Choisir son test.

Utilisez-la quand une variable numérique (biomasse, rendement…) est mesurée dans 3 groupes ou plus définis par un seul facteur (saison, traitement…). Elle teste si au moins une moyenne diffère ; le test post-hoc indique lesquelles.

Utilisez-la quand deux facteurs croisés (zone × saison…) peuvent influencer une variable numérique. Elle estime l’effet de chacun et vérifie si l’effet de l’un dépend de l’autre (interaction).

Utilisez-le quand les observations ne sont pas indépendantes : mesures répétées sur les mêmes stations, individus suivis dans le temps, parcelles d’un même site. Les effets fixes sont ceux que vous testez ; les effets aléatoires absorbent la variation due aux groupes.

Utilisez-le pour prédire une variable (présence/absence, classe, ou valeur numérique) à partir de nombreux prédicteurs, sans supposer de relation linéaire. Il classe les variables selon leur importance et mesure la qualité de prédiction.

Utilisez-la pour mesurer la force et le sens des liens entre plusieurs variables numériques (salinité, biomasse, hauteur…) : matrice de corrélation, réseau des liens forts et, si vous le souhaitez, une régression entre deux d’entre elles avec sa droite ajustée. Une corrélation ne prouve pas un lien de cause à effet.

Utilisez-la quand de nombreuses variables numériques décrivent chaque observation (paramètres physico-chimiques, mesures morphologiques, expression de gènes…) : l’ACP les résume en deux axes et montre si vos groupes se séparent ; la classification hiérarchique regroupe les observations qui se ressemblent et les présente en heatmap.

Utilisez-la pour visualiser des scores, abondances ou mesures par caractéristique et par échantillon. La couleur représente la valeur ; les caractéristiques et les échantillons sont organisés en panneaux selon leurs deux variables de groupe.

Utilisez-le pour comparer une ou plusieurs mesures entre deux groupes : témoin et traité, deux saisons, deux sites. Welch ou Student si les données sont à peu près normales, Mann-Whitney sinon ; t apparié ou Wilcoxon quand les mêmes unités sont mesurées deux fois. Vous pouvez répéter la comparaison dans chaque niveau d’un second facteur (une par site, par saison…).

Utilisez-le à la place de l’ANOVA à un facteur quand les données sont asymétriques, contiennent des valeurs extrêmes, sont des scores ou des rangs, ou quand les groupes sont petits. Il compare les groupes à partir des rangs ; le test de Dunn indique ensuite quels groupes diffèrent (lettres ou étoiles sur la figure).

Utilisez-la quand plusieurs variables (indicateurs du sol, gènes, traits) sont mesurées selon plusieurs facteurs (irrigation, fertilisation, culture…) : une figure en grille, une ligne par variable et une colonne par facteur. Dans chaque case, le test global (Kruskal-Wallis ou ANOVA de Welch) puis les comparaisons deux à deux (Wilcoxon ou t de Welch, p ajustées), ou chaque niveau contre un témoin. Violons, boîtes, raincloud, demi-violons opposés ou barres moyenne ± erreur, avec étoiles, lettres ou p-values.

Utilisez-la avant de choisir un test, ou pour décrire vos mesures : moyenne, médiane, dispersion, asymétrie, valeurs extrêmes et test de normalité de Shapiro-Wilk, pour une ou plusieurs variables, globalement ou dans chaque groupe. Le test de Kolmogorov-Smirnov indique si deux groupes ont des distributions différentes. Six figures au choix : histogramme, densités, ridgeline, ECDF, QQ-plot, points + moyennes.

Utilisez-la quand vos variables forment deux ensembles : des réponses (espèces, indicateurs) et des facteurs (salinité, matière organique…). Chaque réponse est corrélée à chaque facteur, avec correction des p-values, en heatmap étoilée, circulaire ou en triangles. Le test de Mantel dit si l’ensemble des réponses (sa composition, par la distance de Bray-Curtis) varie avec chaque facteur ; un réseau relie les paires les plus fortes.

