Quoi de neuf

Ce qui a changé à chaque version : la même liste que dans Aide › Quoi de neuf. Les versions se téléchargent sur la page des publications.

Version 1.0.0 15 novembre 2026

Cartes et données spatiales : un projet a des coordonnées, deux de ses variables et leur système (longitudes et latitudes WGS 84, Lambert-93, zones CC, Lambert II étendu, UTM, LAEA Europe…), proposées d’après leur nom et enregistrées avec lui. Graphiques › Carte place les observations à la même échelle, colorées et dimensionnées par une variable ou par une colonne des résultats d’un modèle (scores, résidus, groupes), la sélection partagée avec les modèles. Un fond de carte au choix, OpenStreetMap, le plan de l’IGN ou ses photographies aériennes, seulement quand on le demande : sans lui rien ne quitte l’ordinateur. Les conversions sont écrites dans Nuée et donnent celles de PROJ, la bibliothèque de QGIS, au micromètre près.
GeoPackage, le format de QGIS : Fichier › Ouvrir lit l’une de ses couches (des points, ou le centre de lignes et de polygones) avec les coordonnées du projet ; les données et les résultats d’un modèle s’exportent en couche de points que QGIS ouvre avec son système de coordonnées.
Valeurs de rasters à chaque site (Édition › Ajouter des valeurs de rasters…, ou depuis la carte) : l’altitude d’un MNT, l’occupation du sol ou un climat, lus dans un GeoTIFF (compressé en LZW, Deflate, PackBits, LZMA ou ZSTD, en tuiles ou en bandes, BigTIFF compris) ou une grille ASCII d’ESRI, à la position de chaque observation convertie dans le système du raster : la cellule, une interpolation bilinéaire, ou la moyenne ou la classe majoritaire dans un rayon en mètres. Une variable par bande, annulable, dont le texte des méthodes dit d’où elle vient ; seuls les blocs du fichier qui contiennent des observations sont lus. Les mêmes valeurs que terra::extract.
Autocorrélation spatiale (Graphiques › Autocorrélation spatiale) : l’I de Moran d’une variable ou des résidus d’une régression, par randomisation et par permutations, le test des résidus d’un modèle linéaire qui tient compte de l’ajustement, un voisinage des k plus proches voisines, d’une distance ou de l’inverse de la distance ; le corrélogramme et le semi-variogramme. Les mêmes nombres que spdep et gstat. « Moyenne par lieu » regroupe une placette suivie plusieurs années.
Lissage spatial dans un GAM : une surface des coordonnées, s(x, y) en plaques minces ou une spline sur la sphère pour des longitudes et latitudes, prend la structure spatiale que les termes n’expliquent pas (Nouveau modèle › Général, ou dans la formule R). Elle passe par la validation croisée, la sélection par AIC, les prédictions et le texte des méthodes, et la carte montre sa valeur en chaque observation. Elle donne les résultats de mgcv. L’export vers R la refait aussi.
Analyses de communautés fondées sur une distance (Nouveau modèle) : PCoA (corrections de Lingoes et de Cailliez), NMDS (plusieurs départs, le diagramme de Shepard), PERMANOVA (termes séquentiels ou marginaux, permutations dans des groupes) avec la dispersion multivariée de chaque groupement (betadisper et ses paires), et le test de Mantel (partiel, de Pearson ou de Spearman, et son corrélogramme). Neuf distances (Bray–Curtis, Jaccard, Gower, Hellinger, corde…), en abondances ou en présences, et des transformations (racine, Wisconsin…) ; les variables explicatives ajustées sur l’ordination en flèches et en centroïdes. Les mêmes nombres que vegan, et les mêmes valeurs p pour les mêmes permutations ; l’export vers R les refait avec R seul, avec les mêmes permutations.
Analyse canonique des correspondances (CCA, et CCA partielle) : le triplot en échelles 1 à 3, les tests par axe, par terme et marginaux, le R² ajusté et la sélection pas à pas, le texte des méthodes et l’export vers R, comme vegan::cca.
Espèces indicatrices (IndVal et IndVal.g, Dufrêne et Legendre 1997 ; De Cáceres et Legendre 2009) : pour chaque espèce, le groupe ou la combinaison de groupes dont elle est indicatrice, ses composantes A et B, le test par permutations et la valeur p corrigée sur les espèces, comme indicspecies::multipatt ; l’export vers R le refait avec R seul.
Raréfaction et accumulation (Graphiques › Raréfaction) : les courbes de raréfaction de chaque relevé et la richesse raréfiée à un effectif commun, la courbe d’accumulation des espèces sur les relevés (exacte), par groupe au choix, et les estimateurs de richesse (Chao1, ACE ; Chao2, jackknife 1 et 2, bootstrap), comme vegan.
TRIM, les tendances et les indices des comptages de suivis (Nouveau modèle › TRIM), écrit d’après la méthode de Statistics Netherlands : modèles à effets du temps, à tendance linéaire avec ruptures (au choix ou pas à pas) ou sans effet du temps, la surdispersion et l’autocorrélation estimées par GEE, les comptages manquants imputés, des covariables et des poids. Les indices sur une année de base et les totaux annuels avec leurs erreurs types, la pente générale et sa classe (forte augmentation, augmentation modérée, stable, incertain, déclin modéré, fort déclin), les tests de Wald. Les mêmes nombres que rtrim, et l’export vers R le refait avec R seul.
Échantillonnage par distances (Nouveau modèle › Échantillonnage par distances) : la densité et l’effectif d’animaux à partir de transects linéaires ou de points d’écoute, comme le paquet Distance les calcule (ds() et dht2()). Des fonctions de détection demi-normale, hazard-rate ou uniforme, avec des termes d’ajustement cosinus, Hermite ou polynomiaux choisis par l’AIC sous contrainte de monotonie ; des covariables de la détection (comme ds(formula = ~ …) : l’échelle de la fonction de détection selon des variables quantitatives ou qualitatives, la taille des groupes comprise, la probabilité de détection de chaque animal, la densité de Horvitz–Thompson de dht2, la fonction de détection moyenne et celle de chaque catégorie, et les AIC avec et sans covariables) ; une troncature à droite (une distance ou un pourcentage) et à gauche ; des distances exactes ou en intervalles ; des groupes ; des strates avec leur surface. La variance du taux de rencontre (R2, P2) et celle de la détection (méthode delta), des intervalles log-normaux aux degrés de liberté de Satterthwaite (sans surface de strate, ceux du total avec les poids des strates, comme la variance de la taille des groupes, là où dht2 laisse ces poids de côté et donne moins de degrés de liberté et, avec des groupes, une erreur-type plus grande, d’où un intervalle plus large) ; l’ajustement (Cramér–von Mises, khi²), le graphique quantile-quantile et la fonction de détection sur l’histogramme des distances. Pour le reste, les mêmes nombres que Distance, et l’export vers R le refait avec R seul.
Un modèle par réponse (Modèle › Un modèle par réponse) : la même régression ajustée à chaque espèce cochée, les valeurs p de chaque terme corrigées sur les espèces (Benjamini–Hochberg, Holm ou Bonferroni) ; le terme choisi en forêt de coefficients, son effet en petits graphiques côte à côte, la qualité de chaque modèle.
Deux lois de plus pour les GLM et les GAM : la loi de Poisson à zéros en excès (mgcv::ziP), pour des comptages avec plus de zéros qu’une loi de Poisson n’en donne, et la loi bêta (mgcv::betar), pour des proportions entre 0 et 1 (un recouvrement, une part de temps). Avec des effets aléatoires, des courbes, le lissage spatial, la validation croisée, la sélection par AIC, les moyennes ajustées (des comptages attendus et leurs rapports ; des proportions et des rapports de cotes), les résidus quantiles et l’export vers R. Les mêmes résultats que mgcv.
Forêts aléatoires et arbres boostés (Nouveau modèle) : une forêt aléatoire (ranger), pour une mesure ou une classe, avec son erreur hors sac, la validation croisée par groupe, l’importance des variables par permutation ou par l’impureté, la dépendance partielle de chaque variable, l’erreur selon le nombre d’arbres et les votes de chaque classe avec leurs courbes ROC ; des arbres de régression boostés (BRT), comme gbm les calcule et comme Elith et al. (2008) les présentent aux écologues, pour une mesure, une présence-absence ou des comptages, le nombre d’arbres choisi par validation croisée, avec l’influence relative de chaque variable. Jeu de test et prédictions pour les deux ; les mêmes nombres que ranger et gbm. L’export vers R les refait : les arbres boostés avec R seul (et rpart), la forêt avec ranger, que Nuée installe avec lui.
Texte des résultats : {{M1.resultats}} dans un document, et sous le texte des méthodes, dit en phrases ce que montre le modèle, avec ses nombres : l’ajustement, chaque coefficient avec son intervalle et sa valeur p (un facteur ou un rapport de cotes pour un lien log ou logit), les termes significatifs, les courbes et les effets aléatoires ; pour une ACP, une PLS ou une OPLS, la variance expliquée, Q², la CV-ANOVA et les variables les plus importantes.
