{"id":9795,"date":"2026-10-14T18:02:34","date_gmt":"2026-10-14T18:02:34","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-des-nuages-de-points-dans-sas-avec-exemples\/"},"modified":"2026-10-14T18:02:34","modified_gmt":"2026-10-14T18:02:34","slug":"comment-creer-des-nuages-de-points-dans-sas-avec-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-des-nuages-de-points-dans-sas-avec-exemples","title":{"rendered":"Comment cr\u00e9er des nuages de points dans SAS (avec exemples)"},"content":{"rendered":"

Dans le domaine de l’analyse statistique moderne et de l’\u00e9conom\u00e9trie appliqu\u00e9e, l’exploration graphique pr\u00e9liminaire constitue le socle indispensable sur lequel repose toute entreprise de mod\u00e9lisation inf\u00e9rentielle rigoureuse. Face \u00e0 l’accroissement exponentiel des volumes de donn\u00e9es et \u00e0 la complexification des structures relationnelles au sein des bases de donn\u00e9es contemporaines, le chercheur ou l’analyste quantitatif ne peut se contenter d’indicateurs num\u00e9riques agr\u00e9g\u00e9s tels que la moyenne, la variance ou la m\u00e9diane. En effet, des ensembles d’observations aux propri\u00e9t\u00e9s univari\u00e9es rigoureusement identiques peuvent masquer des architectures d’association fondamentalement divergentes, des bifurcations non lin\u00e9aires ou des groupements h\u00e9t\u00e9rog\u00e8nes que seuls des outils de visualisation bivari\u00e9e hautement r\u00e9solutifs permettent de mettre en lumi\u00e8re de mani\u00e8re imm\u00e9diate et intuitive.<\/p>\n

Au sein de l’\u00e9cosyst\u00e8me logiciel SAS (Statistical Analysis System)<\/a>, reconnu mondialement pour sa robustesse algorithmique, sa conformit\u00e9 aux exigences r\u00e9glementaires les plus strictes de la Food and Drug Administration (FDA) et sa puissance de calcul sur des volum\u00e9tries massives, la repr\u00e9sentation graphique bivari\u00e9e a connu une mutation structurelle profonde. L’introduction du syst\u00e8me d’affichage graphique ODS (Output Delivery System Graphics) et, plus particuli\u00e8rement, de la proc\u00e9dure statistique int\u00e9gr\u00e9e PROC SGPLOT<\/code>, a red\u00e9fini les standards de production visuelle en supplantant d\u00e9finitivement les modules historiques SAS\/GRAPH. Cette transition technologique a permis d’allier une rigueur math\u00e9matique sans compromis \u00e0 une flexibilit\u00e9 esth\u00e9tique sans pr\u00e9c\u00e9dent, offrant aux statisticiens un contr\u00f4le typographique, chromatique et g\u00e9om\u00e9trique absolu sur leurs productions acad\u00e9miques.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique se propose de d\u00e9construire, d’analyser et d’illustrer de fa\u00e7on exhaustive l’ensemble des m\u00e9canismes sous-jacents \u00e0 la g\u00e9n\u00e9ration, la personnalisation et l’interpr\u00e9tation avanc\u00e9e des nuages de points sous SAS. \u00c0 travers un jeu de donn\u00e9es exp\u00e9rimental rigoureusement document\u00e9 mod\u00e9lisant les performances sportives de collectifs professionnels, nous explorerons pas \u00e0 pas la syntaxe fondamentale de l’instruction SCATTER<\/code>, la manipulation microscopique des attributs vectoriels des marqueurs, la stratification multidimensionnelle par groupes, ainsi que la superposition \u00e9l\u00e9gante d’estimateurs param\u00e9triques et non param\u00e9triques. Cette d\u00e9marche m\u00e9thodique permettra \u00e0 tout chercheur d’\u00e9lever ses livrables graphiques aux plus hauts standards de publication scientifique internationale, tout en garantissant une fid\u00e9lit\u00e9 analytique irr\u00e9prochable.<\/p>\n

1. Introduction \u00e0 la visualisation bivari\u00e9e avec SAS<\/h2>\n

1.1 Importance du nuage de points en analyse quantitative<\/h3>\n

Le nuage de points, ou diagramme de dispersion cart\u00e9sien, constitue le standard m\u00e9thodologique par excellence pour scruter la relation empirique existant entre deux variables quantitatives continues. D’un point de vue \u00e9pist\u00e9mologique, l’affichage conjoint de deux dimensions num\u00e9riques permet d’examiner la distribution spatiale simultan\u00e9e des couples d’observations sans imposer d’embl\u00e9e une forme fonctionnelle rigide issue d’un a priori th\u00e9orique. Cette \u00e9tape fondamentale de l’analyse exploratoire des donn\u00e9es, conceptualis\u00e9e historiquement par le statisticien John Tukey, autorise l’identification visuelle imm\u00e9diate des associations lin\u00e9aires positives ou n\u00e9gatives, mais \u00e9galement la mise en \u00e9vidence d’effets de seuil, de courbures polynomiales, d’asymptotes ou de ruptures de continuit\u00e9 structurelles qu’un simple coefficient de corr\u00e9lation lin\u00e9aire de Pearson serait intrins\u00e8quement incapable de capturer fid\u00e8lement.<\/p>\n

Par ailleurs, le nuage de points joue un r\u00f4le sentinelle d\u00e9terminant dans le diagnostic des valeurs aberrantes (dites outliers<\/em>) et des observations \u00e0 fort effet de levier. Au sein d’un \u00e9chantillon multidimensionnel, une observation peut pr\u00e9senter des valeurs marginales tout \u00e0 fait plausibles lorsqu’elle est examin\u00e9e de fa\u00e7on univari\u00e9e le long de chaque axe, tout en constituant une anomalie flagrante au sein de l’espace bivari\u00e9 en raison de son \u00e9loignement drastique par rapport \u00e0 la structure de covariance g\u00e9n\u00e9rale de la population. La d\u00e9tection pr\u00e9coce de ces configurations atypiques conditionne directement la validit\u00e9 des mod\u00e9lisations ult\u00e9rieures, dans la mesure o\u00f9 les estimateurs des moindres carr\u00e9s ordinaires (MCO) d\u00e9montrent une vuln\u00e9rabilit\u00e9 notoire face aux points extr\u00eames distaux, dont l’influence indue peut biaiser drastiquement les pentes de r\u00e9gression estim\u00e9es.<\/p>\n

Enfin, le nuage de points pr\u00e9pare le terrain conceptuel \u00e0 l’inf\u00e9rence causale et \u00e0 la mod\u00e9lisation statistique avanc\u00e9e. En confrontant directement la variable explicative postul\u00e9e \u00e0 la variable d\u00e9pendante d’int\u00e9r\u00eat, l’exp\u00e9rimentateur \u00e9value visuellement le respect de postulats fondamentaux tels que l’homosc\u00e9dasticit\u00e9 \u2014 c’est-\u00e0-dire la constance de la variance des r\u00e9sidus sur l’ensemble de l’\u00e9tendue des valeurs pr\u00e9dictives \u2014 ainsi que la normalit\u00e9 bivari\u00e9e. N\u00e9gliger cette \u00e9tape exploratoire visuelle au profit d’un passage imm\u00e9diat aux algorithmes d’estimation param\u00e9trique expose le praticien au c\u00e9l\u00e8bre paradoxe d’Anscombe, o\u00f9 quatre distributions bivari\u00e9es aux propri\u00e9t\u00e9s descriptives \u00e9l\u00e9mentaires identiques r\u00e9v\u00e8lent sous le regard du nuage de points des r\u00e9alit\u00e9s ph\u00e9nom\u00e9nologiques radicalement h\u00e9t\u00e9rog\u00e8nes.<\/p>\n

1.2 Le r\u00f4le central de la proc\u00e9dure SGPLOT dans SAS<\/h3>\n

Dans l’architecture logicielle de SAS, la proc\u00e9dure SGPLOT<\/code> (pour Statistical Graphics Plot<\/em>) incarne l’aboutissement d’une refonte paradigmatique majeure initi\u00e9e avec le d\u00e9veloppement du moteur graphique ODS Graphics. Historiquement, la production de figures sous SAS d\u00e9pendait du module SAS\/GRAPH et de proc\u00e9dures telles que PROC GPLOT<\/code>, lesquelles imposaient une syntaxe souvent lourde, tributaire d’instructions de bas niveau complexes (d\u00e9clarations SYMBOL<\/code>, AXIS<\/code> et GOPTIONS<\/code>) et d\u00e9connect\u00e9es des structures de donn\u00e9es relationnelles contemporaines. En outre, ces proc\u00e9dures ancestrales produisaient des repr\u00e9sentations graphiques vectorielles matricielles dont la pixellisation et le rendu typographique peinaient \u00e0 satisfaire les exigences esth\u00e9tiques des revues scientifiques modernes \u00e0 fort facteur d’impact.<\/p>\n

La proc\u00e9dure SGPLOT<\/code> \u00e9mancipe le chercheur de ces contraintes archa\u00efques en s’appuyant sur le langage sous-jacent GTL (Graph Template Language<\/a>). Ce syst\u00e8me compile des mod\u00e8les graphiques dynamiques compil\u00e9s de haute pr\u00e9cision, capables de g\u00e9rer automatiquement l’allocation spatiale, le calcul des espacements d’axes, l’\u00e9vitement des collisions typographiques et la gestion intelligente des palettes chromatiques. Contrairement aux anciennes approches, SGPLOT<\/code> int\u00e8gre nativement la s\u00e9miologie graphique moderne th\u00e9oris\u00e9e par Jacques Bertin et Edward Tufte, maximisant de facto le ratio donn\u00e9es-sur-encre tout en limitant la pollution visuelle inutile (le fameux chartjunk<\/em>).<\/p>\n

Au c\u0153ur de la proc\u00e9dure SGPLOT<\/code>, l’instruction SCATTER<\/code> se distingue par sa polyvalence fonctionnelle remarquable. Loin de se limiter \u00e0 la simple projection de coordonn\u00e9es cart\u00e9siennes sur une grille plane, cette instruction op\u00e8re comme une primitive graphique hautement modulaire. Elle est capable d’interagir symbiotiquement avec des d\u00e9clarations de regroupement cat\u00e9goriel, de moduler dynamiquement la taille, la g\u00e9om\u00e9trie, l’opacit\u00e9 et l’\u00e9tiquetage textuel de chaque observation, tout en conservant une vitesse de calcul optimale sur des tables de donn\u00e9es comptant plusieurs millions de lignes. Cette combinaison unique de robustesse computationnelle et d’\u00e9l\u00e9gance d\u00e9clarative conf\u00e8re \u00e0 SGPLOT<\/code> un statut incontournable dans l’arsenal de tout programmeur SAS chevronn\u00e9.<\/p>\n

