ADD Lecture

Recherche et Applications en Marketing, vol.
18, n 2/2003
Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations

Rubn Chumpitaz Caceres
Professeur associ Institut dconomie scientifique et de gestion - IESEG
Jolle Vanhamme
Professeur assistant Erasmus University Rotterdam - ERIM Laboratoire d'analyse du comportement du consommateur (LABACC)
RSUM Le but de cet article est, dune part, doffrir une dfinition conceptuelle assortie de multiples illustrations de ce que sont les variables mdiatrices et modratrices ; et dautre part, dexpliciter la manire dont ces variables doivent tre traites au plan statistique. Des exemples concrets de chaque cas envisag thoriquement sont galement repris dans larticle. Mots cls : Modrateur, mdiateur, modration mdiatise, mdiation modre, analyse statistique.
SOMMAIRE I INTRODUCTION II LES MODRATEURS 2.1. Aspects conceptuels 2.2. Aspects analytiques et illustrations 2.2.1. Rgression multiple 2.2.2. Rgression multiple avec variables muettes 2.2.3. Rgression multiple par sous-groupes 2.2.4. ANOVA
Les noms des auteurs sont lists par ordre alphabtique ; ils ont contribu de manire gale la rdaction du prsent article. Ils peuvent tre contacts aux adresses suivantes : Rubn Chumpitaz Caceres, IESEG, 3, rue de la Digue, 59800 Lille, France ; Jolle Vanhamme, Erasmus University Rotterdam ; Department of Marketing ; PO Box 1738, 3000 DR-Rotterdam, Pays-Bas, e-mail: jvanhamme@fbk.eur.nl. Les auteurs remercient E. Dor pour ses commentaires et son aide logistique ainsi que C. Pinson, V. des Garets et les quatre lecteurs anonymes pour leurs commentaires et suggestions concernant cet article.
68
Rubn Chumpitaz Caceres, Jolle Vanhamme
III LES MDIATEURS 3.1. Aspects conceptuels 3.2. Aspects analytiques et illustrations 3.2.1. Rgressions successives les conditions de mdiation de Baron et Kenny (1986) 3.2.2. Lanalyse de leffet de mdiation par rgressions multiples avec des variables muettes 3.2.3. Test du caractre significatif de leffet indirect 3.2.4. Note sur le cas de la suppression IV MODRATEURS VERSUS MDIATEURS : QUAND CHOISIR QUOI ? V LES MODRATEURS MDIATISS 5.1. Aspects conceptuels 5.2. Aspects analytiques et illustrations VI LES MDIATEURS MODRS 6.1. Aspects conceptuels 6.2. Aspects analytiques et illustrations VII CONCLUSIONS
I. INTRODUCTION
De nombreux travaux en marketing ont pour objet de dmontrer l'existence de processus modrateurs intervenant dans le cadre de relations liant une variable X une variable Y . Une variable modratrice (ou modulatrice) est une variable qui module leffet de la variable indpendante X sur la variable dpendante Y (Brauer, 2000). En dautres termes, le sens et/ou la force de l'influence de X sur Y varie(nt) selon les niveaux de la variable modratrice (Baron et Kenny, 1986 ; Sharma, Durand et Gur-Arie, 1981). Par exemple, Verhoef, Frances et Hoekstra (2002) montrent que l'anciennet de la relation entre un fournisseur et un acheteur est un modrateur de l'influence positive de la satisfaction de l'acheteur par rapport sa relation vis--vis du fournisseur sur le nombre de services achets : plus la relation d'affaires est longue, plus l'effet positif de la satisfaction vis--vis de la relation sur le nombre de services achets est fort (cf. figure 1, cas 1). Un autre exemple est celui de Dahl, Manchanda et Argo (2001). Ces auteurs montrent que la familiarit d'achat avec le produit est un modrateur de l'influence de la prsence sociale sur l'embarras prouv vis--vis de l'achat d'un produit embarrassant (exemple : prservatifs) : lorsque les consommateurs n'ont qu'un
nombre restreint d'expriences d'achat avec le produit (cest--dire une faible familiarit d'achat avec le produit), la conscience d'une prsence sociale accrot l'embarras ressenti par le consommateur alors que lorsque le consommateur a une familiarit d'achat leve, la conscience d'une prsence sociale n'affecte gure l'embarras ressenti (cf. figure 1, cas 2). Enfin, l'tude de Schaninger et Buss (1984) offre galement une bonne illustration d'effets modrateurs lis la personnalit cognitive des consommateurs. Ces auteurs montrent que pour les consommateurs qui ont une capacit cognitive forte (cest--dire des individus ayant une forte tolrance l'ambigut, qui recherchent des informations complmentaires en vue de comprendre, qui ont une forte estime de soi) plus la dcision d'achat est perue comme complexe et risque, plus grande est la quantit d'informations qu'ils traitent. Et, cette relation est inverse pour les consommateurs qui ont une capacit cognitive faible (plus la dcision d'achat est perue comme complexe et risque, moins grande est la quantit d'informations qu'ils traitent) (cf. figure 1, cas 3). Un effet invers est galement mis en vidence dans ltude de Lichtl (2002) portant sur la couleur des annonces publicitaires : pour les annonces concernant des chaussures, les couleurs les plus lumineuses sont les plus stimulantes alors que pour les annonces concernant les parfums, les couleurs les moins lumineuses sont les plus stimulantes.
Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?
69
CAS 1
Embarras prouv vis--vis de l'achat d'un produit embarrassant Relation de 25 ans Nombre de services achets au fournisseur Relation de 15 ans
CAS 2
Faible familiarit d'achat avec le produit embarrassant Forte familiarit d'achat avec le produit embarrassant
CAS 3
Capacit cognitive forte
Relation de 5 ans
Quantit d'informations traites
Capacit cognitive faible Complexit et risque lis la dcision d'achat
Satisfaction vis--vis de la relation client-fournisseur
Conscience d'une prsence sociale
Figure 1. Reprsentation graphique des effets modrateurs
Qualit perue
Mdiateur : Satisfaction
Fidlit
Figure 2. Illustrations dun processus mdiateur
L'tude des modrateurs succde gnralement des tudes qui ont eu pour objet la vrification de la relation empirique X-Y simple et ont conclu l'existence d'une relation de force diffrente, voire des rsultats contradictoires (relation positive dans certaines tudes et ngative dans d'autres ou absence de relation dans certaines tudes). Ce genre de phnomne indique typiquement l'existence probable de processus modrateurs. ct des modrateurs, la littrature comprend galement nombre dtudes visant identifier les processus mdiateurs qui interviennent entre une variable X et une variable Y . Un mdiateur est une variable qui reprsente un mcanisme par lequel la variable X influence la variable Y : la variable X exerce une influence sur le mdiateur et ce dernier influence son tour la variable Y (Baron et Kenny, 1986 ; Brauer, 2000 ; Kenny, Kashi et Bolger, 1998). Par exemple, l'tude de Ahluwalia, Burnkrant et Unnava (2000) met en vidence que lorsqu'ils sont exposs un message contenant des informations contre-attitudinales au sujet d'une marque X les
consommateurs ayant un attachement fort cette marque (brand commitment) tendent s'engager dans un processus de traitement biais de ces informations (cest--dire qu'ils tendent vacuer les informations contre-attitudinales au profit des informations proattitudinales). C'est donc ce processus de traitement biais qui reprsente le mcanisme ou processus mdiateur par lequel la valence du message exerce une influence sur le changement d'attitude. Dans le domaine publicitaire, Lichtl (2002) rapporte galement lexistence dune variable mdiatrice des effets de la couleur dominante dune annonce sur le plaisir ressenti en prsence de lannonce ; cette variable tant la capacit de la couleur renforcer le sens du message. Enfin, une autre illustration d'un effet de mdiation est reprise dans l'tude dOlsen (2002). Cet auteur montre que la qualit perue a un impact sur la fidlit du client de par son influence sur la satisfaction de ce dernier (cf. figure 2). La variable mdiatrice est donc un transmetteur par lequel l'influence de X sur Y transite.
70
Bien que l'analyse des processus modrateurs et celle des processus mdiateurs portent toutes les deux sur lexploration du rle jou par une troisime variable dans la relation X-Y , ces processus sont fondamentalement diffrents, tant au plan conceptuel qu'analytique. Mme si cela apparat parfois dans certains articles, les termes modrateurs et mdiateurs ne peuvent gure tre utiliss de manire interchangeable. De mme, l'identification de chacun de ces deux processus relve d'analyses statistiques totalement diffrentes. Le but de cet article est donc de clarifier la distinction qui existe entre les deux processus au plan conceptuel et de mettre en exergue en les illustrant par des exemples chiffrs complets les diffrences que cette distinction implique au plan des analyses statistiques. Il nous faut souligner que les aspects propres aux tests de modration et mdiation dans le cadre des modles d'quations structurelles avec variables latentes mthodes connaissant une popularit croissante dans la recherche en marketing ne seront pas abords dans cet article. Ces modles entranent un certain nombre de complexits additionnelles (par exemple, les problmes d'identification des modles, de convergence, critres propres dvaluation de la qualit des modles) qui dpassent le cadre du prsent article 1.
II. MODRATEUR
2.1. Aspects conceptuels Comme nous lavons mentionn prcdemment, une variable modratrice est une variable qui module le sens et/ou la force de l'effet de X sur Y (Baron et Kenny, 1986 ; James et Brett, 1984). En d'autres termes, la relation X-Y peut tre ngative pour un groupe de consommateurs caractris par un certain
1. Pour plus de dtails au sujet de ces mthodes, le lecteur est renvoy louvrage de Roussel et alii (2002).
niveau de la variable modratrice et positive pour un autre groupe de consommateurs ; ou encore, elle peut tre fort prononce dans un groupe et faible, voire inexistante, dans un autre. Les processus modrateurs rpondent donc la question quand, dans quelles circonstances l'effet X-Y se produit. Le terme modration renvoie ce qui, dans la terminologie statistique, dsigne un effet d'interaction . Un effet de modration pourra se remarquer dans les tableaux de corrlations simples (exemple : la corrlation entre X et Y semble plus forte pour les hommes que les femmes ou la corrlation est positive pour les hommes et ngative pour les femmes) ou les rsultats d'analyses par rgression (exemple : le coefficient de rgression de la variable X dans les rgressions de Y sur X pour les deux sexes diffrent) ou, encore, par la prsence d'un effet d'interaction significatif dans une analyse de variance (exemple : interaction entre le facteur sexe et X). La reprsentation conventionnelle d'un effet de modration est illustre la figure 3. Remarquons que dceler la prsence d'un effet modrateur peut tre crucial dans certains cas. En effet, il se peut que pour la population totale la relation entre X et Y soit non significative alors que dans les diffrents sous-groupes de cette dernire, la relation soit systmatiquement significative. Cette situation pourra, par exemple, se prsenter lorsque les relations X-Y sont de sens opposs (cf. figure 4). Ne pas identifier la prsence d'un modrateur peut, ds lors, conduire conclure erronment l'absence d'influence de la variable X sur la variable Y . Aucune contrainte ne pse sur la nature des variables modratrices, elles peuvent tre qualitatives (exemple : le sexe du rpondant) ou quantitatives (exemple : l'attitude envers l'annonce), nominale ou ordinale, etc. La nature de la variable modratrice et de la variable indpendante va en revanche dterminer le type d'analyse statistique permis. Remarquons que si Z est modrateur de la relation X-Y , d'un point de vue purement statistique, il est galement correct de dire que X est modrateur de la relation Z-Y . Ce n'est que le cadre conceptuel et les justifications du modle thorique a priori qui dterminent laquelle de X ou de Z est la variable modratrice ; au plan statistique il n'est gure possible de faire cette distinction ( X et Z sont toutes deux des variables indpendantes, elles sont au mme niveau) (James et Brett, 1984 ; Sharma, Durand et Gur-Arie, 1981).
71
Variable X
(*)
Variable Y
Modrateur Z
(*) Un effet simple du modrateur Z sur Y peut exister mais n'est pas une condition ncessaire l'existence d'un effet de modration (voir note 2). Remarque : Il est possible que le modrateur influence galement la variable X. Cet lment nintervient cependant pas dans le test de modration de leffet de X sur Y repris dans cet article. Ltude simultane de relations interdpendantes requiert des techniques destimation plus complexes que les rgressions simples et multiples, lANOVA, etc., telles que les mthodes dquations structurelles (Hair et alii, 1998).
Figure 3. Reprsentation conventionnelle dun effet de modration
A. Reprsentation graphique
Y Femmes Hommes Y Y Population totale Hommes Population totale Femmes X X X
B. Exemple chiffr
