Comment créer un diagramme tige et feuille dans SPSS

Dans le paysage contemporain de l’analyse quantitative en sciences humaines, sociales et biomédicales, la tentation d’appliquer immédiatement des modèles inférentiels sophistiqués conduit fréquemment à négliger l’étape cardinale de l’inspection visuelle et descriptive des distributions. Pourtant, la validité interne d’une recherche empirique repose avant tout sur l’adéquation rigoureuse entre la structure réelle des données recueillies et les postulats mathématiques des tests statistiques envisagés. Au sein de cette phase d’exploration méticuleuse, le diagramme tige et feuille occupe une place singulière et irremplaçable, offrant une perspective granulaire que les résumés numériques globaux ou les représentations graphiques purement synthétiques ne sauraient égaler.

Développé pour répondre aux exigences d’une analyse exploratoire sans compromis, cet outil hybride combine la rigueur métrique d’un tableau d’effectifs avec l’immédiateté perceptive d’une distribution de fréquences. Contrairement aux visualisations géométriques traditionnelles qui regroupent les observations dans des classes arbitraires et occultent la variabilité intrinsèque des sujets, le diagramme tige et feuille permet de visualiser simultanément la forme générale d’un échantillon et la valeur brute exacte de chaque score individuel. Cette double propriété s’avère particulièrement précieuse lors du dépouillement d’épreuves standardisées, de batteries de tests neuropsychologiques ou de protocoles expérimentaux où chaque déviation locale peut signaler un phénomène clinique d’intérêt majeur.

Au moyen du logiciel de référence IBM SPSS Statistics, la mise en œuvre de cette technique bénéficie d’algorithmes éprouvés intégrés au cœur de la procédure d’exploration des données. Ce guide exhaustif a pour vocation d’accompagner le chercheur, l’étudiant avancé et le praticien de la psychométrie à travers chaque phase méthodologique, technique et interprétative requise pour maîtriser le diagramme tige et feuille. De l’ancrage théorique fondé par John Tukey jusqu’aux exigences éditoriales les plus strictes des normes de publication académiques, cet ouvrage examine en profondeur les mécanismes opératoires, les pièges de calcul et les protocoles de décision clinique nécessaires à une exploitation statistique optimale.

1. Introduction aux diagrammes tige et feuille en psychométrie et statistiques

1.1 Définition et fondements théoriques selon John Tukey

L’avènement de l’analyse exploratoire des données, conceptualisée sous l’acronyme EDA par le statisticien américain John Wilder Tukey dans son ouvrage séminal paru en 1977, a marqué une rupture épistémologique fondamentale avec la tradition statistique confirmatoire dominante du vingtième siècle. Tukey soutenait avec vigueur que les chercheurs consacraient une énergie disproportionnée à tester des hypothèses probabilistes avant même d’avoir inspecté avec lucidité la morphologie sous-jacente de leurs observations. C’est dans ce contexte intellectuel novateur qu’a été introduit le diagramme tige et feuille, désigné en anglais sous l’appellation de stem-and-leaf display, pensé dès l’origine comme une technique semi-graphique manuelle rapide capable d’extraire la structure d’un ensemble de mesures sans nécessiter l’intermédiation lourde d’appareils de calcul électronique.

La force théorique de cette méthode réside dans sa double fonction opératoire : elle réalise simultanément une restitution tabulaire ordonnée et une projection spatiale de la densité empirique. Alors que les tables de contingence traditionnelles fragmentent l’information numérique au profit de décomptes catégoriels et que les graphiques classiques projettent des abstractions géométriques, le diagramme tige et feuille utilise les chiffres mêmes composant les données pour ériger la silhouette visuelle de la distribution. Chaque valeur quantitative observée est formellement scindée en deux composantes positionnelles distinctes, à savoir une tige représentant les chiffres de poids fort et une feuille incarnant le chiffre de poids faible immédiatement subséquent, assurant ainsi une continuité parfaite entre l’enregistrement nominal de la mesure et son analyse topologique globale.

Sur le plan épistémologique, la préservation intégrale des données brutes individuelles constitue une avancée méthodologique cruciale face aux dérives réductionnistes des résumés synthétiques. Dans les protocoles de recherche contemporains en psychologie, en sciences de l’éducation et en sociologie quantitative, la condensation prématurée d’une variable sous la forme d’une moyenne arithmétique et d’un écart-type expose le statisticien au risque d’ignorer des asymétries sévères, des discontinuités distributionnelles ou des regroupements locaux indicatifs de sous-populations masquées. Le diagramme tige et feuille garantit qu’aucune valeur n’est dissoute dans un agrégat impersonnel, érigeant la transparence empirique en principe directeur de toute démarche d’investigation scientifique rigoureuse.

1.2 Utilité clinique et expérimentale en psychologie

Dans l’exercice quotidien de l’évaluation psychométrique et de la recherche clinique, le diagramme tige et feuille constitue un dispositif d’investigation diagnostique de premier ordre. L’examen minutieux de la distribution des scores obtenus à des batteries standardisées, telles que les échelles d’intelligence de Wechsler ou les inventaires de personnalité multidimensionnels, requiert une sensibilité analytique que les indicateurs de tendance centrale ne peuvent fournir. Le clinicien doit être en mesure d’observer immédiatement si la répartition des scores d’une cohorte suit le profil théorique attendu ou si des distorsions systématiques témoignent de biais d’évaluation, de consignes expérimentales mal assimilées ou de caractéristiques nosographiques spécifiques aux participants recrutés.

L’un des apports majeurs de ce diagramme en psychopathologie et en psychologie de la santé concerne la détection précoce et sans équivoque des effets d’invariance d’échelle, communément désignés sous les termes d’effets plancher et d’effets plafond. Lorsqu’une épreuve cognitive s’avère excessivement ardue pour un groupe de patients présentant des atteintes neurodégénératives, une accumulation massive de feuilles sur les tiges les plus basses trahit l’incapacité de l’instrument à discriminer les différents degrés de sévérité du déficit. Réciproquement, un empilement disproportionné de valeurs sur les tiges supérieures signale une épreuve saturée qui ne permet pas d’évaluer le potentiel d’individus hautement performants, contraignant l’expérimentateur à réviser son protocole de mesure avant d’engager des modélisations statistiques plus avancées.

Dans le domaine de la psychologie cognitive expérimentale, l’analyse des temps de réaction et de traitement de l’information constitue un terrain d’application privilégié pour le diagramme tige et feuille. Ces variables temporelles se caractérisent classiquement par des distributions asymétriques positives, enrichies d’une queue de distribution étirée vers les latences élevées. Grâce à l’agencement granulaire des tiges et des feuilles, le chercheur repère instantanément les réponses anticipatoires aberrantes situées sous le seuil physiologique admissible, tout en surveillant la dérive attentionnelle progressive des sujets. Cette inspection préliminaire permet d’asseoir la décision de conserver, de transformer ou d’écarter certaines observations chronométriques avant toute modélisation linéaire générale ou analyse de variance à mesures répétées.

1.3 Comparaison critique avec l’histogramme et la boîte à moustaches

Pour apprécier pleinement la singularité méthodologique du diagramme tige et feuille, il convient de le confronter de manière critique aux deux autres représentations fondamentales de la statistique descriptive univariée : l’histogramme et la boîte à moustaches. L’histogramme, bien qu’extrêmement populaire au sein de la communauté scientifique, souffre d’une limitation inhérente liée à la discrétisation spatiale des données continues. La création de classes de regroupement, définies par des bornes arbitraires, entraîne une destruction irréversible de l’information quantitative individuelle. Deux distributions présentant des agencements internes radicalement discordants peuvent engendrer des histogrammes strictement identiques si la taille des intervalles a été calibrée de manière trop lâche, dissimulant des lacunes et des concentrations locales pourtant déterminantes.

À l’inverse, le diagramme tige et feuille maintient une traçabilité totale entre le graphique affiché et la feuille de calcul source. Il surpasse l’histogramme en restituant fidèlement l’intégralité des valeurs numériques d’origine tout en proposant une silhouette graphique superposable à celle d’un histogramme couché sur le côté. Par rapport à la boîte à moustaches, conceptualisée également par John Tukey sous l’appellation de box-plot, le diagramme tige et feuille entretient une relation de complémentarité synergique étroite. Alors que la boîte à moustaches excelle dans la synthèse ordinale des distributions en cartographiant de manière synthétique la médiane, l’écart interquartile et l’étendue globale, elle est intrinsèquement aveugle à la morphologie fine de la densité interne.

Cette cécité géométrique du box-plot se manifeste de manière flagrante en présence de distributions bimodales ou multimodales. Une distribution composée de deux bosses distinctes peut présenter une médiane et des quartiles rigoureusement analogues à ceux d’une distribution unimodale parfaitement symétrique, induisant l’analyste en erreur quant à l’homogénéité de son échantillon. Le diagramme tige et feuille résout immédiatement cette ambiguïté visuelle en révélant les creux de fréquence et les micro-regroupements locaux, offrant une sensibilité morphologique exceptionnelle. L’articulation coordonnée de ces différents outils visuels au sein de la pratique scientifique permet ainsi d’allier la précision chirurgicale de la tige et feuille à la puissance synthétique de la boîte à moustaches.

