{"id":9809,"date":"2026-10-14T18:02:34","date_gmt":"2026-10-14T18:02:34","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-diagrammes-a-barres-sas-proc-sgplot-exemples\/"},"modified":"2026-10-14T18:02:34","modified_gmt":"2026-10-14T18:02:34","slug":"comment-creer-diagrammes-a-barres-sas-proc-sgplot-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-diagrammes-a-barres-sas-proc-sgplot-exemples","title":{"rendered":"Comment cr\u00e9er des diagrammes \u00e0 barres dans SAS (3 exemples)"},"content":{"rendered":"

Dans le paysage contemporain de la science des donn\u00e9es, de l’\u00e9pid\u00e9miologie clinique et de l’\u00e9conom\u00e9trie appliqu\u00e9e, la repr\u00e9sentation visuelle des donn\u00e9es quantitatives et qualitatives constitue un jalon m\u00e9thodologique incontournable. Loin d’\u00eatre un simple artifice esth\u00e9tique destin\u00e9 \u00e0 agr\u00e9menter des rapports techniques, la graphique statistique repr\u00e9sente un instrument d’inf\u00e9rence exploratoire \u00e0 part enti\u00e8re. Elle permet de synth\u00e9tiser des distributions multidimensionnelles, d’identifier des ruptures d’homog\u00e9n\u00e9it\u00e9 et de communiquer des r\u00e9sultats empiriques avec une clart\u00e9 cognitive optimale. Au sein de l’\u00e9cosyst\u00e8me logiciel du SAS Institute<\/a>, r\u00e9put\u00e9 pour sa robustesse analytique et sa conformit\u00e9 rigoureuse aux normes r\u00e9glementaires internationales, la transition des anciennes proc\u00e9dures graphiques vers le syst\u00e8me ODS Graphics a marqu\u00e9 une \u00e9volution paradigmatique majeure. Cette modernisation a conf\u00e9r\u00e9 aux analystes une puissance expressive accrue tout en automatisant la gestion des propri\u00e9t\u00e9s typographiques et g\u00e9om\u00e9triques indispensables aux publications scientifiques de haut niveau.<\/p>\n

Le diagramme \u00e0 barres demeure, par son apparente simplicit\u00e9 et son efficacit\u00e9 perceptuelle \u00e9prouv\u00e9e, l’un des artefacts visuels les plus exploit\u00e9s pour l’analyse des variables discr\u00e8tes et cat\u00e9gorielles. Qu’il s’agisse de comparer les fr\u00e9quences d’apparition au sein de strates exp\u00e9rimentales ind\u00e9pendantes ou de synth\u00e9tiser les valeurs agr\u00e9g\u00e9es d’une m\u00e9trique continue selon des facteurs nominaux, sa structure cart\u00e9sienne offre un d\u00e9codage spatial direct fond\u00e9 sur l’estimation de longueurs et de positions relatives. Toutefois, la conception d’un graphique scientifiquement irr\u00e9prochable exige une ma\u00eetrise rigoureuse des instructions proc\u00e9durales, une compr\u00e9hension fine des m\u00e9canismes sous-jacents d’agr\u00e9gation statistique et un respect scrupuleux des canons s\u00e9miotiques afin de pr\u00e9venir toute distorsion interpr\u00e9tative. La proc\u00e9dure PROC SGPLOT<\/code> s’impose aujourd’hui comme la cl\u00e9 de vo\u00fbte de cette d\u00e9marche dans l’environnement SAS, alliant une syntaxe modulaire intuitive \u00e0 une flexibilit\u00e9 param\u00e9trique \u00e9tendue.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique se propose de diss\u00e9quer de mani\u00e8re exhaustive la construction, la personnalisation et l’interpr\u00e9tation des diagrammes \u00e0 barres sous SAS \u00e0 travers trois approches fondamentales : le diagramme \u00e0 barres simple, le diagramme \u00e0 barres empil\u00e9es et le diagramme \u00e0 barres group\u00e9es. En s’appuyant sur un jeu de donn\u00e9es exp\u00e9rimental contr\u00f4l\u00e9 combinant variables cat\u00e9gorielles et m\u00e9triques de performance, chaque m\u00e9thode sera analys\u00e9e sous l’angle de sa syntaxe formelle, de ses propri\u00e9t\u00e9s distributionnelles et de ses implications cognitives pour l’observateur. Au-del\u00e0 des aspects programmatiques \u00e9l\u00e9mentaires, ce guide explorera les subtilit\u00e9s avanc\u00e9es de la mise en page, de la s\u00e9miotique chromatique, de l’int\u00e9gration des mesures de dispersion et des protocoles d’exportation haute r\u00e9solution, fournissant ainsi aux chercheurs et biostatisticiens un cadre op\u00e9rationnel exhaustif pour valoriser leurs corpus de donn\u00e9es empiriques.<\/p>\n

\"\"<\/figure>\n

1. Introduction \u00e0 la visualisation de donn\u00e9es cat\u00e9gorielles sous SAS avec PROC SGPLOT<\/h2>\n

1.1 Fondements th\u00e9oriques de la repr\u00e9sentation graphique en analyse quantitative<\/h3>\n

L’analyse exploratoire des donn\u00e9es, conceptualis\u00e9e historiquement par John Tukey, assigne \u00e0 la repr\u00e9sentation graphique un r\u00f4le heuristique pr\u00e9pond\u00e9rant. Dans le contexte sp\u00e9cifique des variables cat\u00e9gorielles, qu’elles soient nominales ou ordinales, l’objectif fondamental de la visualisation r\u00e9side dans la transcription spatiale fid\u00e8le des fr\u00e9quences d’occurrence ou des m\u00e9triques statistiques associ\u00e9es \u00e0 des classes d’\u00e9quivalence discr\u00e8tes. Contrairement aux variables continues dont les distributions peuvent \u00eatre caract\u00e9ris\u00e9es par des densit\u00e9s lisses ou des histogrammes continus, les donn\u00e9es cat\u00e9gorielles imposent une discontinuit\u00e9 fondamentale dans l’espace de repr\u00e9sentation. L’encodage visuel doit donc traduire cette orthogonalit\u00e9 logique sans induire d’artefacts relationnels fallacieux entre des modalit\u00e9s disjointes.<\/p>\n

Les travaux fondateurs de William Cleveland et Robert McGill sur la perception graphique ont rigoureusement d\u00e9montr\u00e9 que la pr\u00e9cision avec laquelle l’\u0153il humain extrait des informations quantitatives d\u00e9pend directement du canal d’encodage g\u00e9om\u00e9trique employ\u00e9. Selon leur hi\u00e9rarchie perceptuelle psychophysique, le jugement de position le long d’une \u00e9chelle commune constitue la t\u00e2che cognitive la plus pr\u00e9cise, imm\u00e9diatement suivie par l’\u00e9valuation des longueurs relatives. Les diagrammes \u00e0 barres exploitent pr\u00e9cis\u00e9ment cette synergie optimale : chaque modalit\u00e9 cat\u00e9gorielle est ancr\u00e9e le long d’un axe nominal orthogonal, tandis que la valeur quantitative est mat\u00e9rialis\u00e9e par une barre dont la longueur est proportionnelle \u00e0 la grandeur mesur\u00e9e, avec une origine rigoureusement fix\u00e9e \u00e0 z\u00e9ro.<\/p>\n

Cette sup\u00e9riorit\u00e9 structurelle explique pourquoi, dans la recherche comportementale, biom\u00e9dicale et \u00e9conomique contemporaine, les diagrammes \u00e0 barres supplantent syst\u00e9matiquement les diagrammes circulaires (dits camemberts ou pie charts<\/em>). Ces derniers encodent l’information quantitative sous forme d’angles au centre, d’arcs de cercle et d’aires surfaciques, des canaux perceptuels dont le d\u00e9codage par le cortex visuel humain est notoirement impr\u00e9cis et sujet \u00e0 d’importantes sous-estimations non lin\u00e9aires. De surcro\u00eet, les normes de publication des revues scientifiques internationales \u00e0 fort facteur d’impact pr\u00e9conisent explicitement l’abandon des repr\u00e9sentations sectorielles au profit de barres cart\u00e9siennes \u00e9talonn\u00e9es, garantes d’une reproductibilit\u00e9 analytique et d’une rigueur inf\u00e9rentielle conformes aux exigences acad\u00e9miques.<\/p>\n

1.2 Pr\u00e9sentation de la proc\u00e9dure PROC SGPLOT et de son architecture logicielle<\/h3>\n

Au cours des premi\u00e8res d\u00e9cennies d’existence du syst\u00e8me SAS, la production graphique reposait presque exclusivement sur le module SAS\/GRAPH et sur des proc\u00e9dures d’ancienne g\u00e9n\u00e9ration telles que PROC GCHART<\/code> et PROC GPLOT<\/code>. Bien que pionni\u00e8res, ces proc\u00e9dures pr\u00e9sentaient des limitations architecturales substantielles : une syntaxe verbeuse souvent d\u00e9connect\u00e9e de la grammaire statistique moderne, une s\u00e9paration fastidieuse entre la d\u00e9finition des dispositifs mat\u00e9riels (drivers) et les donn\u00e9es, ainsi qu’une incapacit\u00e9 chronique \u00e0 produire nativement des figures vectorielles directement int\u00e9grables dans des documents de publication sans un post-traitement laborieux. L’av\u00e8nement de l’ODS Graphics (Output Delivery System)<\/a> a constitu\u00e9 une v\u00e9ritable refonte structurelle, r\u00e9conciliant la puissance de calcul sous-jacente du moteur SAS avec les paradigmes modernes de la visualisation de donn\u00e9es.<\/p>\n

Au c\u0153ur de cette architecture graphique moderne se trouve la proc\u00e9dure PROC SGPLOT<\/code> (Statistical Graphics Plot). Con\u00e7ue selon une philosophie modulaire inspir\u00e9e des principes de la grammaire des graphiques th\u00e9oris\u00e9e par Leland Wilkinson, cette proc\u00e9dure permet d’empiler des couches g\u00e9om\u00e9triques (calques ou layers<\/em>) sur un canevas analytique unique. Chaque instruction au sein de la proc\u00e9dure correspond \u00e0 un type de trac\u00e9 \u00e9l\u00e9mentaire, tel qu’une barre verticale, une courbe de lissage, un nuage de points ou un intervalle de dispersion. Cette approche d\u00e9clarative lib\u00e8re l’analyste de la gestion microscopique du moteur de rendu : SAS d\u00e9termine de mani\u00e8re autonome les \u00e9chelles optimales, l’espacement des graduations, la gestion des collisions textuelles et l’attribution des contrastes chromatiques en fonction des styles ODS pr\u00e9alablement d\u00e9finis.<\/p>\n

Sur le plan de l’efficacit\u00e9 informatique, PROC SGPLOT<\/code> se distingue par une optimisation remarquable des algorithmes de calcul sous-jacents. La proc\u00e9dure traite les volumes de donn\u00e9es massifs (dits Big Data<\/em>) sans saturer la m\u00e9moire volatile de la session, en effectuant les op\u00e9rations de r\u00e9duction cat\u00e9gorielle, de tri et d’agr\u00e9gation statistique en amont de la compilation graphique vectorielle. Par rapport aux approches graphiques ant\u00e9rieures, elle \u00e9limine la redondance des passes de lecture sur le disque tout en garantissant une compatibilit\u00e9 totale avec les formats de sortie contemporains tels que le SVG, le PDF vectoriel haute d\u00e9finition ou les formats matriciels non compress\u00e9s comme le TIFF, assurant ainsi une p\u00e9rennit\u00e9 technique essentielle pour les infrastructures d’analyse \u00e0 grande \u00e9chelle.<\/p>\n

1.3 Distinction fondamentale entre barres verticales (VBAR) et horizontales (HBAR)<\/h3>\n

Dans la nomenclature syntaxique de la proc\u00e9dure PROC SGPLOT<\/code>, la g\u00e9om\u00e9trie du diagramme \u00e0 barres se d\u00e9cline principalement \u00e0 travers deux instructions fondamentales : VBAR<\/code> (barres verticales) et HBAR<\/code> (barres horizontales). Bien que ces deux formes partagent le m\u00eame principe math\u00e9matique de correspondance biunivoque entre une dimension discr\u00e8te et une m\u00e9trique scalaire, leur s\u00e9lection n’est nullement arbitraire et proc\u00e8de d’un arbitrage m\u00e9thodologique pr\u00e9cis dict\u00e9 par la nature des libell\u00e9s cat\u00e9goriels et les conditions de lecture du document final.<\/p>\n

L’instruction VBAR<\/code> projette les modalit\u00e9s de la variable ind\u00e9pendante sur l’axe des abscisses (axe horizontal $X$<\/span>), tandis que la mesure quantitative (qu’il s’agisse d’un d\u00e9nombrement fr\u00e9quentiel ou d’une statistique d’\u00e9chelle) est port\u00e9e par l’axe des ordonn\u00e9es (axe vertical $Y$<\/span>). Cette configuration constitue la forme canonique la plus intuitive pour le lecteur occidental, habitu\u00e9 \u00e0 associer une progression verticale \u00e0 un accroissement d’intensit\u00e9, de volume ou de fr\u00e9quence. Elle est particuli\u00e8rement recommand\u00e9e lorsque la variable cat\u00e9gorielle poss\u00e8de un ordonnancement naturel, comme dans le cas d’une \u00e9chelle de Likert, de strates d’\u00e2ge successives ou de cohortes temporelles discr\u00e9tis\u00e9es. Cependant, sa contrainte majeure r\u00e9side dans la largeur disponible sur l’axe horizontal : lorsque les \u00e9tiquettes textuelles des cat\u00e9gories comportent un grand nombre de caract\u00e8res, elles risquent de se chevaucher, contraignant le syst\u00e8me graphique \u00e0 adopter des strat\u00e9gies d’\u00e9vitement suboptimales telles que l’angulation \u00e0 45 degr\u00e9s ou la troncature typographique.<\/p>\n

\u00c0 l’inverse, l’instruction HBAR<\/code> inverse cette disposition cart\u00e9sienne en assignant la variable cat\u00e9gorielle \u00e0 l’axe vertical et la dimension m\u00e9trique \u00e0 l’axe horizontal. Cette orientation soulage consid\u00e9rablement la charge cognitive de lecture lorsque les cat\u00e9gories poss\u00e8dent des intitul\u00e9s longs, techniques ou descriptifs, comme des d\u00e9signations nosologiques de la classification CIM-10, des protocoles th\u00e9rapeutiques ou des intitul\u00e9s organisationnels complexes. Les \u00e9tiquettes peuvent alors \u00eatre lues naturellement de gauche \u00e0 droite sans rotation c\u00e9phalique ni tension visuelle. En outre, dans le contexte des monographies universitaires, des th\u00e8ses ou des rapports institutionnels imprim\u00e9s au format portrait, la barre horizontale permet d’\u00e9tendre la liste des cat\u00e9gories verticalement le long de la page sans d\u00e9grader la lisibilit\u00e9 ni comprimer artificiellement la largeur des \u00e9l\u00e9ments g\u00e9om\u00e9triques, garantissant ainsi une pr\u00e9sentation \u00e9ditoriale \u00e9quilibr\u00e9e.<\/p>\n