Composer une figure (Graphiques › Composer une figure…, ou clic droit sur un graphique › Ajouter à une figure) : des graphiques côte à côte pour une revue, en panneaux A, B, C dans une grille (un panneau peut prendre deux cases), à la largeur d’une colonne, d’une colonne et demie ou de deux (85 à 190 mm), le texte en points et l’épaisseur des traits pour l’impression. Exportée en PDF vectoriel (dans l’application de bureau, à la taille exacte de la figure), en SVG, et en PNG ou TIFF à 300 ou 600 ppp, leur résolution écrite dans le fichier. Une carte sur fond y a ses points en vecteurs sur ses tuiles, téléchargées de nouveau à la résolution de l’export, avec leur attribution. Les figures sont gardées dans le projet et suivent les modèles réajustés.
Document reproductible (Quarto) : un document s’exporte en .qmd reproductible, à côté d’un dossier avec le script d’export vers R de chaque modèle qu’il cite et ses données ; Quarto les relance, et chaque nombre cité (Q², les coefficients et leurs intervalles…), chaque graphique et chaque tableau sont recalculés à partir des données brutes. Avant d’écrire le .qmd, Nuée vérifie que chaque expression redonne exactement son texte ; ce qui ne se recalcule pas (le texte des méthodes, un modèle sans script) reste écrit, et le document le dit.
Bibliothèques de groupe de Zotero : Citer › Insérer une citation propose Ma bibliothèque et chaque bibliothèque de groupe que Zotero synchronise, chacune avec ses collections ; la bibliothèque choisie est gardée, et taper @ y cherche. Le sélecteur de Better BibTeX choisit dans toutes. Une clé n’est unique que dans sa bibliothèque : une référence dont le document donne déjà la clé à une autre œuvre (la même clé dans Ma bibliothèque et dans un groupe) y est citée avec une lettre en plus, @bechet2019a, et la barre d’état le dit ; le même élément, ou la même œuvre copiée dans un groupe, garde sa clé. Le document garde de quelle bibliothèque vient chaque référence de Zotero. Quand Zotero ne donne pas ses groupes, le dialogue dit pourquoi et propose Ma bibliothèque seule.
Conditions du modèle, dans le Résumé d’une régression : en mots, avec ce qu’on peut faire, la loi des résidus, une dispersion qui change avec les valeurs ajustées, les observations influentes, la surdispersion et l’excès de zéros d’un comptage, des termes colinéaires, des courbes confondues et l’autocorrélation spatiale des résidus.
Quelle analyse ? (Modèle › Quelle analyse ?, ou le bouton de la page d’accueil) : votre question en mots simples (comparer des groupes, l’effet de variables sur une réponse, beaucoup d’espèces, une tendance, où, explorer, prédire, la diversité, un dispositif BACI), la réponse et le dispositif, proposés d’après les variables du projet (des entiers, des zéros, des proportions, des sites, des années) ; puis l’analyse conseillée, pourquoi et ses conditions, d’autres possibilités, et un bouton qui ouvre Nouveau modèle déjà rempli (le type, la loi, les rôles, l’effet aléatoire, les groupes de validation croisée) ou la bonne vue.
Atelier de données : Chercher et remplacer (Édition, Ctrl+H, et dans la vue Données) dans une, plusieurs ou toutes les variables — la cellule entière ou une partie, avec ou sans les majuscules, les cellules vides —, avec l’aperçu de ce qui changera ; une variable de texte dont toutes les valeurs deviennent des nombres passe en quantitative. Les catégories d’une variable qualitative renommées, fusionnées, réordonnées, et celle de référence des régressions choisie. Une unité et une description pour chaque variable, dans les en-têtes, les titres des axes, les textes des méthodes et des résultats, l’export vers R et les fichiers exportés (une feuille « Variables » dans Excel, une table dans un GeoPackage). Dans la vue Données, les cases vides et les valeurs distinctes de chaque colonne, et un bloc de cellules collé d’un tableur. Chaque changement s’annule par Ctrl+Z.
Import de KoboToolbox et d’ODK (Fichier › Importer depuis KoboToolbox ou ODK…, ou en ouvrant un export) : un export de formulaires (classeur ou CSV de KoboToolbox, zip d’ODK Central) est reconnu. Les colonnes de métadonnées sont retirées (au choix), les préfixes des groupes enlevés ; un choix unique devient une variable qualitative et un choix multiple des colonnes 0/1, un point GPS des longitudes et latitudes qui deviennent les coordonnées du projet, les dates des temps ; un groupe répété s’ouvre avec les colonnes de ses parents. Le formulaire XLSForm, s’il est donné, apporte les libellés dans la langue choisie et l’ordre des choix. « Ouvrir tel quel » garde le tableau brut. Vérifié sur de vrais exports de KoboToolbox et d’ODK Central, dans tous leurs réglages.
Rapport de problème (Aide › Informations de diagnostic) : un fichier .zip à joindre à un message, avec ces informations et le journal de la séance, et le projet si on le coche. Rien n’est envoyé. Un projet enregistré dit aussi les versions des paquets R qui ont calculé ses modèles.
Plus rapide sur les grands tableaux et les spectres : sur 2 000 spectres de 2 000 longueurs d’onde, une ACP au nombre de composantes automatique passe de 26 à 2,5 minutes et une PLS de 30 à 4 secondes ; le test de 100 permutations d’une PLS sur 500 spectres, de 7,5 minutes à 32 secondes. Les vues n’envoient que ce qu’elles dessinent (la vue Données, les colonnes affichées ; les tableaux, par tranches), les graphiques de plus de 5 000 points passent en WebGL, et un projet de 10 modèles s’enregistre et se rouvre près de trois fois plus vite. Les résultats sont identiques.
L’anglais par défaut : une nouvelle installation démarre en anglais (Affichage › Langue pour changer). Une installation qui faisait tourner une version précédente sans avoir choisi de langue garde le français. Le projet d’exemple (Aide › Projet d’exemple) est en anglais, les mêmes pommes en français pour l’interface française. Dans R, load.R charge le moteur en anglais, avec des noms anglais (import_table(), define_model(), fit_model() ; dans la console, engine_folder(), reload_engine(), check_engine()) ; charger.R le charge en français, comme avant : les scripts écrits pour lui donnent les mêmes résultats, mots compris.
En français, les nombres de l’interface ont maintenant une virgule décimale, comme ses textes : les tableaux et les résumés des vues, leurs notes, les textes au survol et les axes des graphiques (0,959 ; CV 9,7 %), le rapport. Un tableau copié a la même virgule, à toute sa précision, pour un tableur en français ; Nuée relit l’une et l’autre. Un champ numérique prend 0,5 comme 0.5, même sur un système en anglais.
Projets .usp : chaque modèle d’un fichier est ajusté comme le logiciel qui l’a écrit, et redonne ses résultats là où ils différaient, tous avec des valeurs manquantes. NIPALS y converge parfois très lentement, ne converge pas ou a plusieurs solutions : il s’arrête maintenant comme ce logiciel (un écart relatif de 10⁻⁵, 200 itérations au plus), part de la même colonne, valide chaque composante en partant du modèle complet, et traite comme lui les observations sans aucune valeur X et, dans les fichiers de la version 10, un terme sans aucune valeur. Sur les projets de 2003, les 519 modèles comparés sont identiques à leur fichier (513 avant), coefficients et VIP compris ; sur le corpus d’essai, l’ajustement et le Q² de 805 PLS sur 809 (771 avant), les scores et loadings de 107 ACP sur 111 (74 avant). Les modèles de Nuée ne changent pas, et l’export vers R fait de même.
Corrigé : un GLM ou un GAM avec un seul effet aléatoire et sans courbe perdait la variance de cet effet : le Résumé la laissait vide, avec un écart-type de 0, et l’export vers R faisait de même.
Corrigé : Prédiction › Prédire un fichier échouait pour un modèle dont le prétraitement des spectres a une étape de Savitzky–Golay (« la fenêtre dépasse le spectre ») : chaque longueur d’onde du fichier y formait une zone à elle seule.
Corrigé : en anglais, les colonnes des résultats d’un modèle (liste des observations, prédictions, couleurs et tailles de la carte) gardaient leurs noms français (observé, ajusté, résidu…), et les tableaux de résultats exportés aussi, leurs noms comme ceux de leurs colonnes (feuilles Excel, fichiers, couches GeoPackage).
Corrigé : les moyennes ajustées et la puissance pour détecter une tendance, gardées avec leur modèle, ne l’étaient que jusqu’à la fermeture du projet. Elles sont maintenant enregistrées avec lui et reviennent à son ouverture, simulation de la puissance comprise : dans leurs vues, le texte des Méthodes, le rapport et l’export vers R.
Corrigé : chaque mise à jour retirait Nuée de la barre des tâches quand elle y était épinglée, et refaisait ses raccourcis du menu Démarrer et du bureau. Les mises à jour les gardent maintenant, celle qui mène à cette version comprise.
Corrigé : dans un petit panneau, le titre d’un graphique chevauchait celui de son axe vertical, plus long que la zone du graphique : les titres partent maintenant du bord gauche de cette zone.