2. Préparation de l’environnement SPSS et structuration des données

2.1 Configuration des variables quantitatives continues

Avant d’initialiser la moindre procédure graphique au sein d’IBM SPSS Statistics, une attention rigoureuse doit être portée à la configuration architecturale des variables dans l’onglet de définition des métadonnées, communément désigné sous le nom de Vue des variables. L’exactitude du traitement algorithmique repose sur l’assignation correcte des attributs de chaque colonne, à commencer par le niveau de mesure. Pour qu’un diagramme tige et feuille soit produit conformément aux axiomes de la métrologie quantitative, la variable psychologique ou comportementale étudiée doit impérativement être paramétrée avec le statut d’échelle, identifié dans le logiciel par le terme anglais Scale et symbolisé par une icône de règle graduée.

L’attribution de ce statut métrique signale au moteur computationnel de SPSS que les valeurs numériques enregistrées ne constituent pas de simples étiquettes ordinales ou nominales, mais reflètent des intervalles constants autorisant le calcul arithmétique continu. Parallèlement, l’attribution d’un libellé de variable précis et explicite est une prescription méthodologique indispensable. La mention d’un libellé informatif, incluant l’unité de mesure employée ainsi que le nom complet de l’instrument de mesure, garantit que les sorties graphiques générées dans la fenêtre d’affichage des résultats comporteront des titres sans équivoque, facilitant la relecture ultérieure et évitant les confusions lors du traitement simultané de dizaines de sous-échelles psychométriques.

Enfin, la vérification du format numérique proprement dit et de la largeur d’affichage des décimales s’avère indispensable pour prévenir les distorsions visuelles. Si une variable continue comporte des fractions décimales significatives, telles que des scores factoriels issus d’une analyse en composantes principales ou des temps de réaction milliseconde par milliseconde, le nombre de décimales déclaré dans la matrice des variables doit refléter fidèlement la précision de l’acquisition instrumentale. Une déclaration tronquée à zéro décimale dans l’affichage ne détruit pas nécessairement la précision interne stockée en virgule flottante, mais peut modifier la manière dont SPSS appréhende l’échelle de tige et l’unité de feuille, provoquant des effets d’arrondi susceptibles de fausser l’interprétation morphologique de la distribution.

2.2 Nettoyage préliminaire et gestion des données manquantes

L’intégrité de l’analyse exploratoire dépend intrinsèquement de la qualité du nettoyage préliminaire de la matrice de données. Dans toute investigation empirique impliquant des sujets humains, la survenue de données manquantes représente un aléa inévitable, résultant d’omissions involontaires, de refus de réponse ou de défaillances techniques lors de l’enregistrement informatisé. Sous SPSS, la gestion de ces lacunes requiert la définition explicite de codes numériques réservés aux valeurs manquantes définies par l’utilisateur, comme les standards conventionnels 999 ou -99, afin d’empêcher formellement que ces chiffres extrêmes ne soient incorporés par inadvertance dans la distribution quantitative continue.

L’impact du mode d’exclusion des observations manquantes constitue un arbitrage méthodologique fondamental lors du paramétrage des fonctions exploratoires. Le logiciel propose principalement deux modalités distinctes d’exclusion : l’exclusion par observation, dite listwise, qui écarte la totalité du sujet dès lors qu’une seule valeur fait défaut parmi l’ensemble des variables sélectionnées, et l’exclusion par analyse, dite pairwise, qui restreint l’éviction à la seule variable déficiente examinée au cas par cas. Dans le cadre univarié propre à l’évaluation d’une distribution singulière par le diagramme tige et feuille, l’approche par test est généralement préconisée pour préserver au maximum la puissance statistique et la taille effective de l’échantillon analysé.

De surcroît, le chercheur doit procéder à un contrôle méthodique des erreurs de frappe et des artefacts d’encodage avant d’exécuter la commande graphique. L’insertion accidentelle d’un point au lieu d’une virgule, le doublement involontaire d’une frappe numérique ou la saisie d’un score hors de l’éventail théorique d’un test psychométrique constituent des pollutions courantes qui altèrent gravement l’étalement de l’axe des tiges. La confrontation systématique des minima et maxima théoriques avec les bornes empiriques observées dans la matrice permet d’assainir le jeu de données avant toute tentative de modélisation visuelle, garantissant ainsi que chaque feuille projetée correspond rigoureusement à une réalité comportementale authentique.

2.3 Exigences d’échantillonnage et adéquation de la taille de l’échantillon

Bien que le diagramme tige et feuille soit universellement salué pour sa polyvalence, son efficacité ergonomique et cognitive est étroitement conditionnée par le volume de l’échantillon examiné. La littérature méthodologique s’accorde pour situer la zone d’efficience maximale de cet outil entre quinze et cent cinquante observations. En deçà de quinze cas, la distribution apparaît trop fragmentaire pour que des tiges substantielles émergent, réduisant le graphique à une liste linéaire quasi vide qui n’apporte aucune plus-value par rapport à l’observation directe du tableau de données. À ce niveau de petitesse, les estimateurs de densité demeurent trop instables pour autoriser une quelconque inférence morphologique solide.

À l’autre extrémité du spectre métrologique, lorsque l’échantillon excède plusieurs centaines d’unités d’observation, le diagramme tige et feuille subit un phénomène de saturation visuelle pénalisant. Dans la mesure où chaque participant est matérialisé par un chiffre individuel aligné sur la rangée correspondant à sa tige, une concentration massive de données engendre des lignes de feuilles kilométriques qui débordent de la fenêtre d’affichage et s’étendent sur plusieurs pages d’impression. Cette congestion textuelle détruit la lisibilité de la silhouette globale et contraint le logiciel à recourir à des facteurs d’échelle de feuilles, où chaque chiffre affiché représente alors plusieurs cas agrégés, ruinant de facto le principe fondateur de conservation intégrale des données unitaires.

Face à des bases de données volumineuses, issues par exemple de protocoles de standardisation nationale ou d’enquêtes épidémiologiques massives regroupant des milliers de participants, le chercheur doit adopter des stratégies d’exploration alternatives. Dans ces configurations de mégadonnées psychométriques, l’usage de l’histogramme pondéré couplé à une estimation de densité par noyau de type Kernel Density Estimation s’avère nettement plus adapté pour appréhender la forme de la fonction de répartition. Une approche complémentaire consiste à procéder à un échantillonnage aléatoire stratifié préliminaire, extrayant un sous-ensemble représentatif de cent observations afin de mener une inspection fine par tige et feuille avant de généraliser l’analyse à l’ensemble du fichier de données volumineux.

3. Procédure pas à pas : Génération via la procédure Explorer

3.1 Navigation ergonomique dans l’interface de SPSS

L’accès à la génération du diagramme tige et feuille dans l’environnement graphique d’IBM SPSS Statistics s’opère non pas à travers le menu général de création des graphiques, mais via un sous-système analytique dédié à la vérification approfondie des distributions. Pour initialiser le protocole, l’utilisateur doit diriger son curseur vers la barre d’outils supérieure, cliquer sur le menu déroulant Analyser, puis faire glisser la sélection vers la catégorie Statistiques descriptives. Dans le sous-menu qui se déploie alors horizontalement, il convient de sélectionner avec rigueur la commande intitulée Explorer, laquelle correspond à la procédure canonique interne désignée sous le nom de commande EXAMINE.

Ce choix ergonomique mérite d’être souligné car de nombreux utilisateurs néophytes s’orientent spontanément vers la procédure classique des fréquences ou vers le générateur de graphiques interactif. Or, la procédure des fréquences ne propose nativement que des histogrammes ou des diagrammes à barres standardisés, sans intégrer l’algorithme d’organisation des tiges et des feuilles de Tukey. La sous-commande Explorer se distingue fondamentalement par sa vocation exploratoire holistique, regroupant au sein d’une unique interface des tests d’ajustement distributionnel, des estimations robustes de l’échelle et des représentations graphiques diagnostiques hautement spécialisées.

L’ouverture de la boîte de dialogue principale d’Explorer donne à voir une interface structurée articulée autour d’un panneau latéral gauche répertoriant l’intégralité des variables disponibles dans le jeu de données actif, et de plusieurs zones de transfert ciblées sur la droite. La fluidité d’exécution repose sur la compréhension précise de l’architecture de cette boîte de dialogue, dont la configuration conditionne la nature des calculs matriciels que le moteur de SPSS s’apprête à mobiliser pour restituer la morphologie descriptive de l’échantillon.

3.2 Affectation de la variable dépendante

Une fois la boîte de dialogue principale déployée à l’écran, l’étape suivante consiste à assigner la variable psychométrique d’intérêt à son champ de traitement analytique. L’analyste localise dans la liste alphabétique de gauche la variable quantitative continue dont il souhaite modéliser la distribution, puis utilise la flèche directionnelle centrale pour la faire basculer dans le panneau supérieur intitulé Liste des variables dépendantes. Cette assignation indique au programme que la variable sélectionnée fera l’objet des calculs de dispersion, d’asymétrie et de découpage distributionnel requis par l’algorithme des tiges et feuilles.

