Types de graphiques pour la recherche, avec exemples publiés

Publié le 17 août 2024 | Dernière mise à jour le 27 octobre 2026

Le type de graphique le plus approprié pour la recherche dépend d'un seul facteur : la question à laquelle vos données répondent. Utilisez un diagramme à barres avec des points bruts pour comparer des groupes, un diagramme en boîte pour comparer la dispersion, un histogramme pour visualiser la forme d'une mesure, un nuage de points pour comparer deux mesures et un graphique linéaire pour représenter l'évolution dans le temps. Ci-dessous, chaque type est appliqué à un jeu de données réel et citable, avec les valeurs à en tirer et l'erreur la plus fréquemment relevée par les relecteurs.

Quel type de graphique correspond à votre question ?

Commencez par ce tableau. Chaque ligne associe une question de recherche au graphique qui y répond et indique comment ce graphique peut induire le plus souvent en erreur. Chaque graphique du tableau est détaillé ci-dessous, et les graphiques à double axe font l'objet d'une section distincte. Pour les graphiques relatifs à la précision diagnostique, aux essais cliniques et aux méta-analyses (ROC, Kaplan-Meier, forêt, Bland-Altman), consultez l'ouvrage « Graphiques de recherche clinique : 10 graphiques pour les essais, les tests diagnostiques et les méta-analyses ».

Chaque type de graphique est traité deux fois. D'abord sur un jeu de données public fourni avec R, permettant de reproduire chaque valeur (calculées indépendamment en R et en Python, puis appariées jusqu'au dernier chiffre). Ensuite, sur une figure issue d'un article récent en libre accès publié dans JAMA Network Open ou Nature Communications, reproduite sous licence CC BY 4.0 avec attribution, afin d'observer comment les auteurs appliquent ces mêmes principes dans la version imprimée.

Graphique à barres : comparaison des moyennes de groupes (représenter les points)

Un graphique à barres représente une valeur sous forme de longueur, permettant ainsi de répondre à la question « quel groupe est le plus grand ? ». Les données correspondent à la longueur des dents de 60 cobayes ayant reçu de la vitamine C sous forme de jus d'orange (JO) ou d'acide ascorbique (VC) à trois doses différentes (Crampton 1947, 10 animaux par barre).

Comment interpréter ces données ? À 0.5 mg/jour, la valeur moyenne pour OJ est de 13.23 microns contre 7.98 pour VC. À 1 mg/jour, l’écart est de 22.70 contre 16.77. À 2 mg/jour, les barres sont identiques : 26.06 contre 26.14. Les points permettent de compléter l’information que les barres ne peuvent pas fournir : à 2 mg/jour, les valeurs obtenues chez les animaux sous VC présentent une dispersion beaucoup plus importante.

Exemple publié : une barre par participant, avec intervalles de confiance (JAMA Network Open, 2026)

Les barres sont particulièrement pertinentes lorsqu'elles représentent chacune une personne. Dans un essai en double aveugle (N=1) portant sur la déprescription de tamsulosine chez des hommes âgés, Bauer et ses collègues ont estimé l'effet pour chaque participant individuellement et ont représenté graphiquement une barre par participant, classée de l'effet le plus important au plus faible.

Résultats de l'étude : Sur 30 participants ayant suivi le protocole complet, 11 (36.7 %) ont présenté un effet minimal ou nul de la tamsulosine, 11 (36.7 %) un effet modéré et 4 (13.3 %) un effet marqué ; 4 n'ont pas toléré la période d'introduction du placebo. Éléments à reproduire : La couleur indique la catégorie d'effet et la légende précise l'effectif (n) pour chaque catégorie (4, 11, 11). L'identifiant du participant figure sous chaque barre. La légende indique le modèle utilisé pour les estimations (modèles mixtes linéaires ajustés pour la période et le temps) et la signification des barres d'erreur (intervalles de confiance à 95 %). Le panneau B présente les moyennes sous placebo et sous traitement de chaque participant, appariées, permettant ainsi au lecteur de visualiser les valeurs brutes sous-jacentes à l'effet.

