00e9es exp\u00e9rimental rigoureusement document\u00e9, nous d\u00e9taillerons trois impl\u00e9mentations embl\u00e9matiques : l’histogramme univari\u00e9 classique enrichi de rep\u00e8res normatifs, le panneau comparatif multipanneau permettant la stratification par sous-groupes, et enfin l’histogramme superpos\u00e9 exploitant les transparences alpha pour la comparaison directe de densit\u00e9s. Chacune de ces approches sera diss\u00e9qu\u00e9e sous l’angle de sa syntaxe formelle, de ses propri\u00e9t\u00e9s statistiques et de ses implications ergonomiques pour la publication scientifique.<\/p>\n

1. Introduction \u00e0 la visualisation des distributions et \u00e0 la proc\u00e9dure PROC UNIVARIATE dans SAS<\/h2>\n

1.1 Fondements statistiques de l’histogramme en recherche quantitative<\/h3>\n

L’inf\u00e9rence statistique moderne repose majoritairement sur des mod\u00e8les probabilistes dont la robustesse d\u00e9pend de postulats stricts concernant la distribution des r\u00e9sidus ou des variables analys\u00e9es. L’\u00e9valuation de la normalit\u00e9 constitue la pierre angulaire des analyses univari\u00e9es et multivari\u00e9es, qu’il s’agisse du test t de Student, de l’analyse de variance factorielle ou de la r\u00e9gression lin\u00e9aire g\u00e9n\u00e9ralis\u00e9e. L’histogramme permet de confronter directement les observations recueillies \u00e0 une loi th\u00e9orique par l’agr\u00e9gation continue des donn\u00e9es sous forme de classes contigu\u00ebs. Cette repr\u00e9sentation graphique mat\u00e9rialise la fonction de densit\u00e9 de probabilit\u00e9 empirique en convertissant un ensemble discret d’observations en une surface g\u00e9om\u00e9trique dont l’aire totale est proportionnelle \u00e0 la taille de l’\u00e9chantillon ou standardis\u00e9e \u00e0 l’unit\u00e9.<\/p>\n

La discr\u00e9tisation d’une variable quantitative continue en intervalles d’amplitudes d\u00e9finies soul\u00e8ve des enjeux statistiques fondamentaux relatifs au biais et \u00e0 la variance de l’estimation. Si la largeur des classes est excessivement grande, la distribution subit un sur-lissage dissimulant des particularit\u00e9s essentielles telles que la multimodalit\u00e9 ou l’asym\u00e9trie locale. Inversement, une granularit\u00e9 trop fine engendre un sous-lissage prononc\u00e9 o\u00f9 le bruit d’\u00e9chantillonnage masque la tendance distributionnelle globale. L’histogramme agit ainsi comme un estimateur non param\u00e9trique de densit\u00e9 \u00e0 fen\u00eatre fixe, pr\u00e9curseur conceptuel des m\u00e9thodes d’estimation par noyau d\u00e9velopp\u00e9es par Emanuel Parzen<\/a>.<\/p>\n

Dans la pratique scientifique, l’inspection visuelle pr\u00e9alable par histogramme emp\u00eache des erreurs interpr\u00e9tatives graves. L’observation directe permet de d\u00e9tecter des planchers ou des plafonds de mesure, d’identifier des r\u00e9partitions bimodalement polaris\u00e9es t\u00e9moignant de m\u00e9langes de sous-populations non contr\u00f4l\u00e9es, ou encore de constater des tra\u00eenes \u00e9paisses caract\u00e9ristiques des distributions leptokurtiques. Aucune mesure scalaire, f\u00fbt-elle le coefficient d’asym\u00e9trie de Fisher-Pearson ou le test de Shapiro-Wilk, ne peut remplacer l’intelligibilit\u00e9 spatiale offerte par un histogramme convenablement calibr\u00e9 dans la phase initiale d’exploration des donn\u00e9es.<\/p>\n

1.2 La proc\u00e9dure PROC UNIVARIATE : syntaxe g\u00e9n\u00e9rale et vocation analytique<\/h3>\n

Au c\u0153ur de l’architecture logicielle de SAS, la proc\u00e9dure PROC UNIVARIATE se distingue par sa triple vocation descriptive, inf\u00e9rentielle et graphique. Contrairement \u00e0 PROC MEANS qui cible l’agr\u00e9gation rapide des donn\u00e9es au premier et second ordre statistique, PROC UNIVARIATE calcule l’ensemble complet des moments statistiques, englobant la moyenne arithm\u00e9tique, la variance, l’\u00e9cart-type, le coefficient de variation, mais surtout les moments centr\u00e9s d’ordres trois et quatre qui quantifient formellement l’asym\u00e9trie (skewness) et l’aplatissement (kurtosis). Elle g\u00e9n\u00e8re simultan\u00e9ment les quantiles d\u00e9taill\u00e9s, les valeurs extr\u00eames ordonn\u00e9es et ex\u00e9cute les tests d’hypoth\u00e8se bilat\u00e9raux pour l’emplacement central.<\/p>\n

La structure syntaxique standard de la proc\u00e9dure d\u00e9bute par l’instruction formelle d’appel sp\u00e9cifiant la table source via l’option DATA. Vient ensuite l’instruction fondamentale VAR, dont le r\u00f4le consiste \u00e0 d\u00e9clarer le vecteur des variables quantitatives continues soumises \u00e0 l’analyse. L’omission de cette instruction inciterait la proc\u00e9dure \u00e0 traiter indistinctement toutes les colonnes num\u00e9riques du jeu de donn\u00e9es, y compris d’\u00e9ventuels identifiants cod\u00e9s num\u00e9riquement, entra\u00eenant une surcharge de calcul et une pollution des sorties. C’est l’instruction VAR qui garantit la rigueur du ciblage analytique.<\/p>\n