Il est méthodologiquement recevable d’insérer simultanément plusieurs variables continues au sein de ce même réceptacle d’analyse. Toutefois, cette opération doit être menée avec discernement afin de préserver la cohérence dimensionnelle des sorties. Si l’expérimentateur introduit conjoingniment les sous-scores d’un test mnésique, les indices de fluidité verbale et des temps de réaction informatisés, SPSS exécutera séquentiellement une analyse univariée autonome pour chacune de ces dimensions. Bien que cette approche par lots accélère le flux d’analyse exploratoire, elle génère une cascade de diagrammes qu’il conviendra d’isoler méticuleusement dans le visualiseur de résultats pour éviter toute confusion lors de la lecture des tiges et des largeurs d’unités associées.

Il importe de veiller scrupuleusement à ne transférer aucune variable catégorielle ou nominale dans ce champ de variables dépendantes. L’application d’un diagramme tige et feuille sur des données qualitatives codées arbitrairement par des chiffres, telles que le statut matrimonial ou le sexe biologique, n’aurait strictement aucun sens théorique et produirait des artefacts graphiques dépourvus de toute validité métrique. La variable dépendante doit refléter une véritable gradation d’intensité continue le long d’un continuum psychologique ou comportemental sous-jacent.

3.3 Sélection des options d’affichage globales

Dans le coin inférieur gauche de la boîte de dialogue principale d’Explorer se trouve un encadré fondamental intitulé Affichage, qui régit la nature des éléments générés dans le rapport final du visualiseur de sorties. Cet encadré propose trois boutons radio mutuellement exclusifs : Les deux, Statistiques et Graphiques. Par défaut, le système sélectionne la modalité combinée, ce qui conduit le logiciel à calculer une table exhaustive d’indices descriptifs classiques et robustes tout en traçant simultanément les représentations visuelles configurées.

Pour le chercheur engagedans un balayage diagnostique rapide de dizaines de variables psychométriques, l’arbitrage entre ces modalités d’affichage revêt une importance computationnelle et ergonomique tangible. L’activation exclusive du bouton Graphiques permet d’alléger considérablement l’arborescence des résultats en supprimant la production des tables descriptives volumineuses comportant la moyenne tronquée à 5 %, l’écart-type, la variance, les minima, maxima, l’intervalle interquartile ainsi que les coefficients d’asymétrie et d’aplatissement. Cette isolation graphique optimise la clarté visuelle et accélère la phase de repérage des anomalies distributionnelles.

Néanmoins, dans le cadre d’une démarche de recherche standard visant la publication académique, il demeure généralement préconisé de maintenir la sélection sur l’option Les deux. Cette exhaustivité garantit que l’inspection morphologique permise par le diagramme tige et feuille pourra être immédiatement corroborée par les paramètres de forme numériques exacts, permettant ainsi une confrontation directe entre la silhouette qualitative de la distribution et les indicateurs inférentiels de normalité calculés sur le même échantillon d’observations.

4. Paramétrage avancé de la boîte de dialogue Graphiques

4.1 Activation ciblée du diagramme tige et feuille

Pour affiner le comportement graphique du logiciel et garantir la production du diagramme tige et feuille, il est impératif de cliquer sur le bouton intitulé Graphiques… situé sur la bordure droite de la boîte de dialogue principale de la procédure Explorer. Cette action provoque l’ouverture d’une fenêtre secondaire dédiée au paramétrage visuel avancé, structurée en plusieurs zones fonctionnelles relatives aux boîtes à moustaches, aux tracés descriptifs et aux tests d’hypothèses distributionnelles.

Au sein de la section centrale intitulée Descriptif, l’utilisateur découvre les cases à cocher associées aux deux modes majeurs de représentation univariée continue : Tige et feuilles et Histogramme. Par défaut, SPSS conserve la case Tige et feuilles cochée, attestant de son ancrage préférentiel dans la philosophie de l’exploration de données initiée par Tukey. Si l’objectif exclusif de la démarche réside dans l’analyse granulaire des unités individuelles, il est judicieux de décocher manuellement l’option Histogramme afin de désencombrer le flux d’affichage et d’éviter les redondances graphiques au sein de la fenêtre des résultats.

Il est fondamental de s’assurer que cette option de traçage n’a pas été désactivée lors de sessions d’analyse antérieures, SPSS ayant tendance à mémoriser les configurations graphiques transitoires au sein d’une même session de travail. Une fois la case Tige et feuilles explicitement validée, le moteur graphique de la procédure EXAMINE reçoit l’instruction ferme de structurer les données métriques continues sous la forme de matrices positionnelles séparant les valeurs en rangées logarithmiques ou décimales harmonisées.

4.2 Association stratégique avec les graphiques de normalité

La puissance diagnostique de la procédure Explorer est décuplée lorsque le tracé du diagramme tige et feuille est couplé à l’évaluation formelle des postulats gaussiens. Pour ce faire, il est fortement recommandé de cocher l’option stratégique intitulée Graphiques de normalité avec tests, localisée immédiatement sous la section descriptive de la boîte de dialogue secondaire des graphiques. Cette instruction simple déclenche l’exécution conjointe de deux tests d’ajustement inférentiels majeurs, à savoir l’épreuve de Kolmogorov-Smirnov avec correction de significativité de Lilliefors et le test de Shapiro-Wilk, ce dernier étant particulièrement performant pour les échantillons de taille restreinte à modérée.

Simultanément, cette commande génère des tracés de probabilité normale de type Q-Q plot (quantile-quantile) et des graphiques de tendance sans composante linéaire. L’articulation entre le diagramme tige et feuille et la droite de Henry fournit au statisticien un appareil d’évaluation morphologique complet. Alors que le Q-Q plot met en lumière les déviations des quantiles observés par rapport aux quantiles théoriques d’une loi normale idéale sous la forme d’un alignement rectiligne, le diagramme tige et feuille permet de comprendre précisément la nature phénoménologique de cette déviation en montrant si l’inflexion résulte d’un écrasement central, d’un étalement de la queue supérieure ou de la présence isolée de micro-regroupements périphériques.

Cette convergence visuelle et inférentielle s’avère indispensable pour statuer de manière rigoureuse sur le respect de la symétrie et du degré d’aplatissement de la distribution psychométrique examinée. Une asymétrie positive visualisée sur le tige et feuille se traduira par une courbure convexe caractéristique sur le graphique quantile-quantile, scellant ainsi le diagnostic d’inadéquation gaussienne et orientant de facto le chercheur vers des modélisations non paramétriques robustes ou des transformations mathématiques correctrices de la métrique originale.

4.3 Validation et exécution de l’algorithme

Après avoir configuré avec minutie l’ensemble des commutateurs visuels au sein de la boîte de dialogue secondaire des graphiques, l’utilisateur valide ses choix méthodologiques en cliquant sur le bouton Poursuivre. Cette action referme la fenêtre subordonnée et réintègre l’opérateur au sein de l’interface maîtresse de la commande Explorer, où l’ensemble des paramètres sélectionnés se trouve désormais mémorisé dans la mémoire vive de l’environnement de calcul de SPSS.

Avant d’engager le calcul définitif, une dernière vérification de contrôle s’impose : confirmer la bonne assignation de la variable continue dans la liste dépendante, vérifier l’absence d’éléments résiduels dans la boîte des facteurs et s’assurer que le bouton radio de l’affichage correspond aux objectifs de l’étude. Dès que ces vérifications sont achevées, le chercheur clique formellement sur le bouton OK situé dans le coin supérieur droit de la boîte de dialogue principale. Cet appui déclenche l’exécution séquentielle des modules sous-jacents de la bibliothèque computationnelle de SPSS.

En une fraction de seconde, le processeur exécute le tri ordonné des valeurs matricielles, calcule l’échelle optimale de partitionnement des tiges, classe les fractions décimales ou entières au sein des compartiments de feuilles correspondants, évalue les clôtures interquartiles pour isoler d’éventuelles valeurs aberrantes et projette l’ensemble des résultats structurés au sein de la fenêtre active du visualiseur de résultats. La procédure manuelle de configuration est ainsi pleinement aboutie, cédant la place à la phase cruciale de décomposition et d’interprétation analytique des représentations obtenues.

5. Décomposition anatomique de la sortie SPSS : Tiges, feuilles et métriques

5.1 Rôle fondamental et calcul de la largeur de tige (Stem Width)

L’examen d’un diagramme tige et feuille produit par IBM SPSS Statistics exige une rigueur intellectuelle absolue afin de ne pas commettre d’erreurs d’interprétation quant à l’ordre de grandeur réel des mesures affichées. L’élément régulateur suprême de toute la structure graphique se situe invariablement au bas de la représentation textuelle, sous la mention standardisée Stem Width, souvent traduite en français par largeur de tige. Ce paramètre métrique fondamental agit comme le multiplicateur scalaire universel devant être appliqué à la colonne des tiges pour déterminer leur valeur faciale effective dans le système numérique décimal.