Diagramme en boîte : comparaison de la dispersion et des valeurs aberrantes

Un diagramme en boîte résume chaque groupe par sa médiane, ses quartiles et son étendue (Tukey 1977). C'est la méthode la plus rapide pour comparer la dispersion. Les mêmes 60 animaux sont représentés par des boîtes :

Comment interpréter ces résultats ? À 2 mg/jour, les deux groupes présentent une médiane de 25.95. Dans le groupe OJ, les valeurs varient de 22.4 à 30.9 (écart-type : 2.66) ; dans le groupe VC, de 18.5 à 33.9 (écart-type : 4.80). Un test t de Welch appliqué aux moyennes donne : t = -0.05, p = 0.96, IC à 95 % : -3.80 à 3.64. Aucune différence significative n’est observée entre les moyennes, mais la variabilité est nettement différente. Un tableau de moyennes seul n’aurait pas permis de la détecter.

Exemple publié : cas individuels dessinés au-dessus de chaque barre (JAMA Network Open, 2026)

Le même principe s'applique dans une étude clinique. McNamara et ses collègues ont comparé les doses de rayonnement reçues par les échocardiographistes interventionnels portant une combinaison de plomb suspendue (95 cas) ou un tablier de plomb traditionnel (30 cas). Le graphique A représente chaque cas par un point sur la case. Les graphiques B et C utilisent des barres pour indiquer le pourcentage de cas avec des doses indétectables et avec des doses d'au moins 20 microsieverts.

Ce que rapporte l'article : La dose médiane était de 0.0 microsievert (IQR 0.0 à 0.3) avec les combinaisons de plomb suspendues contre 10.6 (IQR 5.8 à 24.1) avec les tabliers traditionnels, p < 001. Éléments à retenir : Premièrement, les points : le groupe « combinaisons » forme un cluster proche de zéro, qu'un simple rectangle représenterait par une ligne horizontale. Deuxièmement, la légende indique que les valeurs aberrantes extrêmes ont été supprimées du graphique A à des fins de simplification, et définit le rectangle (intervalle interquartile), la ligne centrale (médiane) et les moustaches (minimum et maximum sans les valeurs aberrantes). Troisièmement, les barres sont utilisées uniquement pour les pourcentages, leur longueur étant alors le codage approprié.

Histogramme : la forme d'une mesure

Un histogramme divise une mesure continue en classes et compte les observations dans chacune. Il répond à la question : « À quoi ressemble cette variable ? ». Les données proviennent de 272 éruptions du geyser Old Faithful (Azzalini et Bowman, 1990).

Comment interpréter ces données ? On observe deux pics, aux alentours de 2 et 4.4 minutes. La durée moyenne est de 3.49 minutes et la médiane de 4.0 minutes, mais seulement 12 des 272 éruptions (4.4 %) durent entre 2.5 et 3.5 minutes. La durée moyenne ne reflète donc quasiment aucune éruption réelle. Indiquer simplement « moyenne 3.49, écart-type 1.14 » serait trompeur.

Exemple publié : comparaison des formes de distribution avec des diagrammes en violon (JAMA Network Open, 2026)

Pour comparer la forme d'une distribution entre groupes, on utilise un diagramme en violon (Hintze et Nelson, 1998) qui trace un histogramme symétrique pour chaque groupe. Dias et ses collègues l'ont utilisé pour analyser les coûts annuels des soins de santé chez des enfants ayant reçu un diagnostic génétique (n = 86) et chez ceux n'en ayant pas reçu (n = 169) après séquençage du génome entier.

Interprétation du graphique : Le coût médian d’hospitalisation était de 1 281 livres sterling par an dans le groupe diagnostiqué, contre 795 dans le groupe non diagnostiqué (graphique A). Le coût médian des médicaments sur ordonnance était de 335 contre 77 (graphique B, n = 84 et 168). Instructions : Chaque diagramme en forme de violon indique la taille de l’échantillon et la médiane, et les quartiles sont marqués par des lignes horizontales, permettant ainsi au lecteur d’appréhender simultanément le résumé et la forme du graphique. La légende précise qu’un axe des ordonnées pseudo-logarithmique a été utilisé pour représenter les coûts asymétriques à droite, les valeurs nulles étant conservées. L’axe n’étant pas linéaire, les valeurs doivent être lues à partir des graduations et des médianes imprimées, et non visuellement.