Utilisez-la avant un test ou un modèle : pour chaque variable, jusqu’à 30 lois (normale, lognormale, gamma, Weibull, bêta, Poisson, binomiale négative, Bernoulli…) sont ajustées et classées par AIC, avec un test d’adéquation. Les transformations (log, racine, Box-Cox, Yeo-Johnson, logit…) sont comparées par l’asymétrie et Shapiro-Wilk ; la plus adaptée est conseillée, avec sa raison et le modèle qui respecte la loi (GLM Gamma, binomial négatif, régression bêta…).

Utilisez-la pour savoir comment plusieurs facteurs agissent ensemble sur une variable et lequel compte le plus : une mesure (régression multiple), une présence 0/1 (régression logistique), un nombre de succès sur N, un comptage (Poisson, binomiale négative), une mesure positive asymétrique (Gamma). La loi est choisie selon la réponse ; des effets aléatoires (site, station) en font un GLMM. Vous obtenez les coefficients (rapports de cotes ou de moyennes), les tests, le R², la part de chaque prédicteur (partition hiérarchique) et le diagnostic des résidus.

Utilisez-le quand la relation entre la réponse et un prédicteur n'est pas une droite : courbe en S, pic, creux, changement de pente. Le modèle ajuste une spline qui suit les données sans forcer la linéarité. Vous pouvez modéliser plusieurs groupes (types de sol, couches, traitements) avec des courbes et des symboles distincts, comparer les tendances et tester si le lissage apporte plus qu'une droite. Les sorties incluent les courbes par groupe, les intervalles de confiance, le R² et les diagnostics de résidus.

Utilisez-la quand une ou plusieurs variables (abondances d’espèces, indicateurs, rendements…) doivent être expliquées par les mêmes variables du milieu (sol, climat, gestion…). Pour chaque réponse, une régression multiple est ajustée puis simplifiée pas à pas (AIC ou BIC), et la variance qu’elle explique est partagée entre les variables retenues par la méthode LMG. Vous obtenez la heatmap des corrélations réponses × variables avec un cercle par variable retenue (son importance) et le R² de chaque modèle, les parts en barres empilées, et les coefficients standardisés qui disent le sens de chaque effet.

Utilisez-le quand les mêmes gènes ont été testés dans deux comparaisons (deux variétés, deux sexes, deux tissus, deux traitements) : chaque gène est placé selon ses deux log2 fold change, classé selon qu’il varie dans les deux comparaisons, dans une seule ou en sens opposés (seuil de fold change et p-values ajustées), et les gènes les plus marqués sont nommés. Vous obtenez le nombre de gènes par profil, la corrélation de Spearman entre les deux comparaisons, la part de gènes communs qui varient dans le même sens et la pente de l’axe majeur.

Utilisez-la quand chaque échantillon est fait de parties d’un tout : genres bactériens d’un sol, espèces d’un relevé, classes d’occupation du sol, fractions d’une biomasse. Les valeurs (comptages, biomasses ou pourcentages) sont ramenées à 100 %, les parties les plus abondantes gardées et les autres réunies. Vous obtenez la composition de chaque échantillon et de chaque groupe, le test de chaque partie entre les groupes (Wilcoxon ou Kruskal-Wallis, p ajustées), la PERMANOVA sur la distance de Bray-Curtis, et jusqu’à 6 figures parmi 15 : barres empilées, flux alluviaux, donuts, soleil, rose de Nightingale, papillon, arbre, ternaire…

Utilisez-la quand une communauté (espèces, OTU, traits) a été relevée avec plusieurs blocs de variables explicatives : le milieu (sol, climat), l’espace (coordonnées des sites), la gestion… La variation de la communauté est partagée entre la part propre de chaque bloc, les parts qu’ils expliquent ensemble et la part inexpliquée (R² ajustés). Vous obtenez la sélection pas à pas des variables de chaque bloc, les variables spatiales tirées des coordonnées (PCNM), le test par permutation de chaque part testable, le diagramme de partition, le diagramme d’Euler proportionnel et le triplot RDA ou CCA.