L’algorithme de Tukey intégré à SPSS ajuste dynamiquement la largeur de tige en fonction de l’étendue globale des scores observés dans l’échantillon. Si la distribution psychométrique s’étend de 10 à 90, le logiciel calibrera généralement une Stem Width égale à 10. Dans ce cas de figure classique, une tige affichant le chiffre 4 représentera la dizaine 40. Toutefois, si la variable mesurée concerne des temps de réaction millimétriques s’échelonnant de 0,15 à 0,85 seconde, SPSS ajustera automatiquement la Stem Width à 0,1. Dès lors, le chiffre 4 situé dans la colonne des tiges ne signifiera plus 40, mais correspondra au palier décimal de 0,4 seconde.

Inversement, lors du traitement d’échelles globales ou d’indicateurs physiologiques étendus sur de larges amplitudes, tels que des concentrations hormonales oscillant entre 100 et 1 500 unités, le programme adoptera une Stem Width fixée à 100 ou 1 000. L’omission ou la mauvaise lecture de cette métrique de bas de page conduit inévitablement à des contresens dramatiques lors de la transcription narrative des résultats. La largeur de tige constitue la clé de voûte géométrique qui fixe l’échelle cartographique de la distribution, conditionnant l’ensemble des calculs de rétro-ingénierie que le chercheur sera amené à opérer sur la sortie brute du logiciel.

5.2 Interprétation de la colonne de fréquence (Frequency)

Flanquant la bordure gauche du diagramme tige et feuille généré par SPSS, la première colonne verticale porte l’intitulé formel de Frequency (Fréquence). Cette composante tabulaire remplit une fonction de décompte rigoureuse en affichant le nombre exact d’observations individuelles ou d’unités statistiques regroupées sur la rangée horizontale correspondante. Chaque nombre inscrit dans cette colonne informe instantanément le lecteur sur la densité d’échantillonnage présente à ce palier métrique précis, évitant ainsi le comptage visuel fastidieux des feuilles individuelles alignées le long de la tige.

Une propriété arithmétique fondamentale de cette colonne réside dans sa cohérence additive globale : la somme cumulative de l’intégralité des fréquences énumérées sur chaque ligne du diagramme, additionnée aux éventuelles valeurs aberrantes répertoriées en marge, doit être strictement égale à la taille totale effective de l’échantillon analysé, conventionnellement notée N. Si un écart apparaît entre cette sommation et l’effectif espéré, cela signale immédiatement l’existence de valeurs manquantes n’ayant pas été convenablement traitées lors de la phase de nettoyage préalable ou l’activation involontaire d’un filtre sélectif au sein de la matrice de travail.

Sur le plan de l’analyse sémiotique rapide, la colonne de fréquence constitue un indicateur diagnostique remarquable pour localiser sans hésitation la classe modale de la distribution. La rangée qui arbore la fréquence la plus élevée matérialise le sommet empirique de la fonction de masse de probabilité. L’inspection conjointe des fréquences adjacentes permet par ailleurs d’évaluer immédiatement si ce pic modal s’inscrit au sein d’une cloche progressive et symétrique, ou si la transition des effectifs s’opère de manière brutale et asymétrique, révélant d’emblée les zones de tension distributionnelle qui méritent une exploration clinique approfondie.

5.3 Articulation sémiotique entre tige (Stem) et feuille (Leaf)

L’essence du formalisme graphique de John Tukey réside dans l’interaction sémiotique continue entre la colonne centrale des tiges, désignée par l’en-tête Stem, et la juxtaposition horizontale des feuilles, identifiée sous le terme Leaf. La colonne des tiges est séparée de celle des feuilles par une barre verticale de délimitation typographique, agissant comme un séparateur de positionnement métrique. Dans cette architecture numérique, la tige héberge invariablement les chiffres de poids fort de la mesure, tandis que la section des feuilles rassemble les chiffres de poids faible immédiatement consécutifs pour chaque participant examiné.

Pour illustrer cette mécanique structurante, considérons un cas standard où la largeur de tige est établie à 10 et l’unité de feuille fixée à 1. Une ligne arborant la valeur 5 dans la colonne Stem et affichant la séquence 2 4 7 dans la zone Leaf signale sans ambiguïté la présence de trois participants ayant obtenu respectivement les scores de 52, 54 et 57 à l’épreuve psychométrique considérée. Chaque chiffre composant la section des feuilles correspond rigoureusement à une unité d’observation autonome, ordonnée de gauche à droite selon une progression strictement croissante pour faciliter la lecture des quantiles au sein de la rangée.

Lorsque la variabilité des données impose une granularité plus fine pour éviter d’obtenir une distribution excessivement tassée sur un nombre restreint de tiges, l’algorithme d’IBM SPSS Statistics recourt fréquemment au dédoublement ou au quintuplement des tiges. Dans le cadre d’un dédoublement, une même dizaine est scindée en deux rangées distinctes : la première tige accueille les feuilles comprises entre 0 et 4, tandis que la seconde accueille les feuilles échelonnées de 5 à 9. Ce mécanisme d’expansion géométrique permet d’aérer la visualisation et de révéler des singularités morphologiques invisibles lorsque l’ensemble des scores d’une décennie est arbitrairement compressé sur une ligne unique.

6. Reconstitution pas à pas des données numériques brutes

6.1 Algorithme de rétro-ingénierie des scores individuels

L’avantage décisif du diagramme tige et feuille réside dans la réversibilité mathématique totale de sa structure visuelle. Contrairement à un histogramme qui détruit irrémédiablement l’identité métrique des mesures individuelles, le tige et feuille permet d’appliquer un algorithme de rétro-ingénierie rigoureux pour reconstruire l’intégralité du tableau de données initial sans la moindre perte d’information. Pour formaliser cette opération de décodage, le chercheur mobilise une équation algébrique linéaire simple qui s’énonce comme suit :

Score individuel = (Valeur de la tige × Stem Width) + (Valeur de la feuille × Unité de feuille)

La mise en œuvre de cette relation nécessite l’identification préalable des deux constantes scalaires régissant le graphique, à savoir la largeur de tige affichée au bas du tracé et l’unité attribuée à chaque feuille unitaire. Dans la très grande majorité des configurations canoniques de SPSS où la feuille représente les unités simples, l’unité de feuille équivaut à un dixième de la largeur de tige. Dès lors que ces deux paramètres sont verrouillés, l’opérateur parcourt séquentiellement chaque rangée de la sortie textuelle, multipliant la valeur de la tige par son échelle, puis additionnant la contribution marginale de chaque chiffre consécutif énuméré dans la chaîne des feuilles.

Un défi de décodage survient fréquemment lors du traitement de variables psychologiques comportant des valeurs négatives, telles que des scores factoriels centrés réduits de type scores Z. Sous SPSS, la gestion des tiges négatives requiert une attention méthodologique particulière en raison de la présence d’une tige zéro positive et d’une tige zéro négative, souvent signalée par la notation conventionnelle -0. Pour une tige de valeur négative, la formule linéaire s’applique de manière symétrique en soustrayant la contribution de la feuille, traduisant le fait que plus le chiffre de la feuille est grand, plus l’observation s’éloigne de zéro vers l’extrémité négative de l’axe réel.

6.2 Exemple concret issu d’une batterie cognitive

Afin de rendre parfaitement tangible ce protocole de déchiffrement, prenons appui sur une simulation clinique réaliste portant sur l’administration de l’épreuve de mémoire de travail arithmétique issue d’une batterie d’efficience intellectuelle chez un groupe de vingt adultes. Supposons que le visualiseur d’IBM SPSS Statistics produise une sortie descriptive où la mention Stem Width indique explicitement la valeur 10, tandis que l’unité de feuille est implicitement calibrée à 1. Dans cette configuration métrique standard, examinons en détail une rangée représentative extraite du milieu de la distribution empirique.

Considérons une ligne affichant un coefficient de fréquence de 4, une valeur de tige égale à 1, et une séquence horizontale de feuilles énumérant successivement les chiffres 2, 5, 8 et 8. L’application rigoureuse de notre algorithme de décomposition s’opère de la manière suivante : la valeur de tige 1 multipliée par la Stem Width de 10 engendre une base d’ancrage décimale de 10. En rattachant individuellement chaque feuille à cette base commune, nous isolons successivement le premier score qui correspond à 10 + 2 = 12, le second score équivalant à 10 + 5 = 15, puis deux scores identiques de troisième et quatrième rang correspondant à 10 + 8 = 18.

La confrontation directe de ces quatre scores reconstitués avec la feuille de saisie brute de la matrice SPSS permet de constater une adéquation parfaite avec les enregistrements initiaux des sujets cognitifs testés. Le chercheur dispose ainsi de la certitude empirique qu’aucun artefact de lissage n’a altéré la granularité des données. Cette vérification pas à pas illustre avec force la vertu pédagogique et clinique du diagramme tige et feuille, qui conserve l’ancrage phénoménologique de chaque sujet au sein d’une synthèse spatiale unifiée.

6.3 Lecture des cas de décimales et arrondis automatiques

L’exploration de variables quantitatives continues mesurées avec un haut degré de précision métrique, telles que des dosages neurobiologiques ou des temps de latence chronométriques exprimés avec plusieurs chiffres après la virgule, confronte l’analyste aux mécanismes d’ajustement algorithmique d’IBM SPSS Statistics. Le système typographique du logiciel étant par conception contraint d’attribuer un caractère numérique unique à chaque feuille individuelle, le moteur de calcul est mathématiquement forcé de tronquer ou d’arrondir les décimales excédentaires qui ne peuvent trouver place au sein de l’affichage conventionnel.