Version 0.9.9 14 novembre 2026

Documents : un projet garde des documents (un article, un rapport, des notes), écrits en Markdown à côté de leur aperçu, redessiné pendant qu’on écrit (Fichier › Nouveau document). Les résultats du projet s’y citent entre doubles accolades et y prennent leur valeur : {{M1.Q2}}, {{M1.R2Y:%}}, {{M1.vip.sucre}}, {{M5.coef.annee}} (estimation, intervalle et p), un graphique tel qu’il est dans sa fenêtre avec sa légende ({{M1.scores | Scores des sites}}), un tableau du rapport du modèle ({{M1.table.resume}}) ou le texte des Méthodes ({{M1.methodes}}). Tapez {{ pour voir les modèles, puis ce que chacun offre avec sa valeur ; le bouton Insérer et l’explorateur (clic droit) font de même. Les nombres s’écrivent dans la langue du document (0,65 ou 0.65), graphiques et tableaux sont numérotés, et {{ref:étiquette}} donne leur numéro ; une référence introuvable est en rouge, avec sa raison, et un modèle pas encore calculé l’est quand le document le cite. Départ : un document vide, un article (introduction, méthodes, résultats, discussion) ou un rapport d’analyse, les modèles cochés déjà cités. Compiler : Word, PDF, HTML, ou un fichier Quarto (.qmd) avec ses graphiques, que Quarto compile s’il est installé (bibliographie, renvois, modèles de revues). Le document est enregistré avec le projet, et Annuler ne le touche pas. Le correcteur d’orthographe, en français et en anglais, propose ses corrections au clic droit, dans les documents et dans tous les champs.
Citations dans les documents, comme dans Quarto : [@wold2001], [voir @wold2001, p. 33 ; @eriksson2006], @wold2001 dans la phrase, [-@wold2001] sans l’auteur ; la liste des références vient à la fin, ou là où le document met {{bibliographie}}, en auteur-année ou numérotée, dans la langue du document. Les références viennent de fichiers BibTeX ou CSL-JSON (exportés de Zotero, Mendeley, JabRef… ; Citer › Lier un fichier les nomme dans l’en-tête, et l’export automatique de Better BibTeX les tient à jour), de Zotero ouvert sur l’ordinateur (Zotero 7 : en tapant @, ou par Citer › Insérer une citation, dans toute la bibliothèque ou une collection ; avec Better BibTeX, son propre sélecteur, page comprise), ou de BibTeX collé. Le document garde une copie de ce qu’il cite : envoyé sans le .bib, il le cite encore. Compilé pour Quarto, il garde ses citations, les références dans un .bib à côté, pour le style CSL d’une revue (le PDF aussi), avec la langue de chacune. Chaque document s’ouvre dans son propre onglet, et les graphiques des documents et des rapports de modèle sont dessinés en clair, même avec le thème sombre.
Gain sur le modèle vide : quand les centres sont recalculés sans le groupe caché (la validation par défaut, et « Centres et poids recalculés »), le Résumé d’une PLS ou d’une OPLS donne le Q² du modèle vide, où chaque groupe caché est prédit par la moyenne de Y des autres observations, et le gain du modèle sur lui, (Q² − Q² vide) / (1 − Q² vide) : la part de l’erreur de prédiction du modèle vide que le modèle évite. Avec des groupes qui diffèrent (des sites, des départements), le Q² du modèle vide est sous 0, et un Q² négatif peut cacher un modèle qui fait mieux que lui : le gain le dit. Le Q² honnête d’un modèle hiérarchique a aussi le sien. Dans le texte des Méthodes, le rapport du modèle et l’export vers R.
Corrigé : avec des valeurs manquantes dans X, les coefficients d’une PLS ou d’une OPLS (centrés-réduits et dans les unités des données, avec la constante), les poids w* et leurs intervalles de confiance étaient faux, de quelques pour cent en général : W* était calculé par W (P′W)⁻¹, qui ne redonne plus les scores des observations complètes quand des valeurs manquent. Il l’est maintenant composante après composante, comme dans les fichiers .usp : sur un projet réel de 35 modèles à valeurs manquantes, les coefficients et leurs intervalles sont ceux du logiciel qui a écrit le fichier (écart < 10⁻⁶), contre jusqu’à 0,044 d’écart avant. Les valeurs « du fichier » que montre l’explorateur pour ces coefficients avaient la même erreur : convertir le projet à nouveau la corrige. R², Q², VIP, scores et prédictions ne changent pas, et rien ne change sans valeur manquante.

Version 0.9.8 13 novembre 2026

La validation croisée au choix (Nouveau modèle › Validation croisée), pour une ACP, une PLS ou une OPLS, et une nouvelle validation par défaut, pour tous les modèles : « Centres recalculés, poids du modèle complet ». Chaque groupe est prédit par un modèle ajusté sans lui, ses centres recalculés sans le groupe : le modèle ne sait rien du Y du groupe qu’il prédit. Ses poids restent ceux du modèle complet : les écarts-types de X ne dépendent pas de Y, et rien n’est remis à l’échelle sur moins d’observations, si bien qu’aucune prédiction n’explose (des Q² jusqu’à −8 × 10¹¹ sur un projet réel, quand une variable ne variait que sur un site validé à part). Le Q² de tous les modèles change donc un peu par rapport à 0.9.7. « Centres et poids recalculés sans le groupe caché » est la validation de 0.9.7, plus sévère. « Centres et poids du modèle complet » valide chaque composante sur ce que laissent les précédentes : c’est la validation des fichiers .usp, dont elle redonne les Q² (sur quatre projets réels, ceux de 441 modèles sur 443, avec leurs Q² par variable et les intervalles de confiance de leurs coefficients) ; plus optimiste, elle n’est pas celle par défaut. Le RMSEcv, la CV-ANOVA, le classement en validation croisée, les intervalles de confiance, le test de permutation et l’ajustement automatique suivent la validation choisie, comme l’export vers R.
Garde-fou de « Centres et poids recalculés sans le groupe caché » : une variable qui ne varie presque plus sans le groupe caché (moins de 10 % de son écart-type) garde le poids du modèle complet dans ce tour, au lieu d’un poids, 1 / écart-type, multiplié d’autant. Le Résumé dit quelle variable, sans quel groupe, et la part de son écart-type qu’elle gardait.
Q² honnête des modèles hiérarchiques : un modèle dont des X sont les scores d’autres modèles du projet ($M1.t1…) a dans son Résumé un « Q2(cum) honnête » : à chaque tour de la validation croisée, ses modèles de base sont refaits sans le groupe caché, pour que leurs scores ne se servent pas du Y de ce groupe. Son Q² prend ces scores tels quels. Le texte des Méthodes le donne aussi.
Le texte des Méthodes dit comment le modèle a été validé, et le rapport du modèle le donne en tête. Console R : verifier_moteur() valide les modèles comme leurs fichiers et compte le Q² dans son statut.
Corrigé : pour un modèle d’une seule composante, le Résumé ne marquait pas ses valeurs « = » ou « ≠ » face à celles du fichier .usp, et l’explorateur ne donnait pas ses R2X et Q2.

