Comment créer des diagrammes à barres dans SAS (3 exemples)

Dans le paysage contemporain de l’analyse quantitative et de la science des données, la restitution visuelle des distributions empiriques constitue un jalon fondamental de la démarche scientifique. L’exploration de données catégorielles, qu’elles soient issues d’enquêtes sociologiques à grande échelle, de protocoles cliniques randomisés ou d’études psychométriques standardisées, exige des dispositifs graphiques capables de traduire avec une rigueur absolue la structure sous-jacente des observations sans introduire d’artéfacts perceptifs. Au sein de cet arsenal sémiologique, le diagramme à barres s’impose comme l’archétype par excellence de la transposition géométrique des grandeurs discrètes, matérialisant des fréquences d’occurrence ou des résumés statistiques agrégés sous la forme d’extensions linéaires étalonnées sur un repère orthogonal rigide.

Le système logiciel SAS (Statistical Analysis System), pionnier du calcul statistique haute performance et référence institutionnelle incontournable dans les environnements soumis à des contraintes réglementaires strictes, a profondément renouvelé son architecture de rendu graphique au cours des dernières décennies. La transition progressive des routines matricielles vectorielles historiques vers le puissant moteur ODS Graphics (Output Delivery System) a consacré la procédure PROC SGPLOT comme la norme d’excellence pour la production de figures analytiques destinées à la publication savante. Cette procédure allie une puissance déclarative exceptionnelle à un contrôle typographique, spatial et chromatique d’une extrême précision, autorisant les chercheurs à décliner des représentations univariées ou multivariées d’une netteté irréprochable.

Le présent traité méthodologique se propose d’explorer en profondeur la conception, l’optimisation et la personnalisation avancée des diagrammes à barres sous SAS, à travers l’étude minutieuse de trois paradigmes structurels fondamentaux : le diagramme à barres univarié simple (décliné selon des orientations verticales et horizontales), le diagramme à barres empilé (stacked bar chart) dédié à la décomposition proportionnelle intra-catégorielle, et le diagramme à barres groupé ou juxtaposé (clustered bar chart) conçu pour l’analyse comparative des interactions factorielles. À la lumière des théories de la perception visuelle de William S. Cleveland et d’Edward Tufte, nous analyserons les implications sémiotiques, les arbitrages algorithmiques et les protocoles de mise en conformité typographique requis pour hisser vos visualisations aux plus hauts standards académiques internationaux.

1. Introduction à la visualisation de données catégorielles sous SAS

1.1 Rôle épistémologique des diagrammes à barres en recherche quantitative

Dans l’architecture de la recherche empirique, l’investigation préliminaire des variables qualitatives constitue une étape charnière qui conditionne l’ensemble de la modélisation statistique ultérieure. Avant même d’envisager des tests d’hypothèses inférentiels complexes, tels que les régressions logistiques multinomiales ou les modélisations par équations structurelles, le chercheur doit impérativement appréhender la morphologie descriptive de son échantillon. Le diagramme à barres remplit cette fonction d’exploration descriptive en encodant des quantités abstraites sous la forme de barres rectangulaires contiguës ou espacées dont la longueur est strictement proportionnelle à la grandeur représentée. Cette conversion géométrique repose sur un principe psychophysique fondamental mis en lumière par les travaux séminaux de Cleveland et McGill sur la perception graphique : l’œil et le cerveau humain évaluent la position le long d’une échelle commune avec une acuité perceptuelle incomparablement supérieure à celle mobilisée pour juger des angles, des courbures ou des aires surfaciques.

Par contraste avec les tableaux de contingence bruts, qui imposent une charge cognitive substantielle en exigeant du lecteur une lecture séquentielle et une mémorisation numérique active, la représentation par barres permet une appréhension synoptique et instantanée des disparités distributionnelles. Si un tableau de fréquences conserve l’avantage de la précision nominale brute, il échoue souvent à révéler de manière immédiate des asymétries de répartition, des polarisations extrêmes ou l’émergence de modalités sous-représentées au sein d’une cohorte d’étude. En psychométrie et en épidémiologie, où la prévalence de certains phénotypes ou la conformité des réponses à des échelles de Likert doivent être scrutées pour détecter d’éventuels effets de plafond ou de plancher, le diagramme à barres opère comme un filtre perceptif éliminant le bruit analytique pour révéler la structure géométrique intrinsèque des données.

D’un point de vue strictement méthodologique, la pertinence du diagramme à barres réside dans sa neutralité formelle lorsqu’il est correctement paramétré. Contrairement aux diagrammes circulaires (pie charts), qui induisent des distorsions systématiques d’estimation liées à l’angle et à la perspective tridimensionnelle souvent abusivement appliquée, le diagramme à barres ancre la comparaison sur une ligne de base zéro immuable. Cette caractéristique est cruciale pour préserver l’intégrité de l’interprétation des fréquences d’échantillonnage, garantissant que le ratio visuel entre deux rectangles reflète fidèlement le ratio arithmétique de leurs fréquences réelles respectives, prévenant ainsi toute manipulation cognitive ou lecture biaisée des preuves quantitatives.

1.2 Évolution des procédures graphiques SAS : de PROC GCHART à PROC SGPLOT

L’histoire de la visualisation de données au sein de l’écosystème logiciel SAS est marquée par une rupture technologique majeure, correspondant à la transition entre les anciens modules graphiques propriétaires et le système unifié ODS Graphics. Durant plusieurs décennies, la procédure PROC GCHART, issue du module historique SAS/GRAPH, a représenté le vecteur exclusif de production des diagrammes à barres, des histogrammes et des camemberts. Toutefois, cette procédure ancestrale présentait des limitations structurelles considérables, tributaires des contraintes informatiques des années 1980 et 1990 : obligation de manipuler des pilotes de périphériques graphiques obscurs (tels que les pilotes ZBR ou GIF), instabilité de la résolution lors de l’exportation vectorielle, et syntaxe excessivement verbeuse nécessitant l’utilisation combinée d’instructions auxiliaires complexes comme GOPTIONS, AXIS et PATTERN pour ajuster des paramètres aussi triviaux que la couleur d’un contour ou l’espacement inter-barres.

L’avènement d’ODS Graphics dans les versions récentes de SAS (à partir de la version 9.2 et pleinement consolidé dans les versions 9.4 et SAS Viya) a bouleversé ce paradigme en introduisant une famille de procédures statistiques de nouvelle génération, au premier rang desquelles trône la procédure PROC SGPLOT (Statistical Graphics Plot). Conçue spécifiquement pour répondre aux impératifs de la publication scientifique moderne, PROC SGPLOT standardise la génération de figures en déléguant la gestion du rendu à des moteurs de rendu vectoriel de pointe (notamment PDF et SVG) et matriciel anti-aliasé à haute résolution. Le système repose sur des modèles de présentation (graph templates) prédéfinis qui garantissent une homogénéité esthétique remarquable, tout en affranchissant l’analyste des contingences matérielles liées aux pilotes d’affichage de bas niveau.

En outre, l’optimisation intrinsèque du moteur d’ODS Graphics assure une prise en charge native et fluide des éléments typographiques vectoriels, de la gestion avancée des polices de caractères TrueType et OpenType, et de la colorimétrie dynamique calibrée. Là où PROC GCHART produisait des sorties rigides, souvent pixelisées et visuellement désuètes, PROC SGPLOT implémente par défaut des principes de design conformes aux exigences des plus grandes revues scientifiques internationales, tels que la réduction des bordures superflues, l’équilibrage des blancs typographiques et l’attribution automatique de palettes chromatiques perceptuellement discriminantes. Cette modernisation algorithmique a fait de PROC SGPLOT le standard industriel incontournable pour toute restitution graphique sous SAS.

1.3 Syntaxe fondamentale et architecture de PROC SGPLOT

L’architecture de la procédure PROC SGPLOT repose sur une logique déclarative d’une remarquable élégance, structurée autour d’un principe de superposition séquentielle d’instructions spécialisées. Contrairement à des environnements impératifs où chaque tracé géométrique doit être programmé par le calcul explicite de coordonnées pixel par pixel, PROC SGPLOT interprète l’intention analytique de l’utilisateur à partir d’une table de données source définie via l’argument classique DATA=nom_table. L’instruction principale convoque la procédure, tandis que les instructions internes spécifient la géométrie des tracés à exécuter sur les variables sélectionnées.

Le découplage fonctionnel entre la géométrie du tracé et la gestion des attributs environnementaux constitue l’un des piliers de cette architecture. Pour instancier un diagramme à barres, le statisticien fait appel soit à l’instruction VBAR (pour un agencement vertical), soit à l’instruction HBAR (pour une projection horizontale), suivie du nom de la variable catégorielle de classification. Cette commande fondamentale peut être complétée par une pléthore d’options contextuelles isolées par une barre oblique (/), permettant de moduler l’épaisseur des rectangles, d’assigner des couleurs spécifiques ou de définir des regroupements multivariés. En parallèle, des instructions indépendantes telles que XAXIS, YAXIS ou KEYLEGEND permettent de paramétrer globalement le comportement des axes cartésiens et des tables de correspondance sémiologique sans altérer la définition intrinsèque de la géométrie des barres.