Il est capital de savoir identifier le cas de figure où la feuille ne représente plus une unité entière, mais incarne des dixièmes ou des centièmes de point. Cette précision est généralement explicitée dans les annotations marginales générées par la procédure Explorer, mentionnant par exemple que la feuille équivaut à 0,1 ou 0,01 unité métrique. Dans ces conditions spécifiques, si une tige arbore le chiffre 3 et que les feuilles indiquent 4 et 7 avec une unité de feuille fixée à 0,1, les scores réels sous-jacents correspondent rigoureusement à 3,4 et 3,7. La vigilance de l’évaluateur doit être maximale pour éviter d’interpréter ces chiffres comme des entiers valant 34 et 37.

Néanmoins, cette contrainte d’affichage implique une perte mineure mais réelle de précision sur les chiffres de poids encore plus faible. Si un sujet présente un temps de réaction réel de 347 millisecondes et que SPSS calibre l’affichage avec une tige représentant les centaines et une feuille représentant les dizaines, le score sera visuellement projeté sous la tige 3 avec une feuille 4, le chiffre des unités 7 étant soit tronqué soit soumis à un arrondi arithmétique standard au chiffre supérieur selon les versions du logiciel. Le statisticien doit intégrer cette légère approximation dans son évaluation, en ayant toujours à l’esprit que le diagramme tige et feuille privilégie la morphologie topologique globale tout en conservant une fidélité numérique infiniment supérieure à celle de l’histogramme.

7. Détection visuelle et statistique des valeurs aberrantes (Outliers)

7.1 Signalement des cas extrêmes par la mention Extremes

L’une des fonctions diagnostiques les plus spectaculaires et cliniquement précieuses du diagramme tige et feuille réside dans sa capacité à discriminer et isoler automatiquement les observations atypiques majeures qui polluent la régularité d’un échantillon. Lorsque des valeurs numériques s’écartent de manière excessive de la masse principale de la distribution, l’algorithme d’IBM SPSS Statistics prend la décision délibérée de rompre l’alignement conventionnel des tiges et des feuilles afin de ne pas étirer démesurément la colonne verticale des tiges par une suite interminable de rangées vides dépourvues de toute fréquence.

Ces données singulières sont formellement ségréguées de la silhouette principale et regroupées en marge du tracé sous une section spécifique arborant l’étiquette explicite Extremes. Cette mention est immédiatement suivie d’une précision directionnelle indiquant si l’anomalie se situe sur l’aile inférieure de la distribution, matérialisée par la notation mathématique Extremes (=<), ou si elle se manifeste sur le versant supérieur de l’échelle à travers la mention Extremes (>=). Cette ségrégation typographique immédiate attire le regard du chercheur sur des déviances métriques majeures qui requièrent une investigation clinique ou méthodologique prioritaire.

Contrairement aux rangées standard où chaque mesure est éclatée entre sa tige et sa feuille unitaire, les cas répertoriés sous la ligne des extrêmes font l’objet d’une énumération numérique brute intégrale. SPSS affiche directement la valeur effective arrondie de chaque score aberrant, sans appliquer la décomposition positionnelle habituelle. Cette modification formelle d’affichage constitue un signal sémiotique puissant : l’observation ne s’intègre plus au tissu distributionnel continu de la cohorte et doit être appréhendée comme une singularité statistique manifeste exigeant une prise de décision raisonnée.

7.2 Seuils mathématiques sous-jacents aux critères de SPSS

L’isolement de ces valeurs extrêmes au sein de la sortie d’Explorer ne procède nullement d’une appréciation subjective ou arbitraire de l’algorithme, mais découle de l’application rigoureuse des règles de clôture théoriques établies par John Tukey. La référence fondamentale mobilisée par SPSS repose sur l’intervalle interquartile, désigné sous l’acronyme IQR (Interquartile Range), qui correspond à la distance mathématique séparant le troisième quartile Q3 (le 75e centile) du premier quartile Q1 (le 25e centile). Cette métrique d’écartement non paramétrique présente l’avantage insigne d’être totalement robuste face aux valeurs atypiques elles-mêmes.

Pour délimiter les frontières de l’acceptabilité distributionnelle, le moteur computationnel établit deux périmètres de sécurité emboîtés. Le premier périmètre, dit des clôtures intérieures, est défini par les bornes mathématiques [Q1 – (1,5 × IQR)] pour la limite inférieure et [Q3 + (1,5 × IQR)] pour la limite supérieure. Toute observation franchissant ces bornes de 1,5 fois l’écart interquartile est classifiée comme valeur aberrante modérée. Le second périmètre, infiniment plus restrictif, fixe les clôtures extérieures aux seuils critiques situés à 3 fois l’écart interquartile au-delà des quartiles, soit [Q1 – (3 × IQR)] et [Q3 + (3 × IQR)].

Dans la configuration standard de la commande EXAMINE, la section Extremes du diagramme tige et feuille isole de manière prioritaire les valeurs excédant ce seuil critique de 3 fois l’IQR. Il existe une concordance algébrique et visuelle absolue entre cette détection textuelle et les représentations générées sur la boîte à moustaches simultanément produite par SPSS. Sur le box-plot, les valeurs modérées situées entre 1,5 et 3 IQR sont conventionnellement identifiées par des petits cercles étiquetés avec le numéro de ligne de l’observation, tandis que les valeurs extrêmes franchissant le seuil des 3 IQR sont solennellement marquées par des astérisques d’alerte, établissant une harmonie diagnostique parfaite entre les deux outils.

7.3 Prise de décision méthodologique en recherche psychologique

La mise en évidence d’une valeur extrême sur un diagramme tige et feuille ouvre une phase délicate d’arbitrage méthodologique et épistémologique au cours de laquelle le chercheur ne doit en aucun cas céder à la tentation simpliste d’une suppression mécanique et non documentée. La première démarche impérative consiste à opérer une discrimination diagnostique rigoureuse entre une erreur matérielle d’encodage et une variabilité psychopathologique authentique. L’analyste se réfère immédiatement au protocole papier initial ou au journal de passation informatique du sujet désigné par l’identifiant pour vérifier si le score extrême ne résulte pas d’une coquille de frappe, d’une inversion de chiffres ou d’un bogue de conversion logicielle.

Lorsqu’il s’avère que la mesure reflète incontestablement la performance ou l’état clinique réel du participant, la conduite à tenir engage la responsabilité éthique et statistique du scientifique. La suppression pure et simple d’une observation valide dans le seul but de normaliser artificiellement une distribution et d’obtenir des seuils de significativité favorables s’apparente à une pratique de recherche contestable assimilable au p-hacking. Si le sujet fait légitimement partie de la population cible étudiée, sa déviance métrique peut apporter un éclairage inestimable sur la sévérité d’un trouble neuropsychologique ou sur l’existence d’un sous-type clinique rare.

Trois stratégies méthodologiquement vertueuses s’offrent alors au chercheur face à ces cas extrêmes identifiés sur le tige et feuille. La première consiste à recourir à des techniques de winsorisation, consistant à réassigner à la valeur extrême le score théorique le plus élevé admissible à l’intérieur des clôtures de Tukey, neutralisant son levier excessif sans exclure le sujet de l’effectif total. La seconde approche repose sur l’adoption de modèles linéaires généralisés robustes ou d’analyses non paramétriques insensibles aux queues de distribution sévères. Enfin, la troisième voie préconise la conduite d’analyses de sensibilité systématiques, où le chercheur rapporte côte à côte dans son rapport scientifique les résultats du modèle paramétrique avec et sans la présence de la valeur aberrante, assurant une transparence analytique irréprochable.

8. Automatisation de la procédure via la syntaxe SPSS

8.1 Architecture formelle de la commande EXAMINE

Bien que l’interface graphique déroulante d’IBM SPSS Statistics offre une convivialité indéniable pour les utilisateurs occasionnels, la maîtrise de la syntaxe de commande demeure la marque distinctive d’une pratique statistique professionnelle et rigoureuse. L’architecture formelle de la commande dédiée à la génération du diagramme tige et feuille s’appuie sur le verbe d’action canonique EXAMINE. La structure syntaxique minimale requise pour initialiser l’exploration distributionnelle d’une variable métrique s’articule autour d’instructions textuelles d’une grande sobriété formelle.

Pour forcer explicitement la production du diagramme tige et feuille sans surcharge graphique inutile, l’utilisateur insère la commande structurelle suivante au sein d’une fenêtre de syntaxe SPSS :

EXAMINE VARIABLES = NomDeLaVariable
/PLOT STEMLEAF
/STATISTICS DESCRIPTIVES
/MISSING LISTWISE.