Version 0.9.7 13 novembre 2026

Variables qualitatives dans les termes croisés : une régression (linéaire, mixte, GLM, GAM) prend des termes croisés avec une variable qualitative, dans l’onglet Termes croisés ou par a * b dans la formule R. année × secteur laisse la pente de l’année changer d’un secteur à l’autre, habitat × traitement l’effet d’un traitement d’un habitat à l’autre. Les coefficients sont ceux de lm, nlme et mgcv, avec la même catégorie de référence ; sans l’effet principal de l’année (secteur + année:secteur), chaque coefficient est la pente d’un secteur. La vue Effets trace une droite (ou une courbe) par catégorie, avec le tableau des pentes ; la sélection par AIC, les apports et les modèles emboîtés font entrer et sortir un terme croisé en entier, avec ses effets principaux.
Moyennes ajustées et paires de niveaux : pour une régression à variable qualitative, Graphiques › Moyennes ajustées donne la moyenne de chaque catégorie ajustée des autres termes du modèle, avec son intervalle à 95 % (d’un modèle mixte aussi, ses effets aléatoires et son autocorrélation comptés), et toutes les paires de catégories, corrigées par Tukey (ou Holm), comme le paquet emmeans les calcule. Avec un terme croisé : les paires dans chaque niveau de l’autre variable (le secteur dans chaque période), ou les pentes de l’année par catégorie et leurs paires. Avec un lien log ou logit, sur l’échelle de la réponse (des rapports, des rapports de cotes). Une phrase prête pour un rapport ; dans le texte des Méthodes, le rapport du modèle et l’export vers R.
Une courbe par catégorie dans un GAM : s(année, by = secteur) donne une courbe de l’année pour chaque secteur (le secteur aussi en X), chacune avec son edf, son test, son effet et ses seuils (la catégorie choisie dans la vue Effets), dans mgcv::gam et mgcv::gamm (avec CAR1), la formule R et l’export vers R. Une courbe croisée avec une variable qualitative a aussi ses seuils par catégorie.
Pentes aléatoires : dans un modèle mixte, chaque site peut avoir sa propre pente de l’année autour de la pente fixe : (1 + année | site) dans la formule R, ou « Pentes aléatoires par site » sous l’effet aléatoire. Le Résumé donne la variance de la pente et sa corrélation avec l’ordonnée à l’origine, le R² de Johnson (2014), et signale un ajustement singulier, comme celui d’une année non centrée (l’échelle Ctr la centre). Avec CAR1, dans les GLMM de mgcv (la pente y est indépendante de l’ordonnée à l’origine) et dans l’export vers R.
Les observations d’un modèle choisies par une condition : Nouveau modèle › Observations › « Garder seulement les observations où… », écrite comme une formule de Nouvelle variable (annee >= 2010 & site != "S2", !is.na(densite)), pour tous les types de modèles. Le nombre d’observations gardées s’affiche en écrivant ; la condition est gardée avec le modèle et refaite à chaque ajustement sur les données du moment ; le Résumé, le texte des Méthodes et l’export vers R la donnent. Elle est lue sans être exécutée : un projet reçu ne peut rien faire passer par elle.
Ajouter des colonnes d’un tableau : Édition › Ajouter des colonnes d’un tableau… joint au projet les colonnes d’un autre fichier (ou de cellules collées) par une clé d’une ou plusieurs colonnes : les caractéristiques des sites (habitat, altitude), la météo par année. Une clé répétée dans le tableau est refusée ; les observations sans correspondance sont comptées et nommées ; Ctrl+Z retire les colonnes.
Résumer par groupe : Édition › Résumer par groupe… fait un nouveau projet d’une ligne par groupe (le secteur et l’année, par exemple), avec la moyenne, la somme, la médiane, le minimum, le maximum, l’écart-type ou le nombre de valeurs des variables choisies ; les variables qualitatives constantes dans chaque groupe (l’habitat d’un secteur) sont gardées.
Coefficients côte à côte : Prédiction › Comparer les modèles › « Coefficients côte à côte » met plusieurs régressions en colonnes, une ligne par terme (l’estimation avec son intervalle à 95 % ou son erreur-type, en rouge quand p ≤ 0,05), puis n, AIC, AICc, R², l’écart-type de chaque effet aléatoire (une pente aléatoire avec sa corrélation), φ et l’edf des courbes. Ctrl+C le copie en tableau pour Word ou Excel, avec des étoiles pour p ; Fichier › Exporter les résultats l’exporte.
Tendances : deux options dans Graphiques › Séries › Tendances. « Tenir compte de l’autocorrélation » donne le test de Mann–Kendall modifié de Hamed et Rao (1998), sa variance corrigée par l’autocorrélation des rangs ; « Saisons » le test de Kendall saisonnier (Hirsch, Slack et Smith, 1982), pour des relevés faits plusieurs fois par an, par mois (des dates) ou par une variable, avec la pente de Sen saisonnière.
Indices de diversité : les formules de Nouvelle variable ont richesse(), shannon(), simpson() et pielou(), sur des colonnes d’espèces listées ou en plage (shannon(Ablette:Vandoise)), calculés comme vegan les calcule.
Puissance pour une tendance : sous un modèle linéaire ou mixte dont l’année est un X, Graphiques › Puissance pour une tendance dit en combien d’années une tendance (par an, ou en % par an pour un Y en log) est détectée avec tant de sites suivis chaque année : les courbes de puissance, des variances du modèle (CAR1 compris), une phrase pour un rapport, et une simulation de vérification au plan choisi (Diggle et al., 2002 ; Johnson et al., 2015).
Apports des blocs (AIC) : un effet principal sort maintenant avec les termes croisés qui le contiennent (colonne « Avec ») ; les ΔAIC d’un modèle à termes croisés changent par rapport à 0.9.6.
Corrigé : une catégorie qu’une régression n’a pas vue dans son ajustement (absente de ses observations, ou des groupes d’apprentissage en validation croisée : des secteurs propres à un site, validés par site) était prédite comme la catégorie de référence, sans le dire. Elle n’a plus de prédiction : ces lignes sont comptées et expliquées, et Q2 vient des autres (il peut changer par rapport à 0.9.6) ; quand aucune ne reste, le Résumé dit que le modèle ne se valide pas par ces groupes avec ce facteur en X.
Corrigé : dans l’export vers R, un nom venu du projet (une variable, un modèle, un fichier…) qui contenait un retour à la ligne pouvait sortir d’un commentaire du script et s’exécuter quand on lançait le script : ces noms y sont maintenant écrits sur une seule ligne. Utile pour un projet reçu de quelqu’un.
Corrigé : un changement refusé (une formule de Nouvelle variable qui ne se calcule pas, une imputation impossible) laissait un retour en arrière vide pour Ctrl+Z.

