Sage Publications, Ltd. Association Française Du Marketing

Association Franaise du Marketing
Les processus modrateurs et mdiateurs : distinction conceptuelle, aspects analytiques et

illustrations
Author(s): Rubn Chumpitaz Caceres and Jolle Vanhamme
Source: Recherche et Applications en Marketing, Vol. 18, No. 2 (2003), pp. 67-100
Published by: Sage Publications, Ltd. on behalf of Association Franaise du Marketing
Stable URL: http://www.jstor.org/stable/40589367
Accessed: 23-03-2015 10:11 UTC
Your use of the JSTOR archive indicates your acceptance of the Terms & Conditions of Use, available at
http://www.jstor.org/page/info/about/policies/terms.jsp
JSTOR is a not-for-profit service that helps scholars, researchers, and students discover, use, and build upon a wide range of content
in a trusted digital archive. We use information technology and tools to increase productivity and facilitate new forms of scholarship.
For more information about JSTOR, please contact support@jstor.org.
Sage Publications, Ltd. and Association Franaise du Marketing are collaborating with JSTOR to digitize, preserve and extend
access to Recherche et Applications en Marketing.
http://www.jstor.org
This content downloaded from 193.194.76.5 on Mon, 23 Mar 2015 10:11:02 UTC
All use subject to JSTOR Terms and Conditions
en Marketing,
vol. 18,n 2/2003
RechercheetApplications
: distinction
et mdiateurs
Les processusmodrateurs
conceptuelle,
et illustrations
aspectsanalytiques
RubnChumpitazCaceres
associ
Professeur
etde gestion- IESEG
Institut
d'conomiescientifique
JolleVanhamme
assistant
Professeur
- ERIM
Rotterdam
ErasmusUniversity
du consommateur
Laboratoired'analysedu comportement
(LABACC)
RSUM
- de ce que sont
- assortiede multiples
illustrations
unedfinition
Le butde cetarticleest,d'unepart,d'offrir
conceptuelle
au plan
la maniredontces variablesdoiventtretraites
et modratrices
les variablesmdiatrices
; etd'autrepart,d'expliciter
sontgalement
de chaquecas envisagthoriquement
Des exemplesconcrets
reprisdansl'article.
statistique.
mdiation
modration
Motscls : Modrateur,
modre,analysestatistique.
mdiatise,
mdiateur,
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 multipleavec variables muettes
2.2.3. Rgression multiplepar sous-groupes
2.2.4. ANOVA
article.
de maniregale la rdaction
du prsent
Les nomsdes auteurssontlistsparordrealphabtique
; ils ontcontribu
Ils peuventtrecontactsaux adressessuivantes:
of
ErasmusUniversity
Rotterdam
RubnChumpitaz
; Department
Caceres,IESEG, 3, ruede la Digue,59800Lille,France; JolleVanhamme,
; PO Box 1738,3000 DR-Rotterdam,
Pays-Bas,e-mail:jvanhamme@fbk.eur.nl.
Marketing
E. Dor pourses commentaires
et sonaide logistiqueainsique C. Pinson,V. des Garetset les quatrelecteursanonymes
Les auteursremercient
et suggestions
concernant
cetarticle.
pourleurscommentaires
68
RubnChumpitaz
Caceres,JolleVanhamme
III - Les mdiateurs

3.1. Aspectsconceptuels
3.2. Aspectsanalytiqueset illustrations
de BaronetKenny(1986)
de mdiation
successives- les conditions
3.2.1. Rgressions
avec des variablesmuettes
de mdiation
3.2.2. L'analysede l'effet
multiples
par rgressions
indirect
de l'effet
3.2.3. Testdu caractresignificatif
3.2.4. Notesurle cas de la suppression
IV - Modrateurs versusmdiateurs: quand choisirquoi ?
V - Les modrateursmdiatiss
VI Les mdiateursmodrs
VII - Conclusions
I. INTRODUCTION
De nombreuxtravauxen marketingont pour

l'existencede processusmodraobjetde dmontrer
dans le cadrede relationsliantune
teursintervenant
variableX unevariableY. Une variablemodratrice
est une variablequi modulel'effet
(ou modulatrice)
X surla variabledpende la variableindpendante
danteY (Brauer,2000). En d'autrestermes,le sens
de X surY varie(nt)selon
et/oula forcede l'influence
les niveauxde la variablemodratrice(Baron et
1981).