L’int\u00e9gration de la visualisation graphique s’op\u00e8re par l’adjonction de l’instruction HISTOGRAM imm\u00e9diatement apr\u00e8s la d\u00e9finition des variables d’analyse. Cette instruction active les routines de calcul g\u00e9om\u00e9trique des coordonn\u00e9es et orchestre la restitution des barres verticales. L’instruction HISTOGRAM accepte une vaste gamme d’options sp\u00e9cialis\u00e9es apr\u00e8s une barre oblique de s\u00e9paration, permettant d’imposer des contraintes param\u00e9triques, d’ajuster des courbes th\u00e9oriques ou de contr\u00f4ler les param\u00e8tres de mise \u00e0 l’\u00e9chelle m\u00e9trique. Cette int\u00e9gration native au sein d’une proc\u00e9dure analytique garantit une coh\u00e9rence absolue entre les chiffres r\u00e9pertori\u00e9s dans les tableaux ODS et la topologie des graphiques produits.<\/p>\n

1.3 Distinction m\u00e9thodologique entre PROC UNIVARIATE, PROC SGPLOT et PROC GCHART<\/h3>\n

L’environnement SAS offre plusieurs voies pour concevoir des histogrammes, ce qui impose d’\u00e9tablir une d\u00e9marcation m\u00e9thodologique claire entre les proc\u00e9dures disponibles. La proc\u00e9dure PROC UNIVARIATE poss\u00e8de une orientation principalement analytique, diagnostique et inf\u00e9rentielle. Lorsqu’elle g\u00e9n\u00e8re un histogramme, elle le lie intrins\u00e8quement aux tests de conformit\u00e9 distributionnelle, calculant les param\u00e8tres du maximum de vraisemblance pour adapter les courbes th\u00e9oriques (telles que les lois normales, log-normales, exponentielles, de Weibull ou Gamma) sans exiger de pr\u00e9-calculs de la part du chercheur. Elle est l’outil d’\u00e9lection pour le statisticien dont le but est d’\u00e9prouver des hypoth\u00e8ses th\u00e9oriques sur la structure des variables.<\/p>\n

\u00c0 l’oppos\u00e9, la proc\u00e9dure PROC SGPLOT s’inscrit dans la famille moderne des Statistical Graphics (SG) introduite pour standardiser la production de figures selon les concepts de la grammaire des graphiques th\u00e9oris\u00e9e par Leland Wilkinson<\/a>. PROC SGPLOT excelle dans la personnalisation esth\u00e9tique avanc\u00e9e, la superposition d’\u00e9l\u00e9ments visuels h\u00e9t\u00e9rog\u00e8nes (tels que l’association sur un m\u00eame plan d’un histogramme, d’une estimation par noyau et d’un diagramme en bo\u00eete horizontal) et la mise en page modulaire. Sa finalit\u00e9 r\u00e9side dans la clart\u00e9 communicative et la mise aux normes de publication, bien qu’elle d\u00e9l\u00e8gue l’estimation param\u00e9trique complexe \u00e0 d’autres routines pr\u00e9alables.<\/p>\n

Enfin, la proc\u00e9dure PROC GCHART appartient \u00e0 l’h\u00e9ritage historique de SAS\/GRAPH. Fond\u00e9e sur des moteurs de rendu vectoriels ant\u00e9rieurs \u00e0 l’av\u00e8nement du syst\u00e8me ODS Graphics moderne, elle n\u00e9cessite la configuration lourde de d\u00e9clarations globales d’axes (instructions AXIS) et de motifs (instructions PATTERN). Aujourd’hui consid\u00e9r\u00e9e comme technologiquement obsol\u00e8te pour la recherche contemporaine, PROC GCHART souffre d’un manque de flexibilit\u00e9 dans la gestion des r\u00e9solutions contemporaines et de l’interactivit\u00e9. L’abandon progressif de cette syntaxe historique au profit de PROC UNIVARIATE et de PROC SGPLOT constitue une \u00e9volution majeure vers une programmation plus d\u00e9clarative, reproductible et robuste.<\/p>\n

2. Pr\u00e9paration et structure du jeu de donn\u00e9es exp\u00e9rimental<\/h2>\n

2.1 D\u00e9finition de l’\u00e9tape DATA et saisie des observations empiriques<\/h3>\n

Afin de garantir une reproductibilit\u00e9 parfaite des protocoles pr\u00e9sent\u00e9s tout au long de cette monographie, nous instancions un jeu de donn\u00e9es exp\u00e9rimental \u00e0 l’aide de l’\u00e9tape DATA canonique de SAS. Ce processus d’initialisation assure la cr\u00e9ation d\u00e9terministe d’une table nomm\u00e9e my_data<\/em> au sein de la biblioth\u00e8que de travail temporaire WORK. L’allocation de cette structure matricielle s’appuie sur la combinaison synergique des instructions INPUT et DATALINES, assurant le typage direct et la lecture s\u00e9quentielle des flux de donn\u00e9es brutes int\u00e9gr\u00e9s dans le script de traitement.<\/p>\n

Le vecteur de variables comprend deux indicateurs num\u00e9riques continus et un facteur qualitatif de groupement. Lors de la phase de compilation du bloc DATA, le vecteur de donn\u00e9es de programme (Program Data Vector, ou PDV) configure les attributs fondamentaux de chaque variable. La syntaxe pr\u00e9voit une d\u00e9claration explicite o\u00f9 le symbole dollar ($) est allou\u00e9 \u00e0 la variable cat\u00e9gorielle, stipulant la nature alphanum\u00e9rique de son encodage et r\u00e9servant le dimensionnement m\u00e9moire ad\u00e9quat pour la cha\u00eene textuelle, tandis que les m\u00e9triques d’observation re\u00e7oivent le statut de r\u00e9els en virgule flottante double pr\u00e9cision.<\/p>\n