2. Pr\u00e9paration et structure du jeu de donn\u00e9es exp\u00e9rimental dans l’environnement SAS<\/h2>\n

2.1 D\u00e9claration et instanciation du jeu de donn\u00e9es via l’instruction DATA<\/h3>\n

Toute mod\u00e9lisation graphique rigoureuse dans l’\u00e9cosyst\u00e8me SAS d\u00e9bute par une instanciation m\u00e9thodique de la table de travail au sein de l’environnement m\u00e9moire. Pour illustrer concr\u00e8tement les trois m\u00e9thodes de conception de diagrammes \u00e0 barres, nous allons impl\u00e9menter un jeu de donn\u00e9es exp\u00e9rimental synth\u00e9tique simulant le suivi des performances d’athl\u00e8tes au sein d’une ligue sportive professionnelle. Cette table de travail, arbitrairement baptis\u00e9e my_data<\/code>, va int\u00e9grer des variables factorielles qualitatives et une variable de r\u00e9ponse quantitative, fournissant ainsi une base empirique id\u00e9ale pour tester les diff\u00e9rentes variantes de la proc\u00e9dure PROC SGPLOT<\/code>.<\/p>\n

La cr\u00e9ation de la table s’effectue classiquement au moyen de l’\u00e9tape de programmation DATA<\/code>. Nous utilisons l’instruction INPUT<\/code> pour d\u00e9clarer la nature et l’ordre des variables associ\u00e9es \u00e0 chaque unit\u00e9 d’observation. Deux variables textuelles sont d\u00e9finies : l’\u00e9quipe d’appartenance de l’athl\u00e8te, d\u00e9sign\u00e9e par la variable team<\/code>, et le poste tactique occup\u00e9 sur le terrain, encapsul\u00e9 par la variable position<\/code>. Le suffixe dollar ($<\/code>) est explicitement accol\u00e9 \u00e0 leurs identifiants pour notifier \u00e0 l’interpr\u00e9teur SAS qu’il s’agit de variables de type cha\u00eene de caract\u00e8res (caract\u00e8res alphanum\u00e9riques). Enfin, une variable num\u00e9rique continue, intitul\u00e9e points<\/code>, est int\u00e9gr\u00e9e pour consigner le score individuel ou l’indice de performance associ\u00e9 \u00e0 chaque individu de l’\u00e9chantillon. L’alimentation des donn\u00e9es en ligne s’effectue ensuite par le biais de l’instruction DATALINES<\/code>, assurant une portabilit\u00e9 absolue du script sans d\u00e9pendance \u00e0 un fichier plat externe.<\/p>\n

Voici la formulation syntaxique int\u00e9grale permettant d’instancier ce jeu de donn\u00e9es de r\u00e9f\u00e9rence au sein de la biblioth\u00e8que temporaire WORK<\/code> :<\/p>\n


\ndata my_data;
\n  input team $ position $ points;
\n  datalines;
\nA Guard 12
\nA Guard 20
\nA Guard 22
\nA Forward 29
\nA Forward 24
\nB Guard 35
\nB Guard 34
\nB Forward 12
\nB Forward 15
\nB Forward 26
\nC Guard 18
\nC Guard 22
\nC Guard 25
\nC Forward 15
\nC Forward 19
\n;
\nrun;
\n<\/code><\/p>\n

2.2 Analyse descriptive des variables d’int\u00e9r\u00eat : \u00e9quipes, postes et m\u00e9triques de performance<\/h3>\n

L’architecture interne de la table my_data<\/code> repose sur un dispositif quasi-factoriel \u00e9quilibr\u00e9 comprenant $N = 15$<\/span> observations individuelles. Ce volume d’\u00e9chantillonnage, volontairement restreint \u00e0 des fins de clart\u00e9 p\u00e9dagogique et de tra\u00e7abilit\u00e9 calculatoire imm\u00e9diate, permet d’examiner chaque cellule de croisement sans masquer les m\u00e9canismes sous-jacents d’agr\u00e9gation statistique. L’\u00e9chantillon int\u00e8gre deux variables ind\u00e9pendantes discr\u00e8tes et une variable d\u00e9pendante quantitative continue, refl\u00e9tant fid\u00e8lement les structures relationnelles classiquement observ\u00e9es dans les protocoles de recherche appliqu\u00e9e en sciences sociales, en \u00e9pid\u00e9miologie ou en gestion de la performance.<\/p>\n

La premi\u00e8re variable ind\u00e9pendante, team<\/code>, est un facteur nominal \u00e0 trois modalit\u00e9s mutuellement exclusives : les \u00e9quipes A, B et C. Chacune de ces \u00e9quipes regroupe exactement 5 observations dans l’\u00e9chantillon global, ce qui garantit une parfaite homog\u00e9n\u00e9it\u00e9 des effectifs marginaux ($n_A = n_B = n_C = 5$<\/span>). Cette \u00e9quiprobabilit\u00e9 marginale permet d’\u00e9valuer directement l’impact des sous-structures internes sans distorsion induite par des d\u00e9s\u00e9quilibres d’\u00e9chantillonnage initiaux.<\/p>\n

La seconde variable qualitative, position<\/code>, repr\u00e9sente un sous-facteur dichotomique d\u00e9crivant le r\u00f4le fonctionnel de l’athl\u00e8te, d\u00e9clin\u00e9 en deux modalit\u00e9s : Guard<\/code> (arri\u00e8re) et Forward<\/code> (avant). L’examen de la distribution crois\u00e9e r\u00e9v\u00e8le une structure intentionnellement asym\u00e9trique au sein des \u00e9quipes. Pour l’\u00e9quipe A, nous d\u00e9nombrons 3 arri\u00e8res et 2 avants. Pour l’\u00e9quipe B, la structure s’inverse avec 2 arri\u00e8res et 3 avants. Enfin, l’\u00e9quipe C r\u00e9plique la configuration de l’\u00e9quipe A avec 3 arri\u00e8res et 2 avants. Cette variabilit\u00e9 sous-jacente des effectifs cellulaires constituera un banc d’essai id\u00e9al pour comparer la lisibilit\u00e9 respective des diagrammes \u00e0 barres empil\u00e9es et des diagrammes group\u00e9s lors des analyses ult\u00e9rieures.<\/p>\n

Enfin, la variable points<\/code> consigne une m\u00e9trique de performance continue exprim\u00e9e sur une \u00e9chelle de rapport, prenant des valeurs enti\u00e8res comprises entre 12 et 35 unit\u00e9s. Sa distribution empirique globale pr\u00e9sente une moyenne arithm\u00e9tique de $\\bar{X} = 21{,}87$<\/span> points avec une dispersion notable entre les strates factorielles. L’\u00e9quipe B pr\u00e9sente une polarisation particuli\u00e8rement marqu\u00e9e, combinant des scores tr\u00e8s \u00e9lev\u00e9s pour les arri\u00e8res (34 et 35 points) et des scores mod\u00e9r\u00e9s pour les avants (12, 15 et 26 points), tandis que les \u00e9quipes A et C affichent des r\u00e9partitions internes plus resserr\u00e9es autour de leurs moyennes respectives.<\/p>\n

2.3 Validation de l’int\u00e9grit\u00e9 structurelle des donn\u00e9es \u00e0 l’aide de PROC PRINT<\/h3>\n

Avant d’engager toute proc\u00e9dure de compilation graphique, une r\u00e8gle \u00e9pist\u00e9mologique fondamentale en programmation statistique consiste \u00e0 valider formellement l’int\u00e9grit\u00e9 structurelle des donn\u00e9es instanci\u00e9es. Cette phase de contr\u00f4le qualit\u00e9 vise \u00e0 d\u00e9tecter d’\u00e9ventuelles erreurs de saisie, des valeurs manquantes non d\u00e9sir\u00e9es ou des d\u00e9calages d’attributs de colonnes provoqu\u00e9s par une mauvaise lecture des s\u00e9parateurs de champs lors de l’ex\u00e9cution du bloc d’instructions INPUT<\/code>.<\/p>\n

Dans l’environnement SAS, la proc\u00e9dure de diagnostic la plus directe et la plus transparente est PROC PRINT<\/code>. L’application de cette proc\u00e9dure au jeu de donn\u00e9es my_data<\/code> permet d’imprimer l’int\u00e9gralit\u00e9 de la table dans la fen\u00eatre de sortie standard ou dans la destination ODS active, en restituant la num\u00e9rotation s\u00e9quentielle des lignes d’observation ainsi que les m\u00e9tadonn\u00e9es associ\u00e9es aux descripteurs de variables. Le code de v\u00e9rification \u00e9l\u00e9mentaire s’\u00e9nonce comme suit :<\/p>\n


\nproc print data=my_data noobs;
\nrun;
\n<\/code><\/p>\n

L’utilisation de l’option NOOBS<\/code> supprime l’affichage de la colonne par d\u00e9faut consignant le num\u00e9ro d’observation, offrant ainsi un tableau synoptique compact compos\u00e9 des trois colonnes d’int\u00e9r\u00eat. L’inspection m\u00e9ticuleuse de la sortie g\u00e9n\u00e9r\u00e9e dans le journal SAS (SAS Log<\/em>) doit imp\u00e9rativement attester que 15 enregistrements ont \u00e9t\u00e9 lus \u00e0 partir de la m\u00e9moire tampon et qu’aucune variable n’a \u00e9t\u00e9 initialis\u00e9e avec des valeurs manquantes (repr\u00e9sent\u00e9es par un point pour les donn\u00e9es num\u00e9riques ou un espace blanc pour les cha\u00eenes de caract\u00e8res). D\u00e8s lors que cette validation structurelle est formellement acquise, la table de travail my_data<\/code> est r\u00e9put\u00e9e conforme pour l’application des proc\u00e9dures de visualisation statistique de haute pr\u00e9cision.<\/p>\n

3. M\u00e9thode 1 : Construction d’un diagramme \u00e0 barres simple (Simple Bar Chart)<\/h2>\n

3.1 Syntaxe fondamentale de l’instruction VBAR pour l’\u00e9valuation des fr\u00e9quences<\/h3>\n

La premi\u00e8re m\u00e9thode de visualisation cat\u00e9gorielle repose sur la construction d’un diagramme \u00e0 barres simple, univari\u00e9 et vertical. Dans l’\u00e9cosyst\u00e8me proc\u00e9dural de PROC SGPLOT<\/code>, l’instruction directrice assurant cette projection graphique est VBAR<\/code>, abr\u00e9viation transparente de Vertical Bar<\/em>. Cette instruction requiert a minima la sp\u00e9cification d’une variable de classification cat\u00e9gorielle, port\u00e9e en argument imm\u00e9diat sans op\u00e9rateur d’affectation complexe.<\/p>\n

Sur le plan m\u00e9canique, lorsque l’instruction vbar team;<\/code> est ex\u00e9cut\u00e9e au sein du bloc proc sgplot data=my_data;<\/code>, le compilateur graphique SAS active automatiquement son moteur d’agr\u00e9gation fr\u00e9quentielle interne. Il n’est nullement n\u00e9cessaire de pr\u00e9traiter la table au moyen d’une proc\u00e9dure PROC FREQ<\/code> ou PROC MEANS<\/code> pour calculer pr\u00e9alablement les occurrences marginales de chaque classe. SAS proc\u00e8de \u00e0 un balayage exhaustif des vecteurs de donn\u00e9es, identifie les niveaux d’\u00e9quivalence discrets de la variable cat\u00e9gorielle sp\u00e9cifi\u00e9e (ici, les modalit\u00e9s A, B et C), d\u00e9nombre le volume total d’observations associ\u00e9es \u00e0 chacune d’elles, puis g\u00e9n\u00e8re dynamiquement l’\u00e9chelle cart\u00e9sienne correspondante.<\/p>\n

Par d\u00e9faut, l’axe vertical des ordonn\u00e9es ($Y$<\/span>) re\u00e7oit l’intitul\u00e9 normalis\u00e9 Frequency<\/em>, et son intervalle num\u00e9rique s’\u00e9tend automatiquement de z\u00e9ro jusqu’\u00e0 une valeur plafond sup\u00e9rieure ou \u00e9gale au d\u00e9nombrement maximal observ\u00e9 dans l’\u00e9chantillon, avec des incr\u00e9ments r\u00e9guliers d\u00e9termin\u00e9s par un algorithme d’optimisation de l’affichage typographique. Les cat\u00e9gories de l’axe horizontal ($X$<\/span>) sont ordonn\u00e9es, par d\u00e9faut, selon l’ordre alphanum\u00e9rique standard de leurs valeurs textuelles format\u00e9es, garantissant ainsi un traitement pr\u00e9visible et rigoureusement d\u00e9terministe de la sortie visuelle.<\/p>\n

\"bar
bar chart in SAS<\/figcaption><\/figure>\n

3.2 Application pratique : Distribution fr\u00e9quentielle des \u00e9quipes d’observation<\/h3>\n

La mise en \u0153uvre pratique de cette premi\u00e8re modalit\u00e9 graphique sur notre jeu de donn\u00e9es exp\u00e9rimental s’exprime \u00e0 travers un script d’une remarquable concision. Il s’agit d’ordonner au moteur SAS de lire la table my_data<\/code> et d’\u00e9riger les rectangles verticaux proportionnels au d\u00e9nombrement de chaque \u00e9quipe. La s\u00e9quence syntaxique compl\u00e8te s’\u00e9nonce comme suit :<\/p>\n


\nproc sgplot data=my_data;
\n  vbar team;
\nrun;
\n<\/code><\/p>\n

\u00c0 l’ex\u00e9cution de cette requ\u00eate, le moteur ODS Graphics d\u00e9livre une figure constitu\u00e9e de trois colonnes rectangulaires distinctes, spatialement isol\u00e9es les unes des autres par un espacement inter-barres harmonieux pr\u00e9calibr\u00e9. L’axe des abscisses porte les identifiants cat\u00e9goriels \u00ab A \u00bb, \u00ab B \u00bb et \u00ab C \u00bb, surmont\u00e9s par le libell\u00e9 de variable \u00ab team \u00bb. L’axe des ordonn\u00e9es affiche une \u00e9chelle m\u00e9trique gradu\u00e9e de 0 \u00e0 5 unit\u00e9s avec un pas entier unitaire, refl\u00e9tant fid\u00e8lement le d\u00e9nombrement effectif de chaque groupe d’athl\u00e8tes.<\/p>\n