Dans cette architecture codée, la clause primaire VARIABLES déclare l’identité exacte de la mesure quantitative à traiter telle qu’elle est enregistrée dans le dictionnaire des variables actives. Le sous-ordre capital /PLOT STEMLEAF ordonne formellement au compilateur interne de restreindre la production visuelle au seul diagramme tige et feuille, désactivant automatiquement les tracés de boîtes à moustaches et les histogrammes superflus. Enfin, le sous-ordre /MISSING spécifie la politique de traitement des valeurs d’incomplétude, le paramètre LISTWISE garantissant l’exclusion stricte de toute observation présentant une valeur non valide pour la dimension sélectionnée.

8.2 Avantages de la syntaxe pour la reproductibilité scientifique

L’abandon progressif des manipulations exclusives à la souris au profit d’une conduite scriptée des analyses s’inscrit au cœur des exigences contemporaines de la science ouverte, désignée internationalement sous le vocable d’Open Science. La pérennité d’un programme de recherche psychométrique ou biostatistique requiert qu’un auditeur indépendant, un évaluateur de revue par les pairs ou le chercheur lui-même plusieurs années après la collecte initiale, soit en mesure de reproduire à l’identique l’intégralité du cheminement ayant conduit aux conclusions analytiques publiées.

Un fichier de syntaxe SPSS, portant l’extension standardisée .sps, constitue un enregistrement textuel immuable, concis et transparent de chaque décision méthodologique opérée. Alors que l’exploration via des boîtes de dialogue expose l’analyste à des oublis involontaires de clics, à des erreurs de sélection d’options secondaires ou à des déviations non documentées entre deux sessions de travail, le script de commande garantit une fidélité computationnelle absolue. L’archivage public de ces lignes de commande au sein d’entrepôts de données institutionnels certifiés confère aux protocoles d’investigation un niveau de crédibilité et d’auditabilité indispensable à la validation académique.

Par ailleurs, l’utilisation de la syntaxe fluidifie considérablement l’intégration des phases exploratoires dans des flux de travail complexes et itératifs. Elle permet d’annoter exhaustivement le code à l’aide de commentaires explicatifs introduits par un astérisque, explicitant les motifs cliniques ou expérimentaux ayant présidé à l’inspection de telle ou telle distribution particulière. Cette traçabilité narrative élève la rigueur de l’expérimentateur et transforme le diagramme tige et feuille en une étape d’audit systématique et documentée du protocole scientifique.

8.3 Modèles de syntaxe pour analyses par lots (Batch processing)

L’intérêt de la programmation par syntaxe se révèle pleinement lors du traitement de batteries d’évaluation multidimensionnelles impliquant des dizaines d’échelles psychologiques, de questionnaires de personnalité ou de paramètres chronométriques recueillis sur une même cohorte. Plutôt que de réitérer fastidieusement la manipulation des boîtes de dialogue pour chaque dimension constitutive, l’analyste exploite la capacité de la commande EXAMINE à recevoir des vecteurs entiers de variables continues au sein d’une unique instruction unifiée.

L’écriture d’une commande d’exploration groupée prend la forme syntaxique suivante :

EXAMINE VARIABLES = ScoreMemoire ScoreAttention TempsReaction1 TempsReaction2
/PLOT STEMLEAF NPPLOT
/STATISTICS DESCRIPTIVES
/NOTOTAL.

Dans ce modèle d’analyse par lots, l’adjonction de l’argument NPPLOT au sein de la ligne /PLOT génère automatiquement et en parallèle les graphiques de normalité avec tests pour chacune des dimensions énumérées, permettant une inspection séquentielle comparative ultra-rapide de l’ensemble de la batterie de tests. L’instruction optionnelle /NOTOTAL permet quant à elle de désactiver le calcul redondant de métriques globales agrégées lorsque des facteurs de sous-groupes sont impliqués, optimisant ainsi le temps de calcul du processeur.

Pour les infrastructures de recherche gérant des volumes considérables de données longitudinales, il est également possible d’encapsuler ces commandes EXAMINE à l’intérieur de boucles d’automatisation matricielles ou de macros de production SPSS via les commandes de contrôle DEFINE !LOOP ou d’intégrer du code d’automatisation via des scripts Python pour SPSS. Cette ingénierie logicielle permet d’extraire automatiquement la silhouette des tiges et des feuilles de chaque variable et de diriger directement ces flux textuels vers des rapports d’audit au format HTML ou texte brut, rationalisant ainsi de manière spectaculaire le contrôle qualité des bases de données massives.

9. Analyses comparatives par groupes : Utilisation de la liste des facteurs

9.1 Insertion d’une variable indépendante catégorielle

L’exploration univariée d’une distribution globale ne constitue souvent qu’une première étape dans le travail du statisticien. Dans la quasi-totalité des dispositifs expérimentaux et quasi-expérimentaux en psychologie, la question centrale porte sur la comparaison de sous-populations distinctes soumises à des conditions environnementales discordantes ou présentant des profils nosographiques différentiels. Pour répondre à cette exigence, la procédure Explorer d’IBM SPSS Statistics intègre une fonctionnalité puissante matérialisée par le réceptacle intitulé Liste des facteurs (Factor List).

Pour opérationnaliser cette stratification comparative, le chercheur maintient sa variable continue psychométrique au sein du champ Liste des variables dépendantes, mais transfère simultanément une variable indépendante qualitative au sein du panneau Liste des facteurs. Cette variable factorielle doit impérativement être de nature catégorielle, codée sous la forme d’un niveau de mesure nominal ou ordinal dans la Vue des variables. Les exemples abondent en psychopathologie empirique, qu’il s’agisse de comparer un groupe de patients diagnostiqués avec un trouble dépressif caractérisé à un groupe de témoins sains appariés, ou d’évaluer l’impact d’un protocole psychothérapeutique à travers les modalités temporelles pré-test, post-test et suivi longitudinal.

Avant d’exécuter cette ventilation par facteur, il est méthodologiquement indispensable de contrôler l’équilibre numérique des effectifs sous-jacents aux différentes modalités de la variable d’appartenance. Un déséquilibre structurel majeur, tel qu’un sous-groupe expérimental regroupant quatre-vingts participants confronté à un groupe clinique résiduel de seulement sept patients, posera de sérieuses difficultés d’interprétation morphologique sur les diagrammes tiges et feuilles stratifiés, la granularité visuelle et la résolution spatiale du tracé étant intimement conditionnées par la taille intrinsèque de chaque strate analysée.

9.2 Génération de diagrammes tige et feuille stratifiés

La validation d’une variable factorielle dans la boîte de dialogue modifie profondément le comportement computationnel d’IBM SPSS Statistics. Au lieu de produire une synthèse globale indifférenciée de la cohorte, le système fractionne instantanément la matrice de données et génère de manière séquentielle un diagramme tige et feuille autonome et exhaustif pour chacune des modalités constitutives de la variable d’appartenance de groupe. Ce partitionnement permet de procéder à un examen morphologique comparatif particulièrement pénétrant.

L’analyste est désormais en mesure d’observer directement si la distribution des scores adopte la même allure structurelle au sein du groupe clinique et au sein du groupe témoin. Il arrive fréquemment qu’un groupe de sujets sains présente une distribution remarquablement resserrée et symétrique autour des tiges centrales, tandis que le groupe pathologique exhibe un aplatissement sévère de ses effectifs avec un étalement asymétrique vers les tiges basses traduisant un déficit fonctionnel hétérogène. Ce diagnostic visuel d’hétérogénéité morphologique est une composante essentielle de la vérification du postulat d’homogénéité des variances, requis par les tests inférentiels classiques de comparaison de moyennes comme le test t de Student ou l’ANOVA.

Cependant, une précaution méthodologique majeure s’impose lors de l’examen de ces diagrammes stratifiés successifs : l’observation vigilante de la mention Stem Width associée à chaque sous-graphique. Bien que le logiciel s’efforce généralement d’harmoniser l’échelle de mesure le long d’une même session, il peut arriver que des amplitudes de scores excessivement discordantes entre deux sous-populations conduisent SPSS à adopter une largeur de tige différente d’un groupe à l’autre. Le chercheur doit impérativement s’assurer qu’il compare des échelles métriques rigoureusement équivalentes avant de formuler la moindre conclusion clinique sur les dispersions relatives des deux populations examinées.

9.3 Limites ergonomiques de SPSS pour les diagrammes dos-à-dos

En dépit de sa sophistication computationnelle, le progiciel IBM SPSS Statistics présente une lacune ergonomique historique souvent déplorée par les spécialistes de l’analyse exploratoire : l’absence native de génération de diagrammes tige et feuille adossés, internationalement désignés sous l’appellation de back-to-back stem-and-leaf plots. Dans cette configuration de référence idéalisée par John Tukey, une colonne axiale unique de tiges est partagée au centre, les feuilles du premier groupe se déployant horizontalement vers la droite tandis que les feuilles du groupe comparatif se projettent en miroir vers la gauche, facilitant une comparaison optique immédiate de la morphologie des deux échantillons.

Au lieu de proposer cette mise en page adossée optimisée, SPSS se borne à empiler verticalement les sorties textuelles des différents sous-groupes dans le visualiseur de résultats. Cette disjonction spatiale contraint le regard de l’utilisateur à naviguer de haut en bas entre les sections du rapport, compliquant l’appréciation instantanée des décalages d’asymétrie ou des translations de tendance centrale. Face à cette contrainte d’affichage, le chercheur est souvent contraint de procéder à un réalignement manuel au sein d’un traitement de texte externe ou de concevoir des scripts typographiques dédiés pour juxtaposer les colonnes de manière rigoureuse.