Utilisez-le quand vos observations sont classées selon deux variables qualitatives (ou plus) : espèce et zone de capture, traitement et guérison, habitat et présence, sexe et classe d’âge. Une ligne par observation, une colonne d’effectifs, ou un tableau déjà fait. Le test du χ² (ou le test exact de Fisher quand les effectifs attendus sont petits) dit si les deux variables sont liées ; le V de Cramér mesure la force du lien, les résidus ajustés montrent les cases qui le font, les lignes sont comparées deux à deux et l’AFC en donne la carte. Jusqu’à 6 figures parmi 9 : barres de profils, mosaïque, ballons, Sankey, cordes, camemberts-bulles…

Utilisez-la quand vous suivez des individus (alevins, plants, patients, animaux marqués…) jusqu’à un événement (mort, germination, rechute, panne) et que certains ne l’ont pas connu à la fin du suivi (ils sont « censurés »). Une ligne par individu : la durée de suivi et une colonne qui dit si l’événement a eu lieu. Les courbes de Kaplan-Meier donnent la probabilité de survie au cours du temps et la médiane de chaque groupe ; le test du log-rank compare les groupes (deux à deux au-delà de deux) ; le modèle de Cox mesure l’effet de chaque facteur en rapport de risques (HR), et le test de Schoenfeld vérifie qu’il reste constant dans le temps.

Utilisez-la quand chaque individu (animal, patient, parcelle, souche…) a une variation mesurée (baisse de la charge parasitaire, régression d’une tumeur, gain de rendement en %) et quelques caractéristiques (traitement, race, sexe, site). Les barres sont triées de la plus haute à la plus basse et colorées par groupe de réponse, avec des seuils en tirets (−90 %, −50 %…) ; au-dessus, une case par individu et par caractéristique, une croix quand elle manque. Chaque caractéristique est comparée aux groupes de réponse (test exact de Fisher, V de Cramér) et aux valeurs (Mann-Whitney ou Kruskal-Wallis), les p-values corrigées.

Utilisez-le pour comparer deux conditions (sécheresse / irrigué, traité / témoin, malade / sain) sur des dizaines ou des milliers de variables à la fois. Deux façons : un tableau de résultats déjà calculé (DESeq2, edgeR, limma : log2 fold change et p-value), ou vos mesures, une ligne par échantillon et une colonne par variable (aires de pics, intensités, abondances), avec la colonne du groupe, chaque variable est alors testée (t de Welch sur les log2, ou Mann-Whitney) et les p-values corrigées (Benjamini-Hochberg). Chaque variable est dite en hausse, en baisse ou stable selon le seuil de fold change et de p ajustée. Vous obtenez le volcano plot avec les plus significatives nommées, leurs plus fortes variations en barres et le MA plot.

Utilisez-la quand les mêmes gènes, protéines ou métabolites ont été comparés plusieurs fois : une cinétique (J1, J3, J7… chacun contre son témoin), plusieurs traitements contre un même témoin, plusieurs tissus. Trois façons : un tableau long (une ligne par gène et par comparaison : log2 fold change et p-value), un tableau large (une colonne de log2FC et une de p-value par comparaison), ou vos mesures, une ligne par échantillon avec la colonne du groupe, chaque niveau étant alors comparé à la référence (t de Welch sur les log2, ou Mann-Whitney). Les gènes qui changent le plus dans au moins une comparaison sont dessinés, rangés par profil (classification hiérarchique) : la couleur de chaque bulle donne le log2 fold change, sa taille le −log10 de la p ajustée, un cerne noir marque un changement retenu.