1.3 Syntaxe g\u00e9n\u00e9rale et structure de base de l’instruction SCATTER<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle d’un graphique bivari\u00e9 \u00e9l\u00e9mentaire sous SAS requiert la formulation d’un bloc proc\u00e9dural articul\u00e9 autour de mots-cl\u00e9s normalis\u00e9s. La structure g\u00e9n\u00e9rique minimale s’articule syst\u00e9matiquement autour de la d\u00e9claration d’ouverture PROC SGPLOT<\/code>, compl\u00e9t\u00e9e par l’option explicite DATA=<\/code> qui d\u00e9signe de mani\u00e8re univoque la table SAS source h\u00e9berg\u00e9e dans la biblioth\u00e8que de travail temporaire ou permanente. Cette sp\u00e9cification rigoureuse garantit que le compilateur associe les descripteurs de variables appropri\u00e9s aux vecteurs num\u00e9riques correspondants sans ambigu\u00eft\u00e9 r\u00e9f\u00e9rentielle.<\/p>\n

Au sein du bloc d\u00e9limit\u00e9 par l’appel proc\u00e9dural et l’instruction finale de terminaison, l’instruction SCATTER<\/code> est invoqu\u00e9e pour sp\u00e9cifier la topologie du nuage de points. Cette instruction exige au minimum deux arguments obligatoires : X=nom_variable_abscisse<\/code> et Y=nom_variable_ordonnee<\/code>. La convention \u00e9pist\u00e9mologique veut que l’argument X<\/code> h\u00e9berge la variable pr\u00e9dictive, ind\u00e9pendante ou exog\u00e8ne, tandis que l’argument Y<\/code> accueille la variable r\u00e9ponse, d\u00e9pendante ou endog\u00e8ne. D\u00e8s lors que cette affectation g\u00e9om\u00e9trique est \u00e9tablie, le moteur graphique se charge d’extraire la distribution num\u00e9rique des colonnes d\u00e9sign\u00e9es pour calibrer l’\u00e9chelle du rep\u00e8re orthogonal.<\/p>\n

L’\u00e9tape proc\u00e9durale est ensuite formalis\u00e9e et soumise \u00e0 l’interpr\u00e9teur de commandes par l’instruction RUN;<\/code>, conventionnellement suivie de l’instruction QUIT;<\/code> dans les environnements interactifs pour lib\u00e9rer les contextes d’ex\u00e9cution r\u00e9sidents en m\u00e9moire vive. D’un point de vue de la syntaxe SAS canonique, la formulation prend la structure s\u00e9quentielle suivante :<\/p>\n

PROC SGPLOT DATA=nom_de_la_table;
\n    SCATTER X=variable_abscisse Y=variable_ordonnee;
\nRUN;<\/code><\/p>\n

Cette \u00e9conomie de moyens syntaxiques n’alt\u00e8re en rien la puissance du m\u00e9canisme sous-jacent : en trois lignes d’instructions \u00e9l\u00e9mentaires, SAS mobilise des algorithmes de balayage de distribution, d\u00e9termine les marges du canevas graphique, configure le maillage de fond et g\u00e9n\u00e8re une sortie graphique directement vectorisable au sein du gestionnaire ODS actif.<\/p>\n

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

2.1 D\u00e9finition du jeu de donn\u00e9es de travail dans l’\u00e9tape DATA<\/h3>\n

Afin d’ancrer nos d\u00e9veloppements th\u00e9oriques dans une r\u00e9alit\u00e9 empirique concr\u00e8te et v\u00e9rifiable, nous concevons un jeu de donn\u00e9es exp\u00e9rimental issu du domaine de l’analytique sportive de haut niveau. Dans cet environnement d’\u00e9tude, nous souhaitons \u00e9valuer la relation biom\u00e9canique et tactique existant entre le volume offensif d\u00e9ploy\u00e9 par des \u00e9quipes professionnelles de basket-ball (mesur\u00e9 par le nombre total de points inscrits au cours d’une rencontre) et leur efficacit\u00e9 d\u00e9fensive sous les panneaux (quantifi\u00e9e par le nombre de rebonds capt\u00e9s). Ce contexte offre l’avantage de manipuler des grandeurs quantitatives continues ou discr\u00e8tes \u00e0 large \u00e9tendue, coupl\u00e9es \u00e0 un facteur d’identification qualitatif.<\/p>\n

Pour instancier cette table au sein de l’environnement d’ex\u00e9cution SAS, nous utilisons l’\u00e9tape fondamentale DATA<\/code>. Cette \u00e9tape met en \u0153uvre l’instruction INPUT<\/code> qui d\u00e9finit la s\u00e9quence de lecture des colonnes et la nature typologique des variables : la variable nominale team<\/code>, assortie du suffixe textuel dollar ($<\/code>) pour signaler son statut de cha\u00eene de caract\u00e8res alphanum\u00e9rique, suivie des deux variables quantitatives num\u00e9riques directes points<\/code> et rebounds<\/code>. Les observations sont ensuite inject\u00e9es manuellement au sein du flux s\u00e9quentiel via l’instruction d’insertion directe DATALINES;<\/code>, garantissant l’autonomie et la reproductibilit\u00e9 imm\u00e9diate du code sans d\u00e9pendance \u00e0 l’\u00e9gard de fichiers externes.<\/p>\n

Voici la d\u00e9claration scripturale compl\u00e8te de notre table exp\u00e9rimentale, baptis\u00e9e basketball_data<\/code> :<\/p>\n

DATA basketball_data;
\n    INPUT team $ points rebounds;
\n    DATALINES;
\nA 12 8
\nA 15 10
\nA 18 11
\nA 22 13
\nA 24 14
\nA 25 15
\nA 28 17
\nA 30 18
\nB 10 5
\nB 14 7
\nB 16 7
\nB 19 9
\nB 21 10
\nB 23 11
\nB 26 12
\nB 29 13
\n;
\nRUN;<\/code><\/p>\n

Cette formulation permet d’alimenter la m\u00e9moire de travail SAS avec seize observations bivari\u00e9es distinctes, partitionn\u00e9es \u00e0 parit\u00e9 exacte entre deux collectifs distincts (l’\u00e9quipe A et l’\u00e9quipe B), fournissant un substrat id\u00e9al pour tester tant des analyses bivari\u00e9es simples que des stratifications multidimensionnelles complexes.<\/p>\n

\"\"<\/figure>\n

2.2 Validation et contr\u00f4le d’int\u00e9grit\u00e9 via PROC PRINT<\/h3>\n

En conformit\u00e9 absolue avec les standards de la recherche quantitative et de l’ing\u00e9nierie des donn\u00e9es, aucune proc\u00e9dure de mod\u00e9lisation ou de rendu visuel ne devrait \u00eatre ex\u00e9cut\u00e9e sans une v\u00e9rification pr\u00e9alable scrupuleuse de la structure de la table SAS compil\u00e9e. Des anomalies de saisie, des d\u00e9calages d’alignement dans le flux DATALINES<\/code> ou des troncatures involontaires de cha\u00eenes de caract\u00e8res peuvent alt\u00e9rer insidieusement la distribution des variables et conduire \u00e0 des art\u00e9facts d’interpr\u00e9tation visuelle d\u00e9sastreux.<\/p>\n

Pour op\u00e9rer cet audit d’int\u00e9grit\u00e9 pr\u00e9liminaire, le statisticien fait appel \u00e0 la proc\u00e9dure standardis\u00e9e PROC PRINT<\/code>. En adjoignant l’option d’\u00e9tiquetage formel LABEL<\/code> ou en restreignant le flux d’affichage si n\u00e9cessaire, cette proc\u00e9dure restitue en console la transcription textuelle exacte du descripteur de table et des observations en m\u00e9moire. La syntaxe canonique de contr\u00f4le s’\u00e9tablit comme suit :<\/p>\n

PROC PRINT DATA=basketball_data NOOBS;
\nRUN;<\/code><\/p>\n

L’argument NOOBS<\/code> est d\u00e9lib\u00e9r\u00e9ment ins\u00e9r\u00e9 pour supprimer la colonne incr\u00e9mentale d’indexation num\u00e9rique propre \u00e0 SAS, all\u00e9geant ainsi le journal de sortie et focalisant l’attention de l’analyste sur la stricte matrice des variables d’int\u00e9r\u00eat. L’inspection m\u00e9ticuleuse du rapport textuel confirme que les variables points<\/code> et rebounds<\/code> ne contiennent aucune valeur manquante non d\u00e9clar\u00e9e (repr\u00e9sent\u00e9e conventionnellement par un point .<\/code> dans les colonnes num\u00e9riques SAS) et que chaque observation est rigoureusement associ\u00e9e \u00e0 son \u00e9tiquette d’\u00e9quipe A<\/code> ou B<\/code>.<\/p>\n

2.3 Implications statistiques de la distribution des variables<\/h3>\n

L’examen analytique des propri\u00e9t\u00e9s intrins\u00e8ques de notre table d’\u00e9chantillon met en exergue des distributions num\u00e9riques dont l’\u00e9tendue et la granularit\u00e9 doivent dicter les choix de param\u00e9trage graphique. Concernant la variable points<\/code>, l’amplitude s’\u00e9tend d’une valeur minimale de 10 unit\u00e9s \u00e0 un sommet de 30 unit\u00e9s, dessinant un spectre de variation continue de 20 points. Quant \u00e0 la dimension rebounds<\/code>, les mesures oscillent entre 5 et 18 prises, soit une \u00e9tendue de 13 unit\u00e9s. Ces grandeurs, bien que relevant du d\u00e9nombrement discret, pr\u00e9sentent une dispersion suffisante pour \u00eatre trait\u00e9es conceptuellement comme des variables continues dans le cadre d’un rep\u00e8re orthonorm\u00e9.<\/p>\n

Le ratio d’\u00e9chelle entre les deux axes avoisine un rapport de un pour deux : l’axe des abscisses s’\u00e9tendra sur une plage globale d’environ trente unit\u00e9s tandis que l’axe vertical couvrira une amplitude de l’ordre de vingt unit\u00e9s. Cette asym\u00e9trie d’\u00e9chelle intrins\u00e8que constitue un param\u00e8tre critique : si les \u00e9chelles ne sont pas calibr\u00e9es avec discernement, l’observateur visuel peut \u00eatre victime d’une distorsion cognitive de la pente per\u00e7ue, amplifiant artificiellement l’intensit\u00e9 de la corr\u00e9lation apparente.<\/p>\n