La saisie des observations empiriques s’effectue ligne par ligne au sein du bloc DATALINES. Chaque ligne mat\u00e9rialise une unit\u00e9 statistique \u00e9l\u00e9mentaire issue d’une cohorte d’athl\u00e8tes de haut niveau, pour laquelle nous avons consign\u00e9 les r\u00e9alisations offensives et d\u00e9fensives au cours d’une saison sportive rigoureusement monitor\u00e9e. Cette architecture de donn\u00e9es pr\u00e9sente l’avantage p\u00e9dagogique de concilier une structure compacte avec une variance intrins\u00e8que suffisamment marqu\u00e9e pour illustrer avec pr\u00e9cision les variations de forme, d’asym\u00e9trie et de dispersion bimodale.<\/p>\n

2.2 Examen des variables d’\u00e9tude : points, rebonds et appartenance au groupe<\/h3>\n

L’architecture matricielle retenue s’articule autour de trois dimensions analytiques compl\u00e9mentaires. La variable principale d\u00e9pendante, d\u00e9sign\u00e9e sous l’\u00e9tiquette points<\/em>, mesure l’efficacit\u00e9 offensive brute enregistr\u00e9e par match par chaque athl\u00e8te. Exprim\u00e9e sur une \u00e9chelle d’intervalles continus, cette grandeur pr\u00e9sente des fluctuations marqu\u00e9es, allant de performances modestes \u00e0 des r\u00e9alisations d’\u00e9lite. Sur le plan statistique, cette variable sert de r\u00e9ceptacle \u00e0 l’ensemble de nos investigations sur la normalit\u00e9 empirique, la dispersion interquartile et l’ad\u00e9quation aux densit\u00e9s param\u00e9triques th\u00e9oriques.<\/p>\n

La seconde variable quantitative, nomm\u00e9e rebounds<\/em>, quantifie le volume de rebonds capt\u00e9s et fonctionne conceptuellement comme une covariable de performance. Bien que nos d\u00e9monstrations se focalisent prioritairement sur la variable des points marqu\u00e9s, la pr\u00e9sence conjointe des rebonds enrichit la structure du jeu de donn\u00e9es, permettant des extensions analytiques vers des tests de corr\u00e9lation bivari\u00e9e ou des mod\u00e9lisations de r\u00e9gression lin\u00e9aire. La variabilit\u00e9 propre de cette covariable refl\u00e8te les disparit\u00e9s morphologiques et le r\u00f4le tactique attribu\u00e9 \u00e0 chaque profil de joueur au sein du collectif.<\/p>\n

Enfin, la variable cat\u00e9gorielle binaire team<\/em> constitue le facteur de classification inter-sujets par excellence. R\u00e9partie \u00e9quitablement entre deux modalit\u00e9s nominales distinctes (\u00ab\u00a0A\u00a0\u00bb et \u00ab\u00a0B\u00a0\u00bb), elle introduit une partition de l’\u00e9chantillon global en deux sous-populations d’effectifs ma\u00eetris\u00e9s. Cette variable de stratification sera mobilis\u00e9e pour illustrer la segmentation multifen\u00eatre et la comparaison directe par superposition. Elle permet d’\u00e9prouver l’homog\u00e9n\u00e9it\u00e9 des variances entre cohortes et d’observer comment les contrastes tactiques entre organisations sportives se r\u00e9percutent sur la morphologie des histogrammes respectifs.<\/p>\n

2.3 V\u00e9rification de l’int\u00e9grit\u00e9 matricielle avec la proc\u00e9dure PROC PRINT<\/h3>\n

Avant d’engager toute proc\u00e9dure de mod\u00e9lisation math\u00e9matique ou de mod\u00e9lisation graphique, le principe m\u00e9thodologique de pr\u00e9caution impose une v\u00e9rification rigoureuse de la coh\u00e9rence interne du tableau de donn\u00e9es. Cette \u00e9tape \u00e9l\u00e9mentaire de contr\u00f4le de la qualit\u00e9 des donn\u00e9es (data hygiene) pr\u00e9vient la propagation d’erreurs d’assignation typologique ou d’alt\u00e9rations syntaxiques survenues durant l’\u00e9tape DATA. La proc\u00e9dure PROC PRINT est la commande standard assurant la restitution tabulaire exhaustive des vecteurs enregistr\u00e9s dans la table WORK.my_data.<\/p>\n

L’ex\u00e9cution de la proc\u00e9dure s’effectue par l’appel formel :<\/p>\n

proc print data=my_data; run;<\/strong><\/p>\n

Cette commande g\u00e9n\u00e8re un rapport r\u00e9pertoriant le num\u00e9ro d’observation (variable automatique _N_) en regard des trois colonnes sp\u00e9cifi\u00e9es. L’analyste doit contr\u00f4ler l’absence de cellules vacantes (caract\u00e9ris\u00e9es par un point pour les donn\u00e9es num\u00e9riques ou un espace blanc pour les cha\u00eenes textuelles), v\u00e9rifier que le nombre total d’enregistrements correspond exactement au d\u00e9compte initial pr\u00e9vu, et s’assurer que les valeurs saisies s’inscrivent dans un intervalle de vraisemblance biologique et physique strict.<\/p>\n