Kenny,1986 ; Sharma,DurandetGur-Arie,
FrancesetHoekstra(2002)
Parexemple,Verhoef,
montrent
que l'anciennetde la relationentreun
de l'inet un acheteurest un modrateur
fournisseur
de l'acheteurpar
fluencepositivede la satisfaction
surle
rapport sa relationvis--visdu fournisseur
nombrede servicesachets: plus la relationd'affairesestlongue,plusl'effet
positifde la satisfaction
vis--visde la relationsur le nombrede services
achetsestfort(cf.figure1,cas 1).
Un autreexempleestceluide Dahl,Manchandaet
que la familiarit
Argo(2001). Ces auteursmontrent
de l'influence
estunmodrateur
d'achatavecle produit
de la prsencesocialesurl'embarras
prouvvis--vis
de l'achatd'unproduitembarrassant
(exemple: prn'ontqu'un
les
consommateurs
:
servatifs) lorsque
d'achatavec le produit
nombrerestreint
d'expriences
d'achatavecle prounefaiblefamiliarit
(c'est--dire
d'une
la
conscience
duit),
prsencesociale accrot
alors que
l'embarrasressentipar le consommateur
led'achat
a
une
familiarit
consommateur
le
lorsque
n'affecte
sociale
d'une
la
conscience
ve,
prsence
ressenti
(cf.figure1,cas 2).
gurel'embarras
et Buss (1984) offre
Enfin,l'tudede Schaninger
modrateurs
d'effets
unebonneillustration
galement
lis la personnalit
cognitivedes consommateurs.
Ces auteursmontrent
que - pourles consommateurs
forte(c'est--dire
qui ontune capacitcognitive
des individusayantunefortetolrance l'ambigut,
des informations
complmentaires
qui recherchent
en vue de comprendre,
qui ontune forteestimede
soi) - plus la dcisiond'achatest peruecomme
complexeet risque,plus grandeestla quantitd'inestinverse
formations
Et,cetterelation
qu'ilstraitent.
ont
une
les
consommateurs
capacitcognitive
qui
pour
faible (plus la dcisiond'achatest peruecomme
complexeet risque,moinsgrandeest la quantit
d'informations
(cf.figure1, cas 3). Un
qu'ilstraitent)
effetinversest galementmis en videncedans
l'tudede Lichtl(2002) portantsurla couleurdes
: pour les annoncesconcerannoncespublicitaires
les couleursles pluslumineuses
nantdes chaussures,
alorsque pourles annonces
sontles plusstimulantes
les couleursles moinslumiles parfums,
concernant
neusessontles plusstimulantes.
etmdiateurs
: distinction
?
conceptuelle,
aspectsanalytiqueset illustrations
CAS 2
CASI
a
i
Relation
/de 25 ans
8 S
p|
S
"g
2 2
g3
||
/
//
/ X
D,
^/aiion
de 15ans
de5ans
vis--vis
de
Satisfaction
la relation
client-fournisseur
CAS 3
a
/
il
XX
^ J
> g
g -
|1
/X
// ^^^
fC***0*001^
^*^
o "2 1
S
/
S * /
ES /
69
Faible
familiarit
d'achatavecle
/m*llV
& "g
^ ,
Forte
familiarit 2
'
rntemBon
embarrassant
'tolete
LConscienced'une
sociale
prsence
j|
XX
/'
Capacit
Cgn/.
lv^/orr
yQ
'Cu^f
cognitivefaible
etrisque
Complexit
lis la dcision
d'achat
Figure1. - Reprsentation
graphiquedes effetsmodrateurs
(V
Qualit
perue
>jJ
Mdiateur:
Satisfaction
+(V
>v
J
d'un processusmdiateur
Figure2. - Illustrations
L'tudedes modrateurs
succdegnralement
de la
des tudesqui onteu pourobjetla vrification
relationempiriqueX-Y simpleet ontconclu l'exisvoire des
tenced'unerelationde forcediffrente,
rsultatscontradictoires
(relationpositivedans certainestudeset ngativedansd'autresou absencede
relationdans certainestudes).Ce genrede phnomne indiquetypiquement
l'existenceprobablede
processusmodrateurs.
ct des modrateurs,
la littrature
comprend
les
galementnombred'tudes visant identifier
entreune
processusmdiateursqui interviennent
variableX et une variableY. Un mdiateur
est une
variablequi reprsente
un mcanismepar lequel la
variableX influencela variableY : la variableX
exerceune influencesur le mdiateuret ce dernier
influence son tourla variableY (Baronet Kenny,
1986 ; Brauer,2000 ; Kenny,KashietBiger,1998).