De surcro\u00eet, le partitionnement binaire de la variable team<\/code> pose les jalons d’une exploration compar\u00e9e f\u00e9conde. Il conviendra d’observer si les couples de coordonn\u00e9es (points, rebounds)<\/code> occupent des zones homoth\u00e9tiques du plan euclidien ou si des ph\u00e9nom\u00e8nes de s\u00e9gr\u00e9gation spatiale \u00e9mergent entre les deux formations, traduisant des signatures tactiques distinctes qui n\u00e9cessiteront une diff\u00e9renciation graphique explicite.<\/p>\n

3. M\u00e9thode 1 : Cr\u00e9ation d’un nuage de points simple<\/h2>\n

3.1 Impl\u00e9mentation pas \u00e0 pas de la syntaxe minimale<\/h3>\n

La g\u00e9n\u00e9ration d’une repr\u00e9sentation bivari\u00e9e brute dans SAS repose sur une application directe des principes expos\u00e9s pr\u00e9c\u00e9demment. D\u00e8s lors que la table de donn\u00e9es basketball_data<\/code> est instanci\u00e9e et valid\u00e9e au sein de la biblioth\u00e8que de session WORK<\/code>, la proc\u00e9dure PROC SGPLOT<\/code> peut \u00eatre sollicit\u00e9e sans artifice complexe. Le programmeur r\u00e9dige alors l’instruction minimale en d\u00e9clarant sans ambigu\u00eft\u00e9 les assignations vectorielles requises pour les axes cart\u00e9siens.<\/p>\n

Le script SAS permettant de g\u00e9n\u00e9rer cette premi\u00e8re \u00e9bauche graphique s’\u00e9nonce selon la formulation suivante :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds;
\nRUN;<\/code><\/p>\n

Lors de la soumission de ce bloc au compilateur, le sous-syst\u00e8me ODS Graphics intercepte les flux de donn\u00e9es, initialise un environnement graphique vectoriel temporaire en m\u00e9moire vive, et calcule les m\u00e9triques d’affichage g\u00e9om\u00e9trique. L’instruction SCATTER<\/code> commande alors le trac\u00e9 de cercles discrets non remplis ou l\u00e9g\u00e8rement teint\u00e9s \u00e0 l’intersection exacte des coordonn\u00e9es projet\u00e9es pour chacune des seize observations. Le r\u00e9sultat est instantan\u00e9ment encapsul\u00e9 dans la destination ODS courante (qu’il s’agisse de la fen\u00eatre interactive de r\u00e9sultats SAS, d’une page HTML5 ou d’un canevas de pr\u00e9visualisation ODS Graphics Designer).<\/p>\n

\"\"<\/figure>\n

3.2 Analyse de la disposition des axes cart\u00e9siens<\/h3>\n

L’observation attentive du rendu produit par d\u00e9faut par PROC SGPLOT<\/code> met en lumi\u00e8re la sophistication algorithmique du moteur de rendu d’axes de SAS. Par d\u00e9faut, le compilateur ne contraint pas l’origine des axes \u00e0 co\u00efncider avec la valeur z\u00e9ro absolue si cela devait entra\u00eener une concentration artificielle des points dans le quadrant sup\u00e9rieur droit de l’image. Au contraire, le logiciel applique un algorithme de fen\u00eatrage automatique qui encadre \u00e9troitement l’\u00e9tendue empirique des donn\u00e9es tout en conservant une marge p\u00e9riph\u00e9rique esth\u00e9tique (le data offset<\/em>), \u00e9vitant ainsi que les marqueurs extr\u00eames ne viennent heurter la bordure externe du graphique.<\/p>\n

Sur l’axe horizontal des abscisses (X<\/code>), assign\u00e9 \u00e0 la variable explicative points<\/code>, SAS \u00e9chelonne des graduations majeures r\u00e9guli\u00e8res r\u00e9parties par pas de cinq unit\u00e9s, couvrant g\u00e9n\u00e9ralement l’intervalle allant de 10 \u00e0 30 points. Sur l’axe vertical des ordonn\u00e9es (Y<\/code>), allou\u00e9 \u00e0 la variable r\u00e9ponse rebounds<\/code>, l’\u00e9chelle automatique adopte un pas de deux ou de cinq unit\u00e9s pour englober la trajectoire de 5 \u00e0 20 rebonds. Les libell\u00e9s d’axes adoptent automatiquement le nom brut des colonnes de la table en l’absence d’\u00e9tiquettes formellement d\u00e9clar\u00e9es via l’instruction LABEL<\/code>.<\/p>\n

Ce partitionnement automatique garantit une lisibilit\u00e9 imm\u00e9diate, mais impose une vigilance quant \u00e0 l’interpr\u00e9tation des distances relatives. En \u00e9tirant l’axe pour maximiser le remplissage de la zone de tra\u00e7age, SAS optimise l’utilisation de l’espace visuel disponible, mais soustrait la perspective du point z\u00e9ro absolu, ce qui emp\u00eache une \u00e9valuation imm\u00e9diate des proportions relatives sans un regard attentif port\u00e9 aux graduations num\u00e9riques de r\u00e9f\u00e9rence.<\/p>\n

3.3 Lecture analytique de la configuration des points<\/h3>\n

D’un point de vue strictement analytique et interpr\u00e9tatif, ce nuage de points \u00e9l\u00e9mentaire d\u00e9voile imm\u00e9diatement une structure relationnelle marqu\u00e9e. Les seize marqueurs ne se distribuent pas de mani\u00e8re al\u00e9atoire ou uniforme sur la surface du plan cart\u00e9sien : ils s’alignent le long d’un couloir diagonal ascendant orient\u00e9 du coin inf\u00e9rieur gauche vers le coin sup\u00e9rieur droit. Cette topologie constitue la signature visuelle incontestable d’une association bivari\u00e9e positive et substantielle entre le nombre de points marqu\u00e9s et le volume de rebonds engrang\u00e9s.<\/p>\n

Cette configuration sugg\u00e8re qu’\u00e0 mesure que l’intensit\u00e9 offensive d’une \u00e9quipe s’accro\u00eet, son rendement aux rebonds progresse de concert. La dispersion orthogonale autour de la trajectoire m\u00e9diane appara\u00eet relativement contenue et constante sur l’ensemble de l’\u00e9tendue observ\u00e9e, ce qui tend \u00e0 corroborer l’hypoth\u00e8se sous-jacente d’une corr\u00e9lation lin\u00e9aire robuste coupl\u00e9e \u00e0 une absence flagrante d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 manifeste. Aucune anomalie d’\u00e9loignement extr\u00eame ne vient perturber la coh\u00e9sion d’ensemble de la trajectoire empirique observ\u00e9e.<\/p>\n

Toutefois, cette configuration graphique standard montre rapidement ses limites dans un contexte de publication professionnelle ou acad\u00e9mique rigoureuse. L’absence de titres contextualis\u00e9s, la rusticit\u00e9 des libell\u00e9s d’axes r\u00e9duits aux noms techniques des variables du mod\u00e8le de donn\u00e9es, l’impossibilit\u00e9 de distinguer visuellement l’\u00e9quipe A de l’\u00e9quipe B, ainsi que la p\u00e2leur relative des marqueurs standards exigent une prise en main avanc\u00e9e des options esth\u00e9tiques et typographiques offertes par PROC SGPLOT<\/code>.<\/p>\n

4. Personnalisation graphique et esth\u00e9tique des marqueurs<\/h2>\n

4.1 Modification des attributs des marqueurs via MARKERATTRS<\/h3>\n

L’ajustement g\u00e9om\u00e9trique et chromatique des \u00e9l\u00e9ments discrets constitue le premier levier de raffinement visuel. Par d\u00e9faut, SAS applique la palette institutionnelle associ\u00e9e au style ODS actif (bien souvent le style HTMLBlue<\/code>), lequel privil\u00e9gie de discrets cercles \u00e9vid\u00e9s ou partiellement teint\u00e9s de bleu c\u00e9rul\u00e9en. Bien que s\u00e9duisante pour un affichage sur \u00e9cran d’ordinateur, cette configuration s’av\u00e8re souvent inadapt\u00e9e \u00e0 l’impression monochrome ou aux crit\u00e8res de contraste stricts impos\u00e9s par les comit\u00e9s de r\u00e9daction des revues scientifiques de premier rang.<\/p>\n

L’option MARKERATTRS=<\/code>, ins\u00e9r\u00e9e imm\u00e9diatement apr\u00e8s la barre oblique (\/<\/code>) qui s\u00e9pare les arguments structurels des options de personnalisation dans l’instruction SCATTER<\/code>, conf\u00e8re au d\u00e9veloppeur un contr\u00f4le chirurgical sur les propri\u00e9t\u00e9s morphologiques des symboles. Cette option accepte une liste imbriqu\u00e9e de sous-arguments encadr\u00e9s par des parenth\u00e8ses, permettant de param\u00e9trer simultan\u00e9ment le symbole g\u00e9om\u00e9trique (SYMBOL=<\/code>), la taille m\u00e9trique du point (SIZE=<\/code>) et sa teinte colorim\u00e9trique (COLOR=<\/code>).<\/p>\n

Consid\u00e9rons l’impl\u00e9mentation suivante, con\u00e7ue pour densifier l’impact visuel des observations :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds \/
\n        MARKERATTRS=(SYMBOL=CircleFilled SIZE=11px COLOR=DarkBlue);
\nRUN;<\/code><\/p>\n

Dans cet extrait de code, la primitive SYMBOL=CircleFilled<\/code> substitue un disque plein au contour \u00e9vid\u00e9 initial, garantissant une empreinte optique plus dense. L’argument SIZE=11px<\/code> \u00e9talonne pr\u00e9cis\u00e9ment le diam\u00e8tre du marqueur sur onze pixels, \u00e9vitant ainsi que les points ne se noient dans l’arri\u00e8re-plan maill\u00e9. Enfin, la s\u00e9lection chromatique COLOR=DarkBlue<\/code> remplace la nuance pastel par un bleu profond \u00e0 haut contraste, conforme aux exigences de lisibilit\u00e9 visuelle pr\u00e9conis\u00e9es par la s\u00e9miologie graphique contemporaine.<\/p>\n

4.2 Gestion de la transparence pour contrer le chevauchement<\/h3>\n

L’un des d\u00e9fis majeurs inh\u00e9rents \u00e0 la repr\u00e9sentation des donn\u00e9es quantitatives volumineuses ou \u00e0 forte densit\u00e9 r\u00e9side dans le ph\u00e9nom\u00e8ne de surrepr\u00e9sentation visuelle, plus commun\u00e9ment d\u00e9sign\u00e9 sous le terme anglo-saxon d’overplotting<\/em>. Lorsque plusieurs observations partagent des coordonn\u00e9es identiques ou extr\u00eamement proches, leurs marqueurs g\u00e9om\u00e9triques respectifs se superposent exactement au m\u00eame emplacement cart\u00e9sien. Dans une repr\u00e9sentation totalement opaque, l’observateur est incapable de d\u00e9terminer visuellement si un point isol\u00e9 traduit une occurrence unitaire ou la condensation de plusieurs dizaines d’individus statistiques distincts, ce qui biaise gravement l’appr\u00e9ciation intuitive de la masse de probabilit\u00e9 conjointe.<\/p>\n