Parall\u00e8lement \u00e0 l’examen de la sortie visuelle, la consultation m\u00e9thodique du journal d’ex\u00e9cution (SAS Log) constitue une obligation proc\u00e9durale incontournable. Le journal consacre l’int\u00e9grit\u00e9 de l’ex\u00e9cution en attestant que le jeu de donn\u00e9es WORK.my_data a \u00e9t\u00e9 g\u00e9n\u00e9r\u00e9 avec le nombre exact d’observations et de variables attendues, sans conversion automatique implicite de variables et sans g\u00e9n\u00e9ration d’avertissements (warnings) ou d’erreurs d’ex\u00e9cution. La validation conjointe de la sortie PROC PRINT et de la propret\u00e9 du journal d’ex\u00e9cution conditionne le passage aux phases de mod\u00e9lisation graphique univari\u00e9e.<\/p>\n

3. Exemple 1 \u2013 Cr\u00e9ation d’un histogramme univari\u00e9 simple<\/h2>\n

3.1 Impl\u00e9mentation du code canonique pour une variable unique<\/h3>\n

La conception d’un histogramme standardis\u00e9 pour une variable continue unique requiert l’activation conjointe des instructions PROC UNIVARIATE et HISTOGRAM. Dans sa formulation la plus \u00e9pur\u00e9e, le code ne comporte aucun artifice syntaxique complexe, confiant au moteur de calcul de SAS la d\u00e9termination optimale des param\u00e8tres de classe et de mise \u00e0 l’\u00e9chelle. L’analyste se contente d’indiquer la table source et de restreindre le champ d’investigation \u00e0 la m\u00e9trique offensive via l’instruction VAR.<\/p>\n

La syntaxe canonique minimale se d\u00e9ploie selon la structure suivante :<\/p>\n

proc univariate data=my_data;<\/strong>
\n    var points;<\/strong>
\n    histogram points;<\/strong>
\nrun;<\/strong><\/p>\n

Dans ce bloc d’instructions, le mot-cl\u00e9 HISTOGRAM prend en argument direct le nom de la variable points<\/em>. Cette redondance intentionnelle avec l’instruction VAR permet en r\u00e9alit\u00e9 de dissocier le traitement statistique descriptif g\u00e9n\u00e9ral de la g\u00e9n\u00e9ration effective de figures, SAS offrant la possibilit\u00e9 de calculer les moments sur un panier complet de variables tout en restreignant le trac\u00e9 graphique \u00e0 une s\u00e9lection sp\u00e9cifique.<\/p>\n

\"\"<\/figure>\n

L’ex\u00e9cution s\u00e9quentielle de cette requ\u00eate d\u00e9clenche une double op\u00e9ration au sein du syst\u00e8me ODS : la compilation d’une s\u00e9rie de tables analytiques d\u00e9crivant les moments d’\u00e9chantillonnage et la restitution d’un histogramme haute r\u00e9solution dans la fen\u00eatre graphique active. Cette figure se compose de rectangles verticaux contigus dont la largeur correspond \u00e0 l’intervalle de partitionnement automatis\u00e9 et dont la hauteur traduit l’importance num\u00e9rique des observations au sein de chaque tranche de valeurs.<\/p>\n

3.2 Interpr\u00e9tation m\u00e9trique des axes et calcul des pourcentages<\/h3>\n

L’analyse rigoureuse de la sortie graphique produite par l’instruction HISTOGRAM par d\u00e9faut n\u00e9cessite une compr\u00e9hension pr\u00e9cise des conventions m\u00e9triques appliqu\u00e9es aux axes cart\u00e9siens. L’axe horizontal (abscisse) structure le domaine de variation de la variable continue analys\u00e9e. Les valeurs num\u00e9riques appos\u00e9es sous l’axe ne repr\u00e9sentent pas n\u00e9cessairement les bornes strictes des intervalles de classe, mais le plus souvent leurs points m\u00e9dians (midpoints), calcul\u00e9s par des algorithmes optimisant la lisibilit\u00e9 visuelle selon des nombres arrondis faciles \u00e0 appr\u00e9hender intellectuellement.<\/p>\n

L’axe vertical (ordonn\u00e9e) pr\u00e9sente une sp\u00e9cificit\u00e9 d\u00e9terminante : par d\u00e9faut, PROC UNIVARIATE n’affiche pas les fr\u00e9quences absolues brutes (le d\u00e9compte direct des sujets), mais configure son \u00e9chelle selon le pourcentage relatif des observations. La hauteur de chaque rectangle exprime formellement le rapport entre l’effectif partiel de la classe consid\u00e9r\u00e9e et la taille totale de l’\u00e9chantillon, multipli\u00e9 par cent. Cette convention de normalisation statistique permet de comparer des distributions issues d’\u00e9chantillons de tailles diff\u00e9rentes sans distorsion d’\u00e9chelle.<\/p>\n

Cette formalisation math\u00e9matique de l’ordonn\u00e9e se traduit par l’\u00e9quation de densit\u00e9 discr\u00e9tis\u00e9e : pour une classe donn\u00e9e i<\/em> d’effectif ni<\/sub><\/em> au sein d’un \u00e9chantillon global d’effectif N<\/em>, l’\u00e9l\u00e9vation verticale hi<\/sub><\/em> v\u00e9rifie la relation hi<\/sub> = (ni<\/sub> \/ N) × 100<\/em>. La sommation des hauteurs de l’ensemble des rectangles composant l’histogramme converge ainsi exactement vers cent pour cent. Cette configuration garantit une transition conceptuelle naturelle vers les notions de fonction de r\u00e9partition cumulative et de probabilit\u00e9 empirique d’occurrence.<\/p>\n