Enfin, l’exécution du bloc d’instructions est scellée par la commande RUN;, caractéristique immuable de l’environnement SAS, qui déclenche la compilation du modèle graphique sous-jacent, le calcul implicite des statistiques de dénombrement ou d’agrégation, et la restitution effective de l’image vers les destinations ODS préalablement activées (telles que HTML, PDF ou RTF). L’instruction optionnelle mais hautement recommandée QUIT; permet quant à elle de clore proprement l’état d’écoute de la procédure dans la session active, assurant une hygiène de programmation optimale et prévenant les interférences entre étapes d’analyse consécutives.

2. Préparation et structuration des données pour PROC SGPLOT

2.1 Création du jeu de données expérimental (my_data)

Pour assurer la reproductibilité intégrale des concepts exposés tout au long de cet ouvrage didactique, il convient de formaliser un environnement de données contrôlé au moyen d’une étape DATA standardisée. Dans le cadre de nos démonstrations empiriques, nous concevrons un jeu de données expérimental dénommé my_data, simulant une étude multicentrique portant sur l’évaluation de performances cognitives et le recensement d’échantillons cliniques au sein de différentes structures hospitalières et groupes expérimentaux. La maîtrise de l’étape DATA constitue le prérequis absolu de toute manipulation analytique sous SAS, car la qualité de la restitution graphique dépend directement de l’organisation matricielle des enregistrements sous-jacents.

L’étape DATA initialise la structure tabulaire en allouant les descripteurs de variables dans le vecteur d’état du programme (Program Data Vector, ou PDV). L’instruction INPUT formalise la lecture des colonnes en associant des noms de variables standardisés à des typologies explicites. En particulier, l’adjonction du symbole dollar ($) à la suite immédiate du nom de variable indique au compilateur SAS que les colonnes correspondantes doivent être traitées comme des chaînes de caractères alphanumériques de longueur fixe ou variable. L’instruction DATALINES (ou son synonyme historique CARDS) signale quant à elle le début de l’insertion séquentielle des lignes de données brutes, clôturée par un point-virgule isolé marquant la fin de la lecture en ligne.

Dans notre modèle expérimental, nous instancions une variable catégorielle primaire intitulée Categorie (représentant par exemple des classes diagnostiques ou des sites de collecte : A, B, C, D), une variable de stratification secondaire nommée Groupe (distinguant le groupe témoin « Temoin » du groupe soumis à intervention « Traite »), ainsi qu’une variable quantitative continue dénommée Score ou Rendement, reflétant une mesure psychométrique discrète ou continue. Cette structure factorielle à deux niveaux croisés, enrichie d’une variable de réponse continue, offre le terrain idéal pour explorer l’ensemble des déclinaisons univariées et multivariées de PROC SGPLOT.

2.2 Inspection préliminaire et validation d’intégrité avec PROC PRINT

Dès lors que la table de travail SAS est matérialisée dans la mémoire de travail (bibliothèque WORK), une démarche de validation empirique s’impose impérativement avant toute tentative de modélisation visuelle. L’instruction PROC PRINT représente la commande canonique dédiée à l’inspection tabulaire des observations générées. Elle permet d’afficher dans la fenêtre de sortie ODS l’intégralité ou un sous-ensemble filtré des lignes enregistrées, offrant au praticien la possibilité de vérifier visuellement l’exactitude de l’attribution des variables dans les colonnes respectives et l’intégrité de la saisie matricielle.

Cette étape de vérification préliminaire vise principalement à identifier et à éradiquer les éventuelles valeurs manquantes (missing values), formalisées dans SAS par un point (.) pour les variables numériques et par un espace vide pour les chaînes de caractères. Dans le cadre de l’exploitation par PROC SGPLOT, la présence inattendue de valeurs manquantes sur une variable de classification peut profondément biaiser le rendu graphique en créant une catégorie fantôme indésirable sur l’axe des abscisses, ou en altérant les dénominateurs utilisés pour le calcul des fréquences relatives. De surcroît, des discordances typographiques subtiles dans les libellés de catégories alphanumériques (telles que des espaces surnuméraires en début ou fin de chaîne, ou des variations de casse entre majuscules et minuscules) conduiraient SAS à créer des modalités artificiellement disjointes pour une même entité conceptuelle.

L’utilisation judicieuse de PROC PRINT, combinée le cas échéant à l’option OBS= pour restreindre l’affichage aux premières lignes d’un volume massif de données, s’inscrit donc au cœur des bonnes pratiques de l’assurance qualité des données. Elle garantit l’alignement typologique parfait des variables avant que le flux de données ne soit transféré au compilateur d’ODS Graphics, neutralisant ainsi les sources potentielles d’erreurs d’exécution ou d’incohérences visuelles ultérieures.

2.3 Typologie des variables : échelles nominales, ordinales et métriques

L’élaboration rationnelle d’un graphique sous SAS nécessite une compréhension épistémologique affûtée de la nature mathématique des variables mobilisées, conformément aux principes de la taxonomie des échelles de mesure théorisée par Stanley Smith Stevens. On distingue fondamentalement les échelles qualitatives (nominales et ordinales) des échelles quantitatives (d’intervalles et de rapports). Dans le périmètre opérationnel de la procédure PROC SGPLOT appliquée aux diagrammes à barres, cette distinction détermine la fonction exacte attribuée à chaque axe cartésien : l’axe primaire (généralement horizontal pour VBAR) accueille la variable de classification catégorielle discrète, tandis que l’axe secondaire (vertical) mesure une métrique quantitative, qu’il s’agisse d’un dénombrement d’occurrences ou d’une fonction d’agrégation appliquée à une variable continue.

Sur le plan cognitif et sémiotique, le traitement des échelles nominales (telles que la nationalité, le sexe biologique ou le groupe d’appartenance médicale) confère au concepteur une liberté totale d’ordonnancement sur l’axe catégoriel. Il est alors fréquemment opportun de réorganiser les modalités par ordre croissant ou décroissant de fréquence pour faciliter la hiérarchisation visuelle de l’information. En revanche, face à une échelle ordinale (telle qu’un stade clinique, une classe d’âge ou un barème d’accord de type Likert), l’ordre intrinsèque des modalités possède une signification sémantique fondamentale qui doit impérativement être préservée sur l’axe du graphique, sous peine de détruire la cohérence logique du message et d’induire une confusion cognitive majeure chez le lecteur.

Le formatage des données tabulaires dans SAS via l’instruction FORMAT joue un rôle déterminant dans cette articulation. En associant des formats personnalisés créés via la procédure PROC FORMAT, l’analyste peut substituer à des codes numériques abstraits (tels que 1, 2, 3) des libellés textuels explicites tout en préservant l’ordre sous-jacent lors du tracé graphique. Cette dissociation propre à l’environnement SAS entre la valeur stockée en mémoire machine et la valeur affichée à l’écran constitue un atout méthodologique inestimable pour structurer harmonieusement l’axe catégoriel selon les contraintes perceptives inhérentes à la cognition humaine.

3. Exemple 1 — Création d’un diagramme à barres simple univarié

3.1 Implémentation du tracé vertical avec l’instruction VBAR

Le premier exemple fondamental concerne la matérialisation d’un diagramme à barres vertical univarié, représentant la distribution fréquentielle des observations à travers les différentes modalités de la variable catégorielle primaire. Dans la syntaxe épurée de PROC SGPLOT, ce tracé s’obtient au moyen de l’instruction VBAR (Vertical Bar). Lorsqu’elle est invoquée sans paramètre quantitatif additionnel, cette instruction déclenche de manière entièrement autonome un algorithme de calcul fréquentiel en arrière-plan : SAS balaie la table de données, dénombre les occurrences uniques de chaque modalité de la variable désignée, et configure automatiquement l’échelle de l’axe des ordonnées pour refléter le décompte brut des effectifs (Frequency).

Considérons l’application de cette instruction à notre variable Categorie issue de la table my_data. Le programme s’articule autour du bloc canonique débutant par PROC SGPLOT DATA=my_data;, suivi immédiatement sur la ligne subséquente de la directive VBAR Categorie;, pour se conclure par l’incontournable instruction de déclenchement RUN;. L’exécution de cette séquence entraîne la génération immédiate d’un graphique dans lequel chaque modalité de la variable Categorie se voit allouer un rectangle vertical d’une largeur constante et uniforme, dont la base repose rigidement sur l’ordonnée zéro et dont le sommet culmine exactement à la hauteur correspondant au nombre d’individus recensés dans ladite modalité.

Le rendu obtenu par défaut met en relief l’équilibre esthétique pré-calibré d’ODS Graphics. Les barres sont délimitées par des contours nets et remplies d’une teinte unie définie par le style ODS en vigueur au moment de l’exécution (habituellement un bleu institutionnel sous le style HTML5 standard). L’axe vertical est automatiquement baptisé « Frequency » ou « Fréquence » selon les paramètres de localisation linguistique de votre session SAS, et des graduations équidistantes sont positionnées sur des valeurs entières appropriées, prévenant toute extrapolation visuelle erronée et garantissant une lisibilité descriptive optimale de la distribution empirique.

3.2 Alternative ergonomique : conversion en barres horizontales via HBAR

Bien que la disposition verticale soit traditionnellement favorisée par analogie avec les histogrammes continus, elle montre ses limites ergonomiques dès lors que les libellés des modalités catégorielles présentent une longueur textuelle substantielle. Sur un axe horizontal, la juxtaposition de chaînes de caractères volumineuses contraint fréquemment le moteur graphique à opérer des compromis indésirables, tels que la troncature des noms, leur rotation angulaire diagonale ou verticale (qui entrave considérablement la fluidité de la lecture alphabétique occidentale), ou encore l’alternance en quinconce des étiquettes. Pour pallier cette contrainte spatiale majeure, la procédure PROC SGPLOT offre une alternative d’une grande élégance fonctionnelle au moyen de l’instruction HBAR (Horizontal Bar).