Les trois cas de figure reprsents graphiquement sont prsents ci-dessous de manire analytique. Il apparat clairement que, dans la population fminine, il existe une relation significative (p = 0,004) ngative entre la variable X et la variable Y. De mme, dans la population masculine, la relation entre ces deux variables est significative (p = 0,000), mais de sens oppos. En revanche, lorsque les deux populations sont agrges, la relation entre la variable X et Y napparat plus (p = 0,435). Figure 4. Non-identification dune relation entre deux variables dans la population totale en raison de la non-prise en compte dun effet modrateur
72
Population des femmes (N = 100) quation de rgression : Y = 5,431 0,156 X (R2 = 0,082; R2 ajust = 0,073) Variable B Erreur Standard B standardis t (ou cart type) Constante 5,431 0,389 13,98 0,156 2,96 X 0,053 0,286 Population des hommes (N = 100) quation de rgression : Y = 3,616 + 0,221X (R2 = 0,164; R2 ajust = 0,155) Variable B Erreur Standard B standardis t Constante 3,616 0,371 9,75 X 0,221 0,050 0,404 4,38 Population totale (N = 200) quation de rgression : Y = 4,523 + 0,032X (R2 = 0,003; R2 ajust = -0,002) Variable B Erreur Standard B standardis t Constante 4,523 0,303 14,93 X 0,032 0,041 0,055 0,78 p 0,000 0,435 p 0,000 0,000 p 0,000 0,004
Figure 4. Suite 2.2. Aspects analytiques et illustrations Un effet modrateur de Z sur la relation X-Y se caractrise par un effet d'interaction X Z significatif. En d'autres termes, dans le cadre d'une relation X-Y linaire, le coefficient c de l'quation (a) est significatif. Notons que la linarit de la relation X-Y n'est suppose qu'afin de faciliter l'expos. L'quation (a) reprsente la forme gnrale de l'analyse d'effets d'interaction (Sharma, Durand et Gur-Arie, 1981). Les coefficients b et d reprsentent, respectivement, les effets simples de X et de Z sur Y (Irwin et McClelland, 2001). Remarquons qu'il peut y avoir un effet simple de la variable X et de la variable modratrice sur Y , mais ce n'est pas ncessaire l'identification de l'effet modrateur 2. Y = a + bX + dZ + cXZ + erreur (a) Diffrentes techniques statistiques peuvent tre utilises afin de tester leffet dinteraction : la rgression multiple, la rgression multiple avec variables muettes, la rgression multiple par sous-groupes et lANOVA. Le choix du type danalyse statistique mettre en uvre dpendra de la manire dont les variables ont t mesures (voir figure 5). Nous distinguons deux grandes catgories de mesures, les chelles au moins intervalle et les chelles moins quintervalle . La premire catgorie renvoie aux mesures mtriques, cest--dire aux chelles intervalle (ou cardinales faibles) et de ratio (ou cardinales fortes) ; la seconde renvoie aux mesures nominales et ordinales (Evrard, Pras et Roux, 1993 ; Lambin, 1994). Les diffrentes techniques danalyse des effets de modration sont reprises aux sections suivantes et illustres par un exemple.
2. Sharma, Durand et Gur-Arie (1981) distinguent deux types de modrateurs les modrateurs purs et les quasi-modrateurs ainsi que ce que ces auteurs appellent les homologizers. Les modrateurs purs renvoient la dfinition purement psychomtrique de la notion de modration, selon laquelle un modrateur est une variable qui interagit avec la ou les variable(s) indpendantes mais n'est associe avec la variable dpendante tout au plus que de manire ngligeable. Il n'y a donc pas d'effet simple du modrateur sur Y dans l'quation Y = a + bX + c( A Z ) + erreur. Cette dernire condition n'est pas exige pour les quasi-modrateurs. Un homologizer influence galement la force d'une relation, mais il n'interagit pas avec la variable indpendante (X) et n'est pas significativement associ la variable dpendante (Y ). C'est le terme d'erreur qui est une fonction du modrateur (Y = a + bX + c( Z erreur)) . Cette troisime catgorie de modrateurs n'est pas considre dans le prsent article dans la mesure o elle ne correspond pas la dfinition d'un processus modrateur habituellement adopte dans la littrature.
73
Les variables indpendantes sontelles au moins intervalle ?
NON, X est au moins intervalle mais pas Z
NON, Z est au moins intervalle mais pas X
NON, X et Z sont moins qu'intervalle
OUI
Procder : une analyse de rgression multiple avec variables muettes OU une analyse de rgression par sousgroupes
Procder : une analyse de rgression multiple avec variables muettes
Procder : une analyse de rgression multiple avec variables muettes OU une ANOVA
Procder : une analyse de rgression multiple
Figure 5. Techniques danalyse de leffet de modration en fonction des proprits de mesure des variables indpendantes
Avant de dtailler ces dernires, il est important de souligner que les tests de modration peuvent tre influencs par la colinarit entre variables indpendantes (cette dernire accrot limprcision des coefficients de rgression des variables en cause et, ainsi, augmente le risque de considrer tort ces coefficients comme non significativement diffrents de zro (Lambin, 1994)). Il s'agit donc de vrifier l'existence ventuelle de colinarit entre variables lorsque l'on procde ce genre danalyse. Le lecteur est renvoy des ouvrages comme ceux de Hair et alii (1998, pp. 189-193) ou de Gujarati (2003), qui dcrivent les mthodes permettant didentifier les ventuels problmes de colinarit.
2.2.1. Rgression multiple Lorsque les variables X, Y et Z sont au moins intervalle , lquation (a) est ajuste comme telle par le biais dune analyse de rgression multiple. Un exemple chiffr complet de ce type d'analyse est repris la figure 6.
Il faut souligner que, mme si lanalyste nest intress que par le caractre significatif ou non de linteraction entre les variables X et Z , il nest pas correct de rgresser la variable dpendante uniquement sur le produit des deux variables. Il faut toujours galement inclure les deux variables X et Z dans le modle de rgression, sans quoi leffet de linteraction sur la variable dpendante sera confondu avec leffet simple des deux variables (ce qui accrot tort sa probabilit dtre significatif) (Irwin et McClelland, 2001). De plus, pour les rgressions pas pas (stepwise), il faut toujours veiller entrer le produit des deux variables (effet dinteraction) aprs les deux variables et ne jamais enlever les deux variables du modle final mme si les coefficients de ces variables ne sont pas significatifs (Irwin et McClelland, 2001). Ces recommandations sont galement valables pour la rgression multiple avec variables muettes et par sousgroupes (les variables X et Z sont automatiquement prises en compte dans l'option ANOVA des logiciels statistiques).
74
2.2.2. Rgression multiple avec variables muettes Si les variables indpendantes X et/ou Z ne sont pas mesures au moyen dchelles au moins intervalle (exemple : variables nominales, ordinales), les effets de modration peuvent tre analyss par le biais de rgressions multiples avec variables muettes (dummy). Par exemple, si Z est une variable discrte 3 niveaux (exemple : implication forte, modre et faible), il convient dajuster le modle (b) : Y = a + bX + d1 Z1 + d2 Z2 + c1 XZ1 + c2 XZ2 + erreur (b)
En effet, pour reprsenter 3 niveaux, il suffit de crer deux variables binaires : Z 1 et Z 2 ( Z 1 = 0 et Z 2 = 0 est la base de rfrence, par exemple faible implication ; Z 1 = 1 et Z 2 = 0 reprsente l'implication modre et Z 1 = 0 et Z 2 = 1 reprsente l'implication forte). Si c1 et/ou c2 sont significatifs, la variable Z est un modrateur de l'influence de X sur Y . Un exemple chiffr de ce type d'analyse est repris la figure 7 (section 1).
Lexemple chiffr repris ci-dessous porte sur la relation existant entre la fidlit au point de vente (Y) et la satisfaction des consommateurs vis--vis du point de vente (X). Un effet modrateur de la propension avec laquelle le consommateur prouve une aversion au risque (Z) est postul : plus le consommateur prouve une aversion au risque, plus la relation entre la satisfaction et la fidlit sera forte. Toutes ces variables taient mesures sur des chelles au moins intervalle. Pour tester ce modle, la fidlit a t rgresse sur l'aversion au risque et sur la satisfaction ainsi que sur le produit de ces deux variables (XZ). Les rsultats indiquent la prsence dun effet simple de la satisfaction (pX = 0,011) et de l'aversion au risque (pZ = 0,023), ainsi que dun effet dinteraction de ces deux variables (pXZ = 0,013).
quation de rgression: Y= 1,564 + 0,303 Z + 0,256 X + 0,055 XZ (N=100; R2=0,833 ; R2 ajust = 0,828) t Variable B Erreur Standard B standardis Constante 1,564 0,528 2,96 X 0,098 0,256 0,280 2,61 Z 0,303 0,131 0,274 2,31 XZ 0,051 0,022 0,453 2,54
p 0,004 0,011 0,023 0,013
Lquation de rgression met clairement en vidence leffet dinteraction : si l'aversion au risque (Z) est gale 1, lquation est Y = 1,867 + 0,311 X ; si l'aversion au risque (Z) est gale 5, lquation est Y = 3,079 + 0,531 X ; si l'aversion au risque (Z) est gale 10, lquation est Y = 4,594 + 0,806 X. Il apparat clairement que la pente de la droite saccrot au fur et mesure que l'aversion au risque augmente.
25
Variable Y
20 15 10 5 0
Z = 10 Z=5 Z=1
1
13
15
17
Variable X
Figure 6. Exemple danalyse de processus modrateur dans le cas de variables au moins intervalles
19
11
75
Section 1 : analyse par le biais des variables muettes Lexemple chiffr repris ci-dessous porte sur la relation existant entre lattitude envers lannonce (Y) et les motions positives suscites par lannonce (X). Un effet modrateur de limplication des individus est postul : plus limplication est forte, plus la relation entre les motions positives et lattitude envers lannonce sera forte. L'attitude et les motions positives sont mesures sur des chelles au moins intervalle. Par contre, l'implication est une mesure ordinale comprenant trois niveaux: implication faible, implication modre et implication forte. Cette variable a donc t transforme en variable muette (Z1 et Z2) comme suit : Z1 = 0 et Z2 = 0 : faible implication Z1 = 1 et Z2 = 0 : implication modre Z1 = 0 et Z2 = 1 : implication forte Pour tester le modle dinteraction, Y a donc t rgresse sur les variables X, Z1 et Z2, ainsi que sur les produits de X avec Z1 et Z2 (cest--dire XZ1 et XZ2). Les rsultats indiquent la prsence dun effet simple des motions positives (pX = 0,000) et de limplication (pZ1 = 0,000 ; pZ2 = 0,001), ainsi que dun effet dinteraction de ces deux variables (pXZ1 = 0,002 ; pXZ2 = 0,000).
quation de rgression : Y= 1,833 + 0,228 X + 1,831 Z1 + 1,59 Z2 + 0,19 XZ1 + 0,243 XZ2 (N=600; R2 = 0,698 ; R2 ajust = 0,696) Variable B Erreur Standard B standardis t p Constante 1,833 0,305 6,01 0,000 X 0,228 0,044 0,206 5,23 0,000 Z1 1,831 0,428 0,417 4,28 0,000 Z2 1,590 0,460 0,362 3,46 0,001 XZ1 0,190 0,061 0,309 3,12 0,002 XZ2 0,243 0,063 0,427 3,87 0,000 Somme des carrs rsiduelle (SCR) = 778,057; Carr moyen rsiduel (CMR) = 1,310
Lquation de rgression met clairement en vidence leffet dinteraction : lorsque limplication est faible (cest--dire Z1 et Z2 = 0), lquation est Y = 1,833 + 0,228 X ; lorsque limplication est modre (cest--dire Z1 = 1 et Z2 = 0), lquation est Y = 3,664 + 0,418 X ; et lorsque limplication est forte (cest--dire Z1 = 0 et Z2 = 1), lquation est Y = 3,423 + 0,471 X. Il apparat clairement que la pente de la droite saccrot au fur et mesure que limplication de lindividu augmente.
16 14 12 10 8 6 4 2 0
Implication faible Implication modre Implication forte
Variable Y
10
13
16
19
22
Variable X
Figure 7. Exemple danalyse de processus modrateur lorsque la variable modratrice suppose est moins quintervalle
25
76
Section 2 : analyse par sous-groupes Dans cette seconde section, nous avons reproduit lanalyse de la section 1 en procdant sousgroupe par sous-groupe plutt quen utilisant les variables muettes. Les trois sous-groupes analyss sont donc : 1) limplication faible (N = 200) ; 2) limplication modre (N = 200) et 3) limplication forte (N = 200). Avant de procder cette analyse, nous nous sommes toutefois assurs que lhypothse dhomognit des variances pour les diffrents niveaux de la variable modratrice tait bien respecte (H0 : 21 = 22 = 23 ; H1 : 21 ou 22 ou 23 pas gale(s) ; statistique de Levene = 0,310 : p = 0,734 > 0,05). Les analyses par sous-groupes montrent quil existe, pour chacun des sous-groupes, une relation significative entre les motions positives et lattitude envers lannonce (implication faible : pX = 0,000 ; implication modre : pX = 0,000 ; implication forte : pX = 0,000). Par ailleurs, le calcul des tests en t daprs les formules (c) et (c) tablit que deux des trois diffrences deux deux sont significatives (cf. le point 4, a) et b)). Il y a donc effet de modration.
RSULTATS ANALYTIQUES DU SOUS - GROUPE 1
IMPLICATION FAIBLE
quation de rgression : Y = 1,833 + 0,228 X (N=200 ; R2 = 0,110 ; R2 ajust = 0,105) Variable B Erreur Standard B standardis t p Constante 1,833 0,323 5,68 0,000 X 0,228 0,046 0,331 4,94 0,000 SCR = 290,747; k = 1 ; CMR = 1,468
RSULTATS ANALYTIQUES DU SOUS -GROUPE 2
IMPLICATION MODRE
quation de rgression : Y = 3,664 + 0,418 X (N=200 ; R2 = 0,384 ; R2 ajust = 0,381) p Variable B Erreur Standard B standardis t Constante 3,664 0,264 13,87 0,000 X 0,418 0,038 0,620 11,11 0,000 SCR = 200,768 ; k = 1 ; CMR = 1,014
RSULTATS ANALYTIQUES DU SOUS -GROUPE 3 IMPLICATION FORTE