L’interpr\u00e9tation s\u00e9miotique de cette sortie visuelle est imm\u00e9diate et sans \u00e9quivoque : les trois barres culminent rigoureusement au niveau 5 de l’axe des ordonn\u00e9es. Cette horizontalit\u00e9 parfaite des sommets rectangulaires confirme visuellement la sym\u00e9trie absolue de l’\u00e9chantillonnage marginal entre les trois \u00e9quipes. Dans une perspective de communication scientifique, ce diagramme simple remplit parfaitement sa fonction de diagnostic pr\u00e9liminaire : il valide aupr\u00e8s des pairs et des \u00e9valuateurs que la variable de groupement primaire ne pr\u00e9sente aucun biais d’attrition ou de sous-repr\u00e9sentation susceptible d’invalider les comparaisons param\u00e9triques ou non param\u00e9triques subs\u00e9quentes.<\/p>\n

3.3 Int\u00e9gration d’un titre formel et m\u00e9tadonn\u00e9es avec l’instruction TITLE<\/h3>\n

Dans les protocoles de r\u00e9daction acad\u00e9mique et d’\u00e9dition scientifique, une figure autonome ne saurait \u00eatre diffus\u00e9e sans un syst\u00e8me d’identification s\u00e9mantique rigoureux. La tra\u00e7abilit\u00e9 m\u00e9thodologique exige que chaque artefact graphique explicite clairement la nature du ph\u00e9nom\u00e8ne observ\u00e9, le p\u00e9rim\u00e8tre de l’\u00e9chantillon consid\u00e9r\u00e9 et, le cas \u00e9ch\u00e9ant, la temporalit\u00e9 de l’exp\u00e9rimentation. Dans le m\u00e9talangage SAS, la contextualisation s\u00e9mantique des sorties s’op\u00e8re au moyen de l’instruction globale TITLE<\/code>.<\/p>\n

L’instruction TITLE<\/code> se d\u00e9ploie selon une hi\u00e9rarchie modulaire num\u00e9rot\u00e9e (allant de TITLE1<\/code> jusqu’\u00e0 TITLE10<\/code>), permettant de structurer des en-t\u00eates complexes comprenant un titre principal g\u00e9n\u00e9ral et des sous-titres analytiques pr\u00e9cisant le contexte m\u00e9thodologique. Bien qu’il s’agisse d’une instruction globale pouvant \u00eatre d\u00e9clar\u00e9e n’importe o\u00f9 dans le programme, la bonne pratique de programmation statistique pr\u00e9conise de positionner l’instruction TITLE<\/code> imm\u00e9diatement en amont du bloc PROC SGPLOT<\/code> auquel elle se rapporte, afin de pr\u00e9server une lisibilit\u00e9 maximale du script source.<\/p>\n

Consid\u00e9rons l’application suivante, enrichie d’un titre formel et d’une instruction de r\u00e9initialisation :<\/p>\n


\ntitle1 \"R\u00e9partition Fr\u00e9quentielle de l'\u00c9chantillon par \u00c9quipe\";
\ntitle2 height=10pt italic \"Cohorte exp\u00e9rimentale de performance (N = 15)\";
\nproc sgplot data=my_data;
\n  vbar team;
\nrun;
\ntitle;
\n<\/code><\/p>\n

Dans cette formulation, l’option HEIGHT=10pt<\/code> et le modificateur ITALIC<\/code> appliqu\u00e9s au sous-titre garantissent une hi\u00e9rarchisation visuelle \u00e9l\u00e9gante conforme aux exigences des presses universitaires. L’instruction finale title;<\/code>, d\u00e9pourvue de toute cha\u00eene textuelle, joue un r\u00f4le fonctionnel critique : elle r\u00e9initialise imm\u00e9diatement la m\u00e9moire des titres globaux dans la session SAS active. Cette \u00e9tape pr\u00e9vient la r\u00e9manence ind\u00e9sirable de ces m\u00e9tadonn\u00e9es sur les proc\u00e9dures statistiques ex\u00e9cut\u00e9es ult\u00e9rieurement au sein du m\u00eame pipeline analytique.<\/p>\n

4. Variante structurelle : Conversion vers un diagramme \u00e0 barres horizontal (HBAR)<\/h2>\n

4.1 Impl\u00e9mentation technique de l’instruction HBAR<\/h3>\n

La transcription d’une distribution cat\u00e9gorielle d’un rep\u00e8re cart\u00e9sien vertical vers un alignement horizontal constitue une op\u00e9ration d’une grande simplicit\u00e9 syntaxique au sein de PROC SGPLOT<\/code>, mais d’une port\u00e9e m\u00e9thodologique consid\u00e9rable pour l’ergonomie visuelle. La mise en \u0153uvre technique de cette transformation ne requiert aucune restructuration alg\u00e9brique pr\u00e9alable de la matrice de donn\u00e9es ni aucune transposition complexe via une proc\u00e9dure de r\u00e9organisation matricielle. Elle repose exclusivement sur la substitution de l’instruction VBAR<\/code> par l’instruction HBAR<\/code>.<\/p>\n

Le compilateur graphique interpr\u00e8te l’instruction HBAR<\/code> en appliquant une rotation de 90 degr\u00e9s au plan g\u00e9om\u00e9trique de projection : les classes discr\u00e8tes de la variable cat\u00e9gorielle sp\u00e9cifi\u00e9e sont d\u00e9sormais positionn\u00e9es sur l’axe vertical ($Y$<\/span>), tandis que l’axe horizontal ($X$<\/span>) devient l’\u00e9chelle quantitative d\u00e9di\u00e9e au d\u00e9nombrement fr\u00e9quentiel ou \u00e0 l’agr\u00e9gation de la variable de r\u00e9ponse. Les algorithmes d’ajustement automatique de l’\u00e9chelle des graduations op\u00e8rent alors sur la largeur disponible du canevas graphique, exploitant l’espace horizontal pour \u00e9tendre la port\u00e9e m\u00e9trique de l’axe quantitatif.<\/p>\n

Le bloc d’instructions de base pour la conversion horizontale de notre \u00e9tude fr\u00e9quentielle se formalise de la fa\u00e7on suivante :<\/p>\n


\nproc sgplot data=my_data;
\n  hbar team;
\nrun;
\n<\/code><\/p>\n

Cette commande engendre imm\u00e9diatement une sortie dans laquelle les \u00e9quipes A, B et C sont list\u00e9es verticalement de haut en bas le long du bord gauche de la figure, les barres d’effectif s’\u00e9tirant orthogonalement vers la droite jusqu’\u00e0 la coordonn\u00e9e horizontale $X = 5$<\/span>. Le syst\u00e8me graphique assure de fa\u00e7on autonome le recalcul des dimensions des rectangles pour conserver une surface optique harmonieuse en ad\u00e9quation avec les proportions g\u00e9n\u00e9rales de la feuille de style s\u00e9lectionn\u00e9e.<\/p>\n

\"horizontal
horizontal bar chart in SAS<\/figcaption><\/figure>\n

4.2 Ergonomie cognitive et lisibilit\u00e9 des libell\u00e9s cat\u00e9goriels \u00e9tendus<\/h3>\n

L’int\u00e9r\u00eat primordial de la variante horizontale r\u00e9side dans l’optimisation des flux de lecture oculaire et la r\u00e9solution des conflits typographiques spatiaux. En psychologie de la perception et en ergonomie cognitive, il est \u00e9tabli que le processus de lecture de l’\u00eatre humain suit des trajectoires balistiques saccadiques hautement optimis\u00e9es pour le texte align\u00e9 horizontalement, parall\u00e8lement au m\u00e9ridien visuel horizontal. Lorsque des \u00e9tiquettes de cat\u00e9gories sur un diagramme vertical sont orient\u00e9es verticalement ou inclin\u00e9es \u00e0 un angle oblique pour \u00e9viter les chevauchements, le temps de fixation oculaire s’accro\u00eet significativement et le taux d’erreur de d\u00e9codage augmente de mani\u00e8re exponentielle, particuli\u00e8rement chez les lecteurs non experts.<\/p>\n

L’utilisation de l’instruction HBAR<\/code> \u00e9limine radicalement cette friction perceptive en offrant aux libell\u00e9s cat\u00e9goriels un espace typographique longitudinal naturel le long de l’axe des ordonn\u00e9es. Les intitul\u00e9s longs, tels que des diagnostics m\u00e9dicaux complexes (par exemple : \u00ab Syndrome de d\u00e9tresse respiratoire aigu\u00eb de type pr\u00e9coce \u00bb) ou des descripteurs de variables socio-\u00e9conomiques \u00e9tendus, peuvent \u00eatre affich\u00e9s dans leur int\u00e9gralit\u00e9 sans recours \u00e0 des abr\u00e9viations cryptiques, sans r\u00e9duction pr\u00e9judiciable du corps de la police de caract\u00e8res et sans superposition chaotique des glyphes.<\/p>\n

De surcro\u00eet, l’alignement des \u00e9tiquettes le long d’une marge verticale commune permet au syst\u00e8me cognitif d’effectuer des comparaisons nominales imm\u00e9diates gr\u00e2ce \u00e0 la r\u00e9gularit\u00e9 du point d’ancrage textuel de gauche. Le regard n’a plus \u00e0 alterner entre une lecture inclin\u00e9e discontinue et un balayage m\u00e9trique vertical : l’observateur parcourt la taxonomie cat\u00e9gorielle de haut en bas avec une fluidit\u00e9 naturelle, puis prolonge son regard horizontalement vers l’extr\u00e9mit\u00e9 de chaque barre pour quantifier la grandeur associ\u00e9e, optimisant ainsi l’efficience globale de la restitution de l’information.<\/p>\n

4.3 Ajustement des \u00e9chelles et des proportions en affichage horizontal<\/h3>\n

Bien que l’instruction HBAR<\/code> r\u00e9solve brillamment la probl\u00e9matique de la lisibilit\u00e9 des libell\u00e9s, elle introduit de nouvelles contraintes relatives \u00e0 la gestion du ratio d’aspect (rapport largeur\/hauteur ou aspect ratio<\/em>) et \u00e0 la densit\u00e9 g\u00e9om\u00e9trique des \u00e9l\u00e9ments de trac\u00e9. En affichage horizontal, un espacement vertical excessif entre les barres peut affaiblir la perception de proximit\u00e9 gestaltiste n\u00e9cessaire \u00e0 l’\u00e9valuation comparative des longueurs, tandis qu’un espacement insuffisant g\u00e9n\u00e8re un encombrement visuel dense, impropre \u00e0 la distinction nette des contours g\u00e9om\u00e9triques.<\/p>\n

Le moteur ODS Graphics de SAS module automatiquement la hauteur des barres horizontales en fonction du nombre total de niveaux de la variable cat\u00e9gorielle et de la hauteur globale allou\u00e9e au conteneur graphique. Toutefois, dans le cadre d’une int\u00e9gration \u00e9ditoriale rigoureuse, le programmeur doit fr\u00e9quemment reprendre le contr\u00f4le direct de cette g\u00e9om\u00e9trie au moyen de l’option BARWIDTH<\/code>, qui d\u00e9termine la fraction de l’intervalle cat\u00e9goriel occup\u00e9e par la barre physique (une valeur typique de 0,7 \u00e0 0,8 offrant un \u00e9quilibre visuel optimal), et de la configuration des dimensions globales du canevas d’exportation.<\/p>\n

Une vigilance particuli\u00e8re doit \u00eatre accord\u00e9e \u00e0 l’\u00e9tendue de l’axe horizontal de r\u00e9ponse. Si la plage des valeurs est \u00e9troite mais que la largeur globale du trac\u00e9 est excessive, les barres horizontales peuvent appara\u00eetre artificiellement allong\u00e9es, cr\u00e9ant une illusion d’amplitude disproportionn\u00e9e chez le lecteur non averti. L’harmonisation des proportions vectorielles requiert donc une ad\u00e9quation rigoureuse entre la r\u00e9solution g\u00e9om\u00e9trique d\u00e9finie par l’instruction ODS GRAPHICS \/ WIDTH=... HEIGHT=...<\/code> et l’amplitude effective des grandeurs repr\u00e9sent\u00e9es, garantissant une int\u00e9grit\u00e9 s\u00e9miotique absolue du rendu final.<\/p>\n

5. M\u00e9thode 2 : \u00c9laboration de diagrammes \u00e0 barres empil\u00e9es (Stacked Bar Charts)<\/h2>\n

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

Lorsque le protocole de recherche vise \u00e0 explorer la structure interne d’une distribution \u00e0 travers l’interaction simultan\u00e9e de deux variables cat\u00e9gorielles distinctes, le diagramme \u00e0 barres simple s’av\u00e8re conceptuellement insuffisant. La deuxi\u00e8me m\u00e9thode fondamentale consiste alors \u00e0 construire un diagramme \u00e0 barres empil\u00e9es (Stacked Bar Chart<\/em>). Dans la grammaire proc\u00e9durale de PROC SGPLOT<\/code>, cette d\u00e9composition multivari\u00e9e s’op\u00e8re par l’adjonction de l’option analytique GROUP=<\/code> sur l’instruction de trac\u00e9 VBAR<\/code> ou HBAR<\/code>.<\/p>\n

Sur le plan algorithmique, l’option GROUP=<\/code> ordonne au processeur graphique d’effectuer une double tabulation factorielle croisant la variable ma\u00eetresse d’abscisse avec la variable de stratification d\u00e9sign\u00e9e. Plut\u00f4t que de synth\u00e9tiser la classe d’abscisse sous la forme d’un bloc g\u00e9om\u00e9trique monolithique, SAS fragmente chaque barre en sous-segments rectangulaires adjacents superpos\u00e9s. La hauteur cumul\u00e9e totale de la colonne correspond \u00e0 la somme globale des fr\u00e9quences ou des valeurs de la cat\u00e9gorie ma\u00eetresse, tandis que la hauteur propre de chaque sous-segment interne traduit la contribution quantitative sp\u00e9cifique de la sous-modalit\u00e9 correspondante.<\/p>\n

L’impl\u00e9mentation formelle de cette stratification au sein de la proc\u00e9dure s’articule selon la formulation syntaxique g\u00e9n\u00e9rale suivante :<\/p>\n