La substitution syntaxique de VBAR par HBAR opère une rotation géométrique à 90 degrés du repère cartésien. L’axe catégoriel devient l’axe des ordonnées (vertical, à gauche), tandis que l’axe des fréquences ou de la grandeur mesurée se déploie désormais sur l’axe des abscisses (horizontal, en bas). Dans cette configuration, les rectangles s’étendent de gauche à droite à partir d’une ligne d’ancrage commune alignée verticalement à l’extrême gauche de la zone de traçage. Les libellés textuels des catégories disposent ainsi d’un dégagement latéral naturel le long de l’axe vertical, ce qui autorise l’affichage intégral de chaînes de caractères complexes, de dénominations médicales précises ou de questions complètes d’enquêtes psychosociales, sans exiger la moindre inclinaison typographique.

Sur le plan de l’ergonomie visuelle et des sciences cognitives appliquées à la visualisation de données, le diagramme à barres horizontales s’avère fréquemment supérieur en termes de vitesse d’extraction de l’information. L’œil humain parcourt naturellement les libellés textuels dans un mouvement de balayage vertical descendant familier (de haut en bas), avant d’effectuer un glissement horizontal rapide pour évaluer la terminaison de la barre associée. Cette mécanique de balayage réduit considérablement les mouvements saccadiques des yeux et élimine la torsion céphalique souvent involontairement induite par la lecture de libellés verticaux sur un diagramme standard.

3.3 Intégration d’éléments textuels contextuels : titres et sous-titres

Une figure scientifique ne saurait être pleinement intelligible sans un appareil contextuel textuel rigoureusement hiérarchisé. Sous SAS, l’adjonction de métadonnées descriptives relève des instructions globales de formatage TITLE et FOOTNOTE, qui s’exécutent en symbiose étroite avec le bloc de la procédure PROC SGPLOT. L’instruction TITLE (qui peut être déclinée hiérarchiquement sous la forme TITLE1, TITLE2 jusqu’à TITLE10) permet de formaliser le titre principal et d’éventuels sous-titres analytiques, conférant au graphique son autonomie sémantique complète au sein d’un rapport ou d’un manuscrit scientifique.

La syntaxe de l’instruction TITLE offre une grande richesse de personnalisation grâce à des sous-options d’attributs intégrées. Le statisticien peut ainsi spécifier la police de caractères via l’option FONT=, l’échelle dimensionnelle relative au moyen de l’option HEIGHT=, l’alignement spatial via JUSTIFY= (gauche, centre ou droite), ainsi que la graisse typographique grâce à l’option BOLD. Par exemple, la commande déclarative TITLE1 BOLD HEIGHT=12pt « Distribution fréquentielle des cohortes cliniques (N=120) »; appose en surplomb immédiat de la figure une déclaration formelle d’une clarté absolue, situant immédiatement le périmètre d’échantillonnage et la nature des données illustrées.

Il est tout aussi capital de veiller à l’épuration sémiotique des éléments automatiques parasites générés par l’environnement SAS. Par défaut, le moteur ODS Graphics intègre des libellés d’axes génériques dérivés du dictionnaire de données (tels que le nom brut de la variable). L’intégration au sein de la procédure d’instructions d’axes spécifiques – par exemple en déclarant XAXIS LABEL= »Site d’investigation » GRID; – permet de substituer à l’identifiant machine une terminologie française fluide et rigoureusement contextualisée, tout en supprimant les redondances textuelles superflues pour maximiser la clarté informative de l’ensemble graphique.

4. Exemple 2 — Construction d’un diagramme à barres empilé (Stacked Bar Chart)

4.1 Principe conceptuel de la segmentation proportionnelle intra-barre

Lorsque le plan de recherche implique l’analyse conjointe de deux facteurs qualitatifs, le diagramme à barres univarié s’avère insuffisant pour rendre compte des dynamiques croisées. Le diagramme à barres empilé (stacked bar chart) répond à ce besoin analytique en opérant une segmentation proportionnelle interne de chaque barre univariée. Conceptuellement, cette technique consiste à décomposer la hauteur totale d’un rectangle – qui matérialise l’effectif marginal global d’une modalité primaire – en sous-segments géométriques adjacents superposés de manière ascendante, chaque sous-segment incarnant la contribution numérique d’un niveau particulier d’une seconde variable de stratification.

Cette approche graphique offre l’avantage immédiat de matérialiser visuellement deux niveaux d’information sur un espace bidimensionnel unique : d’une part, la magnitude totale de chaque catégorie primaire (l’enveloppe globale de la barre), et d’autre part, la décomposition structurelle de cette masse en sous-composantes distinctes. Dans les sciences comportementales et la psychologie différentielle, ce dispositif est particulièrement prisé pour évaluer simultanément le volume d’une sous-population clinique (par exemple, le nombre d’individus présentant un trouble anxieux spécifique) et son profilage interne selon une variable sociodémographique ou une comorbidité psychiatrique (telle que la présence ou l’absence d’une symptomatologie dépressive associée).

Néanmoins, la pertinence d’un diagramme empilé repose sur l’hypothèse sous-jacente que la somme des sous-parties possède une signification logique et opérationnelle évidente. Les segments imbriqués doivent être mutuellement exclusifs et collectivement exhaustifs par rapport à la catégorie primaire d’appartenance. Si cette condition est respectée, le diagramme empilé illustre de manière spectaculaire la notion de proportionnalité partagée, traduisant visuellement la manière dont différentes strates s’agrègent pour constituer un tout cohérent.

4.2 Syntaxe de l’option GROUP pour l’introduction d’un second facteur

L’implémentation algorithmique d’un diagramme à barres empilé sous PROC SGPLOT s’opère avec une économie de moyens syntaxiques tout à fait remarquable. Il suffit d’adjoindre le paramètre / GROUP=nom_variable à la suite immédiate de l’instruction de traçage de base, qu’il s’agisse de VBAR ou de HBAR. Par défaut, le comportement intrinsèque du compilateur ODS Graphics face à l’instruction GROUP sans modificateur additionnel consiste précisément à générer un empilement vertical ascendant (équivalent implicite de l’option GROUPDISPLAY=STACK).

Considérons la formulation programmatique appliquée à notre jeu de données expérimental :

PROC SGPLOT DATA=my_data;
VBAR Categorie / GROUP=Groupe;
RUN;

Dans ce scénario d’exécution, SAS identifie automatiquement l’ensemble des modalités uniques présentes au sein de la variable secondaire Groupe (dans notre cas, « Temoin » et « Traite »). Le moteur graphique partitionne alors chaque barre verticale associée aux modalités de la variable primaire Categorie en autant de segments distincts que de niveaux de stratification recensés. Chaque strate se voit attribuer automatiquement une couleur différenciée issue de la palette chromatique active du style ODS en vigueur, tandis qu’une table de correspondance sémiologique (légende) est automatiquement créée et positionnée en périphérie de la zone de traçage pour expliciter l’association entre les teintes et les modalités du groupe.

Cette automatisation structurelle élimine les risques d’erreurs de calcul manuel des décalages d’ordonnées qui pénalisaient l’ancienne procédure PROC GCHART. SAS gère en interne le cumul des effectifs partiels, garantissant que le sommet de chaque strate intermédiaire coïncide rigoureusement avec la base du segment immédiatement supérieur, assurant une parfaite fidélité métrique le long de l’axe vertical des fréquences cumulées.

4.3 Gestion analytique de la lisibilité et limites d’interprétation

Bien que le diagramme à barres empilé jouisse d’une grande popularité institutionnelle, sa mobilisation en milieu scientifique doit faire l’objet d’une prudence méthodologique aiguë en raison de sévères limites psychophysiques d’interprétation cognitive. En effet, si le segment positionné à la base de la barre (le premier niveau du groupe) partage une ligne d’ancrage commune au niveau de l’ordonnée zéro – ce qui garantit une évaluation visuelle précise de son amplitude par les lecteurs –, il en va tout autrement des segments intermédiaires et supérieurs. Ces derniers reposent sur des lignes de base flottantes et irrégulières, dont l’élévation dépend de la variabilité quantitative des segments sous-jacents.

En vertu des lois de la perception visuelle démontrées par Cleveland et McGill, l’estimation de la longueur d’un segment non aligné sur une référence fixe engendre des distorsions d’évaluation considérables, l’œil humain peinant à neutraliser le décalage spatial pour juger de la véritable dimension relative des rectangles suspendus. Il devient ainsi extrêmement ardu pour un observateur de comparer de visu la prévalence d’une sous-modalité à travers différentes catégories primaires lorsque celle-ci se trouve perchée au sommet des barres empilées, ce qui affaiblit considérablement la valeur probative du graphique dans le cadre d’un raisonnement statistique comparatif fin.

Pour cette raison, la littérature scientifique spécialisée préconise de restreindre l’usage des diagrammes à barres empilés aux situations où l’objectif prioritaire réside dans la perception de la somme totale cumulée, ou lorsque la variable de stratification ne comporte strictement que deux modalités hautement contrastées. Dès lors que l’analyste cherche à mettre en évidence des différences statistiques fines entre des sous-groupes ou à tester visuellement des hypothèses d’interaction factorielle, le recours au diagramme groupé ou juxtaposé s’impose comme un impératif méthodologique incontournable.