Pour neutraliser ce biais perceptif sans recourir \u00e0 des algorithmes de d\u00e9calage al\u00e9atoire (dits de jittering<\/em>) qui alt\u00e8rent la pr\u00e9cision g\u00e9om\u00e9trique des coordonn\u00e9es r\u00e9elles, PROC SGPLOT<\/code> propose l’option de canal alpha TRANSPARENCY=<\/code>. Cette option re\u00e7oit un coefficient flottant compris strictement entre 0 (opacit\u00e9 int\u00e9grale, valeur par d\u00e9faut) et 1 (transparence totale, rendant les marqueurs totalement invisibles). En param\u00e9trant une valeur interm\u00e9diaire, par exemple TRANSPARENCY=0.4<\/code> ou 0.6<\/code>, chaque marqueur transmet une fraction de la luminance du plan sous-jacent.<\/p>\n

Lorsque deux ou plusieurs marqueurs semi-transparents se superposent sur le canevas, leurs densit\u00e9s chromatiques respectives se cumulent selon les r\u00e8gles de la synth\u00e8se soustractive des couleurs. Il en r\u00e9sulte un assombrissement spontan\u00e9 et proportionnel des zones g\u00e9ographiques du nuage concentrant une forte densit\u00e9 de points. Cette technique offre au statisticien un m\u00e9canisme passif extr\u00eamement \u00e9l\u00e9gant pour visualiser instantan\u00e9ment la topologie des modes bivari\u00e9s au sein de son \u00e9chantillon d’\u00e9tude.<\/p>\n

4.3 Ajout d’\u00e9tiquettes individuelles sur les points<\/h3>\n

Dans certaines configurations exp\u00e9rimentales impliquant des cohortes restreintes, des \u00e9tudes de cas cliniques ou des analyses d’unit\u00e9s macro\u00e9conomiques (telles que des \u00c9tats souverains ou des conglom\u00e9rats industriels), il est capital de pr\u00e9server l’identit\u00e9 univoque de chaque point d’observation directement sur le trac\u00e9 graphique. L’instruction SCATTER<\/code> r\u00e9pond \u00e0 cette exigence par l’interm\u00e9diaire de l’option DATALABEL=<\/code>.<\/p>\n

Cette option re\u00e7oit en param\u00e8tre le nom de la variable dont le contenu textuel doit \u00eatre projet\u00e9 \u00e0 proximit\u00e9 imm\u00e9diate de chaque marqueur. Dans le cadre de notre table basketball_data<\/code>, il est possible d’annoter chaque point par son appartenance \u00e0 l’\u00e9quipe via DATALABEL=team<\/code>, ou d’exploiter une colonne d’indexation pour r\u00e9f\u00e9rencer le num\u00e9ro chronologique de la rencontre observ\u00e9e. De concert avec DATALABEL<\/code>, l’option DATALABELATTRS=<\/code> permet de formater avec une grande rigueur la police, la graisse, la taille en points typographiques et la couleur du libell\u00e9 pour \u00e9viter toute agression visuelle.<\/p>\n

Il importe toutefois de manier l’annotation textuelle avec une extr\u00eame mod\u00e9ration ergonomique. D\u00e8s lors que l’\u00e9chantillon exc\u00e8de quelques dizaines d’unit\u00e9s, la prolif\u00e9ration des \u00e9tiquettes engendre in\u00e9luctablement des collisions de texte et un encombrement typographique pr\u00e9judiciable \u00e0 la clart\u00e9 d’ensemble. Si SAS int\u00e8gre des routines internes de d\u00e9placement automatique des \u00e9tiquettes pour limiter les superpositions de texte, la surcharge cognitive guette d\u00e8s que la densit\u00e9 des observations cro\u00eet au-del\u00e0 d’un seuil critique.<\/p>\n

5. Structuration formelle : titres, sous-titres et notes documentaires<\/h2>\n

5.1 Insertion et hi\u00e9rarchisation des titres avec TITLE<\/h3>\n

Un graphique statistique d\u00e9pourvu d’une armature documentaire rigoureuse s’expose \u00e0 de multiples contresens interpr\u00e9tatifs. La transmission claire d’un message analytique exige une hi\u00e9rarchisation textuelle explicite, mat\u00e9rialis\u00e9e par des \u00e9nonc\u00e9s de titrage sans \u00e9quivoque. Dans l’environnement de programmation SAS, la gestion des en-t\u00eates graphiques s’op\u00e8re par l’interm\u00e9diaire de d\u00e9clarations globales TITLE<\/code>, lesquelles viennent chapeauter les sorties g\u00e9n\u00e9r\u00e9es par la proc\u00e9dure graphique sous-jacente.<\/p>\n

Le syst\u00e8me SAS offre la possibilit\u00e9 de superposer jusqu’\u00e0 dix niveaux de titres hi\u00e9rarchis\u00e9s num\u00e9rot\u00e9s de TITLE1<\/code> \u00e0 TITLE10<\/code>. L’instruction TITLE1<\/code> formule conventionnellement la probl\u00e9matique de recherche ou l’objet analytique central de la figure, tandis que l’instruction TITLE2<\/code> affine le contexte empirique en pr\u00e9cisant la sous-population examin\u00e9e, la p\u00e9riode temporelle couverte ou les restrictions d’\u00e9chantillonnage appliqu\u00e9es. Une attention m\u00e9thodologique scrupuleuse doit \u00eatre port\u00e9e \u00e0 la r\u00e9initialisation de ces instructions : une instruction TITLE;<\/code> vierge soumise sans argument a pour effet d’effacer imm\u00e9diatement tous les titres pr\u00e9c\u00e9demment d\u00e9finis, emp\u00eachant ainsi la propagation inopportune de libell\u00e9s contextuels obsol\u00e8tes sur les proc\u00e9dures subs\u00e9quentes de la cha\u00eene de traitement.<\/p>\n

La formulation suivante illustre la mise en \u0153uvre d’un titrage hi\u00e9rarchique adapt\u00e9 \u00e0 notre \u00e9tude empirique :<\/p>\n

TITLE1 \"Analyse Bivari\u00e9e de la Performance Sportive\";
\nTITLE2 \"Corr\u00e9lation entre Volume de Points et Rendement aux Rebonds\";
\nPROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds \/
\n        MARKERATTRS=(SYMBOL=DiamondFilled SIZE=9px COLOR=Crimson);
\nRUN;
\nTITLE;<\/code><\/p>\n

Ce bloc garantit que l’artefact graphique produit arbore un en-t\u00eate parfaitement explicite, guidant instantan\u00e9ment la cognition du lecteur avant m\u00eame qu’il n’aborde l’analyse g\u00e9om\u00e9trique du plan cart\u00e9sien.<\/p>\n

5.2 Documentation m\u00e9thodologique \u00e0 l’aide de FOOTNOTE<\/h3>\n

Compl\u00e9ment indissociable du titrage sup\u00e9rieur, la documentation inf\u00e9rieure assure la tra\u00e7abilit\u00e9 scientifique et la reproductibilit\u00e9 institutionnelle des r\u00e9sultats pr\u00e9sent\u00e9s. L’instruction globale FOOTNOTE<\/code> (d\u00e9clinable de FOOTNOTE1<\/code> \u00e0 FOOTNOTE10<\/code>) permet d’ancrer au pied de la figure l’ensemble des m\u00e9tadonn\u00e9es indispensables \u00e0 l’\u00e9valuation critique de l’analyse bivari\u00e9e. Cela englobe la source primaire des donn\u00e9es, la volum\u00e9trie totale de l’\u00e9chantillon analys\u00e9 (le traditionnel N<\/em> m\u00e9thodologique), les r\u00e8gles de gestion des \u00e9ventuelles valeurs manquantes ou encore la mention des conventions statistiques appliqu\u00e9es.<\/p>\n

Dans un contexte de publication conforme aux exigences \u00e9ditoriales acad\u00e9miques, les bas de page graphiques accueillent \u00e9galement les seuils d’inf\u00e9rence critique, les pr\u00e9cisions d’unit\u00e9s de mesure physiques non explicites sur les axes cart\u00e9siens, ou les avertissements relatifs aux transformations logarithmiques pr\u00e9alables. \u00c0 l’instar des titres, l’\u00e9mission d’une commande FOOTNOTE;<\/code> isol\u00e9e sans assignation textuelle purge l’environnement d’ex\u00e9cution des d\u00e9clarations ant\u00e9rieures, \u00e9vitant ainsi toute pollution crois\u00e9e entre diff\u00e9rents blocs analytiques d’un m\u00eame rapport de recherche.<\/p>\n

L’int\u00e9gration harmonieuse d’une note de bas de page s’illustre comme suit :<\/p>\n

FOOTNOTE1 J=L \"Source : Ligue Professionnelle, Saison R\u00e9guli\u00e8re (N = 16).\";
\nFOOTNOTE2 J=L \"Note : Donn\u00e9es agr\u00e9g\u00e9es par match pour les formations A et B.\";
\nPROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds;
\nRUN;
\nFOOTNOTE;<\/code><\/p>\n

L’argument syntaxique J=L<\/code> (pour Justify Left<\/em>) force l’alignement typographique \u00e0 gauche sur la marge du graphique, respectant ainsi scrupuleusement les canons de mise en page pr\u00e9conis\u00e9s par les manuels de style statistique internationaux.<\/p>\n

5.3 Uniformisation typographique et mise en page<\/h3>\n

L’excellence d’un graphique scientifique se mesure \u00e9galement \u00e0 son uniformit\u00e9 stylistique globale. Une figure pr\u00e9sentant une cacophonie de polices de caract\u00e8res, des graisses incoh\u00e9rentes ou des contrastes mal dos\u00e9s entre les titres, les axes et les \u00e9tiquettes nuit gravement \u00e0 la cr\u00e9dibilit\u00e9 institutionnelle du travail pr\u00e9sent\u00e9. SAS permet d’harmoniser l’ensemble de ces composantes textuelles en assignant des attributs typographiques unifi\u00e9s au sein m\u00eame des instructions proc\u00e9durales ou via la configuration des feuilles de style ODS sous-jacentes.<\/p>\n