Diagramme de dispersion : deux mesures combinées

Un nuage de points représente chaque observation par ses coordonnées x et y. Il permet de déterminer si ces deux mesures évoluent de concert. Les données correspondent au poids et à la consommation de carburant de 32 modèles de voitures (Henderson et Velleman, 1981).

Comment interpréter ces données ? Le coefficient de corrélation de Pearson (r) est de -0.87 (IC à 95 % : -0.93 à -0.74 ; p = 1.3 × 10⁻¹⁰). La pente de la droite de régression est de -5.34 mpg par 1 000 lb, et le poids explique 75 % de la variation de la consommation de carburant (R² = 0.75). Indiquez l’intervalle de confiance, et non seulement le coefficient r : une corrélation sans intervalle de confiance masque l’amplitude de variation de l’estimation.

Exemple publié : nuage de points et graphique de concordance (Nature Communications, 2026)

Un nuage de points avec un coefficient de corrélation permet de déterminer si ces variables évoluent de concert. Il ne permet pas de déterminer si les deux méthodes concordent. Butkow et ses collègues ont comparé une estimation du volume d'éjection systolique obtenue par écouteur intra-auriculaire à un dispositif de référence clinique chez 23 participants sains et ont présenté les deux résultats sur un même graphique.

Ce que rapporte l'article : le coefficient de corrélation de Pearson (r) est de 0.94 entre le volume d'éjection systolique moyen prédit et le volume de référence, l'erreur absolue moyenne est de 5.24 mL et l'erreur relative de 11.05 % dans les limites de concordance. Dans le graphique c, la différence moyenne est de -0.02 mL, avec des limites de concordance à 95 % allant de -9.35 à 9.3 mL. Éléments à reproduire : le graphique a ajoute une droite d'identité (y = x) afin de visualiser l'écart par rapport à la concordance parfaite, et non seulement une tendance. Les graphiques c et d ajoutent la représentation de Bland-Altman (Bland et Altman, 1986), qui illustre l'ampleur du désaccord. Consultez notre guide sur les limites de concordance et le graphique de la différence de biais.

Graphique linéaire : évolution au fil du temps

Un graphique linéaire relie des observations ordonnées, permettant ainsi au regard de suivre la tendance. Les données représentent le débit annuel du Nil à Assouan de 1871 à 1970 (Cobb 1978).

Comment interpréter ces données ? La tendance ajustée est de -2.7 unités par an (R² = 0.22, p = 1.1 × 10⁻⁶), mais elle sous-estime l’ampleur du phénomène. Cobb (1978) a identifié un changement en 1898. Le flux moyen était de 1 098 unités entre 1871 et 1898 (n = 28) et de 850 unités par la suite (n = 72) : soit une variation d’environ 248 unités (p de Welch = 7.3 × 10⁻¹¹). Les données décrivent un changement brutal, et non un déclin progressif.

Exemple publié : une série chronologique avec intervalles de confiance (JAMA Network Open, 2026)

Matta et ses collègues ont tracé les taux de visites aux urgences en Ontario, au Canada, pour chaque année de 2007 à 2022 : toutes les visites (n = 29 461 281) dans le panneau A et les visites avec un diagnostic urologique (n = 2 192 213) dans le panneau B.

Ce que rapporte l'article : le taux de consultations urologiques, standardisé selon l'âge et le sexe, est passé de 0.91 pour 100 personnes en 2007 à 1.0 en 2015, avant de diminuer jusqu'en 2020. Ce qu'il faut retenir : un point par an avec un intervalle de confiance de 95 %, une échelle sur l'axe des ordonnées permettant de visualiser l'évolution plutôt qu'une ligne de base nulle (acceptable pour un graphique linéaire, mais pas pour un graphique à barres), et deux panneaux au lieu d'un second axe. La baisse autour de 2020 est immédiatement visible. Comme pour l'exemple du Nil, une simple ligne de tendance droite tracée sur ces années la masquerait.