5. Exemple 3 — Conception d’un diagramme à barres groupé ou juxtaposé (Clustered Bar Chart)

5.1 Implémentation de l’option GROUPDISPLAY=CLUSTER

Pour surmonter les biais cognitifs structurels inhérents aux barres empilées et autoriser une inspection analytique rigoureuse des données multidimensionnelles, l’architecture d’ODS Graphics met à disposition une variante géométrique essentielle : le diagramme à barres groupé ou juxtaposé (couramment désigné en langue anglaise sous le vocable de clustered bar chart). Ce format s’obtient au sein de la procédure PROC SGPLOT en combinant l’instruction de stratification GROUP= avec l’argument explicitement déclaré GROUPDISPLAY=CLUSTER.

La transcription syntaxique prend alors la forme standardisée suivante :

PROC SGPLOT DATA=my_data;
VBAR Categorie / GROUP=Groupe GROUPDISPLAY=CLUSTER;
RUN;

L’introduction de ce paramètre modifie radicalement l’algorithme spatial de partitionnement géométrique. Au lieu de superposer verticalement les strates au sein d’une enveloppe colonnaire unique, le moteur graphique de SAS procède à une désagrégation physique des segments. Pour chaque modalité de la variable de classification primaire Categorie, SAS engendre une grappe (ou cluster) de barres distinctes, disposées côte à côte le long de l’axe primaire. Chaque sous-barre correspond à une modalité spécifique de la variable de croisement Groupe, mais toutes partagent désormais une origine strictement commune ancrée sur la ligne de base zéro de l’axe des ordonnées.

5.2 Comparabilité inter-groupes et réduction des distorsions perceptives

D’un point de vue métrologique et psychophysique, l’alignement de toutes les sous-composantes factorielles sur une échelle commune d’origine confère au diagramme à barres groupé une supériorité incontestable sur le diagramme empilé. En restaurant une ligne de base uniforme pour l’ensemble des rectangles de la scène visuelle, PROC SGPLOT permet à l’observateur d’exploiter pleinement le jugement perceptuel de position sur une échelle commune, le mécanisme d’estimation visuelle le plus robuste et le plus précis identifié par la recherche contemporaine en sémiologie graphique.

Cette configuration ergonomique décuple l’efficacité descriptive du graphique en autorisant une double lecture analytique instantanée. D’une part, l’observateur peut procéder à des comparaisons intra-catégorielles directes en confrontant immédiatement la hauteur relative des barres adjacentes réunies au sein d’un même groupe catégoriel (permettant par exemple d’évaluer sur le champ l’écart entre le groupe « Temoin » et le groupe « Traite » au sein de la cohorte clinique A). D’autre part, une lecture transversale inter-catégorielle devient pleinement opérationnelle : l’analyste peut balayer horizontalement la figure en comparant la trajectoire de l’ensemble des barres homologues (par exemple, la trajectoire spécifique de tous les groupes traités d’un centre à l’autre), identifiant visuellement de manière immédiate des effets de modération ou des interactions factorielles qualitatives.

En psychologie expérimentale et en épidémiologie analytique, le diagramme groupé constitue donc la représentation graphique standard par excellence pour illustrer des plans factoriels bivariés. Il permet de confronter l’amplitude brute ou moyenne de différents sous-groupes sans introduire le moindre artefact de positionnement, réduisant drastiquement les risques de surévaluation ou de sous-évaluation perceptuelle inhérents aux représentations non contiguës et assurant une parfaite adéquation entre la présentation formelle et l’évidence statistique.

5.3 Contrôle des paramètres géométriques du cluster

La lisibilité d’un diagramme à barres groupé est intimement corrélée à l’harmonie de ses proportions géométriques. Un espacement excessif entre les sous-barres d’une même grappe peut induire une impression de fragmentation spatiale et rompre le regroupement gestaliste des éléments, tandis qu’une compacité démesurée peut provoquer des collisions perceptives néfastes. La procédure PROC SGPLOT intègre des options de modulation géométrique avancées permettant un calibrage microscopique de l’architecture spatiale du graphique.

Parmi ces leviers, l’option CLUSTERWIDTH=valeur, insérée à la suite de la directive VBAR, permet d’ajuster l’envergure globale allouée à l’ensemble du groupe de barres au sein de chaque niveau de la variable primaire. Exprimée sous la forme d’un coefficient décimal compris usuellement entre 0.1 et 1.0 (la valeur par défaut étant calibrée autour de 0.85), cette option régit l’espace blanc séparant les différents clusters le long de l’axe des abscisses. De surcroît, le paramètre BARWIDTH=valeur permet quant à lui d’agir sur l’épaisseur relative de chaque rectangle individuel au sein du cluster.

Un autre défi méthodologique récurrent réside dans le traitement des cellules de croisement vides (c’est-à-dire l’absence totale d’observations pour une combinaison factorielle donnée dans le jeu de données). Par défaut, SAS peut soit préserver l’espace blanc correspondant à la catégorie absente pour signaler le vide expérimental, soit condenser visuellement les barres restantes en contractant le cluster. Grâce à l’utilisation conjointe d’attributs avancés au niveau de l’axe catégoriel (tels que l’option DISCRETEORDER=DATA ou DISCRETEOFFSET= dans l’instruction XAXIS), le chercheur peut neutraliser ces perturbations structurelles et garantir une symétrie géométrique absolue sur l’ensemble de la figure, indépendamment des fluctuations d’effectifs inhérentes aux aléas du recueil de données.

6. Mesures statistiques appliquées : fréquences vs agrégation de réponses continues

6.1 Dichotomie entre dénombrement d’occurrences et calcul de résumés métriques

Dans sa configuration élémentaire, l’instruction VBAR ou HBAR assume une vocation strictement énumérative : elle dénombre des unités statistiques discrètes et restitue des effectifs absolus d’échantillonnage. Toutefois, la puissance analytique de PROC SGPLOT transcende très largement le simple comptage fréquentiel. En recherche quantitative, il est fréquent que l’axe des catégories primaires serve de support à l’illustration de grandeurs continues mesurées – par exemple des taux plasmatiques, des temps de réaction psychomoteurs, des scores d’anxiété ou des grandeurs économiques agrégées.

Pour basculer du mode d’affichage de fréquence brute au mode de calcul d’intensité mesurée, le programmeur doit impérativement mobiliser l’option RESPONSE=nom_variable. L’introduction de cette directive transforme fondamentalement la fonction de transfert statistique opérée par la procédure : SAS ne compte plus le nombre de lignes correspondant à chaque catégorie, mais applique un opérateur d’agrégation mathématique sur les valeurs numériques enregistrées au sein de la variable désignée par le paramètre RESPONSE.

Ce changement de paradigme conceptuel est fondamental sur le plan méthodologique. Tandis que le tracé de fréquences quantifie la structure distributionnelle de l’échantillon lui-même (la taille relative des sous-populations observées), le tracé basé sur une variable de réponse synthétise le comportement moyen, cumulatif ou médian d’un attribut externe conditionnellement aux niveaux de la variable de classification. La formulation déclarative VBAR Categorie / RESPONSE=Score; commande ainsi à SAS de calculer et de restituer la sommation ou la moyenne des scores psychométriques pour chaque niveau catégoriel, ouvrant la voie à des interprétations scientifiques bien plus substantielles.

6.2 Spécification des estimateurs de tendance centrale (STAT=)

Dès lors qu’une variable de réponse continue est adjointe à l’instruction de traçage, le choix de la fonction d’agrégation mathématique sous-jacente doit être explicitement maîtrisé par le statisticien. Ce contrôle s’exerce au moyen du paramètre critique STAT=nom_fonction. Si cette option est omise, SAS applique par défaut la sommation arithmétique cumulative (STAT=SUM), une convention qui peut engendrer des contresens méthodologiques majeurs si l’analyste supposait implicitement visualiser une valeur centrale d’intensité.

Dans la grande majorité des applications expérimentales en sciences biomédicales et humaines, l’indicateur recherché est l’espérance mathématique empirique ou moyenne arithmétique. L’adjonction formelle de l’option STAT=MEAN impose à la procédure PROC SGPLOT de diviser la somme des réponses de chaque strate par le nombre d’observations valides associées, affichant ainsi le score moyen typique caractérisant chaque groupe. Le chercheur peut également, dans des contextes distributionnels asymétriques où la moyenne s’avère excessivement sensible aux valeurs extrêmes ou aberrantes, opter pour la médiane en configurant le paramètre STAT=MEDIAN, garantissant une robustesse accrue de la description statistique.

Le tableau des opérateurs statistiques exploitables via STAT= comprend également des mesures de dispersion ou des calculs de pourcentages relatifs (STAT=PERCENT), permettant de convertir directement des fréquences absolues en proportions normalisées sur cent pour cent. Cette flexibilité algorithmique illustre la maturité de PROC SGPLOT, qui intègre nativement l’étape de synthèse statistique au cœur du processus de génération graphique, affranchissant l’utilisateur de l’obligation de calculer préalablement des tables d’agrégation intermédiaires via PROC MEANS ou PROC SUMMARY.

6.3 Intégration d’intervalles d’incertitude et barres d’erreur

Présenter des estimateurs de tendance centrale ponctuels sans associer une indication explicite de la variabilité ou de l’imprécision statistique sous-jacente constitue un manquement sérieux aux canons de la communication scientifique contemporaine. La représentation exclusive d’une barre s’élevant jusqu’à une valeur moyenne crée une illusion de certitude déterministe qui masque l’hétérogénéité des données individuelles et l’incertitude inhérente à l’échantillonnage aléatoire.