quation de rgression : Y = 3,423 + 0,471 X (N=200 ; R2 = 0,331; R2 ajust = 0,328) p Variable B Erreur Standard B standardis t Constante 3,423 0,362 9,44 0,000 X 0,471 0,048 0,575 9,90 0,000 SCR = 286,542 ; k = 1 ; CMR = 1,447
COMPARAISONS DES COEFFICIENTS DEUX DEUX SELON (C) ET (C') a) Implication faible versus modre S2 agrg = [(200-1-1) 1,4682 + (200-1-1) 1,0142] / [400 (1+1+2)] = 1,59161 t = [0,228-0,418] /[1,59161 (0,0462/1,4682 + 0,0382/1,0142)1/2 ] = -2,444 (p < 0,05) b) Implication faible versus forte S2 agrg = [(200-1-1) 1,4682 + (200-1-1) 1,4472] / [400 (1+1+2)] = 2,12442 t = [0,228-0,471] /[2,12442 (0,0462/1,4682 + 0,0482/1,4472)1/2 ] = -2,507 (p < 0,05)
Figure 7. Suite
77
c) Implication modre versus forte S2 agrg = [(200 11) 1,0142 + (200 11) 1,4472] / [400 (1+1+2)] = 1,561 t = [0,418 0,471] /[1,561 (0,0382/1,0142 + 0,0482/1,4472)1/2 ] = 0,678 (p > 0,05) Remarque : calculs relatifs la note 3 (section 2.2.3) Le F test de la note 3 indique linstar des tests prcdents lexistence dun effet dinteraction (voir section 1 pour les donnes du modle complet) :
quation de rgression modle rduit : Y= 0,871 + 0,370 X + 3,116 Z1 + 3,296 Z2 (N=600; R2 = 0,690; R2 ajust = 0,688) p Variable B Erreur Standard B standardis t Constante 0,871 0,191 4,55 0,000 X 0,370 0,026 0,335 14,46 0,000 Z1 3,116 0,116 0,709 26,89 0,000 Z2 3,296 0,117 0,750 28,15 0,000 SCR = 800,184 ; CMR = 1,343
(SCR (rduit) SCR ( complet)) (c r ) CMR (complet)
(800,184 778,057 ) (5 3) = 8,445 > F (2, 594) 1,310
Figure 7. Suite
Lorsque la variable modratrice et la variable indpendante X sont toutes les deux moins qu'intervalle , des variables muettes peuvent tre utilises pour les deux variables. Par exemple, si Z est une variable 3 niveaux (exemple : implication forte, modre et faible) et X une variable deux niveaux (exemple : bonne humeur versus mauvaise humeur), le mme modle que le modle (b) sera ajust mais l'interprtation de la variable X sera diffrente. Il s'agira d'une variable binaire. Elle sera gale 0 si l'on est de mauvaise humeur (niveau de rfrence) et gale 1 si l'on est de bonne humeur. Si, par contre, la variable indpendante X a trois niveaux, il conviendra dajuster le modle (d) : Y = a + b1 X1 + b2 X2 + d1 Z1 + d2 Z2 + c1 X1 Z1 +c2 X1 Z2 + c3 X2 Z1 + c4 X2 Z2 + erreur (d)
Si l'un ou plusieurs des ci est significatif, la variable Z est un modrateur de l'influence de X sur Y (cf. exemple de ce type danalyse la figure 8, section 1).
Il est souligner que la manire dont les variables muettes sont cres influence les rsultats des analyses de rgression modre (cest--dire modle avec terme multiplicatif). En effet, Irwin et McClelland (2001) mettent en vidence que coder les variables de manire binaire (0, 1) ou en utilisant des contrastes ( 1, 1) a un impact sur les coefficients des variables dans la rgression ainsi que sur les coefficients de corrlation entre variables dans le modle de rgression modre. Remarquons que changer lorigine dune variable dpendante en lui ajoutant ou en lui soustrayant une constante (comme cest, par exemple, le cas lorsque les donnes sont centres) ; standardiser les donnes ou leur appliquer une transformation linaire produit galement ce type deffet (Irwin et McClelland, 2001). Il est donc important de toujours bien indiquer la manire dont les variables ont t codes et/ou transformes et de choisir le type de codage et/ou transformation de donnes de telle sorte quil mette en vidence les aspects qui ont le plus grand intrt pratique et/ou thorique.
78
Section 1 : Application avec lutilisation des rgressions multiples avec variables muettes Lexemple chiffr repris ci-dessous porte sur la relation existant entre la satisfaction des consommateurs (Y) et lhumeur de ces derniers. Il est postul que cette relation varie selon que limplication de lindividu est faible, modre ou forte. La satisfaction est mesure sur une chelle au moins intervalle. En revanche, l'humeur et l'implication sont des variables ordinales ; la variable humeur comprend trois niveaux (humeur ngative, humeur neutre, humeur positive) et la variable implication, trois niveaux (faible, modre ou forte). Elles ont donc t transformes en variables muettes (X1 et X2 pour lhumeur et Z1 et Z2 pour limplication) comme suit : X1 = 0 et X2 = 0 : humeur ngative X1 = 1 et X2 = 0 : humeur neutre X1 = 0 et X2 = 1: humeur positive Z1 = 0 et Z2 = 0 : faible implication Z1 = 1 et Z2 = 0 : implication modre Z1 = 0 et Z2 = 1 : implication forte Pour tester le modle dinteraction, la variable Y a t donc t rgresse sur les variables X1, X2, Z1 et Z2, ainsi que sur les produits Xi Zi de ces quatre variables (cest-dire X1Z1, X1Z2, X2Z1 et X2Z2). Les rsultats indiquent la prsence dun effet simple de lhumeur (pX1 = 0,000 ; pX2 = 0,000) et de limplication (pZ1 = 0,000 ; pZ2 = 0,001), ainsi que dun effet dinteraction de ces deux variables (pX1Z1 = 0,000 ; pX1Z2 = 0,000 ; pX2Z1 = 0,883 ; pX2Z2 = 0,304).
quation de rgression : Y = 2,364 + 3,424 X1 + 3,606 X2 + 1,636 Z1 + 3,152 Z2 1,818 X1Z1 2,879 X1Z2 0,061 X2Z1 0,424 X2Z2 (N=297 ; R2 = 0,686; R2 ajust = 0,677) Variable B Erreur Standard B standardis t p Constante 2,364 0,206 11,48 0,000 X1 3,424 0,291 0,777 11,75 0,000 X2 3,606 0,291 0,818 12,38 0,000 Z1 1,636 0,291 0,371 5,62 0,000 Z2 3,152 0,291 0,715 10,82 0,000 X1Z1 1,818 0,412 4,41 0,000 0,275 X1Z2 2,879 0,412 6,99 0,000 0,435 X2Z1 0,061 0,412 0,147 0,883 0,009 X2Z2 0,424 0,412 0,304 0,064 1,03
Figure 8. Exemple danalyse de processus modrateur lorsque la variable modratrice et la variable X sont moins quintervalle
79
Section 2 : application avec le test dANOVA Lorsque les donnes correspondent la situation dcrite la section 1, il est plus ais de procder une analyse ANOVA traditionnelle. Cette dernire est reproduite ci-dessous. Les rsultats montrent galement un effet simple de lhumeur (p = 0,000) et de limplication (p = 0,000) ainsi quun effet dinteraction significatif (p = 0,000).
Variables indpendantes HUMEUR IMPLICATION HUMEUR IMPLICATION
ddl 2 2 4
F 210,14 74,32 14,82
p 0,000 0,000 0,000
SCR = 403,273 ; ddl = 288 ; CMR = 1,400 ; N = 297
Ces rsultats peuvent aisment tre reprsents graphiquement, en reprsentant les 9 points du tableau ci-dessous et en reliant les points correspondant un mme niveau dimplication (certains logiciels danalyse statistique, comme SPSS, disposent dune option qui permet de raliser ce genre de graphique automatiquement) :
10
Satisfaction
8 6 4 2 0 bonne humeur humeur neutre mauvaise humeur
faible implication implication modre forte implication
Moyennes de satisfaction :
Humeur
BONNE NEUTRE MAUVAISE 5,96 5,78 2,36
Implication
FAIBLE
MODRE
7,54
5,60
4,00
FORTE
8,69
6,06
5,51
Figure 8. Suite
80
Lanalyse de rgression avec variables muettes est une premire option lorsque lune des deux variables indpendantes ( X et Z ), voire les deux, ne sont pas mesures au moyen dchelles au moins intervalle . Dautres techniques peuvent, cependant, galement tre utilises dans deux cas spcifiques : lorsque la variable modratrice Z est moins qu'intervalle et lorsque les deux variables X et Z sont moins qu'intervalle . Lanalyse de rgression par sous-groupes (section 2.2.3) pourra tre envisage dans le premier cas ; lANOVA (section 2.2.4), dans le second. 2.2.3. Rgression multiple par sous-groupes Lorsque la variable modratrice suppose est moins qu'intervalle et la variable indpendante X est au moins intervalle , il est envisageable deffectuer une analyse par sous-groupes, c'est--dire rgresser Y sur X pour chacun des sous-groupes, plutt que de traiter les donnes par une analyse de rgression avec variables muettes. Les rsultats mneront des conclusions tout fait identiques. La diffrence rside simplement dans la manire de raliser le test (ou de donner des instructions au logiciel danalyse). Les sous-groupes sont les diffrentes modalits de la variable modratrice suppose (exemple : hommes versus femmes). Il s'agit ensuite de tester l'existence d'une diffrence significative au plan des coefficients de rgression (non standardiss) des groupes (Baron et Kenny, 1986). En d'autres termes, il faut tester le caractre significatif du test t suivant (Hardy, 1993, p. 52) : bsousgroupe 1 bsousgroupe 2 t= (c) 2 s2 s bsousgroupe 1 bsousgroupe 2 sagre + ge s2 s2 1 2 O bsousgroupe 1 et bsousgroupe 2 sont les estimations des coefficients de rgression de la variable X, pour les sous-groupes 1 (exemple : hommes) et 2 (exemple : 2 femmes) ; s2 bsousgroupe 1 et sbsousgroupe 2 la variance de 2 2 ces coefficients ; s1 et s2, le SCR/n-k-1 pour chaque groupe (SCR est la somme des carrs rsiduelle et SCR/n-k-1 correspond au carr moyen rsiduel) et k le nombre de variables indpendantes. Le s2 agre ge correspond lquation (c).
2 (n1 k1 1)s2 1 + (n2 k2 1)s2 N (k1 + k2 + 2) o N = n 1 + n 2
Sil y a plus de deux sous-groupes diffrents comme dans le cas de limplication faible/modre/ forte, il sagit de calculer lquation (c) pour chaque groupe compar deux deux (implication faible versus modre ; implication faible versus forte ; implication modre versus forte), et montrer que le rsultat de cette dernire est significatif dans un cas au moins (cf. figure 7, section 2 pour une application de cette mthode lexemple de la figure 7, section 1) 3.
3. Il est noter que certains tests, comme le test de Chow (1960), permettent de tester lgalit entre deux (ou plusieurs) quations (par exemple, lquation de la population des hommes versus lquation de la population des femmes). Le test de Chow requiert : 1) destimer le modle de rgression pour chaque sous-population pour les hommes et pour les femmes, par exemple ce qui permet dobtenir la somme des carrs rsiduelle pour chaque rgression (SCR1 et SCR2) et 2) destimer le modle de rgression pour la population totale, ce qui permet dobtenir la somme des carrs rsiduelle pour cet chantillon agrg (SCRagrg). Le F (avec k + 1, n 1 + n 2 2k 2 degrs de libert) test raliser est (Gujarati, 2003, p. 276 ; Hardy, 1993, p. 87) : SCRagre ge [SCR1 + SCR2 ]/(k + 1) , [SCR1 + SCR2 ]/(n 1 + n 2 2k 2) o k reprsente le nombre de variables du modle de rgression et n 1 + n 2 , le nombre dobservations dans les sous-populations. Cependant, ce test lorsquil est significatif ne fournit pas dindication quant lendroit o la diffrence se situe. Il peut sagir de la pente de la droite de rgression, de la constante ou encore des deux (seuls les deux derniers cas refltent un cas de modration). Afin de localiser la source de la diffrence (cest--dire pente ou constante), il est ncessaire dutiliser les variables muettes (Gujarati, 2003, pp. 277 et 306-309 ; Hardy, 1993). La procdure suivante peut alors tre adopte : 1) estimation de la rgression de Y sur les variables dpendantes X et Z (variable muette ; par exemple, homme versus femme) et, ainsi, de la somme des carrs rsiduelle (SCR(rduit)) ; 2) estimation de la rgression de Y sur les variables dpendantes X , Z et le produit des deux (cest--dire X Z ) et, ainsi, de la somme des carrs rsiduelle (SCR(complet)) et le carr moyen rsiduel (CMR(complet)). Le test F(cr, N c1) devient (Kleinbaum et alii, 1998) : (SCR(re duit) SCR(complet) )/(c r ) , CMR(complet) o r reprsente le nombre de variables du modle de rgression rduit et c le nombre de variables du modle de rgression complet. Ce test fournit exactement la mme information que si lon teste le caractre significativement diffrent de 0 du coefficient de rgression de X Z de lquation (a) (voir la procdure dcrite au point 2.2.2.) ou lgalit des deux coefficients de rgression des deux sous-groupes (voir la procdure dcrite au point 2.2.3). Il a cependant lavantage de tester le caractre significatif de linteraction de manire collective (Kleinbaum et alii, 1998).
(c)
81
Avant d'effectuer ce type d'analyse par sousgroupes, il sagit toutefois de s'assurer au pralable que les conditions sous-jacentes aux tests statistiques utiliss telles que l'homognit de la variance pour les diffrents niveaux de la variable modratrice sont respectes (si ces conditions ne sont pas respectes, un biais risque dtre introduit dans les rsultats). 2.2.4. ANOVA Lorsque la variable modratrice Z et la variable indpendante X sont toutes les deux moins qu'intervalle , il est plus simple et plus direct de procder une analyse ANOVA plutt que de transformer manuellement les variables en variables muettes et de les traiter par une analyse de rgression avec variables muettes. nouveau, il faut souligner que les rsultats conduiront des conclusions identiques quelle que soit la technique danalyse choisie. Le cas trait la figure 8 reflte typiquement le genre de cas qui peut tre trait par le biais dune analyse ANOVA 3 3 (voir section 2 de la figure 8 pour une application de lanalyse ANOVA lexemple de la section 1 trait par rgression avec variables muettes). Ce genre danalyse se rencontre trs frquemment dans le cadre des tudes faisant appel des plans exprimentaux avec manipulation de variables. Soulignons galement lexistence, dans la littrature, de certains travaux qui afin de retomber dans le cas simple de l'analyse ANOVA transforment les variables au moins intervalle en variables catgoriques. Il existe diffrentes techniques pour ce faire, mais elles sont gnralement trs arbitraires et conduisent systmatiquement une perte de finesse dans l'information (par exemple, dcouper l'chantillon selon la mdiane (median-split)). Ce genre de pratique nest gure conseill (Irwin et McClelland, 2001).
III. MDIATEUR
3.1. Aspects conceptuels Comme nous lavons mentionn en introduction, un mdiateur est une variable qui permet d'expliquer la manire, le processus par lequel la variable X influence la variable Y . Les processus mdiateurs
rpondent donc la question comment, pourquoi l'effet X-Y existe. Contrairement une variable modratrice, le mdiateur et la variable X ne se situent pas au mme niveau de causalit au plan conceptuel : X est un antcdent de la variable mdiatrice et cette dernire est un antcdent de Y . La variable mdiatrice revt donc le statut de variable dpendante ou de variable indpendante selon l'angle sous lequel elle est observe (un modrateur, en revanche, reste systmatiquement une variable indpendante quel que soit l'angle d'analyse, cf. figure 3 versus figure 2). Lorsqu'une variable est mdiateur de la relation X-Y, on dit que la variable X a un effet indirect sur la variable Y . En d'autres termes, une partie au moins de l'influence de X sur Y passe par la variable mdiatrice. Ds lors, si l'influence de la variable mdiatrice est contrle statistiquement, la relation X-Y disparat ou est attnue (Baron et Kenny, 1986 ; Brauer, 2000 ; James et Brett, 1984 ; Kenny, Kashy et Bolger, 1998). Il faut souligner, ce stade, que si l'influence de X sur Y disparat totalement en prsence de la variable suppose mdiatrice, on se situe dans un cas de mdiation dite complte. Lorsque l'influence de X sur Y est simplement rduite mais ne disparat pas totalement, lorsque l'influence du mdiateur potentiel est contrle, on se retrouve dans un cas dit de mdiation partielle (voir figure 9, cas 1) (Baron et Kenny, 1986 ; Brauer, 2000 ; Kenny, Kashy et Bolger, 1998). Dans les cas de mdiation partielle, seule une partie de l'effet de X sur Y s'exerce travers la variable mdiatrice et l'autre partie de cet effet s'exerce directement sur la variable Y ou, ventuellement, via une autre variable non prise en compte dans le modle (si l'influence de X sur Y est mdiatise par M et M et que M nest pas mesure, les analyses de mdiation concluront la mdiation partielle de X-Y par M, voir figure 9, cas 2). Une fois encore, c'est le modle thorique qui permettra de dterminer sil y a mdiation partielle effective ou si la mdiation est complte mais passe par plusieurs variables mdiatrices (Brauer, 2000). Tout comme dans le cas de l'analyse de modration, il faut souligner que l'analyse de mdiation ne permet pas de vrifier si la squence causale postule est exacte (seule une manipulation exprimentale permet de rellement tester la causalit). Elle vrifie uniquement si, compte tenu d'un modle thorique causal dfini a priori, la variable suppose jouer le
82
rle de variable mdiatrice remplit bien les conditions de mdiation. cet gard, il faut galement souligner que des analyses de mdiation peuvent conduire des conclusions diffrentes et susciter une avance au plan des modles thoriques. Supposons, d'une part, qu'une tude teste arguments thoriques l'appui le
modle non-confirmation des attentes attitude envers la marque fidlit la marque et montre que les conditions de mdiation sont respectes. Elle conclut, ds lors, que l'attitude envers la marque mdiatise la relation existant entre la non-confirmation des attentes et la fidlit la marque (cf. figure 10, cas 1). Supposons, d'autre part, que sur la base
Cas 1. Reprsentation conventionnelle d'une mdiation partielle