\nproc sgplot data=my_data;
\n  vbar variable_principale \/ group=variable_stratification;
\nrun;
\n<\/code><\/p>\n

Par d\u00e9faut, l’instruction VBAR<\/code> applique une disposition empil\u00e9e (empilement vertical ou stacking<\/em>) d\u00e8s lors que l’option GROUP=<\/code> est renseign\u00e9e sans modificateur d’affichage spatial concurrent. Concomitamment, le moteur ODS Graphics g\u00e9n\u00e8re automatiquement une l\u00e9gende explicative exempte de redondance et applique une palette chromatique contrast\u00e9e issue du style actif, permettant d’identifier sans ambigu\u00eft\u00e9 les diff\u00e9rents niveaux du facteur de regroupement.<\/p>\n

\"stacked
stacked bar chart in SAS<\/figcaption><\/figure>\n

5.2 \u00c9tude de cas : Ventilation des postes au sein de chaque structure d’\u00e9quipe<\/h3>\n

Appliquons cette m\u00e9thode de d\u00e9composition structurelle \u00e0 notre \u00e9chantillon exp\u00e9rimental afin d’\u00e9tudier la ventilation des postes tactiques (position<\/code>) au sein de chaque collectif sportif (team<\/code>). La question analytique sous-jacente est d’\u00e9valuer si la parit\u00e9 globale d’effectif observ\u00e9e entre les trois \u00e9quipes (5 athl\u00e8tes chacune) dissimule ou non des disparit\u00e9s dans l’allocation des r\u00f4les tactiques sur le terrain.<\/p>\n

Le code SAS permettant d’ex\u00e9cuter cette ventilation crois\u00e9e s’\u00e9nonce comme suit :<\/p>\n


\ntitle \"Ventilation Stratifi\u00e9e des Postes par \u00c9quipe (Diagramme Empil\u00e9)\";
\nproc sgplot data=my_data;
\n  vbar team \/ group=position;
\nrun;
\ntitle;
\n<\/code><\/p>\n

La figure g\u00e9n\u00e9r\u00e9e pr\u00e9sente une architecture visuelle r\u00e9v\u00e9latrice. Les trois barres associ\u00e9es aux \u00e9quipes A, B et C conservent une hauteur totale parfaitement identique culminant \u00e0 5 unit\u00e9s sur l’axe des ordonn\u00e9es, mat\u00e9rialisant ainsi la conservation des effectifs globaux marginaux. Toutefois, la morphologie interne des rectangles est d\u00e9sormais fragment\u00e9e en deux strates colorim\u00e9triques distinctes correspondant aux modalit\u00e9s \u00ab Forward \u00bb et \u00ab Guard \u00bb.<\/p>\n

L’examen de cette segmentation interne r\u00e9v\u00e8le instantan\u00e9ment l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle des collectifs : pour les \u00e9quipes A et C, le segment inf\u00e9rieur associ\u00e9 aux arri\u00e8res culmine \u00e0 3 unit\u00e9s, surmont\u00e9 par le segment des avants occupant les 2 unit\u00e9s restantes pour atteindre le plafond de 5. \u00c0 l’inverse, pour l’\u00e9quipe B, le segment des arri\u00e8res ne s’\u00e9l\u00e8ve qu’\u00e0 2 unit\u00e9s, tandis que la strate sup\u00e9rieure des avants s’\u00e9tend sur 3 unit\u00e9s d’amplitude verticale. Cette d\u00e9composition permet ainsi de mettre imm\u00e9diatement en lumi\u00e8re la divergence tactique de l’\u00e9quipe B par rapport \u00e0 ses homologues, une information qui demeurait totalement invisible lors de la mod\u00e9lisation univari\u00e9e simple pr\u00e9c\u00e9dente.<\/p>\n

5.3 Limites perceptuelles et risques d’interpr\u00e9tation des barres empil\u00e9es<\/h3>\n

En d\u00e9pit de son \u00e9l\u00e9gance synth\u00e9tique ind\u00e9niable pour la repr\u00e9sentation des rapports de composition \u00ab partie-tout \u00bb, le diagramme \u00e0 barres empil\u00e9es soul\u00e8ve des r\u00e9serves m\u00e9thodologiques majeures en mati\u00e8re de s\u00e9miotique graphique et de fid\u00e9lit\u00e9 perceptive. Ces limitations, amplement document\u00e9es par Jacques Bertin et formalis\u00e9es ult\u00e9rieurement par les sp\u00e9cialistes de la perception quantitative, d\u00e9coulent du ph\u00e9nom\u00e8ne cognitif de la perte de r\u00e9f\u00e9rence basale commune (floating baseline bias<\/em>).<\/p>\n

Dans un trac\u00e9 empil\u00e9, seule la sous-cat\u00e9gorie occupant la position basale inf\u00e9rieure du rectangle repose sur une ligne de base horizontale fixe et standardis\u00e9e (la coordonn\u00e9e $Y = 0$<\/span>). L’observateur peut donc \u00e9valuer la hauteur de cette premi\u00e8re composante avec une exactitude perceptive maximale, en mobilisant le jugement de position le long d’une \u00e9chelle commune. En revanche, tous les segments situ\u00e9s aux \u00e9tages sup\u00e9rieurs reposent sur des lignes de base flottantes et fluctuantes, d\u00e9termin\u00e9es par la somme variable des grandeurs sous-jacentes. Pour \u00e9valuer la magnitude de ces segments interm\u00e9diaires ou terminaux, le syst\u00e8me cognitif de l’observateur est contraint d’abandonner l’estimation de position pour recourir \u00e0 une estimation de longueur relative ou \u00e0 un calcul arithm\u00e9tique de soustraction visuelle mentale, une op\u00e9ration mentale significativement plus complexe et g\u00e9n\u00e9ratrice d’erreurs syst\u00e9matiques d’appr\u00e9ciation.<\/p>\n

Il en r\u00e9sulte que la comparaison directe des sous-segments sup\u00e9rieurs entre plusieurs barres devient extr\u00eamement p\u00e9rilleuse d\u00e8s lors que les segments basaux ne sont pas strictement constants. De plus, les variations d’inclinaison des lignes de jonction visuelles entre strates adjacentes peuvent induire des illusions d’optique quant \u00e0 l’importance relative des variations observ\u00e9es. Par cons\u00e9quent, les recommandations actuelles en visualisation scientifique pr\u00e9conisent de r\u00e9server l’usage des barres empil\u00e9es aux situations d’analyse o\u00f9 seule l’\u00e9volution du total global importe au premier chef, ou bien d’opter pour des diagrammes empil\u00e9s normalis\u00e9s \u00e0 100 % lorsque l’unique objectif r\u00e9side dans l’analyse de parts relatives relatives sans consid\u00e9ration des effectifs absolus.<\/p>\n

6. M\u00e9thode 3 : Conception de diagrammes \u00e0 barres group\u00e9es (Clustered Bar Charts)<\/h2>\n

6.1 Syntaxe de l’option GROUPDISPLAY=CLUSTER sous PROC SGPLOT<\/h3>\n

Pour pallier les \u00e9cueils perceptuels inh\u00e9rents \u00e0 l’empilement vertical sans renoncer \u00e0 l’analyse multivari\u00e9e simultan\u00e9e de deux facteurs cat\u00e9goriels, la troisi\u00e8me m\u00e9thode fondamentale repose sur la conception de diagrammes \u00e0 barres group\u00e9es, \u00e9galement d\u00e9sign\u00e9s sous l’appellation de diagrammes \u00e0 barres juxtapos\u00e9es ou Clustered Bar Charts<\/em>. Cette technique r\u00e9tablit une stricte rigueur g\u00e9om\u00e9trique en assurant que chaque cellule d’observation s’ancre directement sur la ligne de base commune \u00e0 z\u00e9ro.<\/p>\n

L’impl\u00e9mentation de cette configuration spatiale dans PROC SGPLOT<\/code> proc\u00e8de d’une extension directe de la syntaxe pr\u00e9c\u00e9dente. Il convient de combiner l’option GROUP=<\/code> avec l’option de positionnement spatial GROUPDISPLAY=CLUSTER<\/code> sur l’instruction de trac\u00e9 (qu’elle soit VBAR<\/code> ou HBAR<\/code>). L’attribut CLUSTER<\/code> modifie en profondeur la cin\u00e9matique de rendu du moteur SAS : au lieu d’additionner les vecteurs de coordonn\u00e9es pour empiler les rectangles le long d’une colonne unique, le syst\u00e8me divise la largeur allou\u00e9e \u00e0 chaque cat\u00e9gorie de l’axe principal en sous-intervalles contigus, au sein desquels sont \u00e9rig\u00e9es des barres distinctes pour chaque niveau du facteur de groupement.<\/p>\n

La formulation syntaxique canonique de cette approche comparative avanc\u00e9e s’\u00e9nonce comme suit :<\/p>\n


\nproc sgplot data=my_data;
\n  vbar variable_principale \/ group=variable_stratification groupdisplay=cluster;
\nrun;
\n<\/code><\/p>\n

Cette commande active automatiquement un algorithme de partitionnement spatial qui calibre les marges lat\u00e9rales et les espaces intercalaires entre les grappes (clusters<\/em>), de telle sorte que l’appartenance d’un ensemble de barres \u00e0 une m\u00eame modalit\u00e9 principale demeure visuellement \u00e9vidente tout en garantissant une distinction physique nette entre les sous-groupes adjacents.<\/p>\n

\"clustered
clustered bar chart in SAS<\/figcaption><\/figure>\n

6.2 Analyse comparative multivari\u00e9e des postes au sein des \u00e9quipes<\/h3>\n

L’application de l’instruction GROUPDISPLAY=CLUSTER<\/code> \u00e0 notre \u00e9tude comparative de la r\u00e9partition des postes sportifs par \u00e9quipe fournit un \u00e9clairage analytique sup\u00e9rieur, d\u00e9pouill\u00e9 de toute ambigu\u00eft\u00e9 cognitive de lecture. Le bloc de code de soumission se structure selon le protocole suivant :<\/p>\n


\ntitle \"Comparaison Multivari\u00e9e des Postes par \u00c9quipe (Barres Group\u00e9es)\";
\nproc sgplot data=my_data;
\n  vbar team \/ group=position groupdisplay=cluster;
\nrun;
\ntitle;
\n<\/code><\/p>\n

\u00c0 l’affichage de la figure, l’espace cart\u00e9sien se segmente harmonieusement en trois compartiments distincts identifi\u00e9s par les \u00e9tiquettes \u00ab A \u00bb, \u00ab B \u00bb et \u00ab C \u00bb. Au sein de chaque grappe d’\u00e9quipe, nous observons d\u00e9sormais deux barres distinctes, accol\u00e9es l’une \u00e0 l’autre mais nettement s\u00e9par\u00e9es par une bordure p\u00e9riph\u00e9rique, reposant rigoureusement sur le plan d’abscisse $Y = 0$<\/span>. La premi\u00e8re barre, assign\u00e9e \u00e0 la modalit\u00e9 \u00ab Forward \u00bb, arbore la couleur distinctive d\u00e9finie par le style pour le niveau 1, tandis que la seconde barre, associ\u00e9e \u00e0 \u00ab Guard \u00bb, rev\u00eat la teinte contrast\u00e9e du niveau 2.<\/p>\n

L’avantage comparatif de cette disposition est imm\u00e9diat pour l’analyse inf\u00e9rentielle : l’observateur peut d\u00e9sormais comparer avec une \u00e9gale pr\u00e9cision analytique non seulement les effectifs internes d’une m\u00eame \u00e9quipe (comparaison intra-groupe), mais \u00e9galement la variation d’un poste donn\u00e9 d’une \u00e9quipe \u00e0 l’autre (comparaison inter-groupe). Il appara\u00eet instantan\u00e9ment que la modalit\u00e9 \u00ab Forward \u00bb culmine \u00e0 2 unit\u00e9s pour l’\u00e9quipe A, s’\u00e9l\u00e8ve \u00e0 3 unit\u00e9s pour l’\u00e9quipe B, puis redescend \u00e0 2 unit\u00e9s pour l’\u00e9quipe C. Cette trajectoire en cloche de l’effectif des avants \u00e0 travers les trois \u00e9quipes est appr\u00e9hend\u00e9e avec une vitesse de traitement neuronal optimale, car l’\u0153il op\u00e8re exclusivement sur des jugements de position lin\u00e9aire le long d’une \u00e9chelle gradu\u00e9e constante.<\/p>\n

6.3 Arbitrage m\u00e9thodologique : Diagrammes group\u00e9s versus diagrammes empil\u00e9s<\/h3>\n

Le choix entre un diagramme \u00e0 barres empil\u00e9es et un diagramme \u00e0 barres group\u00e9es ne saurait relever d’une simple pr\u00e9f\u00e9rence cosm\u00e9tique : il traduit un engagement \u00e9pist\u00e9mologique pr\u00e9cis quant \u00e0 la nature des questions de recherche auxquelles la figure se propose de r\u00e9pondre. L’analyste doit formuler son arbitrage m\u00e9thodologique en confrontant les caract\u00e9ristiques intrins\u00e8ques de ces deux artefacts aux objectifs communicationnels du rapport d’\u00e9tude.<\/p>\n

Le diagramme empil\u00e9 excelle dans la restitution de la sommation globale et de la compl\u00e9tude proportionnelle : il est l’outil d’\u00e9lection lorsque l’information dominante r\u00e9side dans l’\u00e9volution du volume macroscopique total de chaque strate (par exemple, le budget global d’un d\u00e9partement minist\u00e9riel ou l’incidence brute totale d’une pathologie) et que la d\u00e9composition interne ne constitue qu’une information de second ordre destin\u00e9e \u00e0 illustrer l’agencement des composantes sans exiger une quantification diff\u00e9rentielle ultra-pr\u00e9cise de chacune d’elles.<\/p>\n

\u00c0 l’oppos\u00e9, le diagramme group\u00e9 s’impose imp\u00e9rativement d\u00e8s lors que l’hypoth\u00e8se scientifique sous-jacente porte sur l’interaction factorielle, c’est-\u00e0-dire sur l’\u00e9valuation fine de la mani\u00e8re dont la r\u00e9ponse d’un sous-groupe varie sous l’influence du facteur principal. En ancrant chaque mesure sur l’axe d’abscisse z\u00e9ro, le trac\u00e9 group\u00e9 pr\u00e9serve l’int\u00e9grit\u00e9 absolue de la hi\u00e9rarchie perceptuelle de Cleveland et McGill. Son co\u00fbt spatial r\u00e9side dans un \u00e9largissement horizontal substantiel de la figure : la multiplication des grappes et des sous-barres consomme davantage de bande passante visuelle sur le canevas, ce qui peut saturer l’espace utile si la variable de groupement comporte un nombre \u00e9lev\u00e9 de modalit\u00e9s. Dans ce dernier cas, une d\u00e9composition en petits multiples (Small Multiples<\/em>) via l’instruction PANELBY<\/code> de la proc\u00e9dure associ\u00e9e PROC SGPANEL<\/code> pourra constituer une alternative architecturale plus robuste.<\/p>\n