Conscients de cette exigence déontologique, les concepteurs d’ODS Graphics ont intégré au sein de PROC SGPLOT des mécanismes natifs pour déployer automatiquement des barres d’erreur vectorielles sur les diagrammes de moyennes. Cette fonctionnalité s’active principalement au moyen de l’option LIMITSTAT=, qui accepte différents paramètres d’estimation inférentielle :

• LIMITSTAT=STDERR : projette autour de la moyenne estimée l’erreur standard de la moyenne (Standard Error), quantifiant directement la précision de l’estimation de l’espérance mathématique en fonction de la taille de l’échantillon ;
• LIMITSTAT=STDDEV : matérialise l’écart-type de la distribution (Standard Deviation), illustrant l’ampleur de la dispersion empirique interindividuelle au sein de chaque condition expérimentale ;
• LIMITSTAT=CLM : génère un intervalle de confiance bilatéral pour la moyenne (Confidence Limit for the Mean), calculé par défaut au seuil de confiance rigoureux de 95% (ou modulable selon un seuil alpha personnalisé via l’option ALPHA=).

L’intégration de la clause VBAR Categorie / RESPONSE=Score STAT=MEAN LIMITSTAT=CLM; configure automatiquement un diagramme à barres enrichi de segments d’erreur parfaitement calibrés à leur extrémité supérieure, pourvus d’empattements horizontaux d’une rigueur géométrique absolue. Ce dispositif confère au chercheur une assise visuelle irréprochable pour étayer ses conclusions préliminaires avant la passation des tests de comparaison de moyennes formels tels que l’analyse de variance univariée (ANOVA) ou le test t de Student.

7. Personnalisation esthétique et chartes graphiques via ODS Graphics

7.1 Sélection des styles ODS institutionnels et académiques

L’apparence globale d’un diagramme produit sous SAS est régie de manière centralisée par le système de styles de l’Output Delivery System (ODS). Un style ODS est un recueil sophistiqué de règles typographiques, chromatiques, géométriques et dimensionnelles pré-compilées qui dicte le comportement de chaque élément d’un graphique, depuis la nuance de fond de la zone d’affichage jusqu’au crénage des polices de caractères et à l’épaisseur des axes cartésiens. La maîtrise de ces styles est indispensable pour adapter les sorties graphiques aux contraintes rigoureuses de la publication académique.

L’affectation d’un style s’opère au niveau de l’instruction d’ouverture de la destination de sortie ODS, en amont immédiat de la procédure PROC SGPLOT. Parmi les styles préexistants au sein de la bibliothèque SAS, certains se distinguent par leur conformité exceptionnelle avec les exigences éditoriales des revues internationales à fort facteur d’impact :

• Le style HTML5 ou Listing : styles d’exploration standard, caractérisés par des fonds neutres et des palettes vives ;
• Le style Pearl : modèle contemporain extrêmement épuré, privilégiant des arrière-plans blancs impeccables, une réduction drastique des bordures décoratives et une élégante sobriété des contrastes ;
• Le style Journal : standard d’excellence pour l’édition papier scientifique et les manuscrits soumis aux normes strictes de l’American Psychological Association (APA). Ce style élimine intégralement la couleur au profit d’un environnement monochrome rigoureux en niveaux de gris et en hachures distinctives, assurant une lisibilité optimale lors de la reprographie sans nécessiter de coûteuses impressions polychromes.

La commande déclarative ODS GRAPHICS / RESET; combinée à ODS LISTING STYLE=Journal; permet ainsi de commuter instantanément l’ensemble de l’écosystème graphique SAS vers un mode de rendu académique d’une sobriété clinique. Cette approche matérialise le concept cher à Edward Tufte de maximisation du « ratio données/encre » (data-ink ratio), en vertu duquel chaque goutte d’encre virtuelle déposée sur la page doit servir exclusivement à véhiculer du contenu statistique substantiel, au détriment de tout ornement graphique superflu ou distrayant.

7.2 Gestion des palettes chromatiques et accessibilité universelle

Bien que le recours au monochrome demeure une obligation dans certains cénacles académiques, la polychromie s’impose massivement dans les supports de diffusion numérique, les actes de colloques et les revues en libre accès. Dans ce contexte, la sélection et l’assignation des palettes chromatiques ne sauraient être abandonnées au hasard des configurations logicielles par défaut. Le chercheur a le devoir déontologique de concevoir des figures accessibles à l’ensemble de la communauté scientifique, ce qui implique de prendre en considération les déficits congénitaux de la vision des couleurs (tels que la deutéranopie et la protanopie, qui affectent collectivement près de 8 % de la population masculine caucasienne).

La procédure PROC SGPLOT permet un contrôle explicite des nuances chromatiques au moyen d’options déclaratives appliquées aux instructions de traçage. Le paramètre FILLATTRS=(COLOR=code_couleur) régit la teinte de remplissage des barres rectangulaires, acceptant aussi bien des identifiants nominaux conventionnels (tels que SteelBlue, DarkGreen ou Crimson) que des codes hexadécimaux stricts calibrés sur l’espace colorimétrique RVB (par exemple CX2C3E50). En parallèle, l’option OUTLINEATTRS=(COLOR=Black THICKNESS=1) garantit l’adjonction d’un contour sombre et net d’une épaisseur déterminée, stabilisant la morphologie de la barre indépendamment de la luminosité du fond d’affichage.

Dans les configurations multivariées faisant appel à l’option GROUP=, l’analyste peut recourir à l’instruction complémentaire STYLEATTRS DATACOLORS=(couleur1 couleur2 …) pour forcer SAS à adopter une séquence chromatique perceptuellement uniforme et accessible (telle que les palettes standardisées issues de l’initiative ColorBrewer ou les gradients Viridis). De surcroît, le paramètre TRANSPARENCY=valeur (ajustable de 0.0 pour une opacité totale à 1.0 pour une transparence intégrale) permet d’atténuer la saturation perceptive brute des barres volumineuses, conférant à la composition graphique une douceur tonale conforme aux canons du design d’information contemporain.

7.3 Paramétrage architectural des axes cartésiens (XAXIS et YAXIS)

Dans la géométrie d’un diagramme à barres, les axes cartésiens ne constituent pas de simples repères périphériques passifs ; ils structurent l’espace métrologique et dictent l’échelle d’interprétation des phénomènes décrits. Sous PROC SGPLOT, le comportement de l’axe des abscisses et de l’axe des ordonnées est configuré au travers des instructions dédiées XAXIS et YAXIS, dont l’utilisation systématique est indispensable pour pallier les approximations des calibrations automatiques.

L’ajustement de la dynamique de l’axe des réponses quantitatives (l’axe vertical pour VBAR) exige une attention méthodologique extrême. Le statisticien doit veiller scrupuleusement à ce que la ligne de base d’origine zéro soit explicitement préservée, sous peine de commettre une faute épistémologique grave en tronquant l’axe pour amplifier artificiellement des variations minimes. L’option VALUES=(min TO max BY pas) permet de verrouiller rigoureusement les bornes et les intervalles de graduation de l’axe, garantissant une progression arithmétique régulière et éliminant tout flottement dans les repères numériques.

Au-delà de la métrique, les attributs de confort de lecture peuvent être finement ajustés :

• L’option GRID projette en arrière-plan des barres un maillage de lignes de repérage horizontales discrètes, qui facilite la projection visuelle du sommet des rectangles vers l’échelle de mesure tout en évitant les erreurs de parallaxe ;
• L’option DISPLAY=(NOOUTLINE) permet de supprimer la bordure rectangulaire externe qui enferme inutilement la zone de tracé, allégeant la charge d’encre visuelle globale conformément aux préceptes de Tufte ;
• L’argument VALUEATTRS=(FAMILY= »Arial » SIZE=9pt) homogénéise la typographie des chiffres et des catégories, garantissant une harmonie d’échelle parfaite entre les libellés de graduations et le corps de texte environnant.

8. Gestion avancée des étiquettes de données, légendes et annotations

8.1 Affichage direct des grandeurs numériques (DATALABEL)

Bien que l’œil humain excelle à comparer la hauteur relative de deux barres géométriques, il éprouve des difficultés à extraire avec une certitude absolue la valeur mathématique exacte matérialisée par l’extrémité d’un rectangle. Dans de nombreux contextes de recherche opérationnelle, de veille épidémiologique ou d’audit clinique, il est impératif que le lecteur puisse accéder sans ambiguïté au chiffre précis sans avoir à déployer des conjectures visuelles le long de l’axe cartésien. L’instruction DATALABEL répond à cette exigence fonctionnelle en apposant directement la valeur numérique de la mesure sur la barre correspondante.

L’activation de cette étiquette de données s’effectue simplement en intégrant le paramètre / DATALABEL au sein de la directive VBAR ou HBAR. Par défaut, SAS calcule et inscrit la valeur statistique exacte au sommet de la barre. Pour affiner ce rendu, le praticien peut mobiliser l’option DATALABELATTRS=(FAMILY= »Helvetica » SIZE=8pt WEIGHT=Bold) pour moduler la typographie de l’étiquette, assurant ainsi un contraste suffisant avec l’arrière-plan du graphique.