Au sein des instructions de titrage et d’annotation, des modificateurs inline permettent de contraindre la famille de police (comme l’ind\u00e9modable Arial<\/em>, Helvetica<\/em> ou Times New Roman<\/em>), la taille exprim\u00e9e en points (HEIGHT=12pt<\/code>), ainsi que la graisse typographique (BOLD<\/code>, ITALIC<\/code>). Cette rigueur formelle permet de pr\u00e9server l’alignement du graphique avec la charte graphique de la publication ou du consortium de recherche au sein duquel s’ins\u00e8re le document final.<\/p>\n

La rationalisation de la mise en page passe \u00e9galement par le contr\u00f4le de l’espacement vertical et p\u00e9riph\u00e9rique. En r\u00e9duisant les marges mortes et en calibrant rigoureusement la taille des polices de mani\u00e8re proportionnelle \u00e0 l’emprise physique de l’image (d\u00e9finie dans les options d’exportation ODS), le chercheur s’assure que son nuage de points conservera une lisibilit\u00e9 parfaite tant lors de sa projection sur un \u00e9cran de conf\u00e9rence que lors de son impression sur une colonne \u00e9troite d’un p\u00e9riodique imprim\u00e9.<\/p>\n

6. Configuration avanc\u00e9e des axes cart\u00e9siens (XAXIS et YAXIS)<\/h2>\n

6.1 Personnalisation des libell\u00e9s et des unit\u00e9s de mesure<\/h3>\n

L’un des \u00e9cueils les plus r\u00e9currents dans la production graphique consiste \u00e0 abandonner par d\u00e9faut les noms informatiques des variables sur les axes cart\u00e9siens. Des cha\u00eenes abr\u00e9g\u00e9es, condens\u00e9es ou \u00e9crites en majuscules (telles que PTS_TOT<\/code> ou REB_DEF<\/code>) trahissent un travail inachev\u00e9 et obligent le lecteur \u00e0 un effort de d\u00e9codage cognitif superflu. La proc\u00e9dure PROC SGPLOT<\/code> offre \u00e0 cet \u00e9gard deux instructions de contr\u00f4le d\u00e9di\u00e9es d’une richesse remarquable : XAXIS<\/code> pour l’axe horizontal et YAXIS<\/code> pour l’axe vertical.<\/p>\n

L’option LABEL=<\/code>, d\u00e9clar\u00e9e au sein de ces instructions axiales, permet de substituer instantan\u00e9ment une formulation formelle, exhaustive et \u00e9l\u00e9gante aux identifiants bruts des colonnes. Il est imp\u00e9ratif d’int\u00e9grer syst\u00e9matiquement au sein de cette \u00e9tiquette l’unit\u00e9 de mesure exacte entre parenth\u00e8ses, formalisant sans \u00e9quivoque la grandeur physique ou \u00e9conomique repr\u00e9sent\u00e9e. Parall\u00e8lement, l’option LABELATTRS=<\/code> autorise la sp\u00e9cification fine des param\u00e8tres typographiques de l’\u00e9tiquette (taille, police, couleur), assurant ainsi une hi\u00e9rarchisation visuelle limpide entre le libell\u00e9 de l’axe et les valeurs des graduations num\u00e9riques qui le ponctuent.<\/p>\n

L’impl\u00e9mentation op\u00e9rationnelle de ces raffinements s’articule comme suit :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds \/
\n        MARKERATTRS=(SYMBOL=CircleFilled SIZE=9px COLOR=SteelBlue);
\n    XAXIS LABEL=\"Volume Offensif (Points Marqu\u00e9s)\"
\n          LABELATTRS=(FAMILY=\"Arial\" SIZE=10pt WEIGHT=BOLD);
\n    YAXIS LABEL=\"Efficacit\u00e9 D\u00e9fensive (Nombre Total de Rebonds)\"
\n          LABELATTRS=(FAMILY=\"Arial\" SIZE=10pt WEIGHT=BOLD);
\nRUN;<\/code><\/p>\n

Ce niveau de pr\u00e9cision textuelle \u00e9limine toute ambigu\u00eft\u00e9 s\u00e9mantique et conf\u00e8re \u00e0 la figure une autonomie interpr\u00e9tative totale, condition sine qua non de son inclusion au sein d’un article \u00e9valu\u00e9 par les pairs.<\/p>\n

\"\"<\/figure>\n

6.2 Gestion des \u00e9chelles, des limites et des pas d’incr\u00e9mentation<\/h3>\n

L’\u00e9talonnage math\u00e9matique des axes constitue un enjeu analytique majeur. Bien que les routines d’ajustement automatique de SAS soient g\u00e9n\u00e9ralement fiables, certaines configurations exigent une standardisation manuelle rigoureuse des bornes cart\u00e9siennes. C’est particuli\u00e8rement le cas lorsque l’on souhaite comparer plusieurs graphiques juxtapos\u00e9s ou garantir que l’emprise visuelle couvre l’int\u00e9gralit\u00e9 du champ th\u00e9orique de variation d’un ph\u00e9nom\u00e8ne.<\/p>\n

L’option VALUES=<\/code>, int\u00e9grable indiff\u00e9remment dans les d\u00e9clarations XAXIS<\/code> et YAXIS<\/code>, permet de d\u00e9finir explicitement la s\u00e9quence exacte des graduations majeures qui structureront l’axe cart\u00e9sien. La syntaxe accepte la notation s\u00e9quentielle condens\u00e9e de SAS, prenant la forme borne_inferieure TO borne_superieure BY pas_incrementation<\/code>. Par ailleurs, les options compl\u00e9mentaires MIN=<\/code> et MAX=<\/code> permettent de borner l’axe sans n\u00e9cessairement forcer l’affichage de chaque graduation interm\u00e9diaire.<\/p>\n

Examinons ce calibrage millim\u00e9tr\u00e9 \u00e0 travers la syntaxe suivante :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds \/
\n        MARKERATTRS=(SYMBOL=CircleFilled SIZE=9px COLOR=Navy);
\n    XAXIS VALUES=(5 TO 35 BY 5) GRID;
\n    YAXIS VALUES=(0 TO 20 BY 2) GRID;
\nRUN;<\/code><\/p>\n

Dans cet exemple, l’adjonction de l’option logique GRID<\/code> commande le tra\u00e7age discret d’un quadrillage orthogonal en arri\u00e8re-plan, synchronis\u00e9 avec les pas majeurs sp\u00e9cifi\u00e9s. Ce maillage subtil facilite la projection visuelle des points vers leurs rep\u00e8res num\u00e9riques respectifs, r\u00e9duisant substantiellement la charge cognitive requise pour extraire la valeur quantitative pr\u00e9cise d’une observation sp\u00e9cifique.<\/p>\n

6.3 Ajout de lignes de r\u00e9f\u00e9rence avec l’instruction REFLINE<\/h3>\n

L’analyse bivari\u00e9e gagne consid\u00e9rablement en profondeur lorsqu’elle confronte la distribution empirique des donn\u00e9es \u00e0 des rep\u00e8res statistiques cardinaux, tels que la moyenne arithm\u00e9tique de l’\u00e9chantillon, la m\u00e9diane robuste ou un seuil d’intervention r\u00e9glementaire pr\u00e9d\u00e9fini. L’instruction compl\u00e9mentaire REFLINE<\/code> permet de projeter ces lignes d’\u00e9talonnage avec une flexibilit\u00e9 totale directement sur le plan de dispersion de PROC SGPLOT<\/code>.<\/p>\n

L’instruction REFLINE<\/code> peut \u00eatre orient\u00e9e indiff\u00e9remment sur l’axe horizontal ou vertical via son premier argument num\u00e9rique ou vectoriel, compl\u00e9t\u00e9 par l’option d’assignation axiale \/ AXIS=X<\/code> ou \/ AXIS=Y<\/code>. Il est \u00e9galement possible de personnaliser int\u00e9gralement le style de trac\u00e9 de ces droites afin de ne pas saturer le plan graphique : l’option LINEATTRS=<\/code> autorise le choix de motifs en pointill\u00e9s ou tiret\u00e9s (PATTERN=ShortDash<\/code>), d’une \u00e9paisseur all\u00e9g\u00e9e (THICKNESS=1px<\/code>) et de nuances chromatiques att\u00e9nu\u00e9es.<\/p>\n

Illustrons cette contextualisation statistique par l’int\u00e9gration des valeurs moyennes de notre \u00e9chantillon :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds \/
\n        MARKERATTRS=(SYMBOL=CircleFilled SIZE=9px COLOR=MidnightBlue);
\n    REFLINE 21.0 \/ AXIS=X LINEATTRS=(PATTERN=Dash COLOR=DarkGray THICKNESS=1px)
\n                  LABEL=\"Moyenne Points (21.0)\" LABELPOS=TOP;
\n    REFLINE 11.75 \/ AXIS=Y LINEATTRS=(PATTERN=Dash COLOR=DarkGray THICKNESS=1px)
\n                   LABEL=\"Moyenne Rebonds (11.75)\" LABELPOS=RIGHT;
\n    XAXIS GRID;
\n    YAXIS GRID;
\nRUN;<\/code><\/p>\n

Cette double ligne de r\u00e9f\u00e9rence partitionne imm\u00e9diatement le plan cart\u00e9sien en quatre quadrants distincts, permettant de classer visuellement chaque \u00e9quipe selon qu’elle surperforme ou sous-performe la moyenne g\u00e9n\u00e9rale du collectif simultan\u00e9ment sur les deux dimensions strat\u00e9giques \u00e9valu\u00e9es.<\/p>\n

7. M\u00e9thode 2 : Nuage de points stratifi\u00e9 par groupe<\/h2>\n

7.1 Mise en \u0153uvre de l’option GROUP<\/h3>\n

L’un des apports majeurs de l’analyse bivari\u00e9e moderne r\u00e9side dans sa capacit\u00e9 \u00e0 int\u00e9grer une troisi\u00e8me dimension d’information de nature cat\u00e9gorielle au sein d’une projection cart\u00e9sienne plane \u00e0 deux dimensions continues. Ce partitionnement, ou stratification, permet d’\u00e9viter l’\u00e9cueil classique de l’agr\u00e9gation aveugle des donn\u00e9es, o\u00f9 des dynamiques de sous-groupes oppos\u00e9es s’annulent mutuellement lorsqu’elles sont amalgam\u00e9es au sein d’un nuage de points unique. Dans PROC SGPLOT<\/code>, cette fonctionnalit\u00e9 est accessible de mani\u00e8re directe via l’option structurelle GROUP=<\/code>.<\/p>\n