Variable mdiatrice M
Variable X
Variable Y
Cas 2. Mdiation par deux variables

Variable mdiatrice M
Variable X
Variable Y
Variable mdiatrice M non mesure
Cas 3. Reprsentation d'une association fallacieuse (ou fausse association)

Variable M
Variable X
Variable Y
Figure 9. Cas de mdiation partielle et dassociation fallacieuse (ou fausse association)
83
Section 1. Reprsentation graphique CAS 1

Non-confirmation Attitude vis--vis de la marque Fidlit la marque
CAS 2
Non-confirmation Fidlit la marque Attitude vis--vis de la marque
CAS 3
Attitude vis--vis de la marque Non-confirmation Satisfaction vis--vis de la marque Fidlit la marque
Tests des conditions de mdiation Fidlit = f (non-confirmation) => pvalue non-confirmation < 0,05 Attitude = f (non-confirmation) => pvalue non-confirmation < 0,05 Satisfaction = f (non-confirmation) => pvalue non-confirmation < 0,05 Fidlit = f (non-confirmation, attitude) => pvalue attitude < 0,05 Attitude = f (non-confirmation, fidlit) => pvalue
fidlit <
CAS 1
CAS 2
CAS 3
0,05
Fidlit = f (non-confirmation, satisfaction) => pvalue satisfaction < 0,05 Attitude = f (non-confirmation, satisfaction) => pvalue satisfaction < 0,05
Section 2. Exemple chiffr Cette section reprend un exemple chiffr pour chacun des trois cas envisags graphiquement la section 1. Pour le cas 1, les rsultats indiquent : 1) une influence significative de la non-confirmation sur la fidlit (pX = 0,029 ; condition 1) ; 2) une influence significative de la non-confirmation sur lattitude (pX = 0,014 ; condition 2), et 3) une influence significative de lattitude sur la fidlit (pM = 0,000 ; condition 3) alors que linfluence de la non-confirmation sur cette variable devient non significative (pX = 0,228 ; condition 4).
Figure 10. Exemple de variable mdiatrice non mesure lorigine
84
Cas 1 : Non-confirmation (X)
Attitude vis--vis de la marque (M)
Fidlit la marque (Y)
CONDITION 1
quation de rgression : Y = 7,667 + 0,096 X (N = 414 ; R2= 0,011; R2 ajust = 0,009) Variable B Erreur Standard B standardis t Constante 7,667 0,329 23,31 X 0,096 0,044 0,107 2,19 p 0,000 0,029
CONDITION 2
quation de rgression : M = 8,830 + 0,061 X (N = 445 ; R2= 0,013 ; R2 ajust = 0,011) p Variable B Erreur Standard B standardis t Constante 8,830 0,187 47,31 0,000 X 0,061 0,025 0,116 2,46 0,014
CONDITION 3
quation de rgression : Y= 1,786 + 0,049 X + 0,672 M (N=411; R2 = 0,167 ; R2 ajust = 0,163) Variable B Erreur Standard B standardis t p Constante 1,786 0,741 2,41 0,000 X 0,049 0,041 0,055 1,21 0,228 M 0,672 0,077 0,398 8,74 0,000
b4 = 0,672
tb4 = 8,744
signification = 0,000
b4 0 b3 non significativement 0
CONDITION 4
b3 = 0,0489 tb3 = 1,207 signification = 0,228
CONCLUSION : Lattitude vis--vis de la marque est un mdiateur complet de linfluence de la nonconfirmation sur la fidlit la marque. Les donnes du cas 1 sont cependant galement compatibles avec le cas 2 (ci-dessous). En effet, la condition 1 du cas 1 permet de vrifier la condition 2 du cas 2 et la condition 2 du cas 1 vrifie la condition 1 du cas 2. Par ailleurs, les rsultats indiquent une influence significative de la fidlit sur lattitude (pM = 0,000 ; condition 3) alors que linfluence de la non-confirmation sur cette variable devient non significative pour un niveau de signification de 5 % (pX = 0,083 ; condition 4). Cas 2 : Non-confirmation (X) Fidlit la marque (M) Attitude vis--vis de la marque (Y)
CONDITIONS 1 et 2 : voir respectivement les conditions 2 et 1 du cas 1.
CONDITION 3
quation de rgression : Y = 7 + 0,042 X + 0,235 M (N= 411 ; R2 = 0,170 ; R2 ajust = 0,166) Variable B Erreur Standard B standardis t p Constante 7,000 0,273 25,63 0,000 X 0,042 0,024 0,079 1,74 0,083 M 0,235 0,027 0,397 8,74 0,000
b4 = 0,235
tb4 = 8,744
signification = 0,000 Figure 10. Suite
b4 0
85
CONDITION 4
b3 non significativement 0
CONCLUSION : La fidlit la marque est un mdiateur complet de linfluence de la non-confirmation