Utilisez-le pour montrer les résultats d’une étude d’association pangénomique (GWAS : SNP contre un caractère, rendement, floraison, maladie) ou d’un balayage de gènes contre un métabolite. Votre tableau a une ligne par marqueur : son chromosome, sa position (en paires de bases) et sa p-value, brute (PLINK, GEMMA, GAPIT, TASSEL) ou déjà ajustée (valeur Q, FDR) ; son nom si vous l’avez. Les p-values sont ajustées par Benjamini-Hochberg (valeurs Q) et l’inflation génomique λ dit si elles suivent la loi attendue. Deux figures : le Manhattan classique (seuil pangénomique de 5 × 10⁻⁸ et seuil suggestif, le meilleur marqueur de chaque pic nommé), et le Manhattan des valeurs Q avec les seuils FDR 0.1 et 0.3 nommés, les marqueurs sous 0.3 nommés et un zoom sur le pic le plus fort en encart.

Utilisez-le pour savoir quelles fonctions dominent une liste de gènes, de protéines ou de métabolites différentiels. Deux façons : vos éléments, une ligne par élément testé (le fond), avec leur p-value et leur log2 fold change (ou une colonne qui marque ceux d’intérêt), plus un fichier d’annotation qui dit à quelles voies (KEGG, GO, catégories) appartient chacun ; chaque voie est alors testée par le test hypergéométrique unilatéral, comme clusterProfiler::enricher, et les p-values ajustées par Benjamini-Hochberg. Ou un tableau d’enrichissement déjà calculé (clusterProfiler, DAVID, g:Profiler, MetaboAnalyst) : terme, nombre d’éléments et p-value. Deux figures : le dot plot des termes les plus significatifs, et les voies les plus fournies, chaque point dimensionné par son nombre d’éléments et coloré par sa p-value.

Utilisez-la pour comparer des listes : les gènes exprimés dans plusieurs organes, les espèces de plusieurs milieux, les marqueurs de plusieurs études. Trois façons : un tableau de présence (une ligne par élément, une colonne par ensemble : 1/0, oui/non ou une abondance), des listes (une colonne par ensemble, chacune de sa longueur), ou les effectifs de deux ensembles dans plusieurs groupes (leurs tailles, leur part commune et le fond). Le diagramme de Venn donne l’effectif de chaque région, de deux à quatre ensembles ; quand le fond est connu (les lignes du tableau de présence, ou la colonne du fond), le chevauchement de chaque paire est comparé au hasard par le test hypergéométrique, et la figure des barres montre, groupe par groupe, le rapport observé / attendu sous lequel chaque Venn de deux ensembles est dessiné à l’échelle.

Utilisez-la pour comparer quelques entités (3 à 15 : signatures, variétés, sites, modèles) sur plusieurs critères à la fois (2 à 8 : rendement, coût, précision…). Une ligne par entité, une colonne numérique par critère ; pour chacun, dites si le plus bas est le meilleur (un taux d’erreur, un coût) ou le plus haut (un rendement, une AUC). Chaque critère donne un classement, les entités sont ensuite rangées par leur rang moyen, et le W de Kendall (testé par le χ² de Friedman) dit si les critères s’accordent. La figure suit chaque entité d’un critère à l’autre par une courbe en S, ses valeurs au-dessus des points.

Utilisez-la pour montrer une mesure par pays (un âge, un rendement, une prévalence, un taux) sur la carte et en classement à la fois. Une ligne par pays : son nom (en anglais ou en français, ou son code ISO), sa valeur et, pour comparer deux régions, sa région (continent, zone). Les noms sont reconnus par countrycode et placés sur la carte du monde ; ceux qui ne le sont pas sont signalés. Pour chaque région choisie (deux au plus), un globe en projection orthographique tourné vers elle porte la couleur de chaque pays, au centre de l’anneau de ses barres, du plus haut au plus bas, une seule échelle de couleur pour tout.