L’activation de l’option GROUP=nom_variable_categorielle<\/code> au sein de l’instruction SCATTER<\/code> enclenche un traitement algorithmique diff\u00e9renci\u00e9. SAS segmente le flux d’observations selon les modalit\u00e9s uniques de la variable nominale d\u00e9sign\u00e9e (dans notre cas d’esp\u00e8ce, la variable team<\/code>, comportant les modalit\u00e9s exclusives A<\/code> et B<\/code>). De mani\u00e8re totalement autonome, le syst\u00e8me assigne \u00e0 chaque strate un vecteur d’attributs graphiques exclusif combinant une teinte colorim\u00e9trique singuli\u00e8re et un symbole morphologique distinct, tout en g\u00e9n\u00e9rant automatiquement une l\u00e9gende explicative sur le bord du canevas.<\/p>\n

La mise en \u0153uvre canonique de ce partitionnement se mat\u00e9rialise comme suit :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds \/ GROUP=team;
\n    XAXIS LABEL=\"Points Inscrits\" GRID;
\n    YAXIS LABEL=\"Rebonds Capt\u00e9s\" GRID;
\nRUN;<\/code><\/p>\n

En une seule instruction d\u00e9clarative, la figure passe d’un nuage indiff\u00e9renci\u00e9 \u00e0 une repr\u00e9sentation stratifi\u00e9e haute r\u00e9solution, rendant visible la structure interne de l’\u00e9chantillon sans requ\u00e9rir d’\u00e9tapes de programmation pr\u00e9paratoires lourdes ou de d\u00e9coupages artificiels de la table m\u00e8re.<\/p>\n

7.2 Interpr\u00e9tation des divergences intergroupes<\/h3>\n

L’analyse visuelle du graphique stratifi\u00e9 produit par ce code r\u00e9v\u00e8le des enseignements substantiels qu’un nuage unifi\u00e9 masquait totalement. Bien que les deux formations sportives affichent une dynamique interne ascendante positive (la corr\u00e9lation positive entre points et rebonds se v\u00e9rifiant au sein de chacune des deux \u00e9quipes), la trajectoire de l’\u00e9quipe A se positionne syst\u00e9matiquement au-dessus de celle de l’\u00e9quipe B sur la quasi-totalit\u00e9 de l’\u00e9tendue des abscisses.<\/p>\n

Cette s\u00e9paration spatiale nette met en \u00e9vidence ce que l’\u00e9conom\u00e9trie et l’\u00e9pid\u00e9miologie mod\u00e9lisent sous la forme d’un effet de mod\u00e9ration cat\u00e9gorielle ou d’un d\u00e9calage d’ordonn\u00e9e \u00e0 l’origine (effet niveau). Pour un m\u00eame volume offensif donn\u00e9 \u2014 par exemple autour de 20 \u00e0 25 points marqu\u00e9s \u2014, l’\u00e9quipe A maintient une production de rebonds significativement sup\u00e9rieure \u00e0 celle de l’\u00e9quipe B d’environ 3 \u00e0 5 prises par rencontre. Cette divergence met en \u00e9vidence une efficacit\u00e9 sous les panneaux structurellement sup\u00e9rieure pour l’\u00e9quipe A, ind\u00e9pendamment de son rendement offensif imm\u00e9diat.<\/p>\n

Sur le plan m\u00e9thodologique, cette stratification visuelle pr\u00e9serve le chercheur du risque majeur d’\u00e9cologie trompeuse ou de r\u00e9gression fallacieuse : elle prouve sans ambigu\u00eft\u00e9 que l’association observ\u00e9e n’est pas le simple produit d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 d’\u00e9chantillonnage dissimul\u00e9e, mais qu’elle op\u00e8re de mani\u00e8re diff\u00e9rentielle au sein de chaque strate sous-jacente.<\/p>\n

7.3 Personnalisation des styles de groupes avec STYLEATTRS<\/h3>\n

Si la gestion automatis\u00e9e des couleurs par l’option GROUP=<\/code> s’av\u00e8re remarquable d’efficacit\u00e9 pour des explorations it\u00e9ratives rapides, elle pr\u00e9sente l’inconv\u00e9nient d’assujettir le rendu aux conventions arbitraires de la feuille de style active de SAS. Or, dans le cadre d’un rapport corporate ou d’une soumission \u00e0 une revue acad\u00e9mique internationale, le chercheur doit se conformer \u00e0 des directives chromatiques strictes, incluant la compatibilit\u00e9 avec l’impression en niveaux de gris et l’accessibilit\u00e9 pour les personnes affect\u00e9es de dyschromatopsies (comme le daltonisme).<\/p>\n

L’instruction STYLEATTRS<\/code> comble ce besoin en permettant de surcharger explicitement les palettes par d\u00e9faut de la proc\u00e9dure graphique sans avoir \u00e0 red\u00e9finir un mod\u00e8le de style ODS global par PROC TEMPLATE<\/code>. Plac\u00e9e en amont des instructions de tra\u00e7age au sein de PROC SGPLOT<\/code>, elle permet de d\u00e9clarer des listes ordonn\u00e9es de teintes via l’option DATACOLORS=<\/code>, ainsi que des s\u00e9ries ordonn\u00e9es de symboles g\u00e9om\u00e9triques via l’option DATASYMBOLS=<\/code>.<\/p>\n

L’exemple suivant d\u00e9montre l’application d’une palette contrast\u00e9e accessible et de symboles diff\u00e9renci\u00e9s :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    STYLEATTRS DATACOLORS=(SteelBlue Firebrick)
\n               DATASYMBOLS=(CircleFilled TriangleFilled);
\n    SCATTER X=points Y=rebounds \/ GROUP=team MARKERATTRS=(SIZE=10px);
\n    XAXIS GRID;
\n    YAXIS GRID;
\nRUN;<\/code><\/p>\n

Dans ce sc\u00e9nario rigoureusement param\u00e9tr\u00e9, la premi\u00e8re modalit\u00e9 de la variable team<\/code> (l’\u00e9quipe A) se verra syst\u00e9matiquement assigner la teinte SteelBlue<\/code> coupl\u00e9e au symbole g\u00e9om\u00e9trique d’un disque plein, tandis que la seconde modalit\u00e9 (l’\u00e9quipe B) sera mat\u00e9rialis\u00e9e par la couleur Firebrick<\/code> et la forme d’un triangle plein. Cette double redondance s\u00e9miotique (couleur plus forme) garantit une lisibilit\u00e9 parfaite m\u00eame en cas de reproduction monochrome sur papier journal ou de d\u00e9gradation de la restitution chromatique.<\/p>\n

8. Gestion et personnalisation experte de la l\u00e9gende<\/h2>\n

8.1 Positionnement strat\u00e9gique avec KEYLEGEND<\/h3>\n

L’introduction d’un partitionnement par groupe dans un nuage de points d\u00e9clenche la g\u00e9n\u00e9ration syst\u00e9matique d’une l\u00e9gende explicative, localis\u00e9e par d\u00e9faut au bas du canevas de tra\u00e7age. Si cet agencement est fonctionnel, il a pour inconv\u00e9nient de comprimer la dimension verticale du plan cart\u00e9sien. L’instruction KEYLEGEND<\/code> offre une latitude de configuration exhaustive pour orchestrer le positionnement spatial et la g\u00e9om\u00e9trie interne de cette composante informative essentielle.<\/p>\n

L’option POSITION=<\/code> permet de migrer la l\u00e9gende vers n’importe quelle coordonn\u00e9e cardinale p\u00e9riph\u00e9rique : TOP<\/code> (en haut), BOTTOM<\/code> (en bas), LEFT<\/code> (\u00e0 gauche) ou RIGHT<\/code> (\u00e0 droite). Plus remarquable encore pour optimiser la compacit\u00e9 visuelle, il est possible d’ins\u00e9rer la l\u00e9gende \u00e0 l’int\u00e9rieur m\u00eame du plan de tra\u00e7age gr\u00e2ce \u00e0 des localisations combin\u00e9es telles que TOPLEFT<\/code> (coin sup\u00e9rieur gauche) ou BOTTOMRIGHT<\/code> (coin inf\u00e9rieur droit), \u00e0 condition que la zone choisie ne contienne pas de points de donn\u00e9es actifs. L’option LOCATION=INSIDE<\/code> formalise cette int\u00e9gration endog\u00e8ne.<\/p>\n

La structure syntaxique suivante illustre cette optimisation spatiale :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    SCATTER X=points Y=rebounds \/ GROUP=team MARKERATTRS=(SIZE=9px);
\n    KEYLEGEND \/ POSITION=TOPLEFT LOCATION=INSIDE ACROSS=1 NOBORDER;
\n    XAXIS GRID;
\n    YAXIS GRID;
\nRUN;<\/code><\/p>\n

L’adjonction de l’argument ACROSS=1<\/code> force l’empilement vertical des \u00e9l\u00e9ments de la l\u00e9gende sur une seule colonne, tandis que l’option NOBORDER<\/code> supprime le cadre d’encadrement rectangulaire par d\u00e9faut, \u00e9liminant ainsi toute lourdeur visuelle superflue au profit d’un minimalisme graphique de haute tenue.<\/p>\n

8.2 \u00c9dition du titre et des libell\u00e9s de la l\u00e9gende<\/h3>\n

Un d\u00e9faut fr\u00e9quemment constat\u00e9 dans les productions graphiques interm\u00e9diaires r\u00e9side dans la reproduction m\u00e9canique du nom technique de la variable de groupe en en-t\u00eate de la l\u00e9gende. Dans notre configuration, la l\u00e9gende porterait par d\u00e9faut le simple intitul\u00e9 team<\/code>. Pour garantir une restitution formelle irr\u00e9prochable, l’instruction KEYLEGEND<\/code> permet de reconfigurer ou de neutraliser int\u00e9gralement cet en-t\u00eate textuel.<\/p>\n

L’option TITLE=<\/code> re\u00e7oit une cha\u00eene de caract\u00e8res textuelle formalis\u00e9e entre guillemets doubles, autorisant par exemple la substitution par TITLE=\"Collectif Sportif :\"<\/code>. Alternativement, lorsque la nature des modalit\u00e9s pr\u00e9sent\u00e9es au sein de la l\u00e9gende est totalement univoque et ne laisse place \u00e0 aucune ambigu\u00eft\u00e9 s\u00e9mantique, il est m\u00e9thodologiquement recommand\u00e9 d’\u00e9liminer totalement le titre de la l\u00e9gende pour all\u00e9ger la composition globale. Cette purge s’effectue simplement en d\u00e9clarant une cha\u00eene vide via TITLE=\"\"<\/code>.<\/p>\n

Parall\u00e8lement, les attributs typographiques des descripteurs de modalit\u00e9s peuvent \u00eatre modul\u00e9s \u00e0 volont\u00e9 via l’option VALUEATTRS=(FAMILY=\"Arial\" SIZE=9pt)<\/code>. Ces ajustements garantissent que les \u00e9tiquettes de l\u00e9gende s’int\u00e8grent organiquement \u00e0 la trame g\u00e9n\u00e9rale du document final sans entrer en concurrence visuelle avec les axes ou les points de donn\u00e9es.<\/p>\n