sur lattitude vis--vis de la marque. Le test du cas 3 indique que cette situation correspond un cas de mdiation totale par une quatrime variable la satisfaction des consommateurs de linfluence de la non-confirmation sur la fidlit ET lattitude envers la marque. Cas 3 : Non-confirmation (X) Non-confirmation (X) marque (Y) Satisfaction vis--vis de la marque (M) Satisfaction vis--vis de la marque (M) Fidlit la marque (Y) Attitude vis--vis de la
Les conditions 1 et 2 des cas 1 et 2 permettent de vrifier la condition 1 de ce nouveau modle de mdiation. Par ailleurs, les rsultats repris ci-dessous montrent que les conditions 2, 3 et 4 sont galement satisfaites : la non-confirmation a une influence significative sur la satisfaction (pX = 0,000 ; condition 2), et cette dernire a galement une influence significative sur lattitude (pM = 0,000 ; condition 3) et sur la fidlit (pM = 0,000 ; condition 3) alors que linfluence de la non-confirmation sur ces variables devient non significative (pour lattitude : pX = 0,724 ; pour la fidlit : pX = 0,747 ; condition 4).
CONDITIONS 1 et 2 : voir les conditions 2 et 1 des cas 1 et 2. CONDITION 2

quation de rgression : M = 7,950 + 0,124 X (N = 408 ; R2 = 0,031 ; R2 ajust = 0,028) Variable B Erreur Standard B standardis t Constante 7,950 0,260 30,58 X 0,124 0,035 0,175 3,58 p 0,000 0,000
CONDITIONS 3 ET 4
quation de rgression : Y= 5,699 + 0,008 X + 0,399 M (N = 411 ; R2 = 0,290 ; R2 ajust = 0,287) Variable B Erreur Standard B standardis t p Constante 5,699 0,303 18,79 0,000 X 0,008 0,023 0,015 0,35 0,724 M 0,399 0,032 0,536 12,52 0,000 quation de rgression : Y= 2,221 + 0,013 X + 0,682 M (N = 390 ; R2 = 0,287 ; R2 ajust = 0,283) Variable B Erreur Standard B standardis t p Constante 2,221 0,531 4,18 0,000 X 0,013 0,040 0,014 0,32 0,747 M 0,682 0,056 0,533 12,21 0,000
Figure 10. Suite
86
d'autres arguments thoriques dautres chercheurs testent le modle non-confirmation des attentes fidlit la marque attitude envers la marque et concluent la mdiatisation complte par la fidlit la marque de la relation non-confirmation des attentes attitude vis--vis de la marque (cf. figure 10, cas 2). Ces deux rsultats qui peuvent sembler contradictoires de prime abord indiquent en ralit l'existence probable d'une variable mdiatrice non mesure et non prise en compte dans les deux modles thoriques concurrents (Brauer, 2000). Cette variable mdiatiserait la fois la relation nonconfirmation des attentes attitude vis--vis de la marque et non-confirmation des attentes fidlit la marque . Cette variable pourrait, par exemple, tre la satisfaction vis--vis de la marque (cf. figure 10, cas 3). 3.2. Aspects analytiques et illustrations La mthode habituellement utilise, dans les travaux en marketing, afin de vrifier lexistence dun effet mdiateur complet ou partiel est la mthode des rgressions (simples et multiples) successives propose par Baron et Kenny (1986) (section 3.2.1) 4. Si lensemble des variables considres nest pas de nature au moins intervalle, des rgressions (simples et multiples) avec variables muettes seront utilises (section 3.2.2). Enfin, si le but du chercheur est de tester lexistence dun effet mdiateur au moins partiel, sans distinguer si leffet de mdiation est partiel ou complet, le test du caractre significatif de leffet indirect pourra tre envisag (section 3.2.3). Avant de dtailler ces diffrentes mthodes, il est important de souligner que tout comme pour les analyses de modration les tests de mdiation peuvent tre influencs par la colinarit entre variables indpendantes (notons qu'une manire de contourner les problmes lis la colinarit est de disposer d'un chantillon suffisamment grand (Kenny, Kashy et Bolger, 1998)) 5.
3.2.1. Rgressions successives les conditions de mdiation de Baron et Kenny (1986) Afin de vrifier un effet mdiateur complet de M dans le cadre de la relation X-Y , Baron et Kenny (1986) ont propos de tester quatre conditions : Condition 1 : La variable X doit avoir un impact significatif sur la variable Y . Il s'agit donc de rgresser Y sur X et de montrer que le coefficient b1 dans l'quation de rgression (e) est significatif. Y = a1 + b1 X + erreur1 (e)
Le coefficient b1 reprsente l'effet total de X sur Y . Lorsque X varie d'une unit, Y varie de b1 units. Cet effet total est gal la somme des effets direct et indirect (cest--dire mdiatis) (Kenny, Kashy et Bolger, 1986 ; Mac Donald, 2001). Il est noter que Shrout et Bolger (2002) recommandent de passer directement la condition 2, sans vrifier la premire condition de mdiation, lorsque le modle thorique postule une relation X-Y faible et que les tailles d'chantillons (pas assez grandes) ne permettent pas aux tests d'avoir la puissance requise pour dtecter un effet significatif (voir, par exemple, Cohen (1988) pour plus de dtails). Dans de tels cas, un effet de mdiation peut tre valablement dtect alors que les tests indiquent l'absence d'effet total (par manque de puissance). Condition 2 : La variable X doit avoir un effet significatif sur M (cest--dire la variable mdiatrice suppose). Il s'agit donc de rgresser M sur X et de montrer que le coefficient b2 dans la rgression (f) est significatif. M = a2 + b2 X + erreur2 (f)
Condition 3 : La variable mdiatrice suppose M doit significativement influencer la variable Y , lorsque l'influence de la variable X sur Y est contrle. Il s'agit donc de
4. Nous tenons souligner qu'il existe des travaux au sujet de la mdiation antrieurs ceux de Baron et Kenny (1986) comme ceux, par exemple, de Maccorquodale et Meehl (1948), Rozeboom (1956), Durkheim (1960) ou Boudon (1970). 5. En effet, plus M mdiatise une large part de linfluence de X sur Y , plus M et X seront corrls (cest--dire que X expliquera une large partie de la variance de M ) et plus la puissance du test des
coefficients b3 et b4 de lquation (g ) sera faible (en dautres termes, la probabilit que ces tests conduisent des rsultats significatifs sera faible). Cependant, plus la taille dun chantillon est grande, plus la puissance est leve (Hair et alii, 1998). Ds lors, si X et M sont fortement corrls (= colinarit), une taille dchantillon plus grande est ncessaire afin dobtenir une puissance quivalente une situation o X et M ne seraient pas fortement associs.
87
rgresser Y sur X et M et de montrer dans l'quation (g) que le coefficient b4 est significatif (une simple rgression de Y sur M, sans contrler X, pourrait se rvler significative en raison de l'existence d'une association significative entre X et Y et entre X et M, c'est pourquoi il est ncessaire de rgresser Y sur X et M). Y = a3 + b3 X + b4 M + erreur3 (g)
deux effets indpendants de la variable X. La variable M n'est donc ni mdiateur partiel ni mdiateur complet de la relation X-Y . L'association entre M et Y tait uniquement due l'existence de X. On dira quil sagit dune association fallacieuse ou fausse association (spurious association, voir cas 3, figure 9).
Les coefficients b2 de l'quation (f) et b4 de l'quation (g) permettent d'valuer l'effet indirect de X sur Y , cest--dire l'influence de X qui est transmise par M. Cet effet indirect est gal b2 b4 (Kenny, Kashy et Bolger, 1986 ; Mac Donald, 2001 ; Shrout et Bolger, 2002). Lorsque X varie d'une unit, M varie de b1 units. Et, lorsque M varie d'une unit et que X est maintenu constant, Y varie de b4 units (b4 indique le changement au niveau de Y associ M et indpendant de l'effet direct de X sur Y ). Condition 4 : L'influence significative de la variable X sur Y doit disparatre lorsque l'effet de M sur Y est contrl statistiquement. Il s'agit donc de rgresser Y sur X et M (cf. quation de rgression (g)) et de montrer que le coefficient b3 est non significatif (cest--dire non significativement diffrent de 0 ). Le coefficient b3 rend compte de l'effet direct de X sur Y . Lorsqu'il y a mdiation complte, l'effet total de X sur Y est entirement produit de manire indirecte. En effet, puisque l'effet total (b1) est gal la somme des effets direct (b3) et indirect (b2 b4 ) et que b3 est non significativement diffrent de 0 : b1 = b3 + b2 b4 b1 = b2 b4 (Shrout et Bolger, 2002). Un exemple chiffr d'analyse de mdiation complte est repris la figure 11, section 1 (voir galement la figure 10 pour d'autres exemples). Si toutes les conditions sont rencontres l'exception de la condition 4, il y a mdiation partielle, cest--dire que l'effet de X sur Y se produit la fois de manire directe et de manire indirecte. L'exemple de la figure 11 a t adapt afin de montrer un effet de mdiation partielle (cf. figure 12, section 1). Remarquons que si, lors des analyses, les conditions 1 et 2 sont satisfaites mais que, pour les conditions 3 et 4, un effet significatif de X et un effet non significatif de M sont obtenus, cela signifie que Y et M sont
3.2.2. Lanalyse de leffet de mdiation par rgressions multiples avec variables muettes l'instar des variables modratrices, aucune contrainte ne pse sur la nature de la variable mdiatrice, elle peut tre qualitative ou quantitative, catgorique ou non. Il suffit de transformer les variables qui ne sont pas au moins intervalle en variables muettes. Les analyses de mdiation ne sont donc pas l'apanage des enqutes et autres tudes de nature corrlationnelle ; elles sont galement faisables dans le cadre d'tudes exprimentales (voir figure 13 pour un exemple chiffr).
3.2.3. Test du caractre significatif de leffet indirect ct des conditions de rgression, Baron et Kenny (1986) proposent, galement, un test qui permet de tester directement lexistence dune mdiation au moins partielle de leffet de X sur Y . La part de l'effet de X sur Y qui est mdiatis par M cest--dire l'effet indirect correspond b1-b3 (ou encore la rduction de l'effet initial de X sur Y ). Et cette diffrence de coefficients est exactement gale au produit de l'influence de X sur M et de l'influence de M sur Y , cest--dire b2 b4 (Kenny, Kashy et Bolger, 1986 ; Mac Donald, 2001). Lorsque l'effet de X sur Y est au moins partiellement mdiatis, b2 b4 est significativement diffrent de 0. Le test qui permet de vrifier directement que l'effet indirect de X sur Y via M cest--dire b2 b4 est significativement diffrent de 0 est repris ci-dessous (Baron et Kenny (1986), p. 1177 et Kenny, Kashy et Bolger (1998), p. 260) : H0 : b2 b4 = 0 H1 : b2 b4 = 0 (absence de mdiation) (prsence de mdiation au moins partielle)
88
Section 1 Cette section reprend un exemple chiffr de mdiatisation complte par l'attitude envers l'annonce (M) de l'influence des ractions affectives positives (X) sur l'attitude envers la marque (Y). Dans cet exemple, toutes les variables sont au moins de type intervalle. Les tableaux ci-dessous montrent que les quatre conditions de mdiation sont respectes : les ractions affectives positives ont une influence significative sur lattitude envers la marque (pX = 0,038 ; condition 1) et sur lattitude envers lannonce (pX = 0,015 ; condition 2), mais leur influence devient non significative lorsque lattitude envers lannonce est galement intgre comme variable explicative de lattitude envers la marque (pX = 0,228 ; condition 4). Linfluence de lattitude envers lannonce est, par contre, significative (pM = 0,000 ; condition 3).
CONDITION 1
quation de rgression : Y = 7,707 + 0,091 X (N = 411 ; R2 = 0,011; R2 ajust = 0,009) p Variable B Erreur Standard B standardis t Constante 7,707 0,328 23,48 0,000 X 0,0916 0,044 0,103 2,08 0,038
CONDITION 2
quation de rgression : M = 8,809 + 0,063 X (N = 411 ; R2 = 0,014 ; R2 ajust = 0,012) p Variable B Erreur Standard B standardis t Constante 8,809 0,194 45,41 0,000 X 0,063 0,026 0,120 2,44 0,015
CONDITION 3
quation de rgression : Y = 1,786 +0,049 X + 0,672 M (N = 411 ; R2 = 0,167 ; R2 ajust = 0,163) Variable B Erreur Standard B standardis t p Constante 1,786 0,741 2,41 0,016 X 0,049 0,041 0,055 1,21 0,228 M 0,672 0,077 0,398 8,74 0,000
b4 = 0,672 tb4 = 8,744
b4 0 b3 non significativement 0
CONDITION 4
Figure 11. Exemple de mdiation complte
6. Ce coefficient peu lev est compatible avec un modle thorique postulant une faible relation entre les ractions affectives X et lattitude envers la marque Y (cela pourrait tre le cas, par exemple, pour une annonce haut caractre informatif). Lorsque la relation tester est suppose faible, seuls des chantillons dassez grande taille permettent de mettre en lumire les relations significatives. Si le modle thorique postulait une forte relation, les rsultats du tableau devraient, par contre, tre considrs avec prcaution et dautres critres que la significativit statistique utiliss (avec des chantillons de 1 000 observations ou plus, presque toute relation devient significative (Hair et alii, 1998)).
89
Section 2 : vrification de la prsence de mdiation au moins partielle En appliquant la formule (h) lexemple ci-dessus, il est possible de tester l'existence d'un effet de mdiation au moins partielle. Comme h > 1,96, nous rejetons H0. Il y a donc prsence de mdiation au moins partielle. b2 = 0,06305 ; b4 = 0,672 ; s2 = 0,026 ; s4 = 0,077 b4 s2 + b2 s4 + s2 s4 =
2 2 2 2 2 2
0,000332848 = 0,018244
h= 2,322
Section 3 : vrification de la prsence de mdiation au moins partielle par bootstrap Nous avons effectu un bootstrap (sur base de 400 chantillons alatoires de 411 observations). Lhistogramme est repris ci-dessous. Lintervalle de confiance 95 % est [0,0112; 0,0795]. Puisque 0 nappartient pas lintervalle, il y a au moins mdiation partielle.
60 50 40 30 20 10 0
5 10 0, 5 09 0, 5 08 0, 5 07 0, 5 06 0, 5 05 0, 5 04 0, 5 03 0, 5 02 0, 5 01 0, 5 00 0, 05 0 0,
Std. Dev = ,02 Mean = ,042 N = 400,00
B2xB4
Figure 11. Suite O: s2 : cart type (ou erreur standard) de b2 (ce qui est quivalent b2 / t2 ; t2 tant le t du test de significativit du coefficient de b2) ; s4 : cart type de b4 (ce qui est quivalent b4 / t4 ; t4 tant le t du test de significativit du coefficient de b4) ; L'cart type de b2 b4 est approximativement 2 2 2 2 2 s2 + b2 s4 + s2 gal la racine carre de (b4 2 s4 ) et sous H0 , l'quation (h) est suppose distribue approximativement comme une loi normale. Il suffit donc de calculer la valeur de (h) et de vrifier si cette valeur est infrieure 1,96, pour un niveau de signification de 5 % (la section 2 des figures 11 et 12 reprend une application de ce test sur les exemples de la section 1). b2 b4 (h) 2 2 2 2 2 b4 s2 + b2 2 s4 + s2 s4 Plusieurs travaux indiquent cependant que pour des chantillons de moins de 400 observations la distribution de l'quation (h) est asymtrique (voir Shrout et Bolger (2002) pour une synthse). De ce fait, tout intervalle de confiance construit de manire symtrique autour de b2 b4 est trop large en direction de l'hypothse H0 et trop troit en direction de l'hypothse alternative (Shrout et Bolger, 2002). En d'autres termes, le test de l'effet indirect expos ci-dessus souffre d'un manque de puissance ( ) pour rejeter l'hypothse nulle (cest--dire pour dtecter un effet de mdiation). C'est pourquoi Shrout et Bolger (2002) proposent la construction d'un intervalle de confiance asymtrique autour de b2 b4 par une approche bootstrap. L'approche bootstrap permet de construire les distributions de variables de manire empirique. Pour calculer un intervalle de confiance de (1 ) 100 %, il suffit d'exclure (/2) 100 %
90
Section 1 : Cette section reprend un exemple chiffr de mdiatisation partielle par l'attitude envers l'annonce (M) de l'influence des ractions affectives positives (X ) sur l'attitude envers la marque (Y). Dans cet exemple, toutes les variables sont au moins de type intervalle. Les tableaux ci-dessous montrent que seules les trois premires conditions de mdiation sont respectes : les ractions affectives positives ont une influence significative sur lattitude envers la marque (pX = 0,000 ; condition 1) et sur lattitude envers lannonce (pX = 0,000 ; condition 2), et leur influence reste significative lorsque lattitude envers lannonce est galement intgre comme variable explicative de lattitude envers la marque (pX = 0,000 ; condition 4 non vrifie). Linfluence de lattitude envers lannonce est galement significative (pM = 0,000 ; condition 3).
CONDITION 1
quation de rgression : Y = 6,181+ 0,328 X (N = 453) ; R2 = 0,171 ; R2 ajust = 0,169) Variable B Erreur Standard B standardis t P Constante 6,181 0,300 20,59 0,000 X 0,328 0,034 0,414 9,648 0,000
CONDITION 2
quation de rgression : M = 6,791 + 0,296 X (N = 453 ; R2 = 0,139 ; R2 ajust= 0,137) Variable B Erreur Standard B standardis t p Constante 6,791 0,306 22,19 0,000 X 0,296 0,035 0,373 8,537 0,000
CONDITION 3
quation de rgression : Y= 4,336 + 0,247 X + 0,272 M (N = 453 ; R2 =0,235 ; R2 ajust = 0,231) Variable B Erreur Standard B standardis t p Constante 4,336 0,418 10,38 0,000 X 0,247 0,035 0,312 7,03 0,000 M 0,272 0,044 0,272 6,11 0,000
b 4 = 0,272
t b4 = 6,113
b4 0 b3 0
CONDITION 4
b 3 = 0,247 t b3 = 7,026 signification = 0,000
Section 2 : vrification de la prsence de mdiation au moins partielle Comme h > 1,96, nous rejetons H0. Il y a donc prsence de mdiation au moins partielle. b2 = 0,296 ; b4 = 0,272 ; s2 = 0,035 ; s4 = 0,044 b4 s2 + b2 s4 + s2 s4
2 2 2 2 2 2 =
0,00154 = 0,03924
h = 2,05
Figure 12. Exemple de mdiation partielle
91
Section 3 : vrification de la prsence de mdiation au moins partielle par bootstrap Nous avons effectu un bootstrap (sur base de 450 chantillons alatoires de 453 observations). Lhistogramme est repris ci-dessous. Lintervalle de confiance 95 % est [0,0504 ; 0,1204]. Puisque 0 nappartient pas lintervalle, il y a au moins mdiation partielle.
60
50
40
30
20
10
Std. Dev = 0,02 Mean = 0,081 N = 450,00