7. Agr\u00e9gation de m\u00e9triques continues : Au-del\u00e0 du simple d\u00e9nombrement fr\u00e9quentiel<\/h2>\n

7.1 Sp\u00e9cification de variables de r\u00e9ponse continues avec l’option RESPONSE<\/h3>\n

Jusqu’\u00e0 pr\u00e9sent, les diagrammes mod\u00e9lis\u00e9s ont fonctionn\u00e9 selon un mode de r\u00e9duction fr\u00e9quentielle primaire, o\u00f9 la hauteur des barres refl\u00e9tait exclusivement le d\u00e9nombrement brut des occurrences d’unit\u00e9s statistiques dans chaque case factorielle. Toutefois, dans la pratique empirique avanc\u00e9e, le diagramme \u00e0 barres est omnipr\u00e9sent pour repr\u00e9senter des grandeurs m\u00e9triques continues associ\u00e9es \u00e0 des classes qualitatives, telles que des rendements moyens, des concentrations plasmatiques de principes actifs ou des scores d’\u00e9valuation standardis\u00e9s. Dans la proc\u00e9dure PROC SGPLOT<\/code>, cette transition fondamentale du d\u00e9nombrement vers l’agr\u00e9gation continue s’effectue par l’adjonction de l’option RESPONSE=<\/code>.<\/p>\n

L’option RESPONSE=nom_variable<\/code> indique express\u00e9ment au moteur SAS qu’il ne doit plus d\u00e9nombrer les lignes de la table d’entr\u00e9e, mais agr\u00e9ger les valeurs num\u00e9riques contenues dans le vecteur scalaire sp\u00e9cifi\u00e9. L’axe quantitatif subit alors une translation s\u00e9mantique instantan\u00e9e : il cesse d’afficher l’\u00e9tiquette par d\u00e9faut Frequency<\/em> pour adopter le libell\u00e9 formel ou le nom de la variable de r\u00e9ponse d\u00e9sign\u00e9e. Le trac\u00e9 r\u00e9sultant mat\u00e9rialise alors la distribution des grandeurs continues sous-jacentes \u00e0 travers les niveaux de la variable de cat\u00e9gorisation port\u00e9e sur l’axe orthogonal.<\/p>\n

Consid\u00e9rons l’application de cette m\u00e9canique \u00e0 notre jeu de donn\u00e9es exp\u00e9rimental, en d\u00e9signant la variable points<\/code> comme mesure de r\u00e9ponse m\u00e9trique associ\u00e9e aux \u00e9quipes :<\/p>\n


\nproc sgplot data=my_data;
\n  vbar team \/ response=points;
\nrun;
\n<\/code><\/p>\n

\u00c0 l’ex\u00e9cution de cette requ\u00eate, le moteur de calcul SAS applique par d\u00e9faut un op\u00e9rateur d’accumulation arithm\u00e9tique globale. Il calcule la somme de l’ensemble des points enregistr\u00e9s par chaque \u00e9quipe et \u00e9rige une colonne verticale dont l’altitude correspond \u00e0 ce total cumul\u00e9. Pour l’\u00e9quipe A ($12 + 20 + 22 + 29 + 24$<\/span>), la barre culmine \u00e0 107 unit\u00e9s ; pour l’\u00e9quipe B ($35 + 34 + 12 + 15 + 26$<\/span>), elle atteint 122 unit\u00e9s ; pour l’\u00e9quipe C ($18 + 22 + 25 + 15 + 19$<\/span>), elle s’\u00e9tablit \u00e0 99 unit\u00e9s. Cette sommation brute fournit une vision imm\u00e9diate du volume d’impact global de chaque formation.<\/p>\n

7.2 Calcul et affichage de la moyenne arithm\u00e9tique via l’option STAT=MEAN<\/h3>\n

Dans une immense majorit\u00e9 de protocoles scientifiques, la somme cumul\u00e9e brute ne constitue pas l’estimateur de tendance centrale le plus pertinent, notamment lorsque les effectifs cellulaires sont asym\u00e9triques ou lorsque la question biologique ou \u00e9conomique pos\u00e9e concerne l’intensit\u00e9 unitaire moyenne plut\u00f4t que le volume totalis\u00e9. Pour subordonner la hauteur des barres \u00e0 un indicateur de tendance centrale standardis\u00e9, le programmeur doit faire appel \u00e0 l’option de r\u00e9duction statistique STAT=<\/code>, configur\u00e9e avec la valeur MEAN<\/code>.<\/p>\n

La d\u00e9claration conjointe de RESPONSE=points<\/code> et de STAT=MEAN<\/code> au sein de l’instruction VBAR<\/code> modifie radicalement le moteur d’agr\u00e9gation interne : SAS extrait la distribution conditionnelle de la variable de r\u00e9ponse pour chaque modalit\u00e9 factorielle, somme les valeurs observ\u00e9es, puis divise rigoureusement cette somme par l’effectif valide de chaque groupe :<\/p>\n

$$\\bar{Y}_j = \\frac{1}{n_j} \\sum_{i=1}^{n_j} Y_{ij}$$<\/span><\/p>\n

La commande op\u00e9rationnelle s’impl\u00e9mente comme suit :<\/p>\n


\ntitle \"Score Moyen R\u00e9alis\u00e9 par \u00c9quipe (Estimateur de Tendance Centrale)\";
\nproc sgplot data=my_data;
\n  vbar team \/ response=points stat=mean;
\nrun;
\ntitle;
\n<\/code><\/p>\n

Sur la figure r\u00e9sultante, l’axe vertical des ordonn\u00e9es adopte l’intitul\u00e9 normalis\u00e9 Mean of points<\/em>. Les hauteurs des barres expriment d\u00e9sormais avec exactitude les esp\u00e9rances empiriques d’\u00e9quipe : l’\u00e9quipe A affiche une performance moyenne de $\\bar{Y}_A = 21{,}4$<\/span> points, l’\u00e9quipe B domine avec une moyenne de $\\bar{Y}_B = 24{,}4$<\/span> points, tandis que l’\u00e9quipe C enregistre une moyenne de $\\bar{Y}_C = 19{,}8$<\/span> points. La comparaison graphique ne porte plus sur un stock d’unit\u00e9s cumul\u00e9es mais sur un param\u00e8tre intensif directement comparable, autorisant une appr\u00e9ciation robuste des diff\u00e9rences de performance relatives entre les groupes d’\u00e9tude.<\/p>\n

7.3 Exploitation des fonctions de cumul avec STAT=SUM et autres statistiques<\/h3>\n

La flexibilit\u00e9 param\u00e9trique de l’option STAT=<\/code> sous PROC SGPLOT<\/code> ne se cantonne pas au dilemme \u00e9l\u00e9mentaire entre effectif brut et moyenne arithm\u00e9tique. Le moteur ODS Graphics int\u00e8gre un \u00e9ventail diversifi\u00e9 d’op\u00e9rateurs statistiques permettant d’adapter la sortie graphique \u00e0 la nature exacte des distributions empiriques et aux conventions \u00e9pist\u00e9mologiques du domaine d’application consid\u00e9r\u00e9.<\/p>\n

Parmi les valeurs autoris\u00e9es pour l’attribut STAT=<\/code>, citons notamment :<\/p>\n

    \n
  • SUM<\/code> : Force l’agr\u00e9gation par sommation int\u00e9grale des valeurs de r\u00e9ponse associ\u00e9es \u00e0 chaque cellule cat\u00e9gorielle (comportement par d\u00e9faut lors de l’usage de RESPONSE=<\/code> sans sp\u00e9cification statistique explicite).<\/li>\n
  • MEDIAN<\/code> : Assignation de la hauteur de barre \u00e0 la m\u00e9diane distributionnelle conditionnelle. Cet estimateur robuste est hautement recommand\u00e9 en pr\u00e9sence de distributions fortement asym\u00e9triques ou contamin\u00e9es par des valeurs aberrantes extr\u00eames (donn\u00e9es de revenus, dur\u00e9es de survie, co\u00fbts hospitaliers), o\u00f9 la moyenne arithm\u00e9tique subirait une distorsion s\u00e9miotique majeure.<\/li>\n
  • FREQ<\/code> : R\u00e9tablissement forc\u00e9 du d\u00e9nombrement fr\u00e9quentiel des observations, y compris lorsqu’une variable de pond\u00e9ration est d\u00e9clar\u00e9e.<\/li>\n
  • PERCENT<\/code> : Conversion instantan\u00e9e des d\u00e9nombrements ou des grandeurs cumul\u00e9es en pourcentages relatifs par rapport \u00e0 la masse totale de l’\u00e9chantillon, facilitant la mise en perspective normalis\u00e9e des donn\u00e9es sans n\u00e9cessiter d’\u00e9tape interm\u00e9diaire de calcul de ratios via une proc\u00e9dure PROC FREQ<\/code>.<\/li>\n<\/ul>\n

    Sur le plan de la rigueur m\u00e9thodologique, l’analyste doit imp\u00e9rativement veiller \u00e0 expliciter l’op\u00e9rateur statistique retenu, \u00e0 la fois dans le titrage formel de la figure et dans les libell\u00e9s d’axes. L’omission de cette pr\u00e9cision s\u00e9mantique expose l’observateur \u00e0 des confusions cognitives s\u00e9v\u00e8res, comme la confusion classique entre une moyenne arithm\u00e9tique d’intensit\u00e9 et un volume cumulatif total, faussant ainsi l’interpr\u00e9tation des dynamiques sous-jacentes du jeu de donn\u00e9es.<\/p>\n

    8. Personnalisation esth\u00e9tique et s\u00e9miotique graphique avec PROC SGPLOT<\/h2>\n

    8.1 Contr\u00f4le des palettes chromatiques et du remplissage avec FILLATTRS<\/h3>\n

    L’apparence visuelle d’un diagramme \u00e0 barres ne saurait relever du pur caprice d\u00e9coratif. En visualisation scientifique, la couleur est un vecteur s\u00e9mantique de premier ordre qui remplit des fonctions d’identification taxonomique, de discrimination cat\u00e9gorielle et de focalisation attentionnelle. La proc\u00e9dure PROC SGPLOT<\/code> offre un contr\u00f4le microscopique sur le traitement des surfaces au moyen de l’option d’attributs de remplissage FILLATTRS=<\/code>, applicable directement sur les instructions VBAR<\/code> ou HBAR<\/code>.<\/p>\n

    L’option FILLATTRS=(COLOR=couleur)<\/code> permet d’annuler les affectations chromatiques automatiques d\u00e9riv\u00e9es de la feuille de style ODS globale pour imposer une teinte sp\u00e9cifique, d\u00e9finie soit par son nom mn\u00e9monique standard (tel que STEEL<\/code>, NAVY<\/code>, GRAY<\/code>, CX1B4F72<\/code>), soit par son encodage hexad\u00e9cimal rigoureux dans l’espace colorim\u00e9trique RVB (pr\u00e9fix\u00e9 par CX<\/code> dans la syntaxe SAS). Cette ma\u00eetrise pr\u00e9cise est indispensable pour garantir la conformit\u00e9 des figures avec les chartes graphiques institutionnelles ou les crit\u00e8res d’accessibilit\u00e9 visuelle, notamment pour les personnes atteintes de d\u00e9ficits de la perception des couleurs (dyschromatopsies telles que la deut\u00e9ranopie ou la protanopie).<\/p>\n

    Illustrons cette personnalisation sur un trac\u00e9 de moyennes univari\u00e9 :<\/p>\n


    \nproc sgplot data=my_data;
    \n  vbar team \/ response=points stat=mean
    \n              fillattrs=(color=cx2C3E50);
    \nrun;
    \n<\/code><\/p>\n

    Dans cet exemple, l’application d’un bleu nuit d\u00e9satur\u00e9 profond (CX2C3E50<\/code>) conf\u00e8re \u00e0 la figure un rendu d’une grande sobri\u00e9t\u00e9 acad\u00e9mique. Ce traitement chromatique neutre \u00e9vite l’\u00e9cueil des couleurs primaires trop satur\u00e9es qui saturent inutilement la r\u00e9tine du lecteur et d\u00e9tournent l’attention de la structure g\u00e9om\u00e9trique intrins\u00e8que des donn\u00e9es.<\/p>\n

    8.2 D\u00e9finition rigoureuse des bordures g\u00e9om\u00e9triques avec OUTLINEATTRS<\/h3>\n

    Un trac\u00e9 dont les rectangles ne poss\u00e8dent pas de d\u00e9limitation p\u00e9riph\u00e9rique nettement d\u00e9finie risque de souffrir d’un manque d’acuit\u00e9 optique, en particulier lors des impressions monochromes sur support papier ou lorsque des teintes adjacentes pr\u00e9sentent des contrastes de luminance mod\u00e9r\u00e9s. L’instruction OUTLINEATTRS=<\/code> permet de configurer l’ensemble des descripteurs g\u00e9om\u00e9triques associ\u00e9s au contour lin\u00e9aire de chaque barre.<\/p>\n

    Cette option accepte un triplet fondamental de sous-param\u00e8tres :<\/p>\n

      \n
    • COLOR=<\/code> : D\u00e9finit la couleur du trait de contour (par exemple, BLACK<\/code> ou une nuance sombre d\u00e9riv\u00e9e du remplissage pour un rendu textur\u00e9 haut de gamme).<\/li>\n
    • THICKNESS=<\/code> : D\u00e9termine l’\u00e9paisseur du trac\u00e9 lin\u00e9aire en unit\u00e9s physiques d’affichage (exprim\u00e9e couramment en points typographiques, tels que 1pt<\/code> ou 1.5pt<\/code>, ou en pixels).<\/li>\n
    • PATTERN=<\/code> : Sp\u00e9cifie le style de trac\u00e9 de la bordure, offrant le choix entre une ligne continue unie (SOLID<\/code>) ou des discontinuit\u00e9s g\u00e9om\u00e9triques r\u00e9gl\u00e9es (DASH<\/code>, DOT<\/code>), bien que la ligne continue demeure la norme formelle de r\u00e9f\u00e9rence en mati\u00e8re de bordure de diagramme \u00e0 barres.<\/li>\n<\/ul>\n