Par exemple,l'tudede Ahluwalia,Burnkrant
et
Unnava(2000) meten videnceque - lorsqu'ilssont
exposs un message contenantdes informations
contre-attitudinales
au sujet d'une marqueX - les
consommateurs
fort cette
ayantun attachement
tendent
marque(brandcommitment)
s'engagerdans
unprocessusde traitement
biaisde ces informations
vacuerles informations
(c'est--dire
qu'ilstendent
contre-attitudinales
au profitdes informations
proC'est donc ce processusde traitement
attitudinales).
biais qui reprsente
le mcanisme- ou processus
mdiateur parlequel la valencedu messageexerce
uneinfluence
surle changement
d'attitude.
Dans le domainepublicitaire,
Lichtl(2002) rapl'existenced'unevariablemdiatrice
portegalement
des effets
de la couleurdominante
d'une annoncesur
le plaisirressentien prsencede l'annonce ; cette
variabletantla capacitde la couleur renforcer
le
sensdu message.
d'uneffetde mdiaEnfin,une autreillustration
tion est reprisedans l'tude d'Olsen (2002). Cet
auteurmontre
que la qualitperuea unimpactsurla
fidlit
du clientde parsoninfluence
surla satisfaction
de ce dernier(cf.figure2). La variablemdiatrice
est
par lequel l'influence
donc un transmetteur
de X
surY transite.
70
RubnChumpitaz
et positivepourun
niveaude la variablemodratrice
autregroupede consommateurs
; ou encore,elle peut
trefortprononcedans un groupeet faible,voire
dans un autre.Les processusmodrainexistante,
teursrpondentdonc la question quand, dans
l'effetX-Y se produit.Le
quelles circonstances
renvoie ce qui,dansla termiterme modration
.
d'interaction
dsigneun effet
nologiestatistique,
dans
se
Un effetde modration
pourra remarquer
les tableauxde corrlations
simples(exemple: la
entreX et Y sembleplus fortepourles
corrlation
estpositive
hommesque les femmesou la corrlation
pourles hommeset ngativepourles femmes)ou les
rsultats
(exemple: le coefd'analysesparrgression
de la variableX dansles rgresficient
de rgression
sions de Y sur X pourles deux sexes diffrent)
ou,
d'interaction
encore,parla prsenced'uneffet
significatifdansuneanalysede variance(exemple: interactionentrele facteur sexe et X). La reprsentation
estillustre
de modration
d'uneffet
conventionnelle
la figure3.
Remarquonsque dcelerla prsenced'un effet
modrateur
peut trecrucialdans certainscas. En
effet,il se peutque - pourla populationtotale- la
alorsque
relationentreX et Y soitnon significative
la
de cettedernire,
dans les diffrents
sous-groupes
Cette
relationsoit systmatiquement
significative.
situationpourra,par exemple,se prsenter
lorsque
les relationsX-Y sontde sensopposs(cf.figure4).
la prsenced'un modrateur
Ne pas identifier
peut,
l'absence
ds lors,conduire conclureerronment
de la variableX surla variableY.
d'influence
Aucune contraintene pse sur la naturedes
IL MODRATEUR
ellespeuventtrequalitatives
variablesmodratrices,
sexe
du
:
le
rpondant)ou quantitatives
(exemple
envers
:
l'attitude
l'annonce),nominaleou
(exemple
etde
modratrice
variable
nature
de
la
etc.
La
ordinale,
2.1.Aspectsconceptuels
revanche
dterminer
va
en
la variableindpendante
le typed'analysestatistique
permis.
Commenous l'avons mentionn
prcdemment,
de la relation
que si Z estmodrateur
Remarquons
estunevariablequi module
unevariablemodratrice
il estgaX-Y,d'unpointde vuepurement
statistique,
le senset/oula forcede l'effetde X sur Y (Baronet
de la
lementcorrectde dire que X est modrateur
Kenny,1986 ; Jameset Brett,1984). En d'autres
relationZ-Y. Ce n'estque le cadreconceptuelet les
termes,la relationX-Y peut trengativepour un
a prioriqui dterdu modlethorique
justifications
caractris
par un certain
groupede consommateurs
minent
laquellede X ou de Z estla variablemodratriil n'estgurepossiblede faire
ce ; au planstatistique
cettedistinction
(X et Z sonttoutesdeuxdes variables
elles sontau mmeniveau)(Jameset
indpendantes,
le lecteurestren1. Pourplusde dtailsau sujetde ces mthodes,
DurandetGur-Arie,
1984
et
alii
de
Roussel
Sharma,
1981).