Un enjeu technique délicat réside toutefois dans la prévention des collisions graphiques et des chevauchements textuels, particulièrement lorsque les barres présentent une forte densité spatiale ou lorsque les segments empilés sont d’une envergure millimétrique. SAS intègre des algorithmes sophistiqués de résolution des conflits d’étiquetage, mais l’analyste peut orienter ce comportement en utilisant des options de formatage numérique explicites via DATALABELFORMAT= (par exemple en arrondissant un pourcentage à une décimale stricte au moyen du format PERCENT7.1), neutralisant l’affichage d’un nombre excessif de décimales qui surchargerait l’espace graphique.

8.2 Contrôle structurel et positionnement de la légende (KEYLEGEND)

Dès lors qu’une variable de stratification est introduite au moyen du paramètre GROUP=, l’insertion d’une table de correspondance sémiologique (légende) devient indispensable pour associer chaque modalité à sa signature chromatique respective. Bien que PROC SGPLOT génère automatiquement une légende par défaut, son positionnement automatique en bordure droite ou inférieure de la figure s’avère parfois sous-optimal sur le plan de la composition esthétique et de l’équilibre visuel global.

L’instruction déclarative KEYLEGEND confère au programmeur un contrôle absolu sur la configuration spatiale et typographique de cette composante essentielle. Placée au sein du bloc d’instructions de PROC SGPLOT, KEYLEGEND offre un large éventail d’arguments structurels :

• POSITION= : détermine l’emplacement géographique de la légende (par exemple BOTTOM, TOP, TOPLEFT, ou même intégrée au sein même de la zone de traçage via des coordonnées spécifiques) ;
• ACROSS=valeur ou DOWN=valeur : régit la disposition matricielle des éléments, en ordonnant les modalités selon un alignement horizontal monoradial ou sous la forme d’une colonne verticale élégante ;
• NOBORDER : supprime le cadre rectangulaire souvent inesthétique qui entoure la légende par défaut, intégrant harmonieusement les symboles dans l’espace blanc environnant ;
• TITLE= : permet de substituer au nom informatique de la variable de groupe un libellé textuel explicite (« Condition expérimentale : ») ou de neutraliser intégralement l’en-tête de la légende via TITLE= » » pour épurer au maximum la présentation.

Cette maîtrise typographique fine garantit une synchronisation cognitive parfaite entre la hiérarchie des barres et la légende de décodage, réduisant l’effort mental nécessaire pour identifier la correspondance des données.

8.3 Notes de bas de page et métadonnées méthodologiques (FOOTNOTE)

L’autonomie fonctionnelle d’un graphique scientifique suppose que celui-ci puisse être extrait de son manuscrit source tout en demeurant parfaitement intelligible pour un lecteur tiers. Ce principe d’autosuffisance méthodologique impose d’intégrer à la figure l’ensemble des métadonnées indispensables à son interprétation rigoureuse, au premier rang desquelles figurent la taille effective de l’échantillon analysé (N total et n par sous-groupe), la nature exacte des estimateurs représentés et la définition des abréviations employées.

L’instruction globale FOOTNOTE (qui peut être déclinée de FOOTNOTE1 à FOOTNOTE10) constitue le réceptacle canonique de ces informations contextuelles sous SAS. À l’instar de l’instruction TITLE, elle supporte l’ensemble des modificateurs typographiques standards d’alignement, d’échelle et de police de caractères. Par exemple, la directive :
FOOTNOTE1 JUSTIFY=LEFT HEIGHT=8pt ITALIC « Note. Les barres d’erreur représentent l’intervalle de confiance à 95% autour de la moyenne. Données recueillies sous le protocole COG-2023 (N=120). »;
permet d’ancrer au pied immédiat de la figure une note de bas de page d’une rigueur absolue, rigoureusement alignée à gauche conformément aux protocoles éditoriaux des sociétés savantes.

Ce dispositif permet de formaliser de manière transparente les décisions d’exclusion d’observations aberrantes, les éventuels ajustements pour données manquantes ou la source de financement d’un essai clinique, évitant ainsi d’encombrer le corps principal du texte tout en garantissant la conformité déontologique la plus stricte en matière de traçabilité des données empiriques.

9. Exportation haute résolution et conformité aux normes éditoriales

9.1 Configuration des destinations ODS et résolution d’impression

La finalité ultime de la conception graphique sous SAS réside fréquemment dans l’insertion des figures au sein d’un manuscrit soumis pour publication dans des revues scientifiques à comité de lecture, d’une monographie académique ou d’un rapport de conformité réglementaire destiné à des autorités sanitaires (telles que l’ANSM, l’EMA ou la FDA). Ces contextes éditoriaux exigent une qualité de restitution graphique sans faille, excluant formellement les sorties matricielles à basse résolution (telles que les captures d’écran standard à 72 ou 96 DPI) qui subissent une pixelisation désastreuse lors de l’impression sur presse mécanique.

Pour réguler la qualité physique du rendu, SAS met à disposition des paramètres environnementaux dédiés au sein de l’instruction globale ODS GRAPHICS. Le paramètre central est le facteur de résolution géométrique DPI=valeur (Dots Per Inch, ou points par pouce). Pour satisfaire aux exigences standard de la plupart des éditeurs scientifiques internationaux (tels qu’Elsevier, Springer, Wiley ou l’IEEE), il est impératif de paramétrer cette résolution sur un seuil minimal de 300 DPI pour les illustrations polychromes en tons continus, et d’élever ce seuil à 600 DPI (voire 1200 DPI) pour les graphismes au trait et les diagrammes monochromes en noir et blanc.

Simultanément, l’analyste doit impérativement maîtriser les dimensions physiques de la zone de tracé au moyen des options WIDTH= et HEIGHT= (exprimées en centimètres, millimètres ou pouces). En déclarant par exemple ODS GRAPHICS / RESET=ALL IMAGENAME= »Figure_1_BarChart » IMAGEFMT=PNG WIDTH=16cm HEIGHT=10cm DPI=300;, le programmeur garantit que le graphique généré possédera exactement les dimensions requises pour occuper la largeur d’une page standard de revue académique, évitant ainsi tout redimensionnement ultérieur par l’éditeur qui risquerait de déformer les polices de caractères et de briser l’équilibre typographique de la figure.

9.2 Arbitrage entre formats de fichiers vectoriels et matriciels

Le choix de l’extension de fichier lors de l’exportation conditionne la robustesse et la pérennité du document graphique produit. Deux grands paradigmes technologiques coexistent : les formats matriciels (ou raster) et les formats vectoriels.

Les formats matriciels, dont les plus célèbres sont le TIFF (Tagged Image File Format) et le PNG (Portable Network Graphics), encodent l’image sous la forme d’une matrice fixe de pixels discrets. Sous SAS, l’exportation en PNG non compressé à 300 ou 600 DPI représente un choix d’une remarquable stabilité pour les insertions directes dans des logiciels de traitement de texte bureautiques. Le format TIFF, soutenu historiquement par de nombreux éditeurs médicaux en raison de son absence totale de compression avec perte, génère quant à lui des fichiers volumineux d’une fidélité colorimétrique parfaite.

À l’opposé, les formats vectoriels – au premier rang desquels figurent le PDF (Portable Document Format), l’EPS (Encapsulated PostScript) et le SVG (Scalable Vector Graphics) – ne stockent pas des pixels mais des équations géométriques décrivant les lignes, les polygones et les polices de caractères. Sous PROC SGPLOT, l’activation d’une destination vectorielle via l’instruction ODS PDF ou ODS PACKAGE garantit une netteté absolue à n’importe quel niveau d’agrandissement ou de zoom optique, éliminant totalement tout risque d’aliasing ou de flou visuel. Ce paradigme vectoriel représente le Graal de l’édition scientifique de prestige, car il permet au compositeur typographe d’extraire la figure et d’ajuster son échelle avec une précision microscopique sans aucune dégradation de résolution.

9.3 Automatisation des flux de travail pour la reproductibilité expérimentale

L’un des avantages les plus décisifs de l’environnement SAS réside dans sa capacité à intégrer la production graphique au sein de pipelines de traitement de données entièrement automatisés, audités et reproductibles. La production manuelle de figures par des opérations d’exportation au clic de souris présente en effet des risques majeurs d’erreur humaine, d’oubli de rafraîchissement des données lors de l’inclusion de nouvelles observations, et de rupture de la traçabilité scientifique.

Pour sanctuariser la chaîne de reproductibilité, il convient de structurer les programmes SAS selon une architecture fermée et modulaire. Cela implique l’ouverture programmatique explicite d’une destination ODS ciblant un répertoire spécifique du système d’exploitation, l’exécution des procédures de calcul statistique et de tracé graphique, suivie de la clôture hermétique immédiate de la destination via l’instruction ODS _ALL_ CLOSE;. L’intégration de cette routine au sein d’une macro-instruction SAS paramétrée (%MACRO) permet en outre de réguler la production par lots (batch processing) de dizaines de diagrammes à barres standardisés pour une multitude de sous-cohortes ou de biomarqueurs distincts, en ne modifiant qu’un unique paramètre d’entrée.

Cette discipline méthodologique garantit un lien de causalité numérique infaillible et direct entre la table de données brutes d’origine et le fichier image finalisé archivé sur disque. Elle apporte la preuve intangible que la figure publiée n’a subi aucune retouche esthétique arbitraire a posteriori dans un logiciel de retouche matricielle grand public, satisfaisant ainsi aux exigences déontologiques les plus rigoureuses de l’intégrité scientifique internationale.