Editverse

Recommandé pour cet article

Vous souhaitez que ces figures soient préparées pour votre revue ? Envoyez-nous vos données brutes, un croquis ou une figure existante. Nous vous livrons jusqu’à 10 figures formatées selon les spécifications de votre revue.

editverse.com

Service de visualisation de données

$300

Consulter le service

Jusqu'à 10 chiffresPDF, PNG, EPS et TIFF3-5 jours ouvrables

Cartes thermiques, diagrammes circulaires et graphiques à double axe : quand méritent-ils leur place ?

Ces trois graphiques suscitent le plus de commentaires, car chacun peut induire en erreur s'il est utilisé hors de son contexte. Chacun est analysé ci-dessous à partir de données réelles, avec les chiffres à interpréter et la règle qui détermine sa pertinence.

Carte thermique : une grille trop grande pour être lue comme des chiffres

Une carte thermique colore chaque cellule d'une grille en fonction de sa valeur. Utilisez-la lorsqu'un tableau de nombres est trop volumineux pour être parcouru, comme une matrice de corrélation entre de nombreuses variables ou une expression sur de nombreux échantillons. L'exemple présenté est la matrice de corrélation de cinq mesures sur 32 modèles de voitures (Henderson et Velleman, 1981). Cinq variables ne donnent que 10 paires, un tableau suffirait donc dans ce cas ; cependant, ce même dispositif s'étend à des dizaines de variables, rendant l'utilisation d'un tableau impossible.

Comment lire le graphique ? Les cellules bleues montent ensemble ; les cellules rouges se déplacent en sens inverse. Le poids et la cylindrée sont fortement corrélés (r = 0.89), et tous deux sont associés à une consommation de carburant plus élevée (r = -0.87 et -0.85). Le temps au quart de mile est faiblement corrélé au poids (r = -0.17). La valeur étant imprimée dans chaque cellule, le lecteur n’a jamais besoin de deviner un nombre à partir d’une couleur.

Quatre critères garantissent sa fiabilité : une échelle divergente centrée sur zéro avec des limites fixes de -1 à 1 ; la valeur imprimée dans chaque cellule ; seul le triangle inférieur est indiqué, car la moitié supérieure le répète ; les noms des variables sont écrits en toutes lettres, avec les unités dans la légende. Évitez les échelles de couleurs arc-en-ciel : Crameri, Shephard et Heron (2020) ont démontré qu’elles peuvent fausser les données et exclure les personnes daltoniennes.

Diagramme circulaire : parties d’un tout, seulement lorsque quelques parts diffèrent clairement.

Un diagramme circulaire illustre la division d'un tout en parties. Les lecteurs évaluent plus précisément la position sur une échelle commune que l'angle ou la surface (Cleveland et McGill, 1984) ; un diagramme circulaire n'est donc pertinent que si quelques parts se distinguent nettement. Voici le même dénombrement de poussins répartis en six groupes d'alimentation, représenté de deux manières différentes (poids des poussins, n = 71).

Comment interpréter les résultats ? Sur le diagramme circulaire, les graines de tournesol, de lin et de caséine (12 poussins chacune), la farine de viande (11) et la fève (10) se ressemblent beaucoup, et le classement est illisible. Sur le graphique à barres triées, le soja (14 poussins, 19.7 %) arrive en tête et la fève (10, 14.1 %) en queue de peloton, les effectifs étant indiqués à côté de chaque barre. Utilisez un diagramme circulaire uniquement pour 2 à 5 parts distinctes, en les espaçant bien, et affichez chaque pourcentage. Sinon, triez les catégories et utilisez un graphique à barres.

Graphique à double axe : deux échelles, une histoire choisie par l’auteur

Un graphique à double axe représente deux mesures sur un même graphique, chacune avec son propre axe des ordonnées. L'auteur choisit chaque échelle, et ce choix peut influencer l'interprétation des données. L'exemple présenté est la valeur de clôture quotidienne de deux indices boursiers européens, le DAX allemand et le FTSE britannique, de 1991 à 1998 (1 860 jours de bourse).