0, 0 14 0, 0 13 0, 0 12 0, 0 11 0, 0 10 0, 0 09 0, 0 08 0, 0 07 0, 0 06 0, 0 05 0, 0 04 0, 0 03
B2xB4
Figure 12. Suite
des valeurs chaque extrme de la distribution empirique (Shrout et Bolger, 2002). La mthode consiste crer : 1) J nouveaux chantillons (par exemple, 1 000) de N observations sur base de l'chantillon de taille N observ, en tirant N observations de manire alatoire dans ce dernier ; les donnes tires sont chaque fois replaces dans l'chantillon de dpart (cest--dire tirage avec remise, voir exemple ci-dessous) ; 2) procder l'estimation des paramtres b2 et b4 et calculer b2 b4 pour chaque nouvel chantillon ; et 3) calculer sur base de la distribution des valeurs de b2 b4 obtenue l'tape prcdente l'intervalle de confiance (1 ) 100 %. Ce dernier comprend l'ensemble des valeurs se situant entre le pour-centile (/2) 100 et le pour-centile (1 /2) 100 de la distribution empirique. Pour que l'effet de X sur Y soit au moins partiellement mdiatis, il faut que cet intervalle de confiance ne comprenne pas la valeur 0 (voir figures 11 et 12, section 3 pour une application de la mthode bootstrap).
Exemple de cration d'chantillons bootstrap : Afin de simplifier lillustration des tapes du bootstrap, cet exemple porte sur un petit chantillon de 10 observations pour lequel seule une variable X est mesure : J = 4 ; N = 10 ; valeurs observes pour la variable X = {1,2,7,1,8,9,10,2,10,5} . chantillons bootstrap: {1, 2, 7, 5, 8, 10, 10, 2, 10, 5}; {1, 1, 7, 1, 7, 9, 10, 2, 10, 5}; {1, 2, 7, 2, 8, 9, 5, 2, 8, 5}; {1, 2, 9, 1, 8, 9, 10, 8, 10, 10}. 3.2.4. Note sur le cas de la suppression Nous avons analys jusqu'ici les cas de mdiation. Cependant, ct de ces derniers, il existe galement des cas dits de suppression. Il y a suppression lorsque b3 est de signe oppos b2 b4 (Baron,
92
Kashy et Bolger, 1998 ; Shrout et Bolger, 2002). Prenons l'exemple des cadeaux que les entreprises offrent leurs clients (par exemple, points bonus, pourcentages de rduction, tickets de cinma). Plus une entreprise offre des cadeaux ses clients, plus ces derniers seront en principe satisfaits et, par consquent, plus les revenus de l'entreprise devraient tre levs (cest--dire b2 > 0 ; b4 > 0 ; b2 b4 > 0). L'impact indirect de la quantit de cadeaux offerts sur les revenus est donc positif.
Cependant, la quantit de cadeaux offerts a vraisemblablement un impact ngatif direct sur les revenus de l'entreprise (b3 < 0). Si l'effet direct et leffet indirect sont de la mme taille (en valeur absolue), l'effet total de X sur Y sera non significativement diffrent de 0 . Dans ce cas de figure, la condition 1 de l'analyse de mdiation ne sera pas vrifie alors que les conditions 2 et 3 le seront. Dans les cas de suppression, l'effet (total) de la variable indpendante sur la variable dpendante est
Cette section reprend un exemple chiffr de mdiatisation partielle par la satisfaction (M ) de l'influence de la qualit du produit (X ) sur les intentions de rachat (Y ). Dans cet exemple, la satisfaction et les intentions de rachat sont au moins de type intervalle. La qualit du produit est par contre une variable catgorique deux niveaux : bonne qualit (X = 1) ou mauvaise qualit (X = 0). Les tableaux ci-dessous montrent que les trois conditions de mdiation partielle sont respectes : la qualit du produit influence significativement les intentions de rachat (pX = 0,000 ; condition 1) et la satisfaction (pX = 0,000 ; condition 2) ; et cette dernire influence galement significativement les intentions de rachat lorsque linfluence de la qualit du produit est contrle (pM = 0,000 ; condition 3). La qualit, quant elle, conserve toujours son impact significatif sur les intentions de rachat, ce qui indique une mdiation partielle (pX = 0,000 ; condition 4).
CONDITION 1
quation de rgression : Y = 7,436 + 1,969 X (N = 412 ; R2 = 0,413 ; R2 ajust = 0,411) p Variable B Erreur Standard B standardis t Constante 7,436 0,094 78,89 0,000 X 1,969 0,116 0,642 16,97 0,000
CONDITION 2
quation de rgression : M = 8,021 + 1,357 X (N = 413 ; R2 = 0,214 ; R2 ajust = 0,212) p Variable B Erreur Standard B standardis t Constante 8,021 0,104 77,12 0,000 X 1,357 0,128 0,463 10,59 0,000
CONDITION 3
quation de rgression : Y = 5,291 +1,596 X + 0,268 M (N = 408 ; R2 = 0,460 ; R2 ajust = 0,457) p Variable B Erreur Standard B standardis t Constante 5,291 0,356 14,86 0,000 X 1,596 0,126 0,520 12,65 0,000 M 0,268 0,043 0,257 6,25 0,000
b4 = 0,268
t b4 = 6,248
b4 significativement
CONDITION 4
b3 = 1,596 t b3 = 12,651 signification = 0,000 Il sagit donc dun cas de mdiation partielle
b3 significativement 0
Figure 13. La mdiation avec variables moins quintervalle
93
rduit, voire camoufl, annul par la prsence de la variable suppressive. L'influence de la variable indpendante sur la variable dpendante peut, ds lors, n'apparatre que lorsque l'on contrle l'influence de la variable suppressive (Brauer, 2000 ; Kenny, Kashy et Bolger, 1998). Pour les cas de suppression, les mmes conditions doivent tre vrifies que pour la mdiation, l'exception de la premire condition (Shrout et Bolger, 2002). Soulignons qu' l'instar des cas de mdiation, c'est le modle thorique qui doit dterminer s'il est pertinent de postuler un modle de suppression (Shrout et Bolger, 2002).
IV. MODRATEURS VERSUS MDIATEURS : QUAND CHOISIR QUOI ?
Comme cela a clairement t mis en vidence plus haut, c'est le cadre conceptuel et thorique qui va dfinir le statut de telle ou telle variable en tant que modrateur ou mdiateur. Les processus modrateurs et mdiateurs ne sont pas dduits du type de variable utilise (exemple : variable socio-dmographique, variable manipule), ni du type de collecte de donnes (exemple : plan exprimental, enqute). Un modrateur sera typiquement introduit dans un modle lorsque de faibles corrlations entre la variable indpendante et la variable dpendante, voire des relations non constantes (exemple : parfois ngatives, parfois positives), sont suspectes. Inversement, un mdiateur sera gnralement introduit dans un modle lorsque de fortes relations entre les variables d'intrt sont attendues (Baron et Kenny, 1986). L'identification de modrateurs et de mdiateurs peut galement dpendre du niveau de connaissance dont on dispose propos du phnomne tudi. Lorsquun phnomne complexe nest pas encore bien connu cest--dire dans les premires phases de la recherche dans le domaine il s'agit souvent de dlimiter les circonstances lors desquelles l'effet apparat entre les variables et, donc, de dfinir des modrateurs potentiels. Une fois le phnomne mieux circonscrit, l'on tentera alors de dfinir les processus, mcanismes par lesquels l'effet se produit, cest--
dire de dfinir les mdiateurs potentiels. Dans ce cas de figure, l'identification des modrateurs dlimitant les circonstances dans lesquelles l'effet se manifeste ainsi que le sens et l'intensit de ce dernier facilite l'identification de mdiateurs dans une phase ultrieure. Cet aspect devrait donc tre gard en tte lors du choix des modrateurs. Prfrence devra tre donne aux modrateurs qui, de par leur nature, pourront aider la dfinition des processus mdiateurs (Baron et Kenny, 1986). Si un mdiateur est identifi, ct des processus modrateurs, l'existence d'une modration mdiatise (mediated moderation) pourra galement tre envisage (cf. infra). Remarquons galement que la connaissance d'un mdiateur peut aussi aider la dcouverte de modrateurs potentiels (Baron et Kenny, 1986). En effet, l'on peut, par exemple, tenter de dterminer s'il existe des circonstances lors desquelles l'effet de mdiation est plus fort (le cas chant, l'on aura affaire un mdiateur modr (moderated mediator, cf. infra). Enfin, il peut sembler en examinant les quations respectives tester dans les cas de modration et de mdiation que ce qui diffrencie la relation de mdiation de la modration est la forme du modle postul : la mdiation serait reprsente par un modle simplement additif alors que la modration serait reprsente par un modle multiplicatif. Ce n'est toutefois pas ncessairement toujours le cas. En effet, il existe des cas plus complexes tels que celui de la modration mdiatise (mediated moderation) ou de la mdiation modre (moderated mediation). Ces deux cas seront traits dans les deux sections suivantes.
V. LA MODRATION MDIATISE
5.1. Aspects conceptuels Le processus de modration mdiatise reflte le fait que l'effet interactif de la variable dpendante X avec le modrateur Z sur la variable dpendante Y est mdiatis par une quatrime variable ( M). Illustrons un cas de modration mdiatise en reprenant l'exemple du cas 1 de la figure 1. Cet exemple montre que l'influence de la satisfaction vis--vis de la relation que l'acheteur a par rapport au fournisseur ( X) sur le
94
nombre de services achets (Y) dpend de l'anciennet de la relation entre le fournisseur et l'acheteur (modrateur Z ) : plus la relation d'affaires est longue, plus l'effet positif de la satisfaction vis--vis de la relation sur le nombre de services achets est fort. L'on pourrait, ds lors, se demander si l'effet interactif de la longueur de la relation d'affaires avec la satisfaction ( X Z ) sur le nombre d'achat (Y ) est mdiatis par l'attachement affectif que le client prouve vis--vis du fournisseur ( M). Le cas chant, l'anciennet de la relation joue le rle de modrateur mdiatis (voir galement Handleman et Arnold (1999) ainsi que Williams et Aaker
(2002) pour d'autres exemples de modration mdiatise). La figure 14 reprend la reprsentation conventionnelle dune modration mdiatise.
5.2. Aspects analytiques et illustrations Afin de tester une modration mdiatise, il faut effectuer les trois rgressions et tests suivants directement transposs de l'analyse de mdiation simple (Brauer, 2000 ; Handelmann et Arnold, 1999) :
Modration mdiatise (mediated moderation) Modrateur : Z (*) (*)
Mdiateur : M
Mdiation modre (moderated mediation) Modrateur : Z (*) (*) X Y
Mdiateur : M
(*) Un effet direct du modrateur Z sur M et/ou Y peut exister mais n'est pas une condition ncessaire la modration Remarque : La modration mdiatise et la mdiation modre peuvent galement tre partielles.
Figure 14. Reprsentation conventionnelle de la modration mdiatise (mediated moderation) et la mdiation modre (moderated mediation)
95
Condition 1 : L'interaction X Z entre la variable indpendante et la variable modratrice suppose doit avoir un impact significatif sur la variable dpendante Y , cest--dire que le coefficient b3 dans l'quation de rgression (i) est significatif ; Y = a1 + b1 X + b2 Z + b3 (X Z) + erreur1 (i) Condition 2 : L'interaction X Z doit avoir un impact significatif sur la variable mdiatrice suppose M, cest--dire que le coefficient b6 dans l'quation de rgression (j) est significatif ; M = a2 + b4 X + b5 Z + b6 (X Z) + erreur2 (j) Condition 3 : La variable mdiatrice suppose M doit significativement influencer la variable Y , lorsque l'influence de ( X Z ) est contrle, cest--dire que le coefficient b7 de l'quation (k) est significatif ; Y = a3 + b7 M + b8 X + b9 Z + b10 (X Z) + erreur3 Condition 4 : Pour une mdiation complte, l'influence significative de X Z doit disparatre lorsque l'effet de M sur Y est contrl statistiquement, cest--dire que le coefficient b10 de l'quation (j) est non significatif. Le cas chant, la variable Z est un modrateur compltement mdiatis. Remarquons que le mdiateur M pourrait galement la fois mdiatiser l'effet simple de la variable indpendante X, en plus de l'effet de ( X Z ), sur Y (cf. Baron et Kenny, 1986). Par ailleurs, tout comme pour la mdiation partielle, il peut exister des cas de modration mdiatise partielle. Le cas chant, la quatrime condition ne doit pas tre satisfaite (cf. supra). Un exemple chiffr complet d'analyse de modration mdiatise est repris la figure 15. (k)
VI. LA MDIATION MODRE
6.1. Aspects conceptuels L'existence d'un mdiateur modr reflte le fait que le processus de mdiation dpend du niveau d'une quatrime variable (le modrateur). Par exemple, des travaux ont montr que, pour un chantillon d'adultes, l'influence des ractions affectives sur l'attitude envers la marque tait mdiatise par l'attitude envers l'annonce (Batra et Ray, 1986). L'tude de Derbaix et Bre (1997), ralise sur des enfants, semble cependant conclure la non-mdiation de l'influence des ractions affectives sur l'attitude envers la marque. En d'autres termes, le processus de mdiation dpendrait du fait d'appartenir la classe des adultes ou des enfants. La figure 14 reprend la reprsentation conventionnelle dune mdiation modre.
6.2. Aspects analytiques et illustrations Afin de tester lexistence dune mdiation modre, il suffit d'effectuer une rgression supplmentaire par rapport au cas de modration mdiatise, qui incorpore le terme d'interaction entre le mdiateur ( M) et le modrateur ( Z ) (voir quation l), et de tester si cet effet d'interaction est significatif. Le cas chant, on est en prsence d'une mdiation modre. Par contre, si l'effet X Z sur Y reste inchang (cest--dire non significatif) et que le coefficient b15 est non significatif, on peut dire que le rle jou par M en tant que mdiateur ne varie pas en fonction du niveau du modrateur Z . Autrement dit, M n'est pas un mdiateur modr (Handelmann et Arnold, 1999). Un exemple chiffr complet d'analyse de mdiation modre est repris la figure 16. Y = a4 + b11 M + b12 X + b13 Z +b14 (X Z) + b15 (M Z) + erreur4 (l)
96