3.3 \u00c9valuation visuelle de l’asym\u00e9trie et de l’aplatissement<\/h3>\n

D\u00e8s l’obtention de l’histogramme univari\u00e9 simple, l’analyste proc\u00e8de \u00e0 une lecture morphologique afin de d\u00e9terminer les caract\u00e9ristiques de localisation et de dispersion de la s\u00e9rie. Le centre de gravit\u00e9 de la distribution se rep\u00e8re visuellement par la zone de concentration maximale des surfaces de barres. Si l’histogramme pr\u00e9sente une masse principale d\u00e9cal\u00e9e vers les valeurs faibles de l’axe horizontal, accompagn\u00e9e d’un \u00e9tirement graduel des barres vers la droite, la distribution manifeste une asym\u00e9trie positive ou \u00e9talement \u00e0 droite (right-skewed distribution). Inversement, un \u00e9tirement prononc\u00e9 vers les faibles valeurs traduira une asym\u00e9trie n\u00e9gative.<\/p>\n

L’\u00e9valuation visuelle porte \u00e9galement sur l’aplatissement ou le caract\u00e8re pointu de la distribution (kurtosis). Une distribution pr\u00e9sentant un pic modal ac\u00e9r\u00e9 et \u00e9troit, entour\u00e9 de queues de distribution \u00e9paisses, sera qualifi\u00e9e de leptokurtique, sugg\u00e9rant une forte concentration des valeurs autour du mode avec une probabilit\u00e9 accrue de valeurs extr\u00eames. \u00c0 l’oppos\u00e9, une silhouette arrondie, d\u00e9pourvue de sommet pro\u00e9minent et s’\u00e9tendant de mani\u00e8re homog\u00e8ne sur l’intervalle des valeurs, indique une forme platykurtique typique des lois sub-gaussiennes ou uniformes tronqu\u00e9es.<\/p>\n

Cette confrontation visuelle entre l’\u00e9chantillon empirique et le mod\u00e8le th\u00e9orique de la cloche de Gauss constitue le premier niveau du diagnostic statistique. Si l’histogramme s’\u00e9carte substantiellement de la sym\u00e9trie sp\u00e9culaire attendue d’une loi normale, l’analyste sait imm\u00e9diatement que l’usage de la moyenne arithm\u00e9tique et de l’\u00e9cart-type comme r\u00e9sum\u00e9s synth\u00e9tiques uniques induira un biais d’interpr\u00e9tation. Cette observation justifie le recours compl\u00e9mentaire \u00e0 des indicateurs robustes tels que la m\u00e9diane et l’\u00e9cart interquartile, tout en orientant le choix des futurs mod\u00e8les inf\u00e9rentiels vers des m\u00e9thodes non param\u00e9triques ou des transformations de variables adapt\u00e9es.<\/p>\n

4. Personnalisation technique de l’histogramme univari\u00e9 simple<\/h2>\n

4.1 Contr\u00f4le des intervalles de classe \u00e0 l’aide de l’option MIDPOINTS<\/h3>\n

Bien que les algorithmes automatis\u00e9s de SAS s\u00e9lectionnent des fen\u00eatres de partitionnement scientifiquement acceptables, g\u00e9n\u00e9ralement guid\u00e9es par des variantes de la r\u00e8gle de Sturges ou de la r\u00e8gle de Scott, ces choix par d\u00e9faut ne correspondent pas toujours aux exigences fines de l’analyste ou aux conventions de reporting d’un domaine disciplinaire sp\u00e9cifique. Dans PROC UNIVARIATE, l’option MIDPOINTS s’av\u00e8re l’instrument privil\u00e9gi\u00e9 pour contraindre explicitement la granularit\u00e9 de la discr\u00e9tisation en fixant manuellement les centres d’intervalles de chaque barre de l’histogramme.<\/p>\n

La r\u00e8gle classique de Sturges, mod\u00e9lis\u00e9e par l’\u00e9quation k = 1 + log2<\/sub>(N)<\/em> o\u00f9 k<\/em> repr\u00e9sente le nombre th\u00e9orique de classes et N<\/em> la taille d’\u00e9chantillon, tend \u00e0 sous-estimer le nombre optimal de tranches lorsque les volumes de donn\u00e9es sont modestes ou que les queues de distribution sont asym\u00e9triques. En recourant \u00e0 l’option MIDPOINTS apr\u00e8s la barre oblique de l’instruction HISTOGRAM, l’utilisateur peut imposer une s\u00e9quence num\u00e9rique explicite \u00e0 l’aide d’une syntaxe it\u00e9rative de type :<\/p>\n

histogram points \/ midpoints = 5 to 35 by 5;<\/strong><\/p>\n

Cette d\u00e9claration contraint le moteur graphique \u00e0 centrer ses rectangles sur les valeurs enti\u00e8res 5, 10, 15, 20, 25, 30 et 35, d\u00e9finissant ipso facto des intervalles d’une largeur constante de cinq unit\u00e9s.<\/p>\n

L’impact de ce partitionnement contr\u00f4l\u00e9 sur la perception visuelle de la forme distributionnelle est consid\u00e9rable. Un r\u00e9tr\u00e9cissement ma\u00eetris\u00e9 de l’intervalle permet de r\u00e9v\u00e9ler des singularit\u00e9s locales masqu\u00e9es par le lissage automatis\u00e9, telles qu’une l\u00e9g\u00e8re bimodalit\u00e9 indiquant l’existence de sous-cohortes m\u00e9connues. Inversement, un \u00e9largissement temp\u00e9r\u00e9 \u00e9limine les fluctuations d’\u00e9chantillonnage al\u00e9atoires qui fragmentent visuellement les petits effectifs. L’ajustement raisonn\u00e9 des points m\u00e9dians constitue ainsi un arbitrage m\u00e9thodologique d\u00e9lib\u00e9r\u00e9 entre r\u00e9solution descriptive et stabilit\u00e9 de l’estimation g\u00e9om\u00e9trique.<\/p>\n