8.3 D\u00e9sactivation conditionnelle de la l\u00e9gende<\/h3>\n

Dans certaines architectures de mise en page sp\u00e9cialis\u00e9es, la pr\u00e9sence m\u00eame de la l\u00e9gende s’av\u00e8re redondante, voire pr\u00e9judiciable \u00e0 la clart\u00e9 informative globale. C’est particuli\u00e8rement manifeste lorsque les groupes sont d\u00e9j\u00e0 explicitement document\u00e9s au moyen d’annotations directes superpos\u00e9es sur le nuage de points via l’instruction TEXT<\/code>, ou lorsque le graphique fait partie d’une s\u00e9quence de planches comparatives o\u00f9 les codes chromatiques et g\u00e9om\u00e9triques ont d\u00e9j\u00e0 \u00e9t\u00e9 formalis\u00e9s en amont dans le corps du texte m\u00e9thodologique.<\/p>\n

Pour neutraliser l’\u00e9mission spontan\u00e9e de la l\u00e9gende sous SAS sans alt\u00e9rer la segmentation par groupe op\u00e9r\u00e9e au sein de l’instruction SCATTER<\/code>, il suffit d’ins\u00e9rer au sein du bloc proc\u00e9dural la commande d’extinction directe :<\/p>\n

KEYLEGEND \/ NOAUTOLEGEND;<\/code><\/p>\n

Alternativement, l’option globale NOAUTOLEGEND<\/code> peut \u00eatre invoqu\u00e9e directement au niveau de la d\u00e9claration d’ouverture proc\u00e9durale :<\/p>\n

PROC SGPLOT DATA=basketball_data NOAUTOLEGEND;<\/code><\/p>\n

Cette disposition syntaxique \u00e9carte radicalement la bo\u00eete de l\u00e9gende de l’espace de rendu. La totalit\u00e9 de la surface g\u00e9om\u00e9trique allou\u00e9e au conteneur ODS Graphics est alors d\u00e9volue au plan de tra\u00e7age cart\u00e9sien, maximisant la r\u00e9solution spatiale des observations et offrant une amplitude de lecture optimale pour les nuages denses.<\/p>\n

9. Superposition de mod\u00e8les statistiques et courbes de tendance<\/h2>\n

9.1 Int\u00e9gration d’une droite de r\u00e9gression lin\u00e9aire avec REG<\/h3>\n

L’exploration empirique par nuage de points atteint son plein potentiel heuristique lorsqu’elle est coupl\u00e9e \u00e0 la projection d’un mod\u00e8le math\u00e9matique traduisant la tendance centrale de l’association observ\u00e9e. Au lieu de contraindre l’analyste \u00e0 ex\u00e9cuter une proc\u00e9dure d’estimation s\u00e9par\u00e9e (telle que PROC REG<\/code>) pour ensuite en r\u00e9injecter laborieusement les coefficients dans un graphique, PROC SGPLOT<\/code> propose une int\u00e9gration directe remarquable via l’instruction REG<\/code>.<\/p>\n

L’instruction REG X=points Y=rebounds<\/code> calcule en temps r\u00e9el, \u00e0 l’int\u00e9rieur m\u00eame du moteur de rendu, les estimateurs des moindres carr\u00e9s ordinaires de l’ordonn\u00e9e \u00e0 l’origine (b\u00eata z\u00e9ro) et de la pente (b\u00eata un) du mod\u00e8le de r\u00e9gression univari\u00e9 classique. Elle projette instantan\u00e9ment la droite d’ajustement lin\u00e9aire r\u00e9sultante au travers du nuage d’observations. L’instruction permet en outre d’afficher le coefficient de d\u00e9termination sous-jacent (le R-carr\u00e9 empirique) directement sur le canevas sans intervention computationnelle externe.<\/p>\n

Voici la mise en \u0153uvre de cette superposition conjointe au sein d’une seule \u00e9tape proc\u00e9durale :<\/p>\n

PROC SGPLOT DATA=basketball_data;
\n    REG X=points Y=rebounds \/
\n        LINEATTRS=(COLOR=DarkRed THICKNESS=2px)
\n        MARKERATTRS=(SYMBOL=CircleFilled SIZE=8px COLOR=SteelBlue);
\n    XAXIS GRID LABEL=\"Volume Offensif (Points)\";
\n    YAXIS GRID LABEL=\"Rendement D\u00e9fensif (Rebonds)\";
\nRUN;<\/code><\/p>\n

Il est fondamental de noter que l’instruction REG<\/code> g\u00e9n\u00e8re nativement \u00e0 la fois le nuage de points r\u00e9sidents et la droite ajust\u00e9e. L’analyste peut ainsi omettre l’instruction SCATTER<\/code> d\u00e8s lors que REG<\/code> est d\u00e9clar\u00e9e avec les options de formatage des marqueurs appropri\u00e9es, simplifiant substantiellement la lisibilit\u00e9 de la s\u00e9quence de code.<\/p>\n

\"\"<\/figure>\n

9.2 Affichage des intervalles de confiance et de pr\u00e9diction<\/h3>\n

Une droite d’ajustement isol\u00e9e pr\u00e9sente le risque \u00e9pist\u00e9mologique de masquer l’incertitude d’\u00e9chantillonnage inh\u00e9rente \u00e0 toute inf\u00e9rence statistique. Pour pallier cette faiblesse, SAS autorise la quantification graphique imm\u00e9diate des marges d’erreur par la mod\u00e9lisation de bandes de confiance param\u00e9triques calibr\u00e9es selon la distribution de Student au seuil de signification bilat\u00e9ral alpha s\u00e9lectionn\u00e9 (conventionnellement 0.05 pour un intervalle \u00e0 95 %).<\/p>\n

Deux options compl\u00e9mentaires peuvent \u00eatre mobilis\u00e9es au sein de l’instruction REG<\/code> :<\/p>\n

    \n
  • L’option CLM<\/code> (Confidence Limits for Mean<\/em>) :<\/strong> Elle d\u00e9ploie une zone ombr\u00e9e de part et d’autre de la droite repr\u00e9sentant l’intervalle de confiance encadrant l’esp\u00e9rance math\u00e9matique conditionnelle de la variable r\u00e9ponse pour chaque valeur de la variable pr\u00e9dictive. Cette bande adopte une forme d’hyperbolo\u00efde \u00e9trangl\u00e9e, dont l’\u00e9paisseur minimale co\u00efncide avec le centre de gravit\u00e9 bivari\u00e9 de l’\u00e9chantillon.<\/li>\n
  • L’option CLI<\/code> (Confidence Limits for Individual Prediction<\/em>) :<\/strong> Elle mat\u00e9rialise des limites plus distantes encadrant la zone de probabilit\u00e9 au sein de laquelle une observation individuelle future issue de la m\u00eame population a 95 % de chances de se positionner, int\u00e9grant de fait \u00e0 la fois la variance de l’estimateur et la variance du terme d’erreur stochastique r\u00e9siduel.<\/li>\n<\/ul>\n

    L’activation de ces bandes d’incertitude critique s’impl\u00e9mente comme suit :<\/p>\n

    PROC SGPLOT DATA=basketball_data;
    \n    REG X=points Y=rebounds \/ CLM CLI
    \n        LINEATTRS=(COLOR=DarkGreen THICKNESS=2px)
    \n        CLMATTRS=(CLCOLOR=LightGreen TRANSPARENCY=0.5);
    \n    XAXIS GRID;
    \n    YAXIS GRID;
    \nRUN;<\/code><\/p>\n

    La pr\u00e9sence de ces zones d\u00e9limit\u00e9es offre une appr\u00e9ciation visuelle rigoureuse de la pr\u00e9cision de l’ajustement : plus l’\u00e9chantillon est restreint ou plus la dispersion r\u00e9siduelle est forte, plus la zone CLM<\/code> s’\u00e9vase, rappelant au lecteur que la tendance estim\u00e9e n’est pas un absolu d\u00e9terministe mais une trajectoire probabiliste assujettie aux fluctuations d’\u00e9chantillonnage.<\/p>\n

    9.3 Mod\u00e9lisation non param\u00e9trique avec LOESS et PBSPLINE<\/h3>\n

    L’hypoth\u00e8se d’une relation strictement lin\u00e9aire constitue bien souvent une simplification excessive du monde r\u00e9el. Lorsque la th\u00e9orie sous-jacente n’impose aucune contrainte fonctionnelle rigide ou lorsque le statisticien souhaite explorer la possibilit\u00e9 de concavit\u00e9s, de saturations ou de rendements marginaux d\u00e9croissants, les m\u00e9thodes d’ajustement non param\u00e9triques locales se r\u00e9v\u00e8lent incontournables.<\/p>\n

    SAS int\u00e8gre \u00e0 cet effet au sein de PROC SGPLOT<\/code> l’instruction LOESS<\/code> (pour Locally Estimated Scatterplot Smoothing<\/em>) et l’instruction PBSPLINE<\/code> (splines de p\u00e9nalisation). L’algorithme LOESS<\/code> proc\u00e8de par r\u00e9gression polynomiale pond\u00e9r\u00e9e locale : pour chaque point du plan, une r\u00e9gression est ajust\u00e9e en n’accordant du poids qu’aux observations situ\u00e9es dans un voisinage restreint, d\u00e9fini par un param\u00e8tre de lissage (le bandwidth<\/em> ou smoothing parameter<\/em>).<\/p>\n

    L’impl\u00e9mentation op\u00e9rationnelle d’une courbe de lissage LOESS s’ex\u00e9cute ainsi :<\/p>\n

    PROC SGPLOT DATA=basketball_data;
    \n    SCATTER X=points Y=rebounds \/ MARKERATTRS=(SIZE=8px);
    \n    LOESS X=points Y=rebounds \/
    \n        SMOOTH=0.6 CLM
    \n        LINEATTRS=(COLOR=DarkOrange THICKNESS=2px);
    \n    XAXIS GRID;
    \n    YAXIS GRID;
    \nRUN;<\/code><\/p>\n

    L’argument SMOOTH=0.6<\/code> calibre l’ampleur de la fen\u00eatre locale sur 60 % de l’effectif total. Un param\u00e8tre de lissage trop faible induit un surapprentissage manifeste (surajustement) o\u00f9 la courbe \u00e9pouse chaque soubresaut stochastique du jeu de donn\u00e9es, tandis qu’un param\u00e8tre trop \u00e9lev\u00e9 force la courbe \u00e0 converger vers une simple droite des moindres carr\u00e9s. Le bon r\u00e9glage permet de d\u00e9celer visuellement les v\u00e9ritables inflexions fonctionnelles qui \u00e9chapperaient \u00e0 une r\u00e9gression param\u00e9trique aveugle.<\/p>\n