Brett,
;
(2002).
voy l'ouvrage
et
Bien que l'analysedes processusmodrateurs
celle des processusmdiateursportenttoutesles
du rlejou parunetroisime
deuxsurl'exploration
variabledansla relationX-Y,ces processussontfontantau plan conceptuel
damentalement
diffrents,
si
cela
Mme
apparatparfoisdans
qu'analytique.
et mdiacertainsarticles,les termesmodrateurs
teursne peuventguretreutilissde manireinterde chacunde
changeable.De mme,l'identification
totaces deuxprocessusrelved'analysesstatistiques
lementdiffrentes.
la disLe butde cet articleest donc de clarifier
au
entre
les
deux
tinction
processus plan
qui existe
en exergue- en les illustrant
conceptuelet de mettre
complets- les diffrences
pardes exempleschiffrs
impliqueau plan des analyses
que cettedistinction
statistiques.
Il nousfautsouligner
que les aspectspropresaux
et mdiationdans le cadre des
testsde modration
avec variables
modles d'quations structurelles
- mthodes
croisunepopularit
connaissant
latentes
- ne serontpas
en marketing
santedansla recherche
un
abordsdans cet article.Ces modlesentranent
certainnombrede complexitsadditionnelles
(par
des modles,
exemple,les problmesd'identification
critrespropresd'valuationde la
de convergence,
qualitdes modles)qui dpassentle cadredu prsentarticlel.
?
et mdiateurs
: distinction
conceptuelle,
VariableX
j
'
j
H
Variabler
ModrateurZ
71
j
|
j
Z surF peutexistermaisn'estpas unecondition

ncessaire
(*) Un effet simple du modrateur
note
d'uneffet
de modration
l'existence
2).
(voir
Remarque: II est possible que le modrateurinfluencegalementla variable X. Cet lment
de l'effetde X sur Y reprisdans cetarticle.
n'intervient
cependantpas dans le testde modration
L'tude simultanede relationsinterdpendantes
requiertdes techniquesd'estimationplus
complexesque les rgressionssimples et multiples,VNOVA,etc., telles que les mthodes
(Hair et alii, 1998).
d'quationsstructurelles
conventionnelle
d'un effetde modration
A. Reprsentation
graphique
Y
Femmes
^^^.
s^^
Populationtotale
^
*^
^^
Hommes
^M
^m
^
^
>^
Hommes
Population
totale
^^^
C^^^^
Femmes
XX
B. Exemplechiffr
Il
sontprsents
ci-dessousde manireanalytique.
Les troiscas de figurereprsents
graphiquement
il existeune relationsignificative
que, dans la populationfminine,
(p = 0,004)
apparatclairement
ngativeentrela variableX et la variableY. De mme,dans la populationmasculine,la relationentre
ces deux variablesest significative
(p = 0,000), mais de sens oppos. En revanche,lorsqueles deux
sontagrges,la relationentrela variableX et Y n'apparatplus(p = 0,435).
populations
d'une relationentredeuxvariables- dansla populationtotale- en raisonde la
Figure4. - Non-identification
en compted'un effetmodrateur
non-prise
72
Rubn ChumpitazCaceres, Jolle Vanhamme
Populationdes femmes(N = 100)

: Y =5,431 - 0,156X (& = 0,082;& ajust= 0,073)
quationde rgression
t
B
ErreurStandard B standardis
Variable
(ou carttype)
Constante
13,98
0,389
5,431
X
0,053
-0,286
1 -2,96
I
I -0,156 1
0,000
[-0,004
Populationdes hommes(N = 100)

: Y =3,616 + 0,221X (R2= 0,164;R?ajust= 0,755)
quationde rgression
B
Variable
t_
Constante
9,75
3,616
0,371
X
0,404
4,38
0,050
|
|
1 0,221 |
p
0,000
1 0,000"
Populationtotale(N = 200)
: Y = 4,523 + 0,032X (R2= 0,003;R2ajust= -0,002)
quationde rgression
B
Variable
t_
Constante
14,93
0303
4,523
0,78
0,041
1
0,055
|
|X
| 0,032 1
p
0,000
| 0,435|
Figure4. - Suite
etillustrations
2.2.Aspectsanalytiques
de Z surla relationX-Y se
Un effetmodrateur
X x Z significatif.