      L’int\u00e9gration conjointe de FILLATTRS<\/code> et OUTLINEATTRS<\/code> s’articule comme suit :<\/p>\n


      \nproc sgplot data=my_data;
      \n  vbar team \/ response=points stat=mean
      \n              fillattrs=(color=cxD5D8DC)
      \n              outlineattrs=(color=cx1A5276 thickness=1.5pt);
      \nrun;
      \n<\/code><\/p>\n

      Cette formulation applique un remplissage gris min\u00e9ral tr\u00e8s clair soulign\u00e9 par une bordure bleu acier incisive de 1,5 point. Cette structuration g\u00e9om\u00e9trique nette \u00e9limine tout effet de flou visuel aux fronti\u00e8res des blocs rectangulaires, pr\u00e9venant l’apparition d’artefacts de moirage et garantissant une restitution vectorielle irr\u00e9prochable lors des r\u00e9ductions d’\u00e9chelle impos\u00e9es par la mise en page en double colonne des articles scientifiques.<\/p>\n

      8.3 Gestion de la transparence et des motifs textur\u00e9s avec TRANSPARENCY<\/h3>\n

      L’un des apports majeurs de l’architecture moderne ODS Graphics par rapport \u00e0 l’ancien moteur PROC GCHART<\/code> r\u00e9side dans la gestion native du canal alpha de composition, couramment d\u00e9sign\u00e9 sous le terme d’opacit\u00e9 ou de transparence vectorielle. L’option TRANSPARENCY=<\/code>, param\u00e9trable sur une \u00e9chelle continue allant de 0 (opacit\u00e9 totale, valeur par d\u00e9faut) \u00e0 1 (transparence int\u00e9grale rendant l’\u00e9l\u00e9ment g\u00e9om\u00e9trique invisible), offre des potentialit\u00e9s ergonomiques pr\u00e9cieuses pour la mise en valeur des trac\u00e9s complexes.<\/p>\n

      L’application d’un coefficient de semi-transparence mod\u00e9r\u00e9 (typiquement compris entre 0,15 et 0,35) adoucit l’impact perceptuel global de surfaces \u00e9tendues au sein du manuscrit. En att\u00e9nuant la densit\u00e9 chromatique des rectangles, elle permet \u00e9galement de rendre visibles des \u00e9l\u00e9ments graphiques d’arri\u00e8re-plan situ\u00e9s sur des plans g\u00e9om\u00e9triques sous-jacents, tels que des grilles de rep\u00e9rage cart\u00e9sien continues (reference lines<\/em>) ou des nuages de points individuels superpos\u00e9s en surimpression exploratoire.<\/p>\n

      Consid\u00e9rons l’application de cet attribut sur notre trac\u00e9 exp\u00e9rimental :<\/p>\n


      \nproc sgplot data=my_data;
      \n  vbar team \/ fillattrs=(color=navy) transparency=0.25;
      \nrun;
      \n<\/code><\/p>\n

      Ce r\u00e9glage conf\u00e8re aux barres une texture a\u00e9r\u00e9e et \u00e9l\u00e9gante, tout en facilitant la cohabitation visuelle de la figure avec le texte courant d’un document PDF ou d’une page Web. L’analyste doit toutefois veiller \u00e0 ne pas d\u00e9passer un seuil critique d’att\u00e9nuation (au-del\u00e0 de 0,5), sous peine d’affaiblir excessivement le contraste de luminance n\u00e9cessaire \u00e0 la discrimination imm\u00e9diate des longueurs relatives par l’observateur.<\/p>\n

      9. Configuration des axes cart\u00e9siens et des \u00e9chelles de mesure<\/h2>\n

      9.1 Optimisation de l’axe cat\u00e9goriel avec l’instruction XAXIS<\/h3>\n

      Dans l’architecture de PROC SGPLOT<\/code>, le contr\u00f4le typographique, structurel et spatial du syst\u00e8me cart\u00e9sien repose sur des instructions proc\u00e9durales d\u00e9di\u00e9es. Pour un diagramme vertical issu de VBAR<\/code>, l’axe horizontal portant les classes discr\u00e8tes est enti\u00e8rement pilot\u00e9 par l’instruction XAXIS<\/code>. Le recours \u00e0 cette instruction est indispensable pour affranchir le graphique des comportements par d\u00e9faut de SAS, qui affiche souvent des noms de variables bruts non format\u00e9s ou des dispositions de graduation sous-optimales.<\/p>\n

      L’optimisation formelle de l’axe horizontal comprend principalement la neutralisation ou la r\u00e9\u00e9criture \u00e9l\u00e9gante de l’\u00e9tiquette de variable au moyen de l’option LABEL=<\/code>. Dans de nombreuses situations o\u00f9 les modalit\u00e9s cat\u00e9gorielles sont explicites par elles-m\u00eames (par exemple : \u00ab \u00c9quipe A \u00bb, \u00ab \u00c9quipe B \u00bb, \u00ab \u00c9quipe C \u00bb), la pr\u00e9sence d’un libell\u00e9 g\u00e9n\u00e9rique \u00ab team \u00bb sous l’axe constitue une redondance visuelle inutile (concept de chartjunk<\/em> ou d\u00e9chet graphique th\u00e9oris\u00e9 par Edward Tufte). L’utilisation de la syntaxe LABEL=''<\/code> permet de supprimer purement et simplement ce label superflu, \u00e9purant ainsi l’espace graphique.<\/p>\n

      Par ailleurs, lorsque les \u00e9tiquettes cat\u00e9gorielles sont denses, l’option FITPOLICY=<\/code> fournit un m\u00e9canisme sophistiqu\u00e9 de gestion des conflits spatiaux. Cette option instruit le moteur SAS sur l’arbitrage automatique \u00e0 op\u00e9rer pour \u00e9viter la superposition des textes :<\/p>\n

        \n
      • FITPOLICY=ROTATE<\/code> : Applique une rotation angulaire contr\u00f4l\u00e9e des \u00e9tiquettes d’abscisse.<\/li>\n
      • FITPOLICY=STAGGER<\/code> : D\u00e9cale verticalement les \u00e9tiquettes en quinconce sur deux niveaux horizontaux parall\u00e8les.<\/li>\n
      • FITPOLICY=TRUNCATE<\/code> : Tronque les libell\u00e9s trop longs au moyen de points de suspension standardis\u00e9s.<\/li>\n
      • FITPOLICY=SPLIT<\/code> : Fragmente les cha\u00eenes de caract\u00e8res au niveau des espaces blancs ou de s\u00e9parateurs d\u00e9finis pour les afficher sur plusieurs lignes verticales resserr\u00e9es.<\/li>\n<\/ul>\n

        9.2 Standardisation de l’axe quantitatif de r\u00e9ponse avec l’instruction YAXIS<\/h3>\n

        L’axe quantitatif vertical, configur\u00e9 par l’instruction YAXIS<\/code> pour un diagramme \u00e0 barres de type VBAR<\/code>, conditionne directement la validit\u00e9 scientifique de l’inf\u00e9rence visuelle. C’est sur cet axe que repose la fid\u00e9lit\u00e9 de l’encodage des magnitudes num\u00e9riques. Le programmeur doit exercer un contr\u00f4le direct sur son intervalle de variation et sur ses \u00e9l\u00e9ments de rep\u00e9rage optique.<\/p>\n

        L’option VALUES=(min TO max BY pas)<\/code> constitue le param\u00e8tre ma\u00eetre de cette instruction. Elle permet de fixer explicitement les bornes minimale et maximale de l’\u00e9chelle d’affichage, ainsi que l’incr\u00e9ment arithm\u00e9tique r\u00e9gulier r\u00e9gissant la position des graduations majeures. Cette standardisation est particuli\u00e8rement cruciale lorsque plusieurs graphiques distincts doivent \u00eatre compar\u00e9s c\u00f4te \u00e0 c\u00f4te dans une m\u00eame planche scientifique : l’\u00e9galisation manuelle des \u00e9chelles verticales \u00e9vite que deux groupes aux amplitudes dissemblables ne soient per\u00e7us comme \u00e9quivalents en raison d’un auto-dimensionnement ind\u00e9pendant de leurs axes respectifs.<\/p>\n

        En outre, l’activation de l’option bool\u00e9enne GRID<\/code> instancie un quadrillage horizontal discret d’arri\u00e8re-plan, align\u00e9 rigoureusement sur les graduations majeures de l’axe quantitatif. Cette grille fournit \u00e0 l’\u0153il un syst\u00e8me de guidage g\u00e9om\u00e9trique essentiel pour projeter mentalement le sommet de chaque rectangle vers la valeur num\u00e9rique exacte de l’ordonn\u00e9e, r\u00e9duisant ainsi consid\u00e9rablement la marge d’erreur d’estimation visuelle sans surcharger la clart\u00e9 globale du canevas.<\/p>\n

        9.3 Contr\u00f4le typographique des libell\u00e9s et des unit\u00e9s de mesure<\/h3>\n

        L’excellence \u00e9ditoriale d’une figure statistique s’\u00e9value \u00e9galement \u00e0 la coh\u00e9rence de sa charte typographique. Par d\u00e9faut, le moteur ODS Graphics applique des polices proportionnelles standardis\u00e9es susceptibles de diverger des polices utilis\u00e9es dans le corps du texte d’un manuscrit scientifique formel. Les sous-options d’attributs typographiques int\u00e9gr\u00e9es aux instructions d’axes permettent d’aligner rigoureusement ces param\u00e8tres sur les exigences des \u00e9diteurs.<\/p>\n

        Les attributs de libell\u00e9s s’ajustent au moyen de LABELATTRS=<\/code>, tandis que la typographie des graduations individuelles de l’axe est pilot\u00e9e par VALUEATTRS=<\/code>. Ces deux options autorisent la configuration fine des descripteurs suivants :<\/p>\n

          \n
        • FAMILY=<\/code> : Sp\u00e9cifie la famille typographique vectorielle de destination (par exemple : \"Times New Roman\"<\/code> pour les revues m\u00e9dicales classiques, \"Arial\"<\/code> ou \"Helvetica\"<\/code> pour les supports modernes sans empattement).<\/li>\n
        • SIZE=<\/code> : D\u00e9finit la taille effective du corps de texte (par exemple : 11pt<\/code> pour les libell\u00e9s ma\u00eetres, 9pt<\/code> pour les valeurs de graduation discr\u00e8tes).<\/li>\n
        • WEIGHT=<\/code> : Contr\u00f4le la graisse typographique (NORMAL<\/code>, BOLD<\/code>).<\/li>\n
        • STYLE=<\/code> : R\u00e8gle l’inclinaison des glyphes (NORMAL<\/code>, ITALIC<\/code>).<\/li>\n<\/ul>\n

          Consid\u00e9rons l’application de ces principes d’\u00e9talonnage cart\u00e9sien sur notre trac\u00e9 de moyennes :<\/p>\n


          \nproc sgplot data=my_data;
          \n  vbar team \/ response=points stat=mean fillattrs=(color=cx34495E);
          \n  xaxis label=\"Collectif Sportif \u00c9tudi\u00e9\"
          \n        labelattrs=(family=\"Arial\" size=10pt weight=bold)
          \n        valueattrs=(family=\"Arial\" size=9pt);
          \n  yaxis label=\"Score Moyen Obtenu (Points)\"
          \n        values=(0 to 30 by 5) grid
          \n        labelattrs=(family=\"Arial\" size=10pt weight=bold)
          \n        valueattrs=(family=\"Arial\" size=9pt);
          \nrun;
          \n<\/code><\/p>\n

          Dans cette formalisation compl\u00e8te, l’axe vertical est rigoureusement ancr\u00e9 \u00e0 l’origine absolue z\u00e9ro, s’\u00e9tend jusqu’\u00e0 30 points par sauts r\u00e9guliers de 5 unit\u00e9s, et dispose d’une grille de rep\u00e9rage continue. Les unit\u00e9s de mesure sont explicitement pr\u00e9cis\u00e9es entre parenth\u00e8ses dans le libell\u00e9 d’ordonn\u00e9e, \u00e9liminant tout doute quantitatif quant \u00e0 la nature de la grandeur mesur\u00e9e.<\/p>\n

          10. \u00c9tiquetage des donn\u00e9es, gestion de la l\u00e9gende et ajout d’indicateurs de dispersion<\/h2>\n

          10.1 Affichage direct des grandeurs num\u00e9riques avec l’option DATALABEL<\/h3>\n

          L’estimation visuelle de l’altitude d’un rectangle le long de l’axe des ordonn\u00e9es, m\u00eame facilit\u00e9e par un quadrillage discret, impose toujours une charge cognitive d’interpolation approximative. Pour les publications techniques ou les tableaux de bord d\u00e9cisionnels o\u00f9 chaque unit\u00e9 num\u00e9rique poss\u00e8de une valeur critique, il est hautement recommand\u00e9 d’inscrire la grandeur scalaire exacte directement au contact de l’\u00e9l\u00e9ment g\u00e9om\u00e9trique correspondant. Dans PROC SGPLOT<\/code>, cette fonctionnalit\u00e9 d’\u00e9tiquetage direct s’active via l’option DATALABEL<\/code>.<\/p>\n

          L’insertion du mot-cl\u00e9 DATALABEL<\/code> sur l’instruction VBAR<\/code> commande l’affichage automatique des valeurs agr\u00e9g\u00e9es au sommet de chaque colonne rectangulaire. Pour un diagramme horizontal g\u00e9n\u00e9r\u00e9 par HBAR<\/code>, ces \u00e9tiquettes sont positionn\u00e9es imm\u00e9diatement \u00e0 droite de l’extr\u00e9mit\u00e9 distale des barres. Le positionnement est calcul\u00e9 de mani\u00e8re dynamique par SAS afin d’\u00e9viter tout chevauchement avec les bordures physiques de la figure.<\/p>\n

          Pour affiner la pr\u00e9sentation de ces \u00e9tiquettes directes, le programmeur dispose de l’option DATALABELATTRS=<\/code>, qui permet d’en harmoniser la typographie, ainsi que de m\u00e9canismes de formatage num\u00e9rique sophistiqu\u00e9s. Lorsqu’une variable de r\u00e9ponse continue est agr\u00e9g\u00e9e sous forme de moyenne arithm\u00e9tique via STAT=MEAN<\/code>, SAS calcule par d\u00e9faut des valeurs \u00e0 d\u00e9cimales flottantes \u00e9tendues. Pour restreindre cet affichage \u00e0 un niveau de pr\u00e9cision significatif sans encombrement inutile (par exemple, un seul chiffre apr\u00e8s la virgule), il convient de d\u00e9clarer un format statistique ad\u00e9quat en amont ou d’exploiter les options de mod\u00e9lisation associ\u00e9es :<\/p>\n