Lexemple chiffr repris ci-dessous illustre un cas de modration mdiatise (partielle) : leffet interactif de la satisfaction vis--vis de la relation que le client entretient avec le fournisseur (X ) et de lanciennet de cette relation (Z ) sur le nombre de services achets (Y ) est partiellement mdiatis par lattachement affectif du client au fournisseur (M ). Dans cet exemple, toutes les variables sont au moins de type intervalle. Les tableaux ci-dessous montrent que les trois conditions de mdiation partielle sont respectes : leffet interactif de la satisfaction et de la dure de la relation sur le nombre de services achets est significatif (pXZ = 0,032 ; condition 1) ; leffet interactif de la satisfaction et de la dure de la relation sur lattachement affectif au fournisseur est galement significatif (pXZ = 0,000 ; condition 2) ; et linfluence de lattachement affectif sur le nombre de services achets est galement significative une fois leffet interactif de la satisfaction et de la dure de la relation contrl (pM = 0,000 ; condition 3). (Cet effet interactif reste significatif, cest pourquoi il sagit dun cas de modration mdiatise PARTIELLE).
CONDITION 1
quation de rgression : Y = 0,823 + 0,437 X + 0,881 Z 0,027 XZ (N = 377 ; R2 = 0,731; R2 ajust = 0,729) Variable B Erreur Standard B standardis t P Constante 0,823 0,738 1,11 0,266 X 0,437 0,097 0,399 4,51 0,000 Z 0,881 0,101 0,941 8,71 0,000 XZ 0,027 0,012 0,353 2,15 0,032
CONDITION 2
quation de rgression : M = 11,603 0,384 X 0,413 Z + 0,062 XZ (N = 379 ; R2 = 0,087; R2 ajust = 0,0080) Variable B Erreur Standard B standardis t P Constante 11,603 0,819 14,17 0,000 X 0,384 0,107 0,583 3,57 0,000 3,69 Z 0,413 0,112 0,732 0,000 XZ 0,062 0,014 1,359 4,49 0,000
CONDITION 3
quation de rgression : Y= -2,204 + 0119 M +0,481 X +0,930 Z 0,034 XZ (N=377; R2 = 0,736; R2 ajust = 0,733) p Variable B Erreur Standard B standardis t Constante 2,204 0,911 2,42 0,016 M 0,119 0,047 0,071 2,56 0,011 X 0,481 0,098 0,440 4,92 0,000 Z 0,930 0,102 0,993 9,10 0,000 0,034 0,449 XZ 0,013 2,68 0,008 b7 = 0,119 tb7 = 2,555 signification = 0,011 b7 significativement 0
CONDITION 4
Comme b10 = 0,0339 tb10 = 2,682 signification = 0,008 Il sagit dune modration mdiatise partielle. b10 significativement 0 ;
Figure 15. Exemple de modration mdiatise
97
Ce dernier exemple chiffr illustre un cas de mdiation modre. Il montre que le statut de lattitude envers lannonce (M ) en tant que mdiateur de l'influence des ractions affectives (X ) sur l'attitude envers la marque (Y ) varie en fonction du type de population considr (Z ). Toutes les variables taient au moins intervalle sauf la population (Z ) qui tait une variable nominale (adultes : Z = 1; enfants : Z = 0). Les tableaux ci-dessous montrent que les trois conditions de mdiation partielle sont respectes : leffet interactif des ractions affectives et du type de population sur lattitude envers la marque est significatif (pXZ = 0,020 ; condition 1) ; leffet interactif des ractions affectives et du type de population sur lattitude envers lannonce est galement significatif (pXZ = 0,005 ; condition 2) ; et linfluence de lattitude envers lannonce sur lattitude envers la marque est galement significative une fois leffet interactif des ractions affectives et du type de population contrl (pM = 0,000 ; condition 3). Cet effet interactif devient, quant lui, non significatif (pXZ = 0,241; condition 4) (jusquici les quatre conditions de modration compltement mdiatise sont satisfaites). Enfin, lorsque le terme d'interaction entre le mdiateur (attitude envers lannonce) et le modrateur (adulte versus enfant) est incorpor, celui-ci est significatif (pMZ = 0,000 ; condition 5). Par ailleurs, l'effet (X Z ) sur Y redevient galement significatif (pXZ = 0,008 ; condition 5). Le rle jou par M en tant que mdiateur varie donc en fonction du niveau du modrateur Z. Autrement dit, M est un mdiateur modr.
CONDITION 1
quation de rgression : Y = 5,782 + 0,260 X + 2,359 Z 0,162 XZ (N = 825 ; R2 = 0,074; R2 ajust = 0,070) Variable B Erreur Standard B standardis t P Constante 5,782 0,584 9,89 0,000 X 0,260 0,062 0,368 4,18 0,000 Z 2,359 0,630 0,770 3,74 0,000 XZ 0,162 0,069 0,416 2,33 0,020
CONDITION 2
quation de rgression : M= 5,074 + 0,380 X + 2,257 Z 0,217 XZ (N=797; R2 = 0,069 ; R2 ajust = 0,066) Variable B Erreur Standard B standardis t p Constante 5,074 0,653 7,77 0,000 X 0,380 0,070 0,531 5,47 0,000 Z 2,257 0,695 0,715 3,25 0,001 XZ 0,217 0,076 0,542 2,84 0,005
CONDITION 3 ET 4
quation de rgression : Y = 4,807 + 0,242 M + 0,145 X +1,538 Z 0,082 XZ (N = 755 ; R2 = 0,131; R2 ajust = 0,127) Variable B Erreur Standard B standardis t p Constante 4,807 0,613 7,85 0,000 M 0,242 0,033 0,255 7,24 0,000 X 0,145 0,064 0,213 2,26 0,024 Z 1,538 0,636 0,519 2,42 0,016 XZ 0,082 0,070 0,218 1,17 0,241
Figure 16. Exemple de mdiation modre
98
CONDITION 5
quation de rgression : Y = 5,724 + 0,059 M+ 0,215 X 1,067 Z 0,187 XZ + 0,410 MZ (N = 755 ; R2 = 0,174 ; R2 ajust = 0,169) p Variable B Erreur Standard B standardis t Constante 5,724 0,615 9,303 0,000 M 0,059 0,044 0,063 1,356 0,175 X 0,215 0,063 0,317 3,390 0,001 Z 1,067 0,748 0,360 1,428 0,154 XZ 0,187 0,070 0,498 2,668 0,008 MZ 0,410 0,066 1,211 6,250 0,000
Dans la condition 1 : b3 est significativement 0 Dans la condition 2 : b6 est significativement 0 Dans la condition 3 : b7 est significativement 0 Dans la condition 4 : b10 nest pas significativement 0 (donc mdiation complte) Dans la condition 5 : b15 est significativement 0 et b14 redevient significativement 0 Nous sommes donc dans le cas dune mdiation modre Figure 16. Suite
VII. CONCLUSIONS
Tout au long de cet article nous avons montr la distinction tant conceptuelle quanalytique (statistique) existant entre les modrateurs et les mdiateurs. Un modrateur module le sens et/ou la force de linfluence de la variable indpendante X sur la variable dpendante Y alors quun mdiateur reprsente le mcanisme par lequel X influence Y . Si ces processus sont fondamentalement diffrents, leur identification dpend avant tout du modle thorique postul par le chercheur (le type de variable par exemple, socio-dmographique ou manipule et d'tude par exemple, enqute, exprimentation n'importent gure ce niveau). En effet, sans modle thorique de dpart qui postule le sens et la forme des relations entre variables, ce genre de processus ne peut pas tre valablement identifi. Le modle thorique est (et restera toujours) le point de dpart, et aucun test statistique ne pourra liminer limportance
de cette premire tape thorique. Nous avons, cependant, galement soulign que seule une manipulation exprimentale permet de rellement tester la causalit. En l'absence d'un tel plan, les tests de mdiation et de modration vrifient uniquement si, compte tenu du modle thorique causal dfini a priori, la variable suppose jouer le rle de variable mdiatrice ou modratrice remplit bien les conditions de mdiation ou de modration. Par ailleurs, la non-identification dun processus mdiateur a galement dautres consquences que la non-identification dun processus modrateur. Ne pas souponner lexistence dun mdiateur complet ou partiel conduit conclure que X a un effet direct sur Y alors quen ralit leffet de X sur Y peut ntre que partiellement direct (en cas de mdiateur partiel) ou totalement indirect (en cas de mdiateur complet). En dautres termes, une partie ou la totalit de leffet sur Y provenant de la variable mdiatrice est erronment attribue la variable X. Cependant, mme si elle est totalement mdiatise, la relation X-Y existe. Ne pas identifier lexistence de la variable mdiatrice revient donc perdre de la prcision dans la connais-
99
sance de la manire dont les diffrentes variables agissent les unes sur les autres. Dans le cas dune modration, la non-identification dune variable modratrice peut, par contre, conduire ne pas sapercevoir de lexistence dune relation entre X et Y . Ici, le cot de la non-identification peut donc savrer considrable puisque le risque de passer carrment ct dune relation entre deux variables est lev. Notons que ne pas identifier l'existence d'une suppression peut galement conduire ne pas sapercevoir de l'existence de la relation X-Y . Ceci souligne une fois encore limportance dune mre rflexion au plan thorique sur lexistence possible de modrateurs et/ou mdiateurs (ou encore variables suppressives) pouvant intervenir dans la relation X-Y tudie. Enfin, avant de conclure, il nous faut souligner que les cas analyss dans le prsent article portaient sur les relations existant entre une variable dpendante et une ou plusieurs variables indpendantes. Lorsque le chercheur dsire investiguer simultanment plusieurs relations interdpendantes, le recours des techniques danalyses plus labores telles que les modles dquations structurelles simpose (Hair et alii, 1998).
VIII. RFRENCES BIBLIOGRAPHIQUES
Ahluwalia R., Burnkrant R.E et Unnava H.R. (2000), Consumer response to negative publicity: the moderating role of commitment, Journal of Marketing Research, 37, 2, 203-214. Batra R. et Ray M.L. (1986), Affective responses mediating acceptance of advertising, Journal of Consumer Research, 13, 2, 234-249. Baron R.M. et Kenny D.A. (1986), The moderator-mediator variable distinction in social psychological research: conceptual, strategic and statistical considerations, Journal of Personality and Social Psychology, 51, 6, 1173-82. Boudon R. (1970), Lanalyse mathmatique des faits sociaux, 2e dition, Paris : Plon. Brauer M. (2000), L'identification des processus mdiateurs dans la recherche en psychologie, L'Anne Psychologique, 2000, 100, 661-681. Chow G. (1960), Test of equality between sets of coefficients in two linear regressions, Econometrica, 28, 3, 591-605.
Cohen J (1988), Statistical power analysis for the behavioral sciences, Hillsdale, NJ : Erlbaum. Dahl D.W, Manchanda R.V et Argo J.J (2001), Embarrassment in consumer purchase: the roles of social presence and purchase familiarity, Journal of Consumer Research, 28, 3, 473-481. Derbaix C. et Bree J. (1997), The impact of childrens affective reactions elicited by commercials on attitudes toward the advertisement and the brand, International Journal of Research in Marketing, 14, 3, 207-229. Durkheim E. (1960), Le suicide, nouvelle dition, Paris : Presses Universitaires de France. Evrard Y., Pras B. et Roux E. (1993), Market. tudes et recherches en marketing, Paris : Nathan. Gujarati D.N. (2003), Basic econometrics: international edition, 4e dition, Boston : Mc Graw Hill. Hair J.F., Anderson R.E, Tatham R.L. et Black W.C. (1998), Multivariate data analysis, 5e dition, New Jersey: Prentice Hall. Handelman J.M. et Arnold S.J. (1999), The role of marketing actions with a social dimension: appeals to the institutional environment, Journal of Marketing, 63, 3, 33-48. Hardy M.A. (1993), Regression with dummy variables: quantitative applications in the social sciences, London: Sage. Irwin J.R. et McClelland G.H. (2001), Misleading heuristics and moderated multiple regression models, Journal of Marketing Research, 38, 1, 100-109. James L.R. et Brett J.M. (1984), Mediators, moderators, and tests for mediation, Journal of Applied Psychology, 69, 2, 307-321. Kenny D.A, Kashy D.A. et Bolger N. (1998), Data analysis in social psychology, The handbook of social psychology, vol. 1, 4e dition, ds. A.T. Gilbert, S.T. Fiske et G. Lindzey, Boston : The McGraw-Hill Companies, Inc., 233-265. Kleinbaum D.G., Kupper L.L., Muller K.E. et Nizam A. (1998), Applied regression analysis and other multivariable methods, 3e dition, Pacific Grove: Duxbury Press. Lambin J.-J. (1994), La recherche marketing, Paris : Ediscience International. Lichtl M.-C. (2002), tude exprimentale de limpact de la couleur dune annonce publicitaire sur lattitude envers lannonce, Recherche et Applications en Marketing, 17, 2, 23-40. Mac Donald R. (2001), Mediators and moderators, Journal of Consumer Psychology, 10, 1-2, 92-93. Maccorquodale K. et Meehl P.E. (1948), On a distinction between hypothetical constructs and intervening variables, Psychological Review, 55, 95-107. Olsen S.O. (2002), Comparative evaluation and the relationship between quality, satisfaction, and repurchase loyalty, Journal of the Academy of Marketing Science, 30, 3, 240-249. Roussel P., Durrieu F., Campoy E. et El akremi A. (2002), Mthodes dquations structurelles : recherche et applications en gestion, Paris : Economica. Rozeboom W.W. (1956), Mediation variables in scientific theory, Psychological Review, 63, 249-264.
100
Shaninger C.M. et Buss C.W. (1984), Cognitive personality traits as moderator variables on the depth of search, Advances in Consumer Research, 11, 239-243. Sharma S., Durand R.M. et Gur-Arie O. (1981), Identification and analysis moderator variables, Journal of Marketing Research, 18, 3, 191-300. Shrout P.E. et Bolger N. (2002), Mediation in experimental and non experimental studies: new procedures and recommendations, Psychological Methods, 7, 4, 422-445.
Verhoef P.C., Frances P.H. et Hoekstra J.C. (2002), The effect of relational constructs on customer referrals and number of services purchased from a multiservice provider: does age of relationship matter?, Journal of the Academy of Marketing Science, 30, 3, 202-216. Williams P. et Aaker J.L. (2002), Can mixed emotions peacefully coexist? Journal of Consumer Research, 28, 4, 636-649.