Cette limitation technique explique pourquoi, lors de la présentation comparative de groupes au sein de communications orales ou de manuscrits académiques, la boîte à moustaches groupée est très fréquemment préférée au tige et feuille stratifié de SPSS. Sur un box-plot groupé, les médianes et les dispersions des différentes sous-populations sont alignées côte à côte sur une ordonnée métrique unique et immuable, compensant la perte de détail sur les feuilles unitaires par une lisibilité géométrique incomparable des contrastes d’échelle et de position inter-groupes.

10. Diagnostics des anomalies d’affichage et erreurs fréquentes

10.1 Rétrécissement excessif ou étirement disproportionné des tiges

L’interaction entre l’algorithme de discrétisation de SPSS et les caractéristiques distributionnelles singulières de certaines variables psychométriques peut engendrer des anomalies visuelles déroutantes pour l’utilisateur non averti. La première de ces anomalies concerne le rétrécissement excessif des tiges, qui survient lorsqu’une variable continue présente une variance empirique extrêmement faible ou une concentration massive de scores identiques autour d’une valeur unique. Dans ce contexte de distribution ultra-leptokurtique, le logiciel peine à déployer un éventail d’intervalles significatifs et compresse la totalité des participants sur une ou deux tiges isolées, produisant un bloc textuel dense qui ne présente aucun intérêt exploratoire.

À l’inverse, le phénomène d’étirement disproportionné se produit face à des distributions affectées d’une asymétrie extrême positive ou négative, caractérisées par une poignée d’observations marginales qui échappent tout juste aux critères mathématiques d’exclusion des valeurs aberrantes extrêmes de Tukey. Dans ce cas de figure, le moteur de SPSS s’obstine à tracer une succession vertigineuse de tiges intermédiaires totalement vides de feuilles pour relier le corps central de la distribution à ces scores périphériques lointains. L’affichage résultant s’étire sur des hauteurs démesurées, anéantissant l’harmonie visuelle globale du tracé et rendant le défilement du visualiseur particulièrement pénible.

Face à ces pathologies distributionnelles, le statisticien doit poser un diagnostic clair : la métrique originale sous sa forme brute est inadaptée à une modélisation linéaire directe. Le recours à des transformations mathématiques préalables de la variable constitue le remède le plus approprié. L’application d’une transformation logarithmique standard ou d’une fonction racine carrée permettra de compresser les étendues démesurées et d’atténuer l’asymétrie positive, restaurant ainsi un espacement régulier et harmonieux des tiges et des feuilles lors de la réitération de la procédure descriptive dans SPSS.

10.2 Problématiques d’échelles décimales et d’affichage tronqué

Une source fréquente de contresens analytique réside dans la mauvaise appréhension des mécanismes de mise à l’échelle décimale adoptés par SPSS. Une incompréhension récurrente concerne la confusion regrettable entre la valeur numérique zéro et l’absence pure et simple d’observation sur un niveau métrique donné. Lorsqu’une tige affiche le chiffre 0 flanqué d’une feuille 0 dans un système à largeur d’échelle unitaire, cela certifie formellement la présence d’une observation ayant obtenu la valeur empirique exacte de 0. Réciproquement, une rangée de tige dont la colonne des fréquences affiche 0 et dont l’espace des feuilles est totalement vierge signale une lacune distributionnelle, c’est-à-dire l’absence totale de sujet ayant obtenu un score dans cet intervalle spécifique.

Une autre interférence majeure résulte de la gestion erronée des variables déclarées par inadvertance en chaînes de caractères (String) au lieu d’un format numérique standard. Si un chercheur importe un fichier de données issu d’un tableur externe où des séparateurs décimaux hétérogènes ont été employés, SPSS peut convertir automatiquement la colonne en variable alphanumérique. Dans cette configuration dégradée, toute tentative de génération d’un diagramme tige et feuille via la procédure EXAMINE est formellement bloquée par le système, la variable refusant d’apparaître dans la liste de sélection des variables dépendantes continues.

De surcroît, des problèmes d’affichage tronqué peuvent survenir lorsque la chaîne des feuilles dépasse la largeur d’affichage standard de la console de texte de la fenêtre de sortie. Lorsque plusieurs dizaines de participants partagent rigoureusement la même feuille sur une tige donnée, le logiciel est parfois contraint d’apposer une mention d’ellipse ou d’interrompre l’alignement pour passer à la ligne suivante avec une notation spéciale. L’analyste doit impérativement examiner la colonne des fréquences de gauche pour valider le décompte réel, sans se fier exclusivement au dénombrement visuel direct des chiffres alignés le long du panneau des feuilles.

10.3 Non-génération du graphique et seuils de volume de données

Il arrive que l’utilisateur valide l’exécution de la procédure Explorer avec l’option Tige et feuilles scrupuleusement cochée, mais découvre avec stupeur que la fenêtre de résultats d’IBM SPSS Statistics ne produit aucun diagramme tige et feuille, lui substituant unilatéralement un histogramme standardisé. Ce comportement n’est pas imputable à un bogue logiciel, mais constitue une réponse algorithmique de sécurité face au franchissement de seuils critiques relatifs à la taille de l’échantillon ou à la nature métrique de la variable traitée.

Le moteur computationnel d’IBM SPSS Statistics intègre une limite structurelle implicite quant au nombre maximal de données numériques qu’il accepte de projeter au sein d’une matrice textuelle de tiges et de feuilles. Lorsque l’effectif N d’un échantillon dépasse un volume considérable, généralement fixé au-delà d’un millier d’observations, l’algorithme de Tukey considère que le maintien d’une granularité unitaire n’a plus de pertinence visuelle et conduirait à un encombrement catastrophique de la mémoire vive et de la surface d’affichage. Dans ces conditions de mégadonnées, le programme bascule automatiquement vers une représentation par histogramme, jugeant la discrétisation par classes infiniment plus efficiente.

Pour confirmer l’origine de cette substitution graphique, le chercheur doit diriger son regard vers le journal d’exécution (Viewer Log) situé dans l’arborescence supérieure de la sortie SPSS. Le compilateur y inscrit un message d’avertissement formel (Warning) explicitant que le diagramme tige et feuille a été omis en raison d’une dispersion inadaptée, d’un effectif excédentaire ou d’une cardinalité quasi infinie des valeurs uniques observées. La lecture méthodique de ces messages système permet d’ajuster sa stratégie d’exploration statistique sans persister dans des paramétrages erronés.

11. Intégration académique et restitution aux normes APA (7e édition)

11.1 Exportation des diagrammes depuis le visualiseur SPSS

L’intégration d’un diagramme tige et feuille produit par IBM SPSS Statistics au sein d’un manuscrit scientifique, d’un mémoire de recherche ou d’un rapport d’évaluation clinique exige une technique d’exportation rigoureuse dictée par la nature typographique singulière de cet objet statistique. Contrairement aux boîtes à moustaches, aux nuages de points ou aux histogrammes qui sont compilés par SPSS sous la forme d’objets graphiques vectoriels interactifs éditables dans le Chart Editor, le diagramme tige et feuille est généré sous forme de texte préformaté à espacement fixe (monospace text).

Si le chercheur procède à un simple copier-coller du diagramme vers un logiciel de traitement de texte tel que Microsoft Word sans précaution typographique, la mise en page s’effondre instantanément. L’application d’une police de caractères proportionnelle standard, telle que Times New Roman ou Calibri, où la lettre ‘i’ occupe une largeur spatiale bien moindre que la lettre ‘m’, rompt l’alignement vertical strict des tiges et des feuilles, détruisant de facto la silhouette de la distribution. Pour préserver l’intégrité morphologique de la sortie, l’utilisateur doit impérativement sélectionner le texte importé et lui appliquer une police à chasse fixe rigoureuse, telle que Consolas ou Courier New, calibrée avec une taille de corps adaptée garantissant la rectitude des colonnes.

Une méthode alternative hautement professionnelle consiste à exporter l’objet textuel depuis SPSS en sélectionnant l’option d’exportation vers un format de document portable (PDF) ou en générant une capture d’écran haute résolution calibrée à une densité minimale de 300 points par pouce (DPI). Cette approche fige de manière définitive les proportions géométriques, l’écartement des colonnes de fréquence et l’inscription de la Stem Width en bas de tracé, assurant une parfaite fidélité esthétique conforme aux standards des presses universitaires et des comités d’édition scientifique.

11.2 Formalisation des descriptions narratives dans un mémoire ou article

Les recommandations édictées par l’American Psychological Association dans la septième édition de son manuel de publication (APA 7) imposent des normes strictes quant à la description narrative des données distributionnelles au sein de la section Méthode ou Résultats d’un article empirique. Le simple dépôt passif d’un graphique au fil du texte sans explicitation méthodologique formelle est rigoureusement prohibé par les standards de communication scientifique contemporains. Le chercheur doit expliciter avec clarté les enseignements morphologiques tirés de l’inspection exploratoire.