          \nproc sgplot data=my_data;
          \n  vbar team \/ response=points stat=mean
          \n              datalabel datalabelattrs=(family=\"Arial\" size=9pt weight=bold);
          \n  format points 5.1;
          \nrun;
          \n<\/code><\/p>\n

          L’application du format 5.1<\/code> contraint l’affichage \u00e0 une d\u00e9cimale unique arrondie, fournissant au lecteur une lecture num\u00e9rique instantan\u00e9e (par exemple : 21.4, 24.4, 19.8) sans saturer l’espace sup\u00e9rieur du graphique.<\/p>\n

          10.2 Configuration spatiale et s\u00e9mantique de la l\u00e9gende via KEYLEGEND<\/h3>\n

          D\u00e8s lors qu’un diagramme \u00e0 barres int\u00e8gre une seconde dimension cat\u00e9gorielle au moyen de l’option GROUP=<\/code> (qu’il s’agisse d’un affichage empil\u00e9 ou group\u00e9), le moteur ODS Graphics g\u00e9n\u00e8re automatiquement une l\u00e9gende identificatoire. Bien que l’agencement par d\u00e9faut soit fonctionnel, il r\u00e9pond rarement aux normes esth\u00e9tiques et spatiales requises par les revues acad\u00e9miques de premier plan. L’instruction proc\u00e9durale d\u00e9di\u00e9e KEYLEGEND<\/code> permet de reprogrammer enti\u00e8rement l’architecture spatiale et textuelle de cet \u00e9l\u00e9ment s\u00e9miotique.<\/p>\n

          Par d\u00e9faut, la l\u00e9gende est positionn\u00e9e en marge inf\u00e9rieure externe de la zone de trac\u00e9, encapsul\u00e9e dans une bo\u00eete rectangulaire ferm\u00e9e. L’instruction KEYLEGEND<\/code> offre une grande latitude de param\u00e9trage :<\/p>\n

            \n
          • POSITION=<\/code> : D\u00e9termine l’emplacement g\u00e9ographique de la bo\u00eete de l\u00e9gende sur le canevas (options BOTTOM<\/code>, TOP<\/code>, RIGHT<\/code>, TOPRIGHT<\/code>, BOTTOMLEFT<\/code>, etc.).<\/li>\n
          • LOCATION=<\/code> : Sp\u00e9cifie si la l\u00e9gende r\u00e9side en dehors du champ cart\u00e9sien des donn\u00e9es (LOCATION=OUTSIDE<\/code>, valeur par d\u00e9faut) ou si elle est incorpor\u00e9e en surimpression directe \u00e0 l’int\u00e9rieur de l’espace vide du trac\u00e9 (LOCATION=INSIDE<\/code>), permettant ainsi d’\u00e9conomiser un espace vertical pr\u00e9cieux sur la page.<\/li>\n
          • ACROSS=<\/code> ou DOWN=<\/code> : R\u00e8gle le nombre de colonnes ou de lignes structurelles composant l’agencement des descripteurs de l\u00e9gende.<\/li>\n
          • NOBORDER<\/code> : Supprime le trait de contour p\u00e9riph\u00e9rique de la bo\u00eete de l\u00e9gende, all\u00e9geant la composition selon les pr\u00e9ceptes du minimalisme graphique moderne.<\/li>\n
          • TITLE=<\/code> : Permet de reformuler ou de supprimer enti\u00e8rement l’en-t\u00eate textuel de la l\u00e9gende pour expliciter la signification conceptuelle du facteur de stratification.<\/li>\n<\/ul>\n

            L’int\u00e9gration formelle de cette instruction se concr\u00e9tise dans le fragment syntaxique suivant :<\/p>\n


            \nkeylegend \/ position=topright location=inside across=1
            \n           noborder title=\"Poste Tactique :\";
            \n<\/code><\/p>\n

            Ce bloc ins\u00e8re la l\u00e9gende directement dans le quadrant sup\u00e9rieur droit non occup\u00e9 du trac\u00e9, empile les modalit\u00e9s de groupement sur une colonne verticale unifi\u00e9e et \u00e9limine toute bo\u00eete de d\u00e9limitation encombrante, instaurant une relation visuelle directe et \u00e9pur\u00e9e entre le code chromatique et les donn\u00e9es empiriques.<\/p>\n

            10.3 Ajout de barres d’erreur et d’intervalles de confiance<\/h3>\n

            L’un des reproches m\u00e9thodologiques les plus s\u00e9v\u00e8res adress\u00e9s au diagramme \u00e0 barres repr\u00e9sentant des moyennes arithm\u00e9tiques concerne son incapacit\u00e9 intrins\u00e8que \u00e0 rendre compte de la dispersion des observations sous-jacentes. Afficher un rectangle plein pour figurer une moyenne sans mat\u00e9rialiser la variance de l’\u00e9chantillon constitue une omission scientifique majeure, susceptible de dissimuler des h\u00e9t\u00e9rosc\u00e9dasticit\u00e9s flagrantes ou des chevauchements d’incertitude critiques. Pour rem\u00e9dier \u00e0 cette lacune, PROC SGPLOT<\/code> propose une int\u00e9gration directe des barres d’erreur statistique au moyen de l’option LIMITSTAT=<\/code>.<\/p>\n

            Applicable sur l’instruction VBAR<\/code> lorsque STAT=MEAN<\/code> est actif, l’option LIMITSTAT=<\/code> permet de s\u00e9lectionner l’indicateur de dispersion inf\u00e9rentielle le plus rigoureux en fonction du cadre exp\u00e9rimental :<\/p>\n

              \n
            • LIMITSTAT=STDDEV<\/code> : Ajoute une barre d’erreur mat\u00e9rialisant l’\u00e9cart-type empirique ($s$<\/span>) de l’\u00e9chantillon, refl\u00e9tant la variabilit\u00e9 brute de la distribution des observations individuelles autour de la moyenne.<\/li>\n
            • LIMITSTAT=STDERR<\/code> : Calcule et projette l’erreur-type de la moyenne ($\\text{SE} = s \/ \\sqrt{n}$<\/span>), indiquant la pr\u00e9cision de l’estimateur de tendance centrale.<\/li>\n
            • LIMITSTAT=CLM<\/code> : \u00c9rige un v\u00e9ritable intervalle de confiance bilat\u00e9ral de la moyenne (par d\u00e9faut \u00e0 95 % sous hypoth\u00e8se de distribution normale ou de loi de Student), fond\u00e9 sur la distribution $t$<\/span> pour l’\u00e9chantillon consid\u00e9r\u00e9.<\/li>\n<\/ul>\n

              De surcro\u00eet, l’option compl\u00e9mentaire NUMSTD=valeur<\/code> permet d’ajuster le multiplicateur d’\u00e9chelle associ\u00e9 (par exemple pour afficher $\\pm 2$<\/span> \u00e9carts-types), tandis que l’option ALPHA=<\/code> module le seuil d’erreur de premi\u00e8re esp\u00e8ce pour les intervalles de confiance (par exemple ALPHA=0.01<\/code> pour un intervalle \u00e0 99 %).<\/p>\n

              Voici l’impl\u00e9mentation op\u00e9rationnelle compl\u00e8te d’un diagramme de moyennes int\u00e9grant des intervalles de confiance \u00e0 95 % :<\/p>\n


              \ntitle \"Performance Moyenne par \u00c9quipe et Intervalles de Confiance \u00e0 95 %\";
              \nproc sgplot data=my_data;
              \n  vbar team \/ response=points stat=mean
              \n              limitstat=clm alpha=0.05
              \n              fillattrs=(color=cx5DADE2) outlineattrs=(color=cx2874A6);
              \n  yaxis label=\"Moyenne des Points Marqu\u00e9s\" grid;
              \nrun;
              \ntitle;
              \n<\/code><\/p>\n

              Sur la figure produite, chaque barre est d\u00e9sormais surmont\u00e9e d’un segment vertical centr\u00e9 sur la moyenne, d\u00e9limit\u00e9 par des encoches horizontales d\u00e9signant les bornes inf\u00e9rieure et sup\u00e9rieure de l’intervalle de confiance. L’observateur scientifique peut ainsi v\u00e9rifier instantan\u00e9ment si les intervalles de deux \u00e9quipes se chevauchent ou non, obtenant d\u00e8s la phase exploratoire une premi\u00e8re indication visuelle quant \u00e0 la significativit\u00e9 statistique potentielle des \u00e9carts de performance constat\u00e9s.<\/p>\n

              11. Rigueur m\u00e9thodologique et \u00e9cueils d’interpr\u00e9tation en visualisation de donn\u00e9es<\/h2>\n

              11.1 Le pi\u00e8ge de la troncature d’axe et la distorsion cognitive des grandeurs<\/h3>\n

              Parmi l’ensemble des transgressions d\u00e9ontologiques et m\u00e9thodologiques en mati\u00e8re d’inf\u00e9rence visuelle, la troncature de l’axe quantitatif d’un diagramme \u00e0 barres constitue indiscutablement la faute la plus d\u00e9l\u00e9t\u00e8re. Le principe s\u00e9miotique absolu du diagramme \u00e0 barres r\u00e9side dans l’encodage de la grandeur par la longueur physique<\/em> du rectangle. Par voie de cons\u00e9quence, toute alt\u00e9ration artificielle du point d’origine z\u00e9ro de l’axe de mesure fausse de mani\u00e8re irr\u00e9versible le ratio g\u00e9om\u00e9trique fondamental liant l’aire de la barre \u00e0 la r\u00e9alit\u00e9 de la mesure empirique.<\/p>\n

              Dans un ouvrage s\u00e9minal, Edward Tufte a formalis\u00e9 ce ph\u00e9nom\u00e8ne \u00e0 travers le calcul du facteur de distorsion graphique (Lie Factor<\/em>) :<\/p>\n

              $$\\text{Facteur de Distorsion} = \\frac{\\text{Taille de l’effet repr\u00e9sent\u00e9 graphiquement}}{\\text{Taille de l’effet r\u00e9el dans les donn\u00e9es}}$$<\/span><\/p>\n

              Lorsqu’un analyste tronque l’axe vertical d’un diagramme \u00e0 barres (par exemple en faisant d\u00e9buter l’axe des ordonn\u00e9es \u00e0 la valeur 18 au lieu de 0 pour comparer des moyennes oscillant entre 19{,}8 et 24{,}4 points), une diff\u00e9rence objective de seulement 23 % entre deux groupes se traduit par une barre qui appara\u00eet visuellement trois \u00e0 quatre fois plus haute que l’autre. Le cerveau humain, conditionn\u00e9 pour interpr\u00e9ter spontan\u00e9ment la longueur totale du solide g\u00e9om\u00e9trique comme le volume de la variable, subit une distorsion cognitive s\u00e9v\u00e8re, surestimant consid\u00e9rablement l’ampleur de l’effet sous-jacent.<\/p>\n

              S’il est parfaitement l\u00e9gitime de resserrer l’\u00e9chelle de mesure pour mettre en exergue des variations d’infime amplitude sur un nuage de points ou un trac\u00e9 lin\u00e9aire de s\u00e9rie chronologique, cette pratique est formellement proscrite pour les diagrammes \u00e0 barres. Si la variabilit\u00e9 microscopique d’une m\u00e9trique d’\u00e9chelle \u00e9troite constitue l’objet exclusif de la communication, le chercheur rigoureux doit renoncer au diagramme \u00e0 barres pour s’orienter vers des trac\u00e9s de points d\u00e9connect\u00e9s du plancher (tels que le Cleveland Dot Plot<\/em> formalis\u00e9 via l’instruction DOT<\/code> ou SCATTER<\/code> sous PROC SGPLOT<\/code>), qui n’engagent pas de m\u00e9taphore visuelle de volume volumique et autorisent des \u00e9chelles cart\u00e9siennes fen\u00eatr\u00e9es sans tromperie perceptuelle.<\/p>\n

              11.2 Distinction fondamentale entre diagrammes \u00e0 barres et histogrammes<\/h3>\n

              Une confusion \u00e9pist\u00e9mologique r\u00e9currente chez les utilisateurs novices des logiciels d’analyse quantitative r\u00e9side dans l’assimilation fallacieuse du diagramme \u00e0 barres (Bar Chart<\/em>) \u00e0 l’histogramme (Histogram<\/em>). Bien que ces deux formes visuelles recourent superficiellement \u00e0 des rectangles verticaux, elles r\u00e9pondent \u00e0 des fondements math\u00e9matiques totalement orthogonaux et ne doivent en aucun cas \u00eatre employ\u00e9es de mani\u00e8re interchangeable.<\/p>\n

              Le diagramme \u00e0 barres est con\u00e7u pour l’\u00e9valuation de variables discr\u00e8tes et cat\u00e9gorielles<\/em>. Chaque barre mat\u00e9rialise une classe d’\u00e9quivalence logique distincte et \u00e9tanche. L’ordre des cat\u00e9gories sur l’abscisse peut \u00eatre modifi\u00e9 (par ordre alphab\u00e9tique, fr\u00e9quentiel ou conventionnel) sans alt\u00e9rer la signification intrins\u00e8que de la mesure. Pour mat\u00e9rialiser cette discontinuit\u00e9 fondamentale, les rectangles d’un diagramme \u00e0 barres doivent imp\u00e9rativement \u00eatre s\u00e9par\u00e9s par un espace blanc lat\u00e9ral standardis\u00e9. Dans PROC SGPLOT<\/code>, cette g\u00e9om\u00e9trie discr\u00e8te est impl\u00e9ment\u00e9e par l’instruction VBAR<\/code>.<\/p>\n

              \u00c0 l’inverse, l’histogramme s’applique exclusivement \u00e0 des variables num\u00e9riques continues<\/em> pour estimer leur fonction de densit\u00e9 de probabilit\u00e9 empirique sous-jacente. L’axe des abscisses repr\u00e9sente une \u00e9chelle m\u00e9trique continue unidimensionnelle que le logiciel partitionne en intervalles de classes contigus (appel\u00e9s bins<\/em>). La surface de chaque rectangle est proportionnelle \u00e0 la probabilit\u00e9 de pr\u00e9sence des unit\u00e9s d’observation dans cet intervalle. Par cons\u00e9quent, les barres d’un histogramme doivent obligatoirement \u00eatre jointives et contigu\u00ebs, sans le moindre espacement vide, pour traduire physiquement le continuum topologique de la variable mesur\u00e9e. Dans la syntaxe SAS, ce trac\u00e9 continu requiert l’appel explicite de l’instruction HISTOGRAM<\/code> et ne saurait \u00eatre mod\u00e9lis\u00e9 via VBAR<\/code> sans d\u00e9naturer la mod\u00e9lisation math\u00e9matique du corpus de donn\u00e9es.<\/p>\n