ADD Lecture

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

ADD Lecture

Загружено:

Авторское право:

Доступные форматы

Recherche et Applications en Marketing, vol.

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations

Rubn Chumpitaz Caceres, Jolle Vanhamme

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Quantit d'informations traites

Capacit cognitive faible Complexit et risque lis la dcision d'achat

Satisfaction vis--vis de la relation client-fournisseur

Conscience d'une prsence sociale

Figure 1. Reprsentation graphique des effets modrateurs

Figure 2. Illustrations dun processus mdiateur

Rubn Chumpitaz Caceres, Jolle Vanhamme

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Figure 3. Reprsentation conventionnelle dun effet de modration

Rubn Chumpitaz Caceres, Jolle Vanhamme

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Les variables indpendantes sontelles au moins intervalle ?

NON, X est au moins intervalle mais pas Z

NON, Z est au moins intervalle mais pas X

NON, X et Z sont moins qu'intervalle

Procder : une analyse de rgression multiple avec variables muettes

Procder : une analyse de rgression multiple

Rubn Chumpitaz Caceres, Jolle Vanhamme

p 0,004 0,011 0,023 0,013

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Implication faible Implication modre Implication forte

Rubn Chumpitaz Caceres, Jolle Vanhamme

RSULTATS ANALYTIQUES DU SOUS - GROUPE 1

RSULTATS ANALYTIQUES DU SOUS -GROUPE 2

RSULTATS ANALYTIQUES DU SOUS -GROUPE 3 IMPLICATION FORTE

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

(SCR (rduit) SCR ( complet)) (c r ) CMR (complet)

(800,184 778,057 ) (5 3) = 8,445 > F (2, 594) 1,310

Rubn Chumpitaz Caceres, Jolle Vanhamme

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Variables indpendantes HUMEUR IMPLICATION HUMEUR IMPLICATION

F 210,14 74,32 14,82

p 0,000 0,000 0,000

SCR = 403,273 ; ddl = 288 ; CMR = 1,400 ; N = 297

8 6 4 2 0 bonne humeur humeur neutre mauvaise humeur

faible implication implication modre forte implication

Rubn Chumpitaz Caceres, Jolle Vanhamme

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Rubn Chumpitaz Caceres, Jolle Vanhamme

Cas 1. Reprsentation conventionnelle d'une mdiation partielle

Cas 2. Mdiation par deux variables

Variable mdiatrice M non mesure

Cas 3. Reprsentation d'une association fallacieuse (ou fausse association)

Figure 9. Cas de mdiation partielle et dassociation fallacieuse (ou fausse association)

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Section 1. Reprsentation graphique CAS 1

Attitude vis--vis de la marque Non-confirmation Satisfaction vis--vis de la marque Fidlit la marque

Figure 10. Exemple de variable mdiatrice non mesure lorigine

Rubn Chumpitaz Caceres, Jolle Vanhamme

Cas 1 : Non-confirmation (X)

Attitude vis--vis de la marque (M)

Fidlit la marque (Y)

CONDITIONS 1 et 2 : voir respectivement les conditions 2 et 1 du cas 1.

signification = 0,000 Figure 10. Suite

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

CONCLUSION : La fidlit la marque est un mdiateur complet de linfluence de la non-confirmation

CONDITIONS 1 et 2 : voir les conditions 2 et 1 des cas 1 et 2. CONDITION 2

Figure 10. Suite

Rubn Chumpitaz Caceres, Jolle Vanhamme

Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et illustrations ?

Modration mdiatise (mediated moderation) Modrateur : Z () ()

Mdiation modre (moderated mediation) Modrateur : Z () () X Y