un
effet
d'interaction
caractrise
par
En d'autrestermes,dans le cadred'unerelationX-Y
c de l'quation(a) estsignificale coefficient
linaire,
tif.Notonsque la linaritde la relationX-Y n'est
l'expos.L'quation(a)
supposequ'afinde faciliter
d'inla formegnralede l'analysed'effets
reprsente
teraction(Sharma,Durandet Gur-Arie,1981). Les
les
coefficients
b et d reprsentent,
respectivement,
effets simples de X et de Z sur Y (Irwin et
McClelland,2001). Remarquons
qu'ilpeuty avoirun
effet simple de la variableX et de la variable
sur F, mais ce n'estpas ncessaire
modratrice
modrateur
2.
l'identification
de l'effet
Y = a + bX+ dZ + cXZ + erreur
(a)
Diffrentes
techniquesstatistiquespeuventtre
: la rgresutilisesafinde testerl'effetd'interaction
sion multiple,la rgressionmultipleavec variables
et
muettes,la rgressionmultiplepar sous-groupes
l'ANOVA. Le choixdu typed'analysestatistique

mettreen uvredpendrade la maniredontles
variablesontt mesures(voirfigure5). Nous distinguonsdeux grandescatgoriesde mesures,les
et les chelles
chelles au moins intervalle
moinsqu'intervalle
. La premirecatgorierenc'est--dire
aux chelles
voieaux mesuresmtriques,
(ou cardinalesfaibles)et de ratio(ou
intervalle
cardinalesfortes); la seconderenvoieaux mesures
nominaleset ordinales(Evrard,Praset Roux, 1993 ;
Lambin,1994). Les diffrentes
techniquesd'analyse
sontreprisesaux sections
des effetsde modration
suivantes
etillustres
parunexemple.
2. Sharma,Durand et Gur-Arie(1981) distinguentdeux typesde modrateurs- les modrateurspurset les quasi-modrateurs- ainsi que ce que ces
de la notionde modration,selon laquelauteursappellentles homologizers.Les modrateurspursrenvoient la dfinition
purementpsychomtrique
avec la ou les variable(s)indpendantesmais n'estassocie avec la variabledpendantetoutau plus que
le un modrateurest une variablequi interagit
de manirengligeable.Il n'ya donc pas d'effet simple du modrateursur Y dans l'quation Y = a + bX + c(A x Z) 4- erreur.Cette dernire
conditionn'estpas exige pour les quasi-modrateurs.Un homologizerinfluencegalementla forced'une relation,mais il n'interagitpas avec la
associ la variabledpendante(Y). C'est le termed'erreurqui est une fonctiondu modrateur
variableindpendante(X) et n'estpas significativement
(Y = a + b X + c(Z x erreur)) . Cettetroisimecatgoriede modrateursn'estpas considredans le prsentarticledans la mesureo elle ne correspondpas la dfinitiond'un processus modrateurhabituellementadopte dans la littrature.
73
: distinction
?
et mdiateurs
conceptuelle,
sontLes variables
indpendantes
?
elles au moinsintervalle
/M>N,Z-N
/^SON,X^'
l
'
'
intervalle
maispasZ
Procder
:
uneanalysede
rgression
avec
multiple
variables
muettes
OU
uneanalysede
rgression
parsousgroupes
interva/fe
maispasX y
'
/'ON,X^'
I
:
Procder
uneanalysede
rgression
avec
multiple
muettes
variables
'
,f/Iterva/feil
Procder
:
uneanalysede
rgression
avec
multiple
muettes
variables
OU
uneANOVA
^'
i
'
/
:
Procder
uneanalysede
rgression
multiple
de mesure
en fonction
des proprits
Figure5. - Techniquesd'analysede l'effetde modration
des variablesindpendantes
il est important
Avantde dtaillerces dernires,
les
tests
de
modration
de souligner
peuventtre
que
variables
la
colinarit
entre
influencs
indpenpar
accrotl'imprcision
des coeffidantes(cettedernire
des variablesen cause et,ainsi,
cientsde rgression
de
le
augmente risque considrer tortces coeffidiffrents
de
cients comme non significativement
l'exiszro(Lambin,1994)). Il s'agitdoncde vrifier
tenceventuelle
de colinarit
entrevariableslorsque
l'onprocde ce genred'analyse.Le lecteurestrenvoy des ouvragescomme ceux de Hair et alii
(1998,pp. 189-193)ou de Gujarati(2003), qui dcriles venventles mthodespermettant
d'identifier
de colinarit.