Comment interpréter ces données ? Dans le graphique A, l’axe de droite est étiré de sorte que les deux lignes ont la même hauteur, et le FTSE semble devancer le DAX jusqu’à ce que ce dernier le rattrape en 1998. Dans le graphique B, les mêmes données, avec l’axe de droite décalé, apparaissent comme deux lignes qui ne se rejoignent jamais. Le graphique C les place sur un seul axe, indexé à 100 au départ : le DAX se termine à environ 336 et le FTSE à environ 223, car le DAX a progressé de 236 % et le FTSE de 123 %. Aucun des graphiques à double axe ne le montre.

Observez la corrélation des séries de tendance. Sur 1 860 jours, la corrélation des deux niveaux d'indice est de r = 0.975, ce qui reflète principalement leur hausse simultanée. La corrélation des rendements logarithmiques quotidiens, qui neutralise la tendance commune, est de r = 0.64 (n = 1 859). Ces deux valeurs ont été calculées indépendamment avec R et Python et concordent.

Options plus sûres : indexez les deux séries sur une ligne de base commune sur un axe (panneau C), ou superposez deux panneaux partageant l’axe des abscisses. Si vous devez utiliser deux axes, colorez chaque axe en fonction de sa ligne, indiquez les unités et précisez l’échelle choisie dans la légende. Isenberg et ses collègues (2011) ont étudié l’interprétation des graphiques à double échelle.

Liste de vérification avant de soumettre une figure

• Le type de graphique correspond à la question (voir le tableau ci-dessus).
• Les axes des graphiques à barres commencent à zéro ; les points individuels sont affichés lorsque n est petit.
• La légende indique n, ce que représentent les barres ou bandes d'erreur et la source des données.
• Les couleurs restent discernables en niveaux de gris et pour les lecteurs daltoniens.
• Le texte est lisible à la largeur de colonne imprimée de votre revue cible.
• Les axes sont étiquetés avec les unités ; pas de superflu graphique (effets 3D, ombres).

Pour approfondir les principes de conception : Rougier, Droettboom et Bourne (2014) proposent dix règles pour des graphiques plus efficaces, et Midway (2020) aborde les principes de conception pour une visualisation de données performante. Ces deux ouvrages sont cités ci-dessous avec leurs DOI. Pour une analyse plus détaillée de la distinction entre graphiques à barres et histogrammes, voir Graphiques à barres vs Histogrammes ; pour associer un graphique à un test statistique, voir Choisir le bon test statistique.

Outils de recherche gratuits pour la création de ces graphiques

Données professionnelles et analyse statistique

Si vos résultats sont prêts et que vous avez besoin de figures qu'un relecteur ne vous renverra pas, les statisticiens et concepteurs de figures d'Editverse les créent en respectant les exigences de largeur de colonne, de police et de couleur de la revue cible. Si l'analyse elle-même est encore en cours, les logiciels statistiques ci-dessous l'exécutent au préalable.

Vous rédigez l'intégralité de votre manuscrit à partir de ces données ? Consultez nos services de rédaction . Les pratiques d'Editverse sont conformes aux recommandations COPE, ICMJE et GPP 2022.

Conclusion

Choisissez le graphique correspondant à la question, indiquez les points bruts lorsque c'est possible et lisez les valeurs numériques avant de rédiger la légende. Chacun des cinq graphiques ci-dessus illustre une situation différente à partir d'un même type de résumé : des moyennes identiques avec une dispersion différente, une moyenne qui ne révèle aucune variation significative, une tendance qui masque une discontinuité. C'est précisément ce que recherchent les correcteurs.

Questions fréquemment posées

Quels sont les principaux types de graphiques utilisés en recherche ?

Les graphiques à barres, les diagrammes en boîte, les histogrammes, les nuages ​​de points et les graphiques linéaires couvrent la plupart des sections de résultats. Les cartes thermiques, les diagrammes circulaires et les graphiques à double axe sont plus adaptés à des situations spécifiques. Choisissez le graphique en fonction de la question à laquelle vous répondez, et non par habitude.

Quel graphique dois-je utiliser pour comparer deux groupes ?