Utilisez-la pour présenter des lignes rangées par leur parenté : des OTU et leur phylum, des souches et leurs gènes, des variétés et leurs caractères. Une ligne par feuille : son identifiant, et au choix une catégorie (le bandeau coloré, avec un nom écrit dedans), jusqu’à trois colonnes de marques (● ► ■ quand la case est remplie), jusqu’à six colonnes numériques en heatmap (traitements, conditions) et une colonne de barres (abondance). L’arbre est le vôtre (un fichier Newick dont les feuilles portent les identifiants du tableau), ou une classification hiérarchique des lignes sur les colonnes de la heatmap. Chaque panneau est aligné sur les feuilles de l’arbre (ggtree, aplot).

Utilisez-la pour montrer d’un même coup d’œil la parenté génétique d’individus et leur ascendance : des populations qui se séparent, des hybrides entre deux lignées. Une ligne par individu : son identifiant, de 2 à 12 colonnes de parts d’ascendance (les Q de STRUCTURE ou d’ADMIXTURE, une colonne par composante) et, au choix, une colonne (espèce, population) qui sépare jusqu’à quatre réseaux côte à côte, de 60 individus au plus chacun. Leurs séquences d’ADN alignées sont dans un fichier FASTA dont les noms sont les identifiants du tableau. Les distances (p-distance, JC69 ou F81) donnent le réseau NeighborNet (phangorn, tanggle) : ses boîtes montrent les signaux qui se contredisent.

Utilisez-le pour montrer la structure d’une communauté séquencée (16S, ITS, métagénome) : une ligne par OTU ou par taxon, avec sa taxonomie (« d__Bacteria;p__Proteobacteria;c__… », ou une colonne par rang) et une colonne de comptages par échantillon. Les OTU sont réunies rang par rang : l’arbre part du centre vers les phylums puis les classes (ou jusqu’aux ordres), et chaque taxon du dernier rang porte une barre : le nombre d’échantillons où il est présent (prévalence), son abondance relative moyenne ou son nombre d’OTU. Vous obtenez la figure, le tableau des taxons et leurs comptages par échantillon. C’est une figure descriptive, sans test statistique.

Utilisez-la sur une table d’ASV ou d’OTU (une ligne par ASV, une colonne de comptages par échantillon) avec deux fichiers complémentaires : le groupe de chaque échantillon et, pour la composition, la taxonomie des ASV. La diversité alpha (Shannon, Simpson, Pielou, richesse observée, Chao1, ACE, calculés avec vegan) est comparée entre les groupes par un test de Kruskal-Wallis puis deux à deux. La composition ramène chaque échantillon à 100 % au rang choisi (phylum, classe, genre…) et relie les échantillons par des flux, réunis sous un crochet par groupe.

Utilisez-le pour des gènes, des enzymes, des espèces ou des métabolites mesurés dans de nombreux échantillons répartis en groupes (stades, traitements, sites) : une ligne par élément, une colonne par échantillon, avec le groupe de chaque échantillon dans un fichier complémentaire, et en option un arbre Newick et la catégorie de chaque élément. Chaque groupe est comparé au groupe de référence (test de Wilcoxon, p ajustées de Benjamini-Hochberg, seuils de fold change et de prévalence). La figure aligne sur les lignes de l’arbre la catégorie, la heatmap des moyennes centrées-réduites, les triangles ▲ ▼ des différences et la prévalence dans chaque groupe.

Utilisez-la quand une mesure numérique (inhibition, rendement, teneur…) est comparée entre des groupes faits d’un facteur (jour, dose…), croisé si besoin avec un second pour la couleur (âge, variété…), dans plusieurs blocs (groupe de réponse, site, saison) nommés sous un crochet de l’axe. Dans chaque bloc, une ANOVA à un facteur compare toutes ses boîtes : son F, avec ses degrés de liberté, et son P sont écrits au-dessus du bloc, et les lettres du test de Tukey au-dessus de chaque boîte (deux boîtes sans lettre commune diffèrent). Chaque observation doit venir d’un individu différent.