10. Diagnostics, erreurs fréquentes et optimisation de code dans PROC SGPLOT

10.1 Résolution des erreurs de discordance de types et de formats manquants

Même chez les analystes aguerris, le développement de visualisations sous SAS peut être entravé par des erreurs de compilation ou des comportements inattendus documentés dans le journal d’exécution (le fameux SAS Log). L’une des anomalies les plus pernicieuses réside dans la discordance de types de variables (type mismatch). Cette situation survient typiquement lorsqu’une variable numérique codant des groupes catégoriels (par exemple 1 pour le groupe témoin et 2 pour le groupe traité) est transmise directement à une instruction VBAR ou HBAR sans que son statut catégoriel discret ne soit explicitement reconnu par la session SAS.

Bien que PROC SGPLOT traite par défaut les variables désignées dans VBAR comme discrètes, des dysfonctionnements majeurs peuvent émerger lors de l’application de fonctions d’agrégation numérique ou du croisement multivarié via GROUP=. Si une variable de classification est encodée sous un format numérique continu, SAS risque de tenter d’instancier un axe numérique au lieu d’un axe de catégories discrètes, générant des messages d’avertissement sévères dans le journal et altérant l’espacement entre les barres. La résolution de ce problème nécessite soit la conversion explicite de la variable en chaîne de caractères via la fonction PUT au niveau de l’étape DATA préliminaire, soit l’application d’un format discret via l’instruction FORMAT nom_variable format_discret. au sein même du bloc de la procédure.

De même, le phénomène des formats d’affichage orphelins (missing formats) constitue une cause fréquente d’interruption brutale de l’exécution. Si un jeu de données fait appel à un catalogue de formats personnalisés générés lors d’une session antérieure via PROC FORMAT, et que ce catalogue n’est plus accessible dans le chemin de recherche actif (FMTSEARCH=), SAS émettra une condition d’erreur bloquante. L’activation préventive de l’option système OPTIONS NOFMTERR; permet d’éviter l’avortement inopiné du programme en forçant SAS à utiliser les valeurs brutes sous-jacentes en cas d’absence du catalogue de formats, assurant la continuité des flux de production graphique.

10.2 Gestion des problèmes de chevauchement et de troncature de texte

L’affichage typographique des étiquettes de catégories sur l’axe des abscisses (axe horizontal) constitue l’un des points de friction les plus récurrents en sémiologie graphique computationnelle. Lorsque l’échantillon comporte un nombre élevé de modalités ou que les dénominations textuelles présentent une longueur importante, l’espace spatial disponible devient insuffisant pour accueillir chaque mot sans collision latérale. Par défaut, le moteur graphique de SAS tente d’éviter ces superpositions en appliquant des règles d’éviction sélectives : il peut tronquer arbitrairement les libellés en apposant des points de suspension, ou omettre purement et simplement une étiquette sur deux, privant l’observateur d’informations descriptives vitales.

Pour reprendre le contrôle absolu sur ce comportement d’affichage, le programmeur dispose d’un arsenal d’options au sein de l’instruction XAXIS, regroupées sous l’attribut fondamental FITPOLICY=mécanisme. Ce paramètre accepte plusieurs configurations stratégiques :

• FITPOLICY=ROTATE : impose une rotation angulaire systématique de 45 ou 90 degrés à l’ensemble des libellés de catégories, libérant l’espace horizontal au prix d’une lecture désormais diagonale ou verticale ;
• FITPOLICY=STAGGER : dispose les étiquettes en quinconce sur deux lignes superposées en alternant la hauteur de lecture, ce qui préserve l’horizontalité du texte tout en doublant la densité d’affichage disponible ;
• FITPOLICY=SPLIT : autorise la césure automatique des libellés textuels longs sur plusieurs lignes successives, en se basant soit sur la présence d’espaces blancs naturels, soit sur la spécification d’un caractère de césure explicite au moyen de l’option SPLITCHAR= »* ».

Le couplage méthodique de FITPOLICY=SPLIT avec une réduction modérée de la taille de police via VALUEATTRS=(SIZE=8pt) constitue la solution d’ingénierie visuelle la plus élégante et la plus confortable pour le lecteur, éliminant tout risque de troncature tout en maintenant la trajectoire de lecture strictement horizontale.

10.3 Bonnes pratiques de clôture syntaxique et hygiène de session

L’environnement de programmation SAS se singularise par sa persistance d’état en mémoire vive au cours d’une même session de travail interactif. Cette particularité architecturale, extrêmement puissante pour enchaîner des analyses statistiques sur des tables volumineuses, peut devenir une source insidieuse de bogues si des mesures rigoureuses d’hygiène de code ne sont pas scrupuleusement observées. L’un des écueils les plus répandus concerne la persistance incontrôlée des instructions globales telles que TITLE, FOOTNOTE ou les options d’environnement d’ODS GRAPHICS.

Lorsqu’un analyste déclare un titre spécifique au moyen de l’instruction TITLE « Mon Titre Spécifique »; en amont d’une procédure PROC SGPLOT, ce libellé demeure actif et sera automatiquement reproduit sur l’ensemble des sorties graphiques ou tabulaires ultérieures générées dans la même session, jusqu’à ce qu’il soit explicitement écrasé ou réinitialisé. Pour prévenir la propagation accidentelle de titres obsolètes ou de notes méthodologiques anachroniques sur des figures subséquentes, il est impératif d’adopter le réflexe professionnel d’insérer des instructions de purge dès la clôture de la procédure graphique :

PROC SGPLOT DATA=my_data;
VBAR Categorie;
RUN;
TITLE;
FOOTNOTE;

L’émission des directives isolées TITLE; et FOOTNOTE; sans argument réinitialise instantanément l’état des tampons de mémoire textuelle à leur état vierge d’origine. De même, la spécification périodique de l’instruction ODS GRAPHICS / RESET; permet de remettre à zéro les compteurs d’images, les noms de fichiers système incrémentaux et les surcharges d’échelles dimensionnelles (DPI, largeur, hauteur), restaurant le moteur graphique dans son état nominal standard et assurant ainsi l’indépendance d’exécution la plus stricte entre les différents modules de votre script analytique.

11. Applications empiriques en sciences comportementales et psychologie

11.1 Visualisation de distributions de profils psychométriques

Dans le domaine des sciences comportementales, de la neuropsychologie et de la psychiatrie translationnelle, la modélisation visuelle des distributions catégorielles constitue le vecteur fondamental de mise en relief des typologies cliniques et des déséquilibres d’échantillonnage. Considérons une investigation psychométrique à grande échelle visant à classifier des sujets au sein de profils de personnalité distincts (par exemple selon les dimensions du Modèle des Cinq Grands Facteurs ou à travers des inventaires cliniques standardisés de type MMPI) selon des cohortes épidémiologiques spécifiques. L’usage du diagramme à barres vertical sous PROC SGPLOT s’impose immédiatement pour valider l’équilibre ou identifier l’asymétrie de recrutement des participants.

Dans les protocoles quasi-expérimentaux, où l’assignation aléatoire intégrale est impossible pour des raisons déontologiques ou pratiques (par exemple lors de la comparaison de patients atteints de traumatismes crâniens face à des témoins sains), l’analyste doit impérativement documenter visuellement la représentativité des classes démographiques (classes d’âge, niveaux d’éducation formelle, sous-types étiologiques). Une telle figure permet de détecter immédiatement si une classe diagnostique spécifique est sous-représentée numériquement dans l’échantillon effectif. Cette transparence graphique préliminaire permet d’anticiper d’éventuels problèmes de puissance statistique insuffisante avant la passation des modèles linéaires généralisés et d’alerter le chercheur sur la nécessité d’appliquer des pondérations d’échantillonnage correctives.

De surcroît, dans le cadre de l’évaluation de la fidélité des questionnaires standardisés, le diagramme à barres horizontales (HBAR) s’avère particulièrement efficace pour cartographier les taux de réponse positifs item par item au sein d’une échelle multidimensionnelle. L’alignement horizontal permet de conserver le texte intégral des énoncés psychométriques en ordonnée, offrant aux cliniciens un panorama exhaustif et direct de la pertinence discriminating de chaque question sans nécessiter d’aller-retour laborieux avec des annexes méthodologiques externes.

11.2 Analyse de protocoles expérimentaux multifactoriels

L’expérimentation en psychologie cognitive et expérimentale repose massivement sur des plans factoriels orthogonaux combinant plusieurs facteurs contrôlés – par exemple un plan factoriel croisé 2×2 ou 3×2 confrontant une condition d’induction de stress psychologique (Stress vs Contrôle) à un niveau d’apprentissage mnésique préalable (Apprentissage Massé vs Apprentissage Distribué). Dans ce type de protocole hautement formalisé, la question méthodologique centrale réside dans l’existence ou l’absence d’une interaction statistique significative entre les facteurs expérimentaux.

L’emploi du diagramme à barres groupé ou juxtaposé (VBAR avec GROUP= et GROUPDISPLAY=CLUSTER) constitue l’outil visuel de première intention pour révéler la nature de ces dynamiques interactives. En projetant la condition d’apprentissage sur l’axe catégoriel primaire et en stratifiant les grappes par la condition de stress, tout en cartographiant en réponse continue (RESPONSE=Score_Rappel STAT=MEAN LIMITSTAT=CLM) la performance de restitution mnésique moyenne avec ses intervalles de confiance, le chercheur offre une lecture limpide du phénomène :

• Si les variations d’amplitude entre les sous-barres de stress demeurent strictement parallèles et identiques quelle que soit la modalité d’apprentissage, l’absence visuelle d’interaction (effet purement additif) est immédiatement manifeste ;
• À l’inverse, si l’écart de performance induit par le stress s’annule ou s’inverse spectaculairement selon la modalité d’apprentissage associée, l’observateur perçoit de visu l’émergence d’une interaction d’ordre supérieur avant même d’en examiner la confirmation inférentielle au sein du tableau de l’ANOVA de la procédure PROC GLM.