Utilisez un graphique à barres avec tous les points de données superposés, ou un diagramme en boîte. Dans l'exemple du cobaye ci-dessus, deux groupes ont une moyenne d'environ 26 microns, mais leurs dispersions diffèrent de près du double.

Quand dois-je utiliser un histogramme plutôt qu'un graphique à barres ?

Utilisez un histogramme pour une mesure continue, comme la durée d'éruption ou la pression artérielle, car il illustre la distribution. Utilisez un diagramme à barres pour comparer des catégories ou des moyennes de groupes.

Un nuage de points permet-il de prouver qu'une variable est la cause de l'autre ?

Non. Dans les données relatives aux voitures, le poids et la consommation de carburant présentent une corrélation (r) de -0.87, mais le graphique ne montre qu'une association. Pour établir un lien de causalité, il est nécessaire de suivre une méthodologie d'étude rigoureuse, et non de se contenter d'une simple courbe de tendance.

L'axe des ordonnées d'un graphique à barres doit-il toujours commencer à zéro ?

Oui. La longueur des barres représente la valeur ; un axe tronqué accentue donc les différences. Les graphiques linéaires et les nuages ​​de points ne présentent pas cette contrainte.

Pourquoi les revues scientifiques demandent-elles des données individuelles ?

Les graphiques à barres et les moyennes masquent la taille et la dispersion de l'échantillon. Weissgerber et ses collègues (2015, PLOS Biology) ont montré que de nombreux articles dans des revues de physiologie présentent des données continues issues de petits échantillons sous forme de graphiques à barres ou de lignes qui ne peuvent pas révéler la distribution sous-jacente.

Combien de classes un histogramme doit-il comporter ?

Il n'existe pas de règle unique. Essayez au moins deux largeurs et conservez celle qui révèle la structure sans bruit. L'histogramme Old Faithful utilise des intervalles de 0.25 minute.

Quel graphique illustre le mieux l'évolution au fil du temps ?

Un graphique linéaire. Vérifiez s'il y a un changement brusque avant d'ajuster une tendance droite : le débit du Nil a diminué d'environ 248 unités après 1898, ce qu'une simple ligne de tendance sous-estime.

Qu'est-ce qu'un graphique à double axe et quand est-il sûr ?

Cette fonction superpose deux mesures à des échelles différentes sur un même graphique. Elle n'est sans risque que si les deux axes sont étiquetés et que les échelles ne sont pas choisies de manière à imposer une correspondance visuelle ; sinon, utilisez deux panneaux.

Quand une carte thermique est-elle préférable à un tableau ?

Lorsque la grille est trop grande pour être lue comme des nombres, comme une matrice de corrélation entre de nombreuses variables, affichez la valeur dans chaque cellule, centrez une échelle divergente sur zéro et évitez les échelles de couleurs arc-en-ciel.

Pourquoi les diagrammes circulaires sont-ils déconseillés pour comparer des catégories ?

Les lecteurs évaluent la position sur une échelle commune avec plus de précision que l'angle (Cleveland et McGill, 1984). Dans l'exemple de l'aliment pour poussins, il est impossible de classer six parts presque égales sur le diagramme circulaire, alors qu'un graphique à barres triées permet de les distinguer immédiatement.

Puis-je réutiliser une figure d'un article publié dans mon propre manuscrit ?

Uniquement si la licence le permet. Une figure sous licence CC BY 4.0 peut être réutilisée à condition de mentionner les auteurs, d'inclure un lien vers la licence et d'indiquer les modifications apportées. Pour les autres licences, demandez l'autorisation à l'éditeur ou créez votre propre figure à partir de vos données. Notre guide pour obtenir l'autorisation de reproduction de figures détaille les étapes à suivre.

Puis-je créer ces graphiques sans coder ?

Oui. GraphPro permet de créer 25 types de graphiques directement dans le navigateur, avec des tests t, ANOVA, de corrélation et de χ² intégrés. Il est gratuit et ne nécessite aucune inscription.