Le protocole de rédaction APA exige de spécifier explicitement la distribution observée, les éventuelles déviations de symétrie et d’aplatissement, ainsi que l’identification précise des valeurs aberrantes détectées et la décision méthodologique afférente. Voici un modèle canonique de restitution textuelle académique illustrant cette exigence formelle :

« L’exploration préalable de la distribution des scores à l’épreuve de mémoire de travail (N = 85) au moyen d’un diagramme tige et feuille a révélé une silhouette distributionnelle unimodale modérément asymétrique positive (coefficient d’asymétrie de Fisher = 0,62, erreur-type = 0,26). L’inspection visuelle des tiges confirme une concentration maximale des observations dans l’intervalle compris entre 40 et 55 points (largeur de tige = 10, classe modale à la tige 4 comportant 28 participants). Deux valeurs extrêmes supérieures ont été formellement identifiées au-delà du seuil de 3 fois l’écart interquartile (scores de 92 et 96). L’application conjointe du test de Shapiro-Wilk confirme une déviation significative par rapport à la normalité gaussienne (W = 0,942, p = 0,001), justifiant le recours à une modélisation inférentielle non paramétrique ou à des procédures de rééchantillonnage par bootstrap pour les analyses ultérieures. »

11.3 Arbitrage entre inclusion du graphique ou résumé tabulaire

L’une des décisions éditoriales les plus cruciales lors de la finalisation d’un manuscrit soumis à évaluation par les pairs concerne l’opportunité d’intégrer le diagramme tige et feuille directement dans le corps du texte ou de lui substituer une synthèse tabulaire condensée. Les revues majeures en psychologie quantitative, neurosciences cognitives et épidémiologie psychiatrique appliquent une politique éditoriale extrêmement stricte quant à l’encombrement spatial des articles, réservant les espaces d’affichage graphiques aux représentations inférentielles majeures synthétisant les résultats des modèles statistiques finaux.

En vertu de ces contraintes de pagination, il est extrêmement rare qu’un diagramme tige et feuille trouve sa place au cœur de la section principale des Résultats d’une revue à fort facteur d’impact. La coutume méthodologique admise consiste à déporter le tracé exhaustif des tiges et des feuilles au sein des annexes méthodologiques électroniques ou du matériel supplémentaire en ligne (Supplementary Material). Cette démarche garantit une totale transparence empirique vis-à-vis des évaluateurs tout en respectant l’économie éditoriale imposée par les comités de rédaction.

Au sein du corps de l’article proprement dit, le diagramme tige et feuille s’efface généralement au profit d’un tableau récapitulatif condensé consignant les paramètres numériques de tendance centrale et de forme : moyenne, écart-type, médiane, écart interquartile, coefficients d’asymétrie (Skewness) et d’aplatissement (Kurtosis), accompagnés des valeurs probabilistes des tests de normalité de Shapiro-Wilk. Le diagramme tige et feuille aura ainsi rempli sa mission épistémologique souveraine : guider méthodologiquement le chercheur dans les coulisses de l’analyse sans surcharger inutilement la démonstration finale soumise à la communauté académique.

12. Bonnes pratiques et feuille de route méthodologique pour le chercheur

12.1 Arbre décisionnel pour l’exploration initiale des distributions

Pour prémunir le chercheur contre les errances méthodologiques et garantir une rigueur d’investigation constante, l’intégration du diagramme tige et feuille doit s’inscrire au sein d’un arbre décisionnel clairement formalisé au commencement de tout projet d’analyse quantitative. Cette démarche algorithmique commence impérativement dès l’achèvement de la saisie de la matrice brute, positionnant le diagramme tige et feuille comme le premier point de passage obligatoire avant tout calcul de métrique de dispersion ou de corrélation.

L’articulation séquentielle vertueuse se déploie selon le cheminement chronologique suivant :

• Étape 1 : Génération systématique du diagramme tige et feuille couplé aux tests de normalité formels via la commande Explorer d’IBM SPSS Statistics.
• Étape 2 : Inspection visuelle immédiate de la silhouette pour diagnostiquer l’unimodalité ou la présence de sous-groupes bimodaux masqués.
• Étape 3 : Contrôle minutieux de la section des valeurs aberrantes (Extremes) pour identifier d’éventuelles erreurs d’encodage matérielles ou déviances cliniques.
• Étape 4 : Confrontation des observations morphologiques avec les indices numériques d’asymétrie et le niveau de significativité du test de Shapiro-Wilk.
• Étape 5 : Formulation de la décision inférentielle : maintien de la métrique originale et application de tests paramétriques en cas d’ajustement satisfaisant, ou basculement vers des transformations mathématiques ou des tests non paramétriques robustes en présence de distorsions sévères.

Ce protocole rigoureux évite l’écueil courant consistant à appliquer aveuglément des tests t de Student ou des régressions linéaires multiples sur des données qui violent massivement les postulats fondamentaux de normalité et d’homoscédasticité, protégeant ainsi l’expérimentateur contre le risque d’inflation des erreurs de première espèce (faux positifs) ou de deuxième espèce (faux négatifs).

12.2 Intégration du tige et feuille dans les protocoles pré-enregistrés

Le renouveau épistémologique suscité par la crise de réplication en psychologie a conduit à la généralisation des protocoles de recherche pré-enregistrés (Preregistration) sur des plateformes institutionnelles telles que l’Open Science Framework (OSF). Dans ce cadre méthodologique exigeant, les chercheurs s’engagent formellement, avant même d’avoir collecté la moindre donnée, sur l’intégralité du plan d’analyse statistique qu’ils déploieront, limitant ainsi drastiquement les degrés de liberté de l’expérimentateur propices au biais de confirmation.

L’utilisation du diagramme tige et feuille trouve une place de choix au sein de ces déclarations préalables, notamment pour formaliser en toute transparence la politique de détection et de traitement des valeurs aberrantes. Le chercheur spécifie noir sur blanc dans son pré-enregistrement que l’identification des observations atypiques s’appuiera rigoureusement sur le critère de Tukey des clôtures extérieures à 3 fois l’écart interquartile tel qu’implémenté dans la commande EXAMINE de SPSS. Il précise à l’avance les seuils d’intervention et s’interdit formellement toute éviction opportuniste d’observations après consultation des résultats statistiques finaux.

Cette déclaration a priori immunise la démarche scientifique contre les soupçons de manipulation empirique. L’inspection des tiges et feuilles n’est plus une manœuvre informelle destinée à nettoyer commodément un échantillon bruité, mais devient une étape d’audit empirique transparente, totalement documentée et reproductible. Les diagrammes initiaux sont archivés au sein du rapport public d’analyse, scellant un engagement d’intégrité et de loyauté métrologique exemplaire face à la communauté scientifique internationale.

12.3 Check-list opérationnelle de fin de traitement sous SPSS

Pour conclure cette feuille de route méthodologique et garantir qu’aucune faille technique n’entache la rigueur des conclusions statistiques, l’analyste applique systématiquement une check-list opérationnelle de contrôle qualité avant de clore définitivement sa session d’investigation sous IBM SPSS Statistics. Ce protocole de vérification finale se structure autour de quatre impératifs absolus qu’il convient de passer méthodiquement en revue :

• Contrôle de complétude de l’échantillon : Comparer rigoureusement la somme arithmétique cumulée de la colonne Frequency avec la taille d’échantillon théorique N déclarée dans le protocole. Vérifier qu’aucune observation n’a été indûment écartée en raison de codes de données manquantes mal paramétrés.
• Validation de l’ordre de grandeur réel : Relire attentivement la mention Stem Width affichée en pied de graphique et procéder mentalement au calcul de rétro-ingénierie sur au moins deux observations pour certifier que l’échelle des unités réelles est parfaitement maîtrisée.
• Audit des valeurs extrêmes : S’assurer que chaque score inscrit sous la section Extremes a fait l’objet d’une traçabilité documentaire identifiant le numéro d’observation du participant et motivant explicitement la décision analytique adoptée (maintien, winsorisation ou suppression argumentée).
• Archivage binaire indissociable : Enregistrer conjointement le fichier de syntaxe opérationnelle ayant servi à l’exécution (extension .sps) et le visualiseur de sorties complet consignant l’intégralité des représentations graphiques générées (extension .spv) au sein d’un répertoire de données sécurisé et horodaté.

En respectant scrupuleusement cette discipline de travail, le chercheur s’assure que son utilisation du diagramme tige et feuille dans SPSS dépasse largement le stade du simple tracé mécanique pour devenir un puissant instrument d’investigation heuristique, garantissant à ses travaux empiriques une solidité métrologique et une transparence scientifique inattaquables.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
• Hoaglin, D. C., Mosteller, F., & Tukey, J. W. (Eds.). (1983). Understanding robust and exploratory data analysis. John Wiley & Sons.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• IBM Corporation. (2021). IBM SPSS Statistics 28 Brief Guide. IBM Corporation. https://www.ibm.com/docs/en/spss-statistics
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley Publishing Company.
• Wilkinson, L. (2005). The grammar of graphics (2nd ed.). Springer. https://doi.org/10.1007/0-387-28695-0