tuelsproblmes
2.2.7.Rgression
multiple
Lorsqueles variablesX, Y et Z sont au moins
intervalle
, l'quation(a) est ajuste commetelle
le
biais
d'une analysede rgression
par
multiple.Un
chiffr
ce
de
type d'analyseest
exemple
complet
la
6.
repris figure
Il fautsouligner
que,mmesi l'analysten'estintou nonde l'inressque parle caractresignificatif
teraction
entreles variablesX et Z, il n'estpas correct
surle
la variabledpendante
de rgresser
uniquement
Il
des
deux
variables.
faut
toujoursgalement
produit
inclureles deux variablesX et Z dans le modlede
sur la
sans quoi l'effetde l'interaction
rgression,
avec l'effetsimple
variabledpendante
seraconfondu
des deuxvariables(ce qui accrot- tort- sa probabilit d'tresignificatif)
(Irwinet McClelland,2001).
De plus,pourles rgressions
pas pas (stepwise),il
fauttoujoursveiller entrerle produitdes deux
et
variables
(effet
d'interaction)
aprsles deuxvariables
ne jamais enleverles deux variablesdu modlefinal
mmesi les coefficients
de ces variablesne sontpas
(Irwinet McClelland,2001). Ces recomsignificatifs
mandationssontgalementvalablespourla rgression multipleavec variablesmuetteset par sousgroupes(les variablesX et Z sontautomatiquement
prisesen comptedans l'optionANOVA des logiciels
statistiques).
RubnChumpitaz
74
avec variablesmuettes
2.2.2.Rgression
multiple
X et/ouZ ne sontpas
Si les variablesindpendantes
au
moinsintervalle
d'chelles
mesuresau moyen
les
effets
de
ordinales),
(exemple: variablesnominales,
modration
peuventtreanalyssparle biaisde rgresavecvariablesmuettes
sionsmultiples
(dummy).
Par exemple,si Z est une variablediscrte 3
niveaux (exemple : implicationforte,modre et
faible),il convient
d'ajusterle modle(b) :
de
3 niveaux,il suffit
En effet,pourreprsenter
crerdeux variablesbinaires: Zx et Z2 (Zx = 0 et
Z2 = 0 estla base de rfrence,
parexemple faible
=
=
1
0
et
Z2
reprsente
l'impliimplication ; Zx
l'imcationmodreet Zx - 0 et Z2 = 1 reprsente
sont
la
significatifs,
plicationforte).Si cx et/ouc2
X
de surY.
de l'influence
variableZ estunmodrateur
Un exemplechiffr
de ce typed'analyseestrepris
la figure7 (section1).
Y = a+bX+d1Z1+d2Z2+c1XZ1+c2XZ2+erreiir (b)
entrela fidlitau pointde vente
reprisci-dessousportesurla relationexistant
L'exemplechiffr
de la provis--visdu pointde vente(X). Un effetmodrateur
des consommateurs
(Y) et la satisfaction
prouveune aversionau risque(Z) est postul: plus le conpensionavec laquelle le consommateur
et la fidlitseraforte.
sommateur
prouveuneaversionau risque,plusla relationentrela satisfaction
Pourtesterce modle,la fidToutesces variablestaientmesuressurdes chellesau moinsintervalle.
ainsique surle produitde ces deuxvalita trgressesurl'aversionau risqueet surla satisfaction
la prsenced'un effetsimplede la satisfaction
riables(XZ). Les rsultats
(px = 0,011) et de
indiquent
d'interaction
de ces deuxvariables(pxz = 0,013).
l'aversion
au risque(pz = 0,023),ainsique d'un effet
I
Y= 1,564+ 0,303Z+ 0,256X+ 0,055XZ (N=100; R2=0,833;
quationde rgression:
R2ajust= 0,828)
B
Variable
p
t_
Constante
0,004
2,96
0,528
1,564
X
2,61
0,011
0,098
0,280
0,256
2,31
0,023
0,274
0,131
0,303
_Z
1 0,051 1
'YZ
0,022
0,453
2,54
1 0,013~|
: si l'aversionau risque
metclairement
en videncel'effetd'interaction
L'quationde rgression
=
est
+
X
si
l'aversion
au
Y
est
est
0,311
;
1,867
1,
(Z)
gale 5, l'quation
risque
(Z)