Version 0.9.6 13 novembre 2026

Modèle mixte BACI en un clic : dans le mode Avant/après (BACI) des tests statistiques, « Ajuster le modèle mixte » crée les variables 0/1 de la période et de l’impact et ajuste y ~ période × impact + (1 | unité), avec au choix une autocorrélation CAR1 dans le temps. L’effet BACI (le coefficient de période × impact, son intervalle à 95 % et sa valeur p) vient en une phrase sous celle du test t, et tient compte des unités et de l’autocorrélation. Le modèle rejoint le projet, avec son texte des méthodes (Stewart-Oaten et al., 1986).
Tendances dans les séries : dans Graphiques › Séries, « Tendances » donne pour chaque ligne le test de Mann–Kendall (τ de Kendall, S et sa valeur p, la variance corrigée des ex aequo) et la pente de Sen par an avec son intervalle à 95 %, les valeurs p corrigées sur les lignes (Benjamini–Hochberg ou Holm) ; une note rappelle que des années autocorrélées rendent p trop petite.
Test de Friedman : quand une mesure est appariée par une clé entre trois niveaux ou plus (des secteurs, par l’année), le test de Friedman sur les clés où chaque niveau a une valeur précède le tableau des paires, avec le W de Kendall ; « dans chaque » site, un test par site, corrigé par Holm.
« Ajuster avec CAR1 » : dans Graphiques › Autocorrélation des résidus, un bouton ajuste le même modèle avec une autocorrélation CAR1 dans le temps et les groupes choisis (ses effets aléatoires, ou un niveau plus fin en dedans), comme « Ajuster ce modèle ». Les deux se comparent ensuite par l’AIC dans Prédiction › Comparer les modèles ; un GLM ou un GAM, refait alors par mgcv::gamm, a son propre ensemble AIC, ce que la note dit.
Résidus quantiles (Dunn et Smyth, 1996) : pour un GLM ou un GAM de Poisson, binomial négatif, binomial ou gamma, la vue Résidus propose des résidus quantiles randomisés, normaux quand le modèle est juste, là où les résidus de comptages ne le sont pas même alors ; tirés avec une graine fixe, ils sont aussi dans le rapport du modèle et dans Exporter vers R.
Le temps en dates : partout où un temps est demandé (séries, precedent et suivant, BACI, autocorrélation des résidus, CAR1 des modèles mixtes et leur export vers R), des dates de relevé (2019-05-14 ou 14/05/2019, le jour d’abord, avec l’heure au besoin) sont lues en années décimales ; les séries et le BACI les montrent en dates. Une colonne de dates qui se répètent, une variable qualitative, sert maintenant de temps.
Corrigé : après une mise à jour en un clic, Nuée pouvait montrer un moment l’interface de la version d’avant, gardée par le cache de sa fenêtre : la nouvelle version s’affichait sous l’ancien numéro, disait être la dernière et ne montrait pas ses nouveautés. Le premier démarrage d’une nouvelle version vide maintenant ce cache, et l’interface est relue à chaque chargement.
La mise à jour en un clic n’ouvre plus de fenêtre noire pendant qu’elle attend la fermeture de Nuée (à partir de la prochaine : celle qui installe 0.9.6 vient de la version d’avant).

Version 0.9.5 12 novembre 2026

Sélection par AIC : sous chaque régression (et dans Graphiques), Nuée compare par l’AICc toutes les combinaisons des groupes de termes du modèle (ses blocs, sinon ses variables), du modèle nul au modèle complet, chacune ajustée en ML sur les mêmes observations, avec les effets aléatoires, l’autocorrélation, l’effort et les courbes du modèle ; un terme croisé n’entre qu’avec ses effets principaux. Au-delà de 8 groupes, une élimination descendante. La vue suggère le meilleur modèle et, s’il diffère, le plus parcimonieux à ΔAICc ≤ 2 ; elle montre l’importance de chaque groupe et les meilleurs modèles avec leurs poids d’Akaike.
« Ajuster ce modèle », sur la suggestion ou sur n’importe quelle ligne, en fait un nouveau modèle : les mêmes réglages avec les seules variables de ces groupes, sur les mêmes observations, ajusté comme les autres. Le texte des méthodes décrit ensuite la sélection, le rapport du modèle peut la contenir et Exporter vers R la refait.
Tests appariés : dans Graphiques › Tests statistiques, mode Deux variables, une mesure et une variable qualitative (ou un identifiant) s’apparient par une troisième (« Apparier par » : l’année). Deux niveaux A et B, deux secteurs d’un site par exemple, sont comparés sur les années qu’ils ont tous deux, les données restant en long (une ligne par secteur et par année) : test t apparié (différence moyenne B − A, son intervalle à 95 %, d_z de Cohen) et test des rangs signés de Wilcoxon (exact sous 50 paires sans différence nulle ni ex aequo ; sinon, les différences nulles retirées, par la loi normale avec la correction de continuité, le même calcul sous toutes les versions de R), conseillé quand la normalité des différences est douteuse. Le nombre de paires et les lignes restées sans partenaire sont donnés, le résultat en une phrase prête pour un rapport, et le graphique relie chaque paire.
La phrase d’un test à deux variables suit la langue de l’interface : changer de langue la récrit.
Tests appariés de deux mesures d’une même ligne (avant et après, par exemple) : dans Graphiques › Tests statistiques, mode Deux variables, deux variables quantitatives s’apparient par « l’observation (même ligne) ». Les différences Variable 2 − Variable 1, sur les observations où les deux sont connues, passent par le test t apparié et le test des rangs signés de Wilcoxon, comme pour deux niveaux appariés par une clé.
Toutes les paires de niveaux : quand une mesure est appariée par une clé entre les niveaux d’une variable qui en a trois ou plus (des secteurs, par l’année), le tableau du bas peut lister chaque paire de niveaux, sur ses propres années communes, avec la différence, son intervalle à 95 % et les valeurs p corrigées par Holm du test choisi ; un clic sur une paire la compare. Quand tous les niveaux ont les mêmes années, ce sont les valeurs de pairwise.t.test() et pairwise.wilcox.test() avec paired = TRUE. Avec « Paires de niveaux dans chaque » (une variable qualitative ou un identifiant : le site), le tableau ne garde que les paires de niveaux d’un même groupe, les secteurs de chaque site comparés deux à deux ; la correction de Holm porte sur les paires testées, tous les sites ensemble, et la valeur p brute se lit site par site. Un secteur dont les lignes sont dans plusieurs sites est refusé.
La phrase du test de Mann–Whitney nomme les deux groupes avec leurs médianes : le signe de la corrélation rang-bisériale se lit.
Le test de Mann–Whitney (entre classes, deux variables, BACI) fait le même calcul sous toutes les versions de R : exact sous 50 valeurs de chaque côté sans ex aequo ; sinon par la loi normale avec la correction de continuité, comme R avant 4.6. Avec des ex aequo, sa valeur p change donc un peu depuis 0.9.3 sous Windows, où R 4.6 la calculait exacte.
Avant/après avec témoin (BACI) : un quatrième mode de Graphiques › Tests statistiques. Une réponse, un temps (l’année) et une unité (le secteur), dont on coche les unités d’impact et les témoins, puis l’événement, le premier temps « après », avec une fin facultative. À chaque temps, l’écart d_t entre la moyenne de l’impact et celle des témoins ; les écarts d’après comparés à ceux d’avant par le t de Welch, le t de Student ou Mann–Whitney, avec le changement de l’écart moyen et son intervalle à 95 %, en une phrase prête pour un rapport. Le graphique montre les écarts dans le temps, l’événement et la moyenne de chaque période.
Deux classes appariées, variable par variable : dans le mode Entre classes, « Apparier par » une clé (l’année, pour deux secteurs suivis les mêmes années) compare chaque variable sur les clés que les deux classes ont, par le test t apparié ou le test des rangs signés de Wilcoxon, avec le nombre de paires, le log2 du rapport des moyennes ou le d_z de Cohen, le graphique volcan et les corrections de Benjamini–Hochberg ou de Bonferroni. Une clé deux fois dans une classe est refusée.
Valeurs d’une autre année : dans une formule de Nouvelle variable, precedent(x, annee, secteur) donne la valeur de x l’année d’avant dans le même secteur et suivant(x, annee, secteur) celle de l’année d’après (pas = 2 : deux ans) ; croissance(x, annee, secteur) donne le taux de croissance log(x / x de l’année d’avant), manquant sauf si les deux valeurs sont positives (previous, following et growth_rate en anglais). Une année manquante donne une valeur manquante, jamais celle d’une année plus ancienne ; le groupe peut être interaction(site, secteur), et un même secteur deux fois la même année est refusé, en le nommant. De quoi aligner l’année n sur l’année n − 1, ou étudier la dépendance à la densité : la croissance contre la densité de l’année d’avant.
Séries : Graphiques › Séries (ou dans l’explorateur, sous le projet) montre une variable au fil du temps, une ligne par secteur et, au choix, un petit graphique par site, en grille aux axes communs. Une année manquante coupe la ligne ; au choix, la moyenne des lignes de chaque panneau, une échelle log et des événements (« 2015 ; 2019 ») en tirets dans chaque panneau. Les couleurs vont par ligne dans chaque panneau et la légende par panneau, lisible avec 30 secteurs ; le survol donne l’observation, le temps et la valeur, un clic ou un cadre sélectionne des observations (dans les modèles du projet aussi, avec la sélection commune), et l’image se copie ou s’enregistre comme les autres.
Autocorrélation des résidus : pour une régression, Graphiques › Autocorrélation des résidus montre l’autocorrélation de ses résidus dans le temps, à l’intérieur de chaque groupe, les groupes mis en commun comme nlme::ACF, avec la bande ±1,96/√n de chaque décalage. Un modèle avec CAR1 y montre ses résidus sans l’autocorrélation et ses résidus normalisés, qui n’en montrent plus quand CAR1 suffit ; pour un autre modèle, le temps et les groupes se choisissent (par défaut ceux de ses effets aléatoires), et au-delà de la bande au décalage 1 la note propose une autocorrélation CAR1. Résidus de Pearson ou de déviance pour un GLM ou un GAM ; le rapport du modèle peut reprendre le graphique.
Modèles emboîtés : sous le tableau des AIC de Prédiction › Comparer les modèles, le test du rapport de vraisemblance entre chaque paire de régressions d’un même ensemble AIC dont le petit modèle a ses termes fixes parmi ceux du grand, avec la même loi, les mêmes effets aléatoires et la même autocorrélation : Δddl, χ² et p des ajustements en ML, comme anova(m1, m2) de nlme. Les effets aléatoires et l’autocorrélation se comparent par l’AIC ; avec des courbes, le test est dit approché.
Corrigé : les vues qui gardent des résultats calculés sur les données d’un projet (données, statistiques des variables, tests statistiques) les recalculent quand ses données changent, dans les autres fenêtres aussi. Jusqu’ici, un test ouvert gardait son résultat après une modification ou une nouvelle variable.
Corrigé : les résidus normalisés d’un modèle avec autocorrélation CAR1 (vue Résidus, exports, export vers R) étaient faux quand les lignes du tableau n’étaient pas rangées par groupe puis par temps, dans l’ordre des années par exemple : nlme ne les calcule justes que dans cet ordre. Ils sont maintenant calculés dans l’ordre du temps de chaque groupe ; l’ajustement lui-même (coefficients, φ, AIC) n’était pas touché.