Cette synergie étroite entre exploration graphique descriptive haute résolution et inférence mathématique formelle incarne l’essence même de la démarche expérimentale contemporaine, permettant de contextualiser intuitivement des résultats quantitatifs parfois trop abstraits lorsqu’ils sont réduits à de simples valeurs p et statistiques F.

11.3 Respect scrupuleux des préconisations graphiques de l’APA

L’American Psychological Association (APA) a formalisé, au fil des révisions successives de son célèbre Publication Manual (actuellement dans sa 7e édition), des normes éditoriales d’une rigueur absolue qui régissent la totalité des éléments de présentation des manuscrits scientifiques en sciences comportementales. La conception d’une figure sous SAS destinée à une revue affiliée à l’APA exige une soumission stricte à ces critères déontologiques et typographiques.

Au premier rang des proscriptions formulées par l’APA figure l’interdiction formelle des effets de relief et des fausses perspectives tridimensionnelles (les pseudo-graphiques en 3D isométrique). Ces artifices cosmétiques déforment systématiquement la perception de la hauteur réelle des cylindres ou des pavés rectangulaires, l’œil de l’observateur hésitant entre le sommet de la face avant et celui de la face arrière pour estimer l’ordonnée correspondante. PROC SGPLOT proscrit nativement ces dérives décoratives néfastes, se concentrant exclusivement sur la planéité géométrique rigoureuse du plan bidimensionnel orthogonal.

En second lieu, les directives de l’APA imposent une sobriété chromatique intégrale pour les manuscrits soumis à l’impression : l’usage exclusif de contrastes en niveaux de gris (grayscale) hautement différenciés, de hachures géométriques ou de bordures noires sur fond blanc pur est rigoureusement exigé pour assurer une pérennité absolue du document lors de la reprographie. De surcroît, la typographie doit être uniformément sans empattements (privilégiant des polices vectorielles neutres telles qu’Arial, Calibri ou Helvetica), et la légende doit impérativement être intégrée dans les limites naturelles de la zone de traçage ou au sein d’une note descriptive normalisée débutant invariablement par le terme latin en italique « Figure X. » suivi du titre explicatif, garantissant ainsi l’alignement professionnel le plus rigoureux avec les standards de publication mondiaux.

12. Synthèse méthodologique et arbre décisionnel pour le choix du graphique

12.1 Critères discriminants : diagramme simple, empilé ou groupé ?

Au terme de cette exploration méthodique approfondie des différentes déclinaisons de diagrammes à barres sous SAS, il est opportun de formaliser une matrice d’arbitrage décisionnel guidant le chercheur dans le choix de la solution géométrique la plus efficiente en fonction de la structure intrinsèque de ses données et de la finalité analytique poursuivie. La sélection d’un format graphique inadéquat peut en effet anéantir la force démonstrative d’un jeu de données pourtant irréprochable sur le plan méthodologique.

L’arbre décisionnel repose sur une analyse hiérarchique séquentielle articulée autour de trois interrogations fondamentales :

• Combien de facteurs de classification doivent être représentés conjointement ?
  Si le plan expérimental ne convoque qu’une seule variable catégorielle univariée, le choix s’oriente immédiatement et exclusivement vers le diagramme à barres simple. L’arbitrage entre une orientation verticale (VBAR) et horizontale (HBAR) sera ensuite tranché par la métrique de lisibilité textuelle : au-delà de cinq à sept modalités ou dès lors que les libellés dépassent une douzaine de caractères alphanumériques, l’adoption de l’instruction HBAR s’impose pour des raisons ergonomiques évidentes.
• Quel est l’objectif analytique prioritaire lors de l’intégration d’un second facteur ?
  Si le dessein méthodologique consiste à communiquer sur l’évolution globale d’une population totale tout en offrant une simple indication proportionnelle indicative de sa composition interne, le diagramme à barres empilé (GROUP= sans modificateur) conserve une légitimité fonctionnelle. En revanche, si la priorité scientifique réside dans la comparaison différentielle rigoureuse des sous-groupes ou dans l’évaluation de différences statistiques inter-conditions, le diagramme groupé (GROUPDISPLAY=CLUSTER) devient une obligation sémiotique inconditionnelle.
• Quelle est la granularité et la densité des modalités croisées ?
  L’efficacité du diagramme groupé décline significativement lorsque le second facteur comporte plus de quatre ou cinq modalités distinctes, la profusion de barres adjacentes saturant la mémoire de travail visuelle de l’observateur. Dans de telles circonstances de saturation factorielle, la décomposition de la figure en un trellis de graphiques multiples coordonnés s’avère bien plus judicieuse.

12.2 Écueils d’interprétation cognitive courants et prévention des biais

La puissance de persuasion inhérente à la communication visuelle recèle un revers déontologique majeur : le risque d’introduire des distorsions ou des illusions d’optique cognitives susceptibles d’induire le lecteur en erreur, qu’il s’agisse d’une maladresse de programmation ou d’une volonté délibérée de manipulation des apparences statistiques. En tant que scientifique quantitatif intègre, l’utilisateur de SAS doit veiller scrupuleusement à prémunir ses diagrammes à barres contre ces biais récurrents.

L’écueil le plus dommageable et le plus universellement dénoncé en déontologie statistique concerne la troncature de l’axe des ordonnées (l’omission de la ligne de base zéro). Contrairement à un diagramme de dispersion ou à un graphique linéaire d’évolution où le point focal réside dans la pente locale d’une trajectoire, le diagramme à barres encode son information quantitative dans la surface et l’extension physique du rectangle géométrique. Tronquer l’axe vertical pour faire démarrer les graduations à une valeur arbitraire non nulle (par exemple débuter un axe de scores à 90 au lieu de 0 pour cartographier des moyennes oscillant entre 92 et 98) induit un effet d’amplification disproportionné : une variation minime de quelques pourcents sera visuellement perçue comme un décuplement colossal de la magnitude, falsifiant totalement le jugement perceptuel de l’observateur.

Un second biais d’interprétation réside dans l’illusion d’optique générée par la comparaison de segments empilés non contigus dans un diagramme empilé, déjà mentionnée précédemment. Face à ce risque, la responsabilité du chercheur consiste soit à adjoindre systématiquement des étiquettes numériques explicites (DATALABEL) au sein de chaque strate pour pallier l’impossibilité d’une mesure visuelle précise le long de l’axe, soit à renoncer formellement à l’empilement au profit de la juxtaposition géométrique d’origine commune.

12.3 Perspectives d’extension : panels multidimensionnels avec PROC SGPANEL

Lorsque le dispositif expérimental atteint une complexité multifactorielle élevée – croisant par exemple trois ou quatre variables indépendantes catégorielles au sein d’une même étude (telles que le Centre Hospitalier, le Traitement Médicamenteux, la Tranche d’Âge et le Sexe Biologique) –, l’architecture graphique de PROC SGPLOT atteint ses limites d’encombrement spatial. La multiplication des barres au sein de clusters surchargés engendre une cacophonie visuelle qui détruit irrémédiablement la lisibilité du message statistique.

Pour résoudre ce goulet d’étranglement de manière structurelle, l’environnement SAS ODS Graphics met à disposition une procédure spécialisée d’une puissance exceptionnelle : PROC SGPANEL. Cette procédure reprend l’intégralité du vocabulaire déclaratif de PROC SGPLOT (incluant les instructions VBAR et HBAR), mais introduit une instruction structurelle révolutionnaire : la directive PANELBY nom_variables;. Cette commande partitionne dynamiquement l’espace graphique global en une matrice coordonnée de facettes ou de micro-graphiques indépendants mais parfaitement calibrés sur les mêmes échelles cartésiennes (dispositif théorisé par Edward Tufte sous le vocable de small multiples ou treillis graphique).

En migrant d’un diagramme unique surchargé vers une matrice de panneaux coordonnés générée sous PROC SGPANEL, l’analyste alloue à chaque sous-population une case spécifique tout en préservant l’homogénéité absolue des axes. Cette continuité architecturale au sein des logiciels SAS illustre la cohérence remarquable de la suite Statistical Graphics : de l’exploration élémentaire d’une distribution univariée via PROC SGPLOT jusqu’au déploiement de grilles matricielles multidimensionnelles via PROC SGPANEL, le statisticien dispose d’un écosystème algorithmique unifié, rigoureux et d’une flexibilité sans compromis pour traduire la vérité des données quantitatives en évidences graphiques irréfutables.

Références

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000

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

Cleveland, W. S. (1994). The elements of graphing data (2nd ed.). Hobart Press.

Friendly, M. (2000). Visualizing categorical data. SAS Institute Inc.

Heath, D. (2014). SAS graphics for clinical trials by example using SAS/GRAPH and the output delivery system (ODS). SAS Institute Inc.

Kuhfeld, W. F. (2010). Statistical graphics in SAS: An introduction to the Graph Template Language and the Statistical Graphics Procedures. SAS Institute Inc.

Matange, S. (2013). Getting started with the SGPLOT procedure. SAS Institute Inc.

SAS Institute Inc. (2021). SAS/GRAPH 9.4 and ODS Graphics: Procedures guide (6th ed.). SAS Institute Inc. https://documentation.sas.com/

Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677

Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press.