Utilisez-la pour tester comment des causes agissent les unes sur les autres jusqu’à une ou plusieurs variables expliquées : le climat sur le sol, le sol sur la plante, la plante sur le grain. Vous placez les variables sur des niveaux (2 à 8) ; une variable est une colonne, ou plusieurs colonnes réunies sous un même nom (« Productivité des grains » : taille, poids, aspect, abondance). Le SEM (lavaan) estime ces variables latentes et dit si le modèle s’ajuste aux données (χ², CFI, RMSEA, SRMR) ; le PLS-PM (plspm) convient aux petits échantillons et aux indices composites, ses erreurs viennent du bootstrap. Le diagramme montre chaque chemin standardisé, son signe et sa significativité.

Utilisez-la sur une table d’abondances (une ligne par microbe, métabolite, gène ou espèce, une colonne par échantillon) avec le milieu de chaque échantillon dans un fichier complémentaire. Dans chaque milieu, les éléments présents dans assez d’échantillons sont transformés en CLR type par type, corrélés deux à deux (Pearson ou Spearman) et reliés quand la corrélation dépasse un seuil, fixe ou trouvé par la théorie des matrices aléatoires comme MENAP, avec une p ajustée. Les modules et le rôle de chaque nœud (hubs, connecteurs, selon Zi et Pi) sont calculés ; la figure place les réseaux côte à côte, les métabolites en ronds colorés par leur composition, les microbes en carrés, les nœuds clés en grand.

Utilisez-la quand une mesure numérique (rendement, expression d’un gène, teneur…) est relevée dans beaucoup de groupes, de 2 à 40 (départements, variétés, types de tumeurs), et que vous voulez les classer. Votre fichier a une colonne de groupe et une colonne de valeurs ; une colonne d’identifiants peut rester, elle n’est pas lue. Chaque boîte donne la médiane, les quartiles et les moustaches (1,5 fois l’écart interquartile), les points au-delà sont les valeurs extrêmes ; les groupes sont triés par médiane, et le test de Kruskal-Wallis dit si leurs distributions diffèrent dans l’ensemble. Les noms des groupes se couchent, s’inclinent ou se redressent pour ne jamais se chevaucher.

Utilisez-la pour comparer une mesure numérique (expression d’un gène, rendement, teneur…) entre 2 à 10 groupes : tissu normal et tumeur, traitements, variétés. Votre fichier a une colonne de groupe et une colonne de valeurs ; une colonne d’identifiants peut rester, elle n’est pas lue. Chaque paire de groupes est comparée par le test de Wilcoxon (Mann-Whitney), ou le t de Welch ou de Student, toutes les paires ou chaque groupe contre un témoin, les p ajustées si vous le voulez (Holm, Benjamini-Hochberg). Chaque crochet porte sa p au-dessus des boîtes ; les crochets s’étagent pour que ni eux ni leurs étiquettes ne se chevauchent, et la figure s’allonge avec eux.

Utilisez-la quand plusieurs mesures (gènes, éléments du sol, traits) sont relevées dans 2 à 6 groupes (tissu normal et tumeur, traitements) et que vous voulez voir, variable par variable, si les groupes diffèrent. Votre fichier a une colonne de groupe et une colonne par variable, de 1 à 30 ; une colonne d’identifiants peut rester, elle n’est pas lue. Chaque variable est testée : Wilcoxon (Mann-Whitney) ou t de Welch entre deux groupes, Kruskal-Wallis ou ANOVA à partir de trois, les p ajustées si vous le voulez (Holm, Benjamini-Hochberg) ; les étoiles ou les p s’alignent au-dessus des boîtes. Les noms des variables se couchent, s’inclinent ou se redressent pour ne jamais se chevaucher.