Version 0.9.3 12 novembre 2026

Analyse de redondance (RDA) : Nouveau modèle › type « RDA ». Des réponses Y (abondances d’espèces, mesures) expliquées par des variables X, avec au choix des covariables Z dont l’effet est retiré d’abord (RDA partielle) ; les réponses transformées par Hellinger, corde ou log(x + 1), centrées ou réduites ; un triplot en échelle 1 ou 2 (flèches des X, centroïdes des catégories) et le R² ajusté ; des tests par permutation du modèle, de chaque axe et de chaque terme, à l’intérieur d’un site au besoin, avec une graine fixe ; la sélection pas à pas (double critère de Blanchet) et la partition de la variance entre les blocs de variables. Les résultats sont ceux du paquet vegan.
Analyse des correspondances (CA) d’un tableau d’effectifs ou d’abondances : lignes et colonnes en échelle 1, 2 ou 3, valeurs propres, contributions et cos².
La RDA et la CA ont leur texte des méthodes avec ses références, leurs tableaux à exporter et leur rapport PDF ou Word ; Fichier › Exporter vers R écrit un script ou un rapport R Markdown / Quarto qui les refait avec R seul.
Arbres de décision (rpart) : Nouveau modèle › type « Arbre de décision », un arbre de régression ou de classement sur les valeurs brutes des X (seuils lisibles, valeurs manquantes prises en charge par des variables de substitution), élagué par la règle 1-ET avec une validation croisée interne par les groupes (un site) et validé en prédisant chaque groupe par un arbre refait sans lui (Q2, RMSEcv) ; arbre dessiné, élagage, règles des feuilles, importance des variables, stabilité de la première coupure sur 200 tirages bootstrap des groupes.
Analyse discriminante linéaire (LDA, MASS::lda) : scores discriminants, corrélations de structure et coefficients, classement en validation croisée par groupes, probabilités a posteriori ; probabilités a priori proportionnelles ou égales.
k-moyennes : k groupes sur les variables mises à l’échelle (25 départs, graine 1), vus sur les deux premières composantes, silhouettes, choix de k de 2 à 10, centres dans les unités des variables ; « Groupes → variable » en fait une variable qualitative du projet.
Ces trois analyses ont leur texte des méthodes, leurs tableaux, leur rapport PDF ou Word et leur export vers R (rpart, MASS, cluster) ; l’arbre et la LDA prédisent un jeu de test et de nouvelles observations, les k-moyennes rangent une nouvelle observation dans le groupe le plus proche.
Autocorrélation dans le temps dans les modèles additifs et généralisés : avec la loi normale et des effets aléatoires, un GAM ou un GLM prend l’autocorrélation CAR1 et s’ajuste par mgcv::gamm, comme gamm(y ~ s(x, k = 5) + z, random = list(site = ~1), correlation = corCAR1(form = ~ annee | site/secteur)). Coefficients, courbes, variances et φ en REML, AIC en ML, R² marginal et conditionnel ; l’export vers R le refait.
L’autocorrélation peut courir dans un niveau plus fin que le dernier effet aléatoire (« dans chaque » : le secteur dans son site, seul le site ayant un effet aléatoire), dans un modèle mixte aussi.
La dimension de base d’une courbe (k) : dans la case à côté de sa coche, colonne Courbe, ou s(x, k = 5) dans la formule R.
Seuils d’une courbe : dans la vue Effets d’un modèle additif, la case Seuils montre l’effet de la courbe et sa pente avec des intervalles simultanés à 95 % (2000 tirages des coefficients, comme Simpson 2018), colore et liste les plages où la pente monte ou descend nettement, et donne l’edf (sous 1,5, presque une droite). Le rapport du modèle les reprend, et l’export vers R les calcule avec les mêmes tirages.
Concurvité : le Résumé d’un modèle additif donne pour chaque courbe la part que les autres termes en reproduisent (mgcv::concurvity), en rouge au-delà de 0,8 : la courbe se confond alors avec eux.
Variables par groupe : dans une formule de Nouvelle variable, moyenne_groupe(x, secteur) donne la moyenne de x dans le groupe de chaque observation et ecart_groupe(x, secteur) l’écart à cette moyenne (group_mean et group_deviation en anglais) : la moyenne d’un secteur comme covariable, ou une réponse centrée par secteur. Les identifiants des observations (site, secteur…) s’y utilisent aussi.
Édition › Nouvelle variable › Imputation (ACP) : les valeurs manquantes des variables quantitatives choisies, remplies les unes par les autres par ACP itérative régularisée, comme le fait missMDA::imputePCA, avec le nombre de composantes choisi par validation croisée généralisée des variables réduites (missMDA::estim_ncpPCA) sauf si vous le donnez ; les valeurs observées ne changent pas, une observation à qui manquent plus de la moitié de ces variables reste manquante. En nouvelles variables « x (imputée) », ou dans les variables elles-mêmes (Ctrl+Z annule).
Termes croisés : chacun a son échelle, son bloc et son modificateur, dans l’onglet Termes croisés. Modifier le modèle les garde ; jusqu’ici, il perdait ceux des termes croisés (d’un modèle importé d’un fichier .usp notamment), et le réajustement changeait leur pondération.
Mise à jour en un clic : une installation pour tous les utilisateurs placée hors de Program Files était mise à jour en une seconde copie, pour le seul utilisateur courant ; Nuée lit maintenant son mode d’installation dans Windows.
Linux : le paquet .deb installe aussi les paquets R MASS, rpart et cluster ; avec l’AppImage ou l’archive .tar.gz, ajoutez-les aux paquets à installer dans R.