Références

1. Rougier NP, Droettboom M, Bourne PE. Dix règles simples pour de meilleures figures. PLoS Comput Biol. 2014;10(9):e1003833. doi :10.1371/journal.pcbi.1003833
2. Weissgerber TL, Milic NM, Winham SJ, Garovic VD. Au-delà des graphiques à barres et des graphiques linéaires : l’heure est à un nouveau paradigme de présentation des données. PLoS Biol. 2015 ;13(4) :e1002128. doi :10.1371 / journal.pbio.1002128
3. Midway SR. Principes d'une visualisation efficace des données. Patterns. 2020;1(9):100141. doi :10.1016/j.patter.2020.100141
4. Crampton EW. La croissance des odontoblastes de l'incisive comme critère de l'apport en vitamine C chez le cobaye. J Nutr. 1947;33(5):491-504. doi :10.1093/jn/33.5.491
5. Azzalini A, Bowman AW. Analyse de données sur le geyser Old Faithful. Appl Stat. 1990;39(3):357-365. doi :10.2307/2347385
6. Henderson HV, Velleman PF. Construction interactive de modèles de régression multiple. Biometrics. 1981;37(2):391-411. doi :10.2307/2530428
7. Cobb GW. Le problème du Nil : solution conditionnelle à un problème de rupture de tendance. Biometrika. 1978 ;65(2) :243-251. doi :10.1093/biomet/65.2.243
8. McNamara DA, Decker JM, McNamara MW, et al. Combinaisons de plomb suspendues et exposition aux radiations chez les échocardiographistes interventionnels. JAMA Netw Open. 2026;9(3):e2558134. doi :10.1001 / jamanetworkopen.2025.58134
9. Bauer SR, Kenfield SA, Oni-Orisan A, et al. Sevrage de la tamsulosine pour les symptômes du bas appareil urinaire chez les hommes âgés : un essai clinique randomisé. JAMA Netw Open. 2026 ;9(7):e2621639. doi :10.1001 / jamanetworkopen.2026.21639
10. Dias JML, More RP, Butler D, et al. Diagnostic par séquençage du génome entier et recours aux soins chez les enfants atteints de maladies graves. JAMA Netw Open. 2026;9(9):e2634372. doi :10.1001 / jamanetworkopen.2026.34372
11. Butkow KJ, Jalaludeen N, Liu Y, et al. Mesure du volume d'éjection systolique par captation audio intra-auriculaire. Nat Commun. 2026;17(1):8755. doi :10.1038/s41467-026-75642-0
12. Matta R, Shaw J, Mohamud H, et al. Consultations aux urgences, hospitalisations et temps d'attente pour les patients atteints d'affections urologiques. JAMA Netw Open. 2026;9(3):e2560058. doi :10.1001 / jamanetworkopen.2025.60058
13. Bland JM, Altman DG. Méthodes statistiques d'évaluation de la concordance entre deux méthodes de mesure clinique. Lancet. 1986;327(8476):307-310. doi :10.1016/S0140-6736(86)90837-8
14. Hintze JL, Nelson RD. Diagrammes en violon : synergie entre diagrammes en boîte et traces de densité. Am Stat. 1998 ;52(2) :181-184. doi :10.1080/00031305.1998.10480559
15. Cleveland WS, McGill R. Perception graphique : théorie, expérimentation et application au développement de méthodes graphiques. J Am Stat Assoc. 1984 ;79(387) :531-554. doi :10.1080/01621459.1984.10478080
16. Crameri F, Shephard GE, Heron PJ. Le mauvais usage de la couleur dans la communication scientifique. Nat Commun. 2020;11(1). doi :10.1038/s41467-020-19160-7
17. Isenberg P, Bezerianos A, Dragicevic P, Fekete JD. Étude sur les graphiques de données à double échelle. IEEE Trans Vis Comput Graph. 2011;17(12):2469-2478. doi :10.1109/TVCG.2011.160
18. Tukey JW. Analyse exploratoire des données. Reading, MA : Addison-Wesley ; 1977.

Les figures publiées (figures A à E) sont reproduites sous licence CC BY 4.0 à partir des cinq articles cités en dernier dans les références. Jeux de données : ToothGrowth, faithful, mtcars, Nile, chickwts et EuStockMarkets (package datasets de R). Toutes les statistiques ont été reproduites indépendamment sous R et Python.