4.2 Superposition th\u00e9orique d’une courbe de densit\u00e9 normale<\/h3>\n

L’\u00e9valuation visuelle de la normalit\u00e9 franchit un palier de rigueur lorsque l’histogramme empirique est confront\u00e9 directement \u00e0 la courbe th\u00e9orique de la loi de Gauss, ajust\u00e9e par superposition sur le m\u00eame plan de coordonn\u00e9es. PROC UNIVARIATE permet cette comparaison via l’option NORMAL, sp\u00e9cifi\u00e9e imm\u00e9diatement \u00e0 la suite de la commande HISTOGRAM. Cette fonctionnalit\u00e9 convertit un simple graphique de distribution en un outil d’ajustement param\u00e9trique avanc\u00e9, sans imposer l’\u00e9criture de routines math\u00e9matiques complexes.<\/p>\n

Lorsque l’option NORMAL est stipul\u00e9e, la proc\u00e9dure estime automatiquement les param\u00e8tres de localisation (μ) et d’\u00e9chelle (σ) de la population parente en mobilisant l’estimateur du maximum de vraisemblance sur les donn\u00e9es observ\u00e9es. La moyenne empirique et l’\u00e9cart-type non biais\u00e9 sont alors inject\u00e9s dans l’\u00e9quation formelle de la densit\u00e9 normale univari\u00e9e :<\/p>\n

f(x) = (1 \/ (σ√(2π))) × exp(- (x – μ)2<\/sup> \/ (2σ2<\/sup>))<\/em><\/p>\n

Le profil math\u00e9matique ainsi mod\u00e9lis\u00e9 est trac\u00e9 sous forme d’une courbe continue superpos\u00e9e aux barres de l’histogramme, dont l’\u00e9chelle verticale en pourcentage est ajust\u00e9e pour respecter l’\u00e9quivalence de surface.<\/p>\n

\"\"<\/figure>\n

La confrontation directe entre les barres empiriques et l’enveloppe th\u00e9orique gaussienne permet une lecture analytique imm\u00e9diate des \u00e9carts \u00e0 la loi normale. Les d\u00e9passements verticaux des barres au centre de la cloche d\u00e9noncent une leptokurticit\u00e9 manifeste, tandis que l’asym\u00e9trie se traduit par un d\u00e9calage du sommet empirique par rapport \u00e0 l’axe de sym\u00e9trie de la courbe continue, accompagn\u00e9 d’une zone o\u00f9 les barres s’\u00e9crasent pr\u00e9matur\u00e9ment d’un c\u00f4t\u00e9 tout en d\u00e9bordant de l’autre. Cette mise en regard visuelle sert de pr\u00e9lude intuitif aux tests d’ad\u00e9quation formels calcul\u00e9s simultan\u00e9ment dans les tables de sorties statistiques.<\/p>\n

4.3 Modification des attributs graphiques des axes et des l\u00e9gendes<\/h3>\n

La transmission efficace des r\u00e9sultats scientifiques exige un contr\u00f4le absolu des \u00e9l\u00e9ments paratextuels composant la figure, pr\u00e9venant toute ambigu\u00eft\u00e9 chez le lecteur acad\u00e9mique. L’environnement PROC UNIVARIATE permet de raffiner la typographie, les libell\u00e9s et les limites dimensionnelles de la sc\u00e8ne graphique gr\u00e2ce \u00e0 des sous-options sp\u00e9cialis\u00e9es de l’instruction HISTOGRAM, compl\u00e9t\u00e9es par des instructions d\u00e9claratives globales. La suppression des abr\u00e9viations techniques par d\u00e9faut au profit d’une nomenclature formelle est un imp\u00e9ratif de publication.<\/p>\n

L’instruction globale TITLE, positionn\u00e9e en amont de l’\u00e9tape de proc\u00e9dure, permet de coiffer la figure d’une d\u00e9nomination contextualis\u00e9e, \u00e9liminant les titres g\u00e9n\u00e9riques par d\u00e9faut de SAS. Au sein de l’instruction HISTOGRAM elle-m\u00eame, les options VLABEL et HLABEL offrent la libert\u00e9 de red\u00e9finir int\u00e9gralement les mentions appos\u00e9es le long des axes ordonn\u00e9s et des abscisses. Ainsi, la d\u00e9claration hlabel=\u00a0\u00bbPerformance Offensive (Points par Match)\u00a0\u00bb<\/em> conf\u00e8re au graphique une clart\u00e9 imm\u00e9diate en explicitant la nature de la m\u00e9trique et son unit\u00e9 de mesure physique, conform\u00e9ment aux exigences m\u00e9thodologiques standardis\u00e9es.<\/p>\n

En outre, l’analyste peut moduler l’\u00e9chelle de l’axe vertical gr\u00e2ce \u00e0 l’option VSCALE, basculant au besoin de l’\u00e9chelle des pourcentages vers celle des proportions d\u00e9cimales ou de la densit\u00e9 brute. L’espacement des graduations secondaires et l’insertion de lignes de r\u00e9f\u00e9rence discr\u00e8tes (\u00e0 l’aide de l’option HREF ou VREF) permettent d’ancrer le trac\u00e9 dans un carroyage m\u00e9trique rigoureux. Cet habillage graphique transforme une sortie statistique brute en un support de communication visuelle conforme aux normes des comit\u00e9s de lecture internationaux, garantissant une transmission non d\u00e9form\u00e9e des propri\u00e9t\u00e9s distributionnelles du jeu de donn\u00e9es.<\/p>\n