Version 0.9.2 12 novembre 2026

Modèles de régression, à côté de la PLS : Nouveau modèle › type « Régression linéaire » ou « Modèle linéaire mixte » (nlme), construits depuis l’onglet Variables comme les autres modèles. Un modèle mixte prend des effets aléatoires emboîtés (le site, puis le secteur dans le site : un identifiant des observations ou une variable qualitative) et, au choix, une autocorrélation dans le temps (CAR1, en temps continu). Coefficients et variances en REML, AIC en ML ; R² marginal et conditionnel ; la validation croisée se fait par défaut par le premier effet aléatoire, chaque site prédit comme un site jamais vu.
Modèles linéaires généralisés et additifs (mgcv) : la loi de Y (Poisson ou binomiale négative pour des comptages, binomiale pour la présence-absence, gamma pour des valeurs positives, Tweedie pour des densités avec des zéros, ou normale), un effort en décalage, des effets aléatoires (GLMM, GAMM), et dans un modèle additif des courbes pour les variables cochées dans la colonne Courbe de l’onglet Variables : un effet qui monte puis descend, ou un seuil. Un modèle de Poisson prévient quand ses comptages sont surdispersés.
Résultats des régressions : Résumé (R², déviance expliquée, Q², AIC, variances, courbes), Coefficients (intervalles à 95 % ; effet multiplicatif ou rapport des cotes avec un lien log ou logit), Effets (l’effet de chaque variable avec sa bande à 95 %, la courbe d’un modèle additif), Résidus, et Apport des blocs : la variation de l’AIC quand chaque bloc de variables est retiré, avec un test du rapport de vraisemblance.
Prédiction › Comparer les modèles : AIC, ΔAIC et poids d’Akaike (la probabilité que chaque modèle soit le meilleur de son ensemble) entre les régressions de la même réponse sur les mêmes observations dont les vraisemblances se comparent, à côté du Q² en validation croisée de tous les modèles, PLS compris.
Formule R (Nouveau modèle › Général) : le modèle écrit comme dans R, par exemple y ~ a * b + log10(c) + s(d) + offset(log(effort)) + (1 | site/secteur) ; modifiée puis appliquée (Ctrl+Entrée), elle règle les onglets. R la lit sans jamais l’exécuter, et elle n’est pas gardée : un projet reçu ne porte pas de code.
Les régressions se prédisent (observations, jeu de prédiction ou fichier, son effort compris ; une extrapolation est signalée), s’exportent (Fichier › Exporter), font un rapport PDF ou Word (Fichier › Rapport du modèle), et Fichier › Exporter vers R écrit un script ou un rapport R Markdown / Quarto qui les refait avec lm, nlme ou mgcv.
Graphiques › Tests statistiques (auparavant Tests par variable), avec deux nouveaux modes. Deux variables : le test qui convient à leurs types, ses conditions vérifiées (khi² ou test exact de Fisher ; t de Welch, ANOVA ou Kruskal–Wallis avec les comparaisons deux à deux ; corrélation de Pearson ou de Spearman), et son résultat en une phrase prête pour un rapport, avec la taille de l’effet ; un identifiant des observations (site, année…) peut faire les groupes.
Matrice des corrélations : Pearson ou Spearman pour toutes les paires de variables quantitatives, valeurs p corrigées pour le nombre de paires ; un clic sur une paire la teste dans Deux variables.
Linux : le paquet .deb installe aussi les paquets R nlme et mgcv ; avec l’AppImage ou l’archive .tar.gz, ajoutez-les aux paquets à installer dans R.

Version 0.9.1 11 novembre 2026

Mise à jour en un clic : quand une nouvelle version est signalée dans la barre d’état, un clic télécharge son programme d’installation, le vérifie (empreinte SHA-256 donnée par GitHub), propose d’enregistrer les projets, l’installe et redémarre Nuée.
Jeu de test : dans Nouveau modèle › Observations, des observations laissées hors du modèle et de la validation croisée (à la main, au hasard ou par Kennard–Stone, par classe pour une PLS-DA), puis prédites : RMSEP, biais, SEP, Q2 externe, ou le classement d’une PLS-DA. Observé / prédit les montre, le texte des méthodes et l’export vers R les reprennent.
Les projets s’enregistrent en .nuee : un double-clic dans l’Explorateur Windows les ouvre dans Nuée. Les projets .json s’ouvrent toujours.
Déposer des fichiers sur la fenêtre les ouvre ; des spectres JCAMP-DX ou SPC déposés ensemble font un seul projet.
Les messages du moteur R (erreurs, notes) sont en anglais quand l’interface l’est, et les scripts exportés en anglais aussi.
Le guide complet en anglais (USER-GUIDE.txt) ; Aide › Guide d’utilisation › Guide complet ouvre celui de la langue de l’interface.
Le texte des méthodes cite Nuée et sa version ; Nuée se cite aussi avec le bouton « Cite this repository » de GitHub.
Nuée fonctionne aussi sous Linux : paquet .deb (Debian, Ubuntu et dérivées), AppImage ou archive .tar.gz, avec le R de l’ordinateur.
Variables en évidence : un clic sur une variable (VIP, coefficients, loadings, biplot, S-plot, profils, liste des variables) la met en évidence sur tous les graphiques du modèle. Sur les VIP, garder ou écarter une variable se fait maintenant par Ctrl+clic.
Graphiques › iPLS : chaque intervalle du spectre ajusté seul, pour voir les zones qui prédisent le mieux ; puis un nouveau modèle avec elles, ou sans elles.
Fichier › Exporter vers R : toute la séance dans un seul script, les données une fois, puis chaque modèle sous son nom.
Ctrl+C copie le tableau de la vue, prêt à coller dans Excel ; Affichage › Rechercher une commande (Ctrl+K) trouve une commande en tapant son nom.
Aide › Chercher une mise à jour, et Aide › Informations de diagnostic : les versions à coller dans un signalement sur GitHub (avec des formulaires pour les problèmes et les idées).
Un graphique garde son zoom quand une sélection le redessine.
Un modèle qui demande plus de composantes que ses données n’en permettent le dit clairement (« Composante 3 impossible… ») au lieu d’une erreur interne de R ; l’ajustement automatique s’arrête alors à la dernière possible.
Les modèles des fichiers .usp gardent leurs groupes de validation croisée : un groupe par valeur d’un identifiant (site, secteur, année…) quand le fichier les forme ainsi, ou les groupes du fichier, au lieu de 7 groupes à tour de rôle. Leur Q² répond maintenant à la question posée (prédire un site, un secteur nouveau…). Nouveau modèle forme aussi ces groupes : Groupes de validation croisée › un groupe par valeur d’un identifiant ou d’une variable ; le texte des méthodes et l’export vers R le disent.
Pondération par blocs et modificateurs : les modèles des fichiers .usp qui pondèrent des blocs de variables (1/√K, K le nombre de termes du bloc) ou multiplient le poids d’une variable par un modificateur sont réajustés comme ils ont été enregistrés ; jusqu’ici leurs R²X, R²Y, scores et tout ce qui suit étaient faux. Nouveau modèle a une colonne Bloc et une colonne Modificateur dans l’onglet Variables ; le texte des méthodes et l’export vers R les reprennent.
Nouveau modèle › Variables, Transformation › personnalisée… : log10, ln ou −log10 de (C1·x + C2), exp(C1·x + C2), C1·x + C2, un logit entre deux bornes, ou la puissance (C1·x + C2)^C3, avec la formule telle qu’elle sera appliquée ; le texte des méthodes et l’export vers R les reprennent. Une puissance enregistrée dans un fichier .usp autre que la racine carrée ou quatrième n’est plus perdue par Modifier le modèle.
Nouveau modèle › Termes croisés : des termes de trois variables (A × B × C) et des cubes (A × A × A), comme les fichiers .usp en ont ; Modifier le modèle les montre en entier.
Validation croisée : chaque groupe est maintenant prédit par un modèle ajusté sans lui, son centrage et sa mise à l’échelle compris (et le spectre moyen du MSC). Jusqu’ici, ces modèles gardaient l’échelle calculée avec toutes les observations, ce qui gonflait le Q² quand elles sont peu nombreuses : sur des données tirées au hasard, une OPLS-DA de 6 observations avait un Q² de 0,98 (0,71 avec 8) et une PLS à 5 composantes 1,00 ; en médiane, ils restent maintenant sous 0. Le Q² de chaque modèle change un peu, beaucoup avec peu d’observations, et avec lui le RMSEcv, la CV-ANOVA, le classement en validation croisée et le nombre de composantes choisi automatiquement ; le Q² d’un modèle importé d’un fichier .usp n’est plus celui qui y est enregistré.
Sécurité : le moteur R n’accepte plus que les demandes des fenêtres de Nuée (un jeton tiré à chaque lancement). Jusqu’ici, une page web ouverte dans un navigateur, ou un autre utilisateur du même ordinateur, pouvait lui faire exécuter du code. Les fenêtres ne vont plus sur un autre site, et un fichier reçu (projet, fichier R, export vers R) ne peut plus faire exécuter de code ni choisir où Nuée enregistre. Les fichiers R (.rds, .RData) ne s’ouvrent qu’avec R 4.4 ou plus récent, comme sous Windows : avec un R plus ancien (Ubuntu, Debian), en lire un pourrait exécuter du code (CVE-2024-27322), et Nuée le refuse.
Enregistrer ne laisse jamais un projet à moitié écrit (coupure du réseau, disque plein) ; si le fichier a été modifié ailleurs depuis son ouverture (un collègue, une autre fenêtre), Nuée demande avant de l’écraser. Le fichier dit quelles versions de Nuée et de R l’ont écrit.
Copies de secours : gardées tant qu’on ne les a ni récupérées ni écartées, et jamais effacées quand le moteur R ne répond plus. Redémarrer le moteur R rouvre chaque projet depuis le fichier où il s’enregistre, ou depuis sa copie de secours, y compris les tableaux collés et les spectres importés. Rouvrir un fichier déjà ouvert montre le projet au lieu d’en faire une seconde copie.
Données de terrain : une cellule de texte (<0,5, <LOD, nd, #N/A…) dans une colonne de mesures est lue comme manquante, et Nuée le dit, au lieu de faire de la colonne une variable qualitative ou de la retirer ; de même dans un fichier à prédire, qui donnait jusqu’ici des prédictions fausses. Les dates d’Excel restent des dates, les noms de colonnes gardent leurs espaces, et une ligne de CSV mal formée est signalée au lieu de décaler les colonnes.
Console R : chaque modèle ajusté y apparaît avec son code et ce que R en affiche ; Tab complète les noms (objets, m$…, arguments) ; le curseur reste dans l’invite, et les raccourcis (Ctrl+S, Ctrl+K…) y fonctionnent. Les actions de l’application n’y apparaissaient pas après l’ouverture de la console : c’est corrigé.
Nouveau modèle reste ouvert pendant l’ajustement : une erreur s’y affiche, sans perdre les réglages.
Exporter vers R : le script ne contient plus que le calcul du modèle exporté, écrit pour lui seul (mise à l’échelle, NIPALS, validation croisée, statistiques, graphiques), en R sans paquet : une PLS passe de plus de 1 000 lignes de code à environ 170. Il donne toujours les résultats de Nuée, vérifiés avant d’écrire ; un export en anglais traduit aussi les noms dans le code.
Spectres : un fichier JCAMP-DX, SPC ou texte mal formé est refusé tout de suite, avec son nom, au lieu de bloquer Nuée ou d’épuiser la mémoire ; un fichier à beaucoup d’étiquettes se lit bien plus vite.
Données : un tableau très large (spectres) montre ses 200 premières colonnes, ou celles dont le nom contient le texte tapé ; les loadings et le S-plot n’écrivent le nom des variables que jusqu’à 100 variables.
Pour les services informatiques : installation silencieuse, une stratégie de groupe qui coupe la recherche de mises à jour, ce que Nuée écrit où et envoie sur le réseau (docs/deploiement.md). Une copie installée ignore le .Rprofile de l’utilisateur et charge ses propres paquets d’abord ; les fichiers temporaires de R sont effacés à la fermeture.