Utilisez-la quand plusieurs mesures (gènes, éléments du sol, traits) sont relevées dans 2 à 8 groupes (stades d’un cancer, traitements, saisons) et que chacune mérite son propre panneau. Votre fichier a une colonne de groupe et une colonne par variable, de 1 à 20 ; une colonne d’identifiants peut rester, elle n’est pas lue. Chaque variable est testée comme dans le script : Kruskal-Wallis à partir de trois groupes, Wilcoxon (Mann-Whitney) entre deux, ou l’ANOVA et le t de Welch ; les p peuvent être ajustées (Holm, Benjamini-Hochberg). Les panneaux se rangent sur autant de lignes qu’il faut pour rester lisibles à la largeur choisie (1 ou 2 colonnes de revue) ; leurs titres et les noms des groupes rétrécissent, se coupent ou se redressent pour ne jamais se chevaucher, et chaque panneau peut avoir sa propre échelle.

Utilisez-la quand une mesure (rendement, teneur, expression…) est relevée selon deux facteurs : des groupes (sites, saisons, variétés, de 2 à 8) et, dans chacun, des sous-groupes (traitements, doses, de 2 à 6 ; 30 boîtes au plus). Votre fichier est en format long : une ligne par observation, une colonne pour la mesure, une pour le groupe, une pour le sous-groupe ; une colonne d’identifiants peut rester, elle n’est pas lue. Dans chaque groupe (ou pour chaque sous-groupe), les boîtes sont comparées au choix par l’ANOVA et le test de Tukey, Kruskal-Wallis et le test de Dunn, le t de Welch ou le test de Wilcoxon deux à deux ; les lettres (a, b, c : même lettre, pas de différence), les étoiles face au premier niveau ou la p du test global s’affichent au-dessus des boîtes. La figure montre les bandes, les panneaux, ou les deux l’un sur l’autre ; noms, lettres et titres se couchent, se redressent ou rétrécissent pour ne jamais se chevaucher.

Utilisez-la quand plusieurs indices (diversité alpha : ACE, Chao, Shannon, Simpson ; teneurs, traits) sont mesurés dans des groupes qui se suivent (périodes, stades, doses, de 2 à 8) et que vous voulez voir s’ils montent ou descendent d’un groupe à l’autre. Votre fichier a une colonne de groupe et une colonne par indice, de 1 à 8 ; une colonne d’identifiants peut rester, elle n’est pas lue. Comme dans le script, chaque indice est centré-réduit (z-score) pour tenir sur le même axe ; les groupes successifs, ou toutes les paires, sont comparés par le test de Wilcoxon (ou le t de Welch), les p ajustées si vous le voulez ; une droite des moindres carrés sur le rang des groupes donne la tendance de chaque indice et sa p, écrite sous lui. Les crochets se posent juste au-dessus des boîtes sans jamais se toucher, les p de tendance rétrécissent ou se redressent quand la place manque, et la légende n’entre dans le panneau que si un coin est libre.

Utilisez-la quand deux mesures d’une même unité se lisent l’une dans l’autre : un total et une partie (fanes et gousses, biomasse et rendement), relevés dans plusieurs groupes (variétés, traitements, de 2 à 12) à plusieurs périodes (2 à 4). Votre fichier a une ligne par unité : son groupe, sa période et les deux mesures ; les autres colonnes (identifiant…) ne sont pas lues. Comme dans le script, la barre large montre la moyenne ± écart-type de la première mesure dans chaque groupe et ses lettres viennent d’une ANOVA suivie du LSD de Fisher corrigé par Bonferroni (ou de Tukey, Duncan, Kruskal-Wallis) : deux groupes sans lettre commune diffèrent. Dedans, une barre par période pour la seconde mesure ; dans chaque groupe, les périodes sont comparées par le test de Wilcoxon (ou le t de Welch), les p ajustées ensemble par Holm, et les étoiles posées sur un trait. Chaque trait reste dans sa barre large s’il tient sous son bord, sinon il passe au-dessus de sa moustache ; la lettre se pose au-dessus de tout, et les étoiles rétrécissent ou se redressent quand la place manque.