5. Exemple 2 \u2013 Cr\u00e9ation d’un panneau d’histogrammes comparatifs (Pan\u00e9lisation)<\/h2>\n

5.1 Emploi de l’instruction CLASS pour la stratification par sous-groupes<\/h3>\n

L’investigation scientifique ne se limite que rarement \u00e0 l’\u00e9tude globale d’une cohorte ; elle requiert le plus souvent l’analyse stratifi\u00e9e de la distribution en fonction de facteurs qualitatifs inter-groupes. Dans cette perspective, la proc\u00e9dure PROC UNIVARIATE dispose d’un outil de partitionnement puissant : l’instruction CLASS. Lorsqu’une variable cat\u00e9gorielle, telle que notre facteur team<\/em>, est d\u00e9clar\u00e9e via cette commande, la proc\u00e9dure segmente automatiquement l’ensemble des enregistrements en sous-groupes mutuellement exclusifs correspondant \u00e0 chacune des modalit\u00e9s observ\u00e9es.<\/p>\n

L’impl\u00e9mentation de cette segmentation comparative prend la forme syntaxique suivante :<\/p>\n

proc univariate data=my_data;<\/strong>
\n    class team;<\/strong>
\n    var points;<\/strong>
\n    histogram points \/ normal;<\/strong>
\nrun;<\/strong><\/p>\n

Contrairement \u00e0 une boucle manuelle ou \u00e0 l’usage maladroit d’une clause BY (qui n\u00e9cessiterait un tri pr\u00e9alable et fragmenterait la restitution sur plusieurs pages distinctes), l’instruction CLASS instancie un panneau comparatif unifi\u00e9, souvent d\u00e9sign\u00e9 sous le terme de diagramme en treillis ou lattice plot.<\/p>\n

\"\"<\/figure>\n

Le moteur graphique ODS configure alors une matrice spatiale unique o\u00f9 chaque sous-groupe se voit assigner une cellule de rendu d\u00e9di\u00e9e au sein du m\u00eame plan d’observation. Cette synchronisation architecturale permet de maintenir les distributions dans un champ visuel contigu, facilitant les op\u00e9rations cognitives de mise en relation sans que l’analyste ait \u00e0 basculer d’une page \u00e0 l’autre ou \u00e0 composer laborieusement une mosa\u00efque sous un logiciel d’\u00e9dition d’images externe.<\/p>\n

5.2 Analyse comparative rigoureuse des sous-populations<\/h3>\n

La restitution multifen\u00eatre des histogrammes pour l’\u00e9quipe A et l’\u00e9quipe B permet d’effectuer une comparaison topologique approfondie des sous-populations sans risque de confusion g\u00e9om\u00e9trique. L’analyste peut confronter simultan\u00e9ment la position des barycentres (moyennes et m\u00e9dianes respectives) et l’amplitude de dispersion des valeurs. Dans notre configuration exp\u00e9rimentale, l’inspection compar\u00e9e met en lumi\u00e8re les contrastes tactiques entre les deux entit\u00e9s : une \u00e9quipe pr\u00e9sente une distribution resserr\u00e9e autour d’un mode central, attestant d’une grande homog\u00e9n\u00e9it\u00e9 de performance, tandis que l’autre expose un \u00e9talement bimodal ou fortement dispers\u00e9, traduisant une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 marqu\u00e9e entre titulaires et rempla\u00e7ants.<\/p>\n

Au-del\u00e0 de la simple tendance centrale, cette disposition pan\u00e9lis\u00e9e offre un r\u00f4le diagnostique d\u00e9terminant dans la v\u00e9rification de l’hypoth\u00e8se d’homoscedasticit\u00e9 (homog\u00e9n\u00e9it\u00e9 des variances distributionnelles), postulat capital pour la mise en \u0153uvre de mod\u00e8les comparatifs tels que l’ANOVA \u00e0 un facteur ou les mod\u00e8les lin\u00e9aires \u00e0 effets mixtes. La simple observation de la largeur de base des histogrammes respectifs permet d’anticiper si le test formel de Levene ou de Bartlett r\u00e9v\u00e9lera une violation critique de cette condition d’\u00e9quivariance.<\/p>\n

L’\u00e9valuation visuelle conjointe des courbes de normalit\u00e9 superpos\u00e9es sur chaque panneau permet \u00e9galement d’appr\u00e9cier si les \u00e9carts \u00e0 la loi normale sont sym\u00e9triques ou si l’un des groupes souffre d’une asym\u00e9trie idiosyncrasique absente dans l’autre. Par exemple, si l’\u00e9quipe A respecte rigoureusement une distribution en cloche standardis\u00e9e alors que l’\u00e9quipe B d\u00e9ploie une tra\u00eene positive prononc\u00e9e caus\u00e9e par un marqueur d’exception, l’analyste est averti qu’un test t param\u00e9trique classique \u00e0 deux \u00e9chantillons ind\u00e9pendants pourrait g\u00e9n\u00e9rer des taux d’erreur de premi\u00e8re esp\u00e8ce incontr\u00f4l\u00e9s, orientant alors la d\u00e9marche inf\u00e9rentielle vers un test de somme des rangs de Wilcoxon-Mann-Whitney.<\/p>\n

5.3 Avantages ergonomiques et cognitifs de la d\u00e9composition en panneaux<\/h3>\n

D’un point de vue de l’ergonomie cognitive et des sciences de l’information visuelle, la technique de pan\u00e9lisation (d\u00e9coulant des principes des small multiples<\/em> th\u00e9oris\u00e9s par Edward Tufte<\/a>) pr\u00e9sente des sup\u00e9riorit\u00e9s d\u00e9cisives sur d’autres modes de repr\u00e9sentation graphique concurrente. En dissociant physiquement les distributions au sein de fen\u00eatres contigu\u00ebs mais non entrem\u00eal\u00e9es, elle \u00e9limine totalement l’encombrement graphique (clutter) et le ph\u00e9nom\u00e8ne d’occlusion visuelle, inh\u00e9rents aux repr\u00e9sentations o\u00f9 les barres s’entrecroisent au sein d’un rep\u00e8re unique.<\/p>\n