Version 0.9.0 1 novembre 2026

Fichier › Importer des spectres : des fichiers JCAMP-DX, SPC (Galactic, Thermo) ou texte, un spectre ou plusieurs par fichier, réunis en un projet ; un tableau d’informations (teneurs, classes) peut y être joint par le nom des fichiers. Un fichier JCAMP-DX ou SPC s’ouvre aussi avec Fichier › Ouvrir.
Prétraitement des spectres : detrend et ligne de base (enveloppe convexe) en plus, jusqu’à trois étapes.
Graphiques › Profils (spectres) › Choisir des zones : faire glisser sur les spectres pour marquer des zones de longueurs d’onde, puis un nouveau modèle sans elles ou avec elles seules. Savitzky–Golay traite chaque zone à part.
OPLS à plusieurs Y et OPLS-DA à plus de deux classes : les composantes orthogonales n’ont plus aucun lien avec Y, comme le veut l’article de Trygg et Wold (2002). Ces modèles changent un peu quand on les réajuste.
Rapports R Markdown et Quarto vérifiés jusqu’au HTML ; leur langue est celle du texte.

Version 0.8.0 1 novembre 2026

Fichier › Exporter vers R : un script, ou un rapport R Markdown ou Quarto, qui refait le modèle sans Nuée, avec R seul (le code du moteur y est copié). Données dans le script ou dans un CSV à côté ; en plus, au choix : renv.lock, résultats en .RData, projet RStudio.
Modèle › Texte pour la section Méthodes : un paragraphe écrit d’après le modèle, en français ou en anglais, avec ses références.
Graphiques › Tests par variable : chaque variable comparée entre deux classes (t de Welch ou de Student, Mann–Whitney) ou entre toutes (ANOVA, Kruskal–Wallis), avec la correction de Benjamini–Hochberg et un graphique volcan.
Nouveau modèle › Modèles de classe : une ACP par classe, et le graphique de Coomans pour dire à quelle classe une observation appartient (ou à aucune).
OPLS à plusieurs Y et OPLS-DA à plus de deux classes (plusieurs composantes prédictives).
Fichiers exportés vérifiés dans jamovi, PSPP (SPSS), Weka, LibreOffice et pandas : jamovi ouvre maintenant les fichiers .omv ; SAS transport en version 5, que lit SAS ; dBase en Windows-1252, valeurs manquantes laissées vides.

Version 0.7.0 1 novembre 2026

Fichier › Ouvrir lit aussi les fichiers R (.rds, .RData), SPSS, Stata, SAS, jamovi, dBase, Weka et les anciens classeurs Excel (.xls). Pour un classeur à plusieurs feuilles, l’application demande laquelle ouvrir.
Fichier › Coller un tableau (Ctrl+V) : des cellules copiées dans un tableur deviennent un projet.
Exporter les données d’un projet et les résultats d’un modèle en Excel, CSV, R, SPSS, Stata, SAS, jamovi, dBase ou Weka.
Spectres : prétraitement SNV, MSC et Savitzky–Golay (lissage, dérivées) dans Nouveau modèle, et la vue Profils (spectres).
Les fichiers texte séparés par des tabulations, en Windows-1252 ou en « texte Unicode » d’Excel s’ouvrent correctement.
La version installée signale une nouvelle version au démarrage (Aide pour l’arrêter).

Version 0.6.0 1 novembre 2026

Aide › Projet d’exemple : des données inventées (120 pommes) avec quatre modèles prêts à explorer, pour essayer Nuée.
Nouvelle icône, plus lisible en petit ; le logo sur l’écran d’accueil et dans À propos.
Une application plus légère (65 Mo et un millier de fichiers de moins) : elle se copie et s’installe plus vite.
Nuée est maintenant un logiciel libre (licence GPL-3.0) : github.com/4rtefakt/nuee.

Version 0.5.0 1 novembre 2026

L’application s’appelle maintenant Nuée. Réglages, préférences et projets récents sont repris de la version précédente.
Nuée apparaît dans le menu Démarrer et dans Paramètres › Applications installées, d’où on peut la désinstaller.
Une nouvelle icône ; le raccourci du Bureau s’appelle « Nuée ».
Aide › Résultats et écarts connus : ce que le moteur reproduit à l’identique des fichiers .usp, et les écarts connus.

Version 0.4.0 1 novembre 2026

En fermant l’application avec des changements non enregistrés : « Enregistrer et fermer ».
Copie de secours automatique des projets non enregistrés : après un arrêt imprévu, l’application propose de les récupérer.
Si le moteur R s’arrête, l’application le signale et propose de le redémarrer (aussi dans Aide › Redémarrer le moteur R).
Édition › Annuler (Ctrl+Z) : revenir sur une modification des données, une nouvelle variable, une classe…
Retirer un modèle demande confirmation ; un modèle fait dans l’application peut aussi quitter le projet.
Notes : chaque modèle a une zone de notes dans son résumé, enregistrée avec le projet et reprise dans le rapport.
Console R : verifier_moteur() recalcule les modèles importés et les compare aux valeurs enregistrées.
Les réglages (thème, langue, mise en forme des graphiques, commandes de la console) sont gardés d’une fois sur l’autre.

Version 0.3.0 31 octobre 2026

Une page par modèle : un onglet au centre pour chaque modèle, avec son résumé, ses scores et ses loadings.
Console R (Affichage › Console R, Ctrl+J) : le code R de chaque action, et une invite R.
Le projet enregistré garde la séance : modèles, panneaux, réglages des graphiques, sélections.
Statistiques des variables, transformations proposées, histogrammes, carte des valeurs manquantes.
OPLS et OPLS-DA ; biplot, scores en 3D, S-plot ; DModXPS des prédictions.
Rapport du modèle en PDF ou Word ; mise en forme des graphiques pour un article.
Modifier les données, créer des variables (formule R, classes) ; historique de chaque projet .usp.
Prédire un fichier, modèles hiérarchiques, export en script R, contributions, vérification des données avant d’ajuster.