    10. Extension multivari\u00e9e : exploration par matrices avec PROC SGSCATTER<\/h2>\n

    10.1 Fondements de l’analyse bivari\u00e9e g\u00e9n\u00e9ralis\u00e9e<\/h3>\n

    D\u00e8s lors que le champ d’investigation statistique s’\u00e9largit pour embrasser non plus deux, mais trois, quatre ou plusieurs dizaines de variables quantitatives interconnect\u00e9es, la g\u00e9n\u00e9ration s\u00e9quentielle de nuages de points unitaires via PROC SGPLOT<\/code> devient fastidieuse et inefficace. Dans les phases pr\u00e9liminaires de fouille de donn\u00e9es (data mining<\/em>) ou lors de l’inspection de matrices de covariance complexes, l’analyste a besoin d’une vue synoptique globale capable de r\u00e9v\u00e9ler en un coup d’\u0153il l’ensemble des interrelations bivari\u00e9es du syst\u00e8me.<\/p>\n

    Pour r\u00e9pondre \u00e0 cette probl\u00e9matique d’\u00e9chelle sans saturer les lignes de script, SAS propose la proc\u00e9dure sp\u00e9cialis\u00e9e PROC SGSCATTER<\/code>. Alors que SGPLOT<\/code> est con\u00e7ue pour optimiser le rendu micro-ajust\u00e9 d’un canevas unifi\u00e9, SGSCATTER<\/code> est architectur\u00e9e sp\u00e9cifiquement pour concevoir des matrices et des r\u00e9seaux orthogonaux de nuages de points interconnect\u00e9s, automatisant la synchronisation des \u00e9chelles axiales et la disposition sym\u00e9trique des projections multidimensionnelles.<\/p>\n

    Cette approche matricielle s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse pour identifier instantan\u00e9ment les probl\u00e8mes de multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re entre variables pr\u00e9dictives avant d’engager des r\u00e9gressions lin\u00e9aires multiples ou des mod\u00e9lisations par \u00e9quations structurelles.<\/p>\n

    10.2 Syntaxe de l’instruction MATRIX<\/h3>\n

    L’instruction reine au sein de PROC SGSCATTER<\/code> est l’instruction MATRIX<\/code>. Contrairement \u00e0 l’instruction SCATTER<\/code> qui impose la dissociation rigide entre un axe X<\/code> et un axe Y<\/code>, MATRIX<\/code> re\u00e7oit une simple \u00e9num\u00e9ration non ordonn\u00e9e de variables quantitatives continues. La proc\u00e9dure g\u00e9n\u00e8re alors une grille carr\u00e9e de dimension $P \\times P$<\/span>, o\u00f9 $P$<\/span> repr\u00e9sente le nombre de variables d\u00e9clar\u00e9es dans la commande.<\/p>\n

    La diagonale principale de cette matrice h\u00e9berge g\u00e9n\u00e9ralement le nom de chaque dimension ou, de mani\u00e8re beaucoup plus informative, des histogrammes univari\u00e9s ou des courbes d’estimation de densit\u00e9 par noyau (kernel density estimation<\/em>). Toutes les cases hors diagonale projettent les nuages de points crois\u00e9s respectifs, la case $(i, j)$<\/span> illustrant la relation entre la variable $i$<\/span> et la variable $j$<\/span>.<\/p>\n

    Consid\u00e9rons l’application de cette matrice \u00e0 une version \u00e9tendue de notre table sportive, int\u00e9grant par exemple une variable suppl\u00e9mentaire minutes<\/code> :<\/p>\n

    PROC SGSCATTER DATA=basketball_data;
    \n    MATRIX points rebounds \/
    \n        DIAGONAL=(HISTOGRAM KERNEL)
    \n        GROUP=team
    \n        MARKERATTRS=(SIZE=7px);
    \nRUN;<\/code><\/p>\n

    L’option DIAGONAL=(HISTOGRAM KERNEL)<\/code> ench\u00e2sse sur la m\u00e9diane de la matrice la distribution univari\u00e9e de chaque dimension via un histogramme \u00e0 pas automatique surmont\u00e9 d’une courbe de densit\u00e9 liss\u00e9e non param\u00e9trique. Cette syntaxe condense en quelques lignes une somme colossale d’informations univari\u00e9es et bivari\u00e9es stratifi\u00e9es par groupe.<\/p>\n

    10.3 Comparaison fonctionnelle entre SGPLOT et SGSCATTER<\/h3>\n

    Le choix entre PROC SGPLOT<\/code> et PROC SGSCATTER<\/code> ne rel\u00e8ve pas d’une pr\u00e9f\u00e9rence stylistique subjective, mais d’une ad\u00e9quation fonctionnelle stricte aux objectifs de la phase analytique dans laquelle se situe le chercheur. Le tableau conceptuel ci-apr\u00e8s r\u00e9sume les lignes de d\u00e9marcation majeures r\u00e9gissant l’emploi de ces deux proc\u00e9dures au sein du pipeline SAS :<\/p>\n

      \n
    • Objectif premier :<\/strong> SGSCATTER<\/code> excelle dans le criblage exploratoire pr\u00e9liminaire et la cartographie bivari\u00e9e exhaustive de variables multiples, tandis que SGPLOT<\/code> est optimis\u00e9e pour la finalisation hautement millim\u00e9tr\u00e9e de figures cibl\u00e9es destin\u00e9es \u00e0 la publication finale.<\/li>\n
    • Contr\u00f4le des axes et annotations :<\/strong> SGPLOT<\/code> offre un contr\u00f4le absolu et microscopique sur chaque axe cart\u00e9sien (XAXIS<\/code>, YAXIS<\/code>, graduations secondaires, seuils REFLINE<\/code>, bandes de surbrillance). En revanche, SGSCATTER<\/code> applique des conventions d’axes harmonis\u00e9es et standardis\u00e9es \u00e0 l’ensemble des cellules de la matrice, sacrifiant le raffinement individuel au profit de la coh\u00e9rence d’ensemble.<\/li>\n
    • Capacit\u00e9s de mod\u00e9lisation int\u00e9gr\u00e9e :<\/strong> SGPLOT<\/code> permet de superposer simultan\u00e9ment des r\u00e9gressions param\u00e9triques, des intervalles de pr\u00e9diction, des courbes LOESS et des barres d’erreur sur un m\u00eame rep\u00e8re. SGSCATTER<\/code> offre des options de lissage et d’ajustement lin\u00e9aire globales au sein des cellules matricielles via l’option ELLIPSE<\/code> ou REG<\/code>, mais avec une granularit\u00e9 de personnalisation n\u00e9cessairement plus restreinte.<\/li>\n<\/ul>\n

      En pratique empirique, le statisticien int\u00e8gre ces deux outils de mani\u00e8re s\u00e9quentielle et compl\u00e9mentaire : PROC SGSCATTER<\/code> sert \u00e0 identifier les interactions bivari\u00e9es les plus significatives au sein d’une masse de donn\u00e9es, puis PROC SGPLOT<\/code> est d\u00e9ploy\u00e9e pour isoler, magnifier et documenter avec une pr\u00e9cision chirurgicale les relations d\u00e9terminantes retenues pour le livrable final.<\/p>\n

      11. Exportation haute r\u00e9solution et conformit\u00e9 aux standards acad\u00e9miques<\/h2>\n

      11.1 Configuration des param\u00e8tres ODS GRAPHICS<\/h3>\n

      La production d’un graphique esth\u00e9tiquement irr\u00e9prochable au sein de la session interactive SAS ne pr\u00e9juge en rien de sa qualit\u00e9 lors de son inclusion dans un manuscrit \u00e9dit\u00e9 ou un rapport de recherche imprim\u00e9. Par d\u00e9faut, les moteurs de rendu graphique g\u00e9n\u00e8rent des fichiers d’une r\u00e9solution nominale de 96 \u00e0 100 DPI (dots per inch<\/em>), ce qui s’av\u00e8re amplement suffisant pour un affichage sur moniteur informatique, mais engendre une pixellisation d\u00e9sastreuse et un flou cin\u00e9tique marqu\u00e9 lors de l’impression sur presse typographique ou au sein d’un document PDF haute d\u00e9finition.<\/p>\n

      Pour contraindre SAS \u00e0 produire des livrables conformes aux exigences des \u00e9diteurs scientifiques internationaux, il est imp\u00e9ratif de param\u00e9trer rigoureusement l’environnement sous-jacent via l’instruction globale ODS GRAPHICS<\/code>. Cette commande ma\u00eetresse permet de verrouiller la r\u00e9solution spatiale, les dimensions physiques absolues et le nom de l’artefact g\u00e9n\u00e9r\u00e9 avant le lancement de la proc\u00e9dure graphique :<\/p>\n

      ODS GRAPHICS ON \/
      \n    RESET=ALL
      \n    IMAGENAME=\"Scatter_Points_Rebounds_HR\"
      \n    IMAGEFMT=TIFF
      \n    HEIGHT=12cm
      \n    WIDTH=16cm
      \n    DPI=300;<\/p>\n

      PROC SGPLOT DATA=basketball_data;
      \n    SCATTER X=points Y=rebounds \/ GROUP=team;
      \nRUN;<\/code><\/p>\n

      Dans ce bloc d’instructions, l’argument DPI=300<\/code> \u00e9l\u00e8ve la densit\u00e9 d’\u00e9chantillonnage de l’image \u00e0 trois cents points par pouce, franchissant le seuil critique de nettet\u00e9 standard impos\u00e9 par les comit\u00e9s de lecture scientifique. Les dimensions m\u00e9triques explicites (WIDTH=16cm<\/code> et HEIGHT=12cm<\/code>) \u00e9vitent tout redimensionnement homoth\u00e9tique anarchique par le logiciel de traitement de texte en aval, pr\u00e9servant ainsi l’int\u00e9grit\u00e9 exacte des tailles relatives des polices de caract\u00e8res et des marqueurs.<\/p>\n

      11.2 S\u00e9lection des formats de sortie adapt\u00e9s aux revues<\/h3>\n

      Le choix de l’extension de fichier matricielle ou vectorielle constitue un maillon critique du processus de publication. Une d\u00e9cision erron\u00e9e sur ce plan peut an\u00e9antir des heures de r\u00e9glages typographiques minutieux. L’instruction IMAGEFMT=<\/code> au sein de ODS GRAPHICS<\/code> supporte une large gamme d’encodages sp\u00e9cialis\u00e9s :<\/p>\n