Cette clart\u00e9 d’affichage demeure particuli\u00e8rement pr\u00e9gnante lorsque le facteur de classification comporte plus de deux cat\u00e9gories. Si la comparaison de deux groupes par superposition reste praticable, l’adjonction d’un troisi\u00e8me, quatri\u00e8me ou cinqui\u00e8me niveau rend la lecture chaotique en multipliant les couches de couleurs et les intersections g\u00e9om\u00e9triques ambigu\u00ebs. Le treillis conserve quant \u00e0 lui une lisibilit\u00e9 constante : chaque sous-groupe b\u00e9n\u00e9ficie de son propre espace d’expression, respectant la m\u00eame m\u00e9trique d’abscisse et d’ordonn\u00e9e, ce qui favorise les balayages oculaires syst\u00e9matiques de gauche \u00e0 droite ou de haut en bas.<\/p>\n

Dans le contexte des processus d’\u00e9valuation par les pairs au sein des revues scientifiques internationales, cette mise en page d\u00e9montre une rigueur formelle exemplaire. Les \u00e9valuateurs peuvent scruter d’un coup d’\u0153il l’int\u00e9grit\u00e9 de la structure des donn\u00e9es pour chaque modalit\u00e9 factorielle, juger de la pertinence des approximations th\u00e9oriques et appr\u00e9hender la r\u00e9partition des effectifs sans \u00eatre perturb\u00e9s par des artifices de rendu tape-\u00e0-l’\u0153il. La pan\u00e9lisation via l’instruction CLASS s’impose ainsi comme le standard d’excellence pour le reporting stratifi\u00e9 univari\u00e9.<\/p>\n

6. Contr\u00f4le esth\u00e9tique et mise en page du panneau comparatif<\/h2>\n

6.1 Harmonisation des \u00e9chelles d’axes pour une comparabilit\u00e9 objective<\/h3>\n

Le pi\u00e8ge m\u00e9thodologique le plus insidieux lors de la cr\u00e9ation d’affichages multifen\u00eatres r\u00e9side dans la disjonction involontaire des \u00e9chelles m\u00e9triques entre cellules de panneau. Si chaque sous-graphique ajustait de mani\u00e8re opportuniste ses bornes minimales et maximales d’abscisse et d’ordonn\u00e9e aux valeurs extr\u00eames propres \u00e0 chaque groupe, une distorsion cognitive s\u00e9v\u00e8re s’introduirait : un \u00e9cart de dispersion modeste dans un \u00e9chantillon homog\u00e8ne pourrait sembler visuellement identique, voire sup\u00e9rieur, \u00e0 une forte dispersion issue d’une cohorte tr\u00e8s h\u00e9t\u00e9rog\u00e8ne mais compress\u00e9e par une \u00e9chelle \u00e9tendue.<\/p>\n

Pour pr\u00e9venir cette d\u00e9rive interpr\u00e9tative qui ruinerait la validit\u00e9 de la recherche, PROC UNIVARIATE impose de mani\u00e8re standardis\u00e9e l’alignement absolu des axes lorsque l’instruction CLASS est mobilis\u00e9e conjointement avec HISTOGRAM. L’axe des abscisses couvre syst\u00e9matiquement l’\u00e9tendue commune englobant la valeur minimale globale et la valeur maximale absolue observ\u00e9es sur l’int\u00e9gralit\u00e9 du jeu de donn\u00e9es, assurant que dix unit\u00e9s de points mesurent exactement la m\u00eame longueur physique sur le panneau sup\u00e9rieur et sur le panneau inf\u00e9rieur.<\/p>\n

De m\u00eame, l’harmonisation de l’ordonn\u00e9e en pourcentage constitue une exigence fondamentale. Gr\u00e2ce \u00e0 l’utilisation conjointe des options de contr\u00f4le d’\u00e9chelle verticale, l’analyste contraint SAS \u00e0 calibrer le sommet de l’axe Y sur le pourcentage le plus \u00e9lev\u00e9 parmi l’ensemble des cellules du panneau. Cette standardisation garantit qu’une barre montant \u00e0 vingt pour cent atteindra une altitude g\u00e9om\u00e9trique strictement identique sur chaque cellule, rendant ainsi la comparaison des densit\u00e9s empiriques visuellement irr\u00e9prochable et scientifiquement objective.<\/p>\n

6.2 Configuration de la disposition matricielle : lignes et colonnes<\/h3>\n

L’optimisation de l’occupation de l’espace graphique requiert un param\u00e9trage r\u00e9fl\u00e9chi de l’agencement matriciel des cellules. Par d\u00e9faut, PROC UNIVARIATE choisit une orientation spatiale automatis\u00e9e en fonction du ratio d’aspect de la fen\u00eatre active et du nombre de modalit\u00e9s de la variable de classe. Toutefois, l’analyste dispose d’un contr\u00f4le direct sur cette topologie gr\u00e2ce aux options structurelles NROWS et NCOLS, \u00e0 renseigner apr\u00e8s la barre oblique de l’instruction HISTOGRAM.<\/p>\n

Le choix entre un arrangement en pile verticale (sp\u00e9cification NROWS=2, NCOLS=1<\/em> pour deux groupes) ou un \u00e9talement en bande horizontale (sp\u00e9cification NROWS=1, NCOLS=2<\/em>) rel\u00e8ve d’un arbitrage analytique pr\u00e9cis :<\/p>\n