              11.3 Gestion des cellules sans effectifs et des valeurs extr\u00eames<\/h3>\n

              Lors du traitement de corpus empiriques r\u00e9els, les analystes se heurtent fr\u00e9quemment \u00e0 la probl\u00e9matique des cellules factorielles vides (classes pour lesquelles aucune observation n’a \u00e9t\u00e9 collect\u00e9e) ou \u00e0 la pr\u00e9sence de valeurs hautement atypiques (outliers<\/em>) qui s’\u00e9cartent drastiquement de la masse distributionnelle principale. La gestion m\u00e9thodique de ces singularit\u00e9s conditionne la robustesse de l’affichage sous PROC SGPLOT<\/code>.<\/p>\n

              Lorsqu’un croisement factoriel via l’option GROUP=<\/code> g\u00e9n\u00e8re une combinaison sans effectif (par exemple, si l’\u00e9quipe C ne comprenait aucun athl\u00e8te au poste d’arri\u00e8re), le comportement par d\u00e9faut de la proc\u00e9dure peut omettre purement et simplement le niveau vacant ou comprimer la grappe d’affichage, rompant ainsi l’homog\u00e9n\u00e9it\u00e9 visuelle de l’ensemble. Pour pr\u00e9server une sym\u00e9trie cart\u00e9sienne rigoureuse, il convient d’associer des formats SAS sp\u00e9cifiques ou d’activer des options de compl\u00e9tude cat\u00e9gorielle telles que PRELOADFMT<\/code> (en conjonction avec DISCRETE<\/code> sur l’axe), for\u00e7ant l’affichage physique d’un espace vide r\u00e9serv\u00e9 pour la modalit\u00e9 manquante. Cette strat\u00e9gie garantit que l’absence de donn\u00e9es est per\u00e7ue en tant qu’information statistique n\u00e9gative explicite plut\u00f4t que comme un oubli ou une anomalie de programmation.<\/p>\n

              Concernant les valeurs extr\u00eames sur des variables de r\u00e9ponse continues, leur pr\u00e9sence au sein d’une cat\u00e9gorie peut gonfler artificiellement la moyenne arithm\u00e9tique ou d\u00e9former d\u00e9mesur\u00e9ment l’\u00e9chelle de mesure verticale de l’ensemble du graphique. Dans ce contexte, l’analyste doit imp\u00e9rativement documenter ces exclusions de mani\u00e8re transparente dans les notes m\u00e9thodologiques de bas de figure (au moyen de l’instruction FOOTNOTE<\/code>) ou privil\u00e9gier la m\u00e9diane (STAT=MEDIAN<\/code>) compl\u00e9t\u00e9e par un diagramme de dispersion composite pour pr\u00e9server la v\u00e9rit\u00e9 distributionnelle des observations.<\/p>\n

              12. Synth\u00e8se op\u00e9rationnelle des 3 m\u00e9thodes et protocoles d’exportation pour publication<\/h2>\n

              12.1 Tableau synoptique comparatif des trois approches SAS PROC SGPLOT<\/h3>\n

              Pour guider le biostatisticien ou l’analyste dans la s\u00e9lection de l’architecture visuelle la plus ad\u00e9quate face \u00e0 un probl\u00e8me quantitatif donn\u00e9, le tableau comparatif ci-dessous r\u00e9capitule les propri\u00e9t\u00e9s structurelles, la syntaxe d’appel et les pr\u00e9conisations m\u00e9thodologiques associ\u00e9es \u00e0 chacune des trois grandes variantes de diagrammes \u00e0 barres explor\u00e9es dans ce trait\u00e9 :<\/p>\n\n\n\n\n\n
              M\u00e9thode Graphique<\/th>\nSyntaxe PROC SGPLOT Ma\u00eetresse<\/th>\nPropri\u00e9t\u00e9 Perceptive Principale<\/th>\nUsage Recommand\u00e9 en Recherche<\/th>\n<\/tr>\n
              Diagramme Simple (Simple Bar Chart)<\/td>\nvbar var_x;
              hbar var_y;<\/td>\n              		Excellente (estimation d’une longueur le long d’une base commune z\u00e9ro).<\/td>\nDistribution univari\u00e9e d’une variable cat\u00e9gorielle ou comparaison d’une m\u00e9trique continue entre groupes ind\u00e9pendants.<\/td>\n<\/tr>\n
              Diagramme Empil\u00e9 (Stacked Bar Chart)<\/td>\nvbar var_x \/ group=var_z;<\/td>\nM\u00e9diocre pour les strates sup\u00e9rieures (biais cognitif de ligne de base flottante).<\/td>\nVisualisation des relations \u00ab partie-tout \u00bb o\u00f9 seul le volume global cumul\u00e9 constitue la priorit\u00e9 analytique absolue.<\/td>\n<\/tr>\n
              Diagramme Group\u00e9 (Clustered Bar Chart)<\/td>\nvbar var_x \/ group=var_z groupdisplay=cluster;<\/td>\nOptimale (tous les segments sont ancr\u00e9s sur l’axe z\u00e9ro commun).<\/td>\nAnalyse comparative multivari\u00e9e directe et identification rigoureuse des interactions factorielles crois\u00e9es.<\/td>\n<\/tr>\n<\/table>\n

              Cette matrice met en relief la sup\u00e9riorit\u00e9 structurelle du diagramme group\u00e9 pour les comparaisons multivari\u00e9es pr\u00e9cises, tandis que le diagramme simple demeure l’outil le plus universel et le plus r\u00e9sistant aux contresens d’interpr\u00e9tation pour les corpus de complexit\u00e9 univari\u00e9e.<\/p>\n

              12.2 Automatisation et reproductibilit\u00e9 via le langage Macro de SAS<\/h3>\n

              Dans un contexte de production industrielle de rapports cliniques ou de synth\u00e8ses \u00e9pid\u00e9miologiques standardis\u00e9es, la r\u00e9\u00e9criture s\u00e9quentielle de blocs PROC SGPLOT<\/code> pour des dizaines de variables distinctes est une d\u00e9marche inefficace et propice \u00e0 l’introduction d’erreurs humaines. Le recours au puissant langage macro de SAS permet de param\u00e9trer l’ensemble de la cin\u00e9matique graphique au sein d’un composant logiciel r\u00e9utilisable, garantissant une reproductibilit\u00e9 m\u00e9thodologique parfaite et une standardisation imm\u00e9diate des chartes visuelles de laboratoire.<\/p>\n

              Le module macro suivant illustre l’encapsulation d’une proc\u00e9dure PROC SGPLOT<\/code> hautement personnalis\u00e9e, acceptant en param\u00e8tres dynamiques la table d’entr\u00e9e, les variables d’analyse, le type d’agr\u00e9gation et le titre formel :<\/p>\n


              \n%macro generer_diagramme_barres(
              \n    table_entree = my_data,
              \n    var_abscisse = team,
              \n    var_reponse  = points,
              \n    statistique  = mean,
              \n    couleur_hex  = cx2E4053,
              \n    titre_figure = Score Moyen Standardis\u00e9 par Collectif
              \n);
              \n  title1 font=\"Arial\" bold height=12pt \"&titre_figure\";
              \n  proc sgplot data=&table_entree;
              \n    vbar &var_abscisse \/ response=&var_reponse stat=&statistique
              \n                        fillattrs=(color=&couleur_hex)
              \n                        outlineattrs=(color=black thickness=1pt)
              \n                        datalabel;
              \n    xaxis label=\"Cat\u00e9gories Factorielles\" labelattrs=(weight=bold);
              \n    yaxis grid label=\"M\u00e9trique Estim\u00e9e (&statistique)\" labelattrs=(weight=bold);
              \n  run;
              \n  title;
              \n%mend generer_diagramme_barres;
              \n<\/code><\/p>\n

              D\u00e8s lors que ce bloc macro a \u00e9t\u00e9 compil\u00e9 dans la session de travail, le d\u00e9ploiement d’un diagramme standardis\u00e9 s’op\u00e8re par une simple invocation unitaire :<\/p>\n


              \n%generer_diagramme_barres(var_abscisse=team, var_reponse=points, statistique=mean);
              \n<\/code><\/p>\n

              Cette modularit\u00e9 op\u00e9rationnelle assure un gain de productivit\u00e9 consid\u00e9rable pour les \u00e9quipes de biostatistique tout en garantissant une homog\u00e9n\u00e9it\u00e9 graphique absolue au fil des multiples it\u00e9rations de rapports r\u00e9glementaires.<\/p>\n

              12.3 Exportation haute r\u00e9solution via les destinations ODS Graphics<\/h3>\n

              L’aboutissement ultime de la production graphique r\u00e9side dans son exportation physique vers des supports d’archivage ou de diffusion \u00e9ditoriale. Les revues scientifiques de premier rang (telles que celles publi\u00e9es par le groupe Nature, l’Elsevier ou l’Oxford University Press) imposent des exigences techniques tr\u00e8s strictes concernant les figures soumises : format vectoriel pur (PDF, EPS, SVG) ou format matriciel non destructif (TIFF) b\u00e9n\u00e9ficiant d’une r\u00e9solution spatiale minimale de 300 \u00e0 600 DPI (Dots Per Inch<\/em>).<\/p>\n

              Pour r\u00e9pondre avec rigueur \u00e0 ces contraintes de publication, la proc\u00e9dure PROC SGPLOT<\/code> doit \u00eatre pilot\u00e9e au moyen d’instructions globales de configuration ODS GRAPHICS<\/code> associ\u00e9es aux destinations appropri\u00e9es (telles que ODS LISTING<\/code> ou ODS PDF<\/code>). L’encapsulation suivante mat\u00e9rialise le protocole d’exportation haute r\u00e9solution d’une figure vectorielle pr\u00eate pour l’\u00e9dition scientifique :<\/p>\n


              \n\/* Fermeture des destinations actives pour all\u00e8gement m\u00e9moire *\/
              \nods _all_ close;<\/p>\n

              \/* Configuration de l'environnement graphique haute d\u00e9finition *\/
              \nods listing gpath=\"C:SAS_ProjetsExportations\" image_dpi=300;
              \nods graphics on \/ reset=all
              \n                 imagefmt=tiff
              \n                 imagename=\"Fig1_Barplot_Equipes\"
              \n                 width=16cm
              \n                 height=10cm
              \n                 noborder;<\/p>\n

              \/* Ex\u00e9cution de la proc\u00e9dure graphique *\/
              \ntitle1 font=\"Arial\" bold \"Figure 1 : Distribution des Scores Moyens par Collectif\";
              \nproc sgplot data=my_data;
              \n  vbar team \/ response=points stat=mean
              \n              fillattrs=(color=cx34495E)
              \n              outlineattrs=(color=black thickness=1pt)
              \n              limitstat=clm alpha=0.05;
              \n  xaxis label=\"\u00c9quipe Analys\u00e9e\" labelattrs=(size=10pt weight=bold);
              \n  yaxis label=\"Score Moyen (IC 95 %)\" values=(0 to 30 by 5) grid
              \n        labelattrs=(size=10pt weight=bold);
              \nrun;
              \ntitle;<\/p>\n

              \/* Cl\u00f4ture et r\u00e9initialisation de l'environnement d'affichage *\/
              \nods listing close;
              \nods html;
              \n<\/code><\/p>\n

              Dans ce protocole ma\u00eetris\u00e9, l’option IMAGE_DPI=300<\/code> garantit une r\u00e9solution matricielle irr\u00e9prochable au format TIFF, tandis que les param\u00e8tres WIDTH=16cm<\/code> et HEIGHT=10cm<\/code> fixent avec une exactitude m\u00e9trique les dimensions physiques du fichier g\u00e9n\u00e9r\u00e9 sur le disque de stockage. Le param\u00e8tre NOBORDER<\/code> supprime l’inutile filet p\u00e9riph\u00e9rique externe englobant le canevas, assurant une int\u00e9gration transparente et professionnelle du fichier dans les gabarits de mise en page LaTeX, InDesign ou Microsoft Word de l’\u00e9diteur scientifique.<\/p>\n

              R\u00e9f\u00e9rences<\/h2>\n

              Bertin, J. (1967). S\u00e9miologie graphique : Les diagrammes, les r\u00e9seaux, les cartes<\/em>. \u00c9ditions de l’\u00c9cole des Hautes \u00c9tudes en Sciences Sociales (EHESS).<\/p>\n

              Cleveland, W. S., & McGill, R. (1984). Graphical perception: Theory, experimentation, and application to the development of graphical methods. Journal of the American Statistical Association<\/em>, 79(387), 531-554. https:\/\/doi.org\/10.1080\/01621459.1984.10478080<\/a><\/p>\n

              Heath, D. (2018). Statistical Graphics in SAS: An Introduction to the SGPLOT Procedure<\/em>. SAS Institute Inc.<\/p>\n

              Kuhfeld, W. F. (2010). Statistical Graphics in SAS: An Introduction to the Graph Template Language and the Statistical Graphics Procedures<\/em>. SAS Institute Inc.<\/p>\n

              SAS Institute Inc. (2020). SAS\/GRAPH 9.4: Statistical Graphics Procedures Guide, Sixth Edition<\/em>. SAS Institute Inc. https:\/\/documentation.sas.com<\/a><\/p>\n

              Tufte, E. R. (2001). The Visual Display of Quantitative Information<\/em> (2nd ed.). Graphics Press.<\/p>\n

              Tukey, J. W. (1977). Exploratory Data Analysis<\/em>. Addison-Wesley.<\/p>\n

              Wilkinson, L. (2005). The Grammar of Graphics<\/em> (2nd ed.). Springer-Verlag. https:\/\/doi.org\/10.1007\/0-387-28695-0<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

              Guide acad\u00e9mique complet pour concevoir des diagrammes \u00e0 barres simples, empil\u00e9s et group\u00e9s sous SAS avec PROC SGPLOT \u00e0 travers trois exemples m\u00e9thodiques.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2141,9499,2687],"tags":[11215,9500,235,2344,2041],"class_list":["post-9809","psych_stat","type-psych_stat","status-publish","hentry","category-methodologie-quantitative","category-programmation-sas","category-visualisation-de-donnees","tag-diagramme-a-barres","tag-proc-sgplot","tag-sas","tag-statistiques","tag-visualisation-de-donnees"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/9809","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_stat"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=9809"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/9809\/revisions"}],"predecessor-version":[{"id":9817,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/9809\/revisions\/9817"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=9809"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=9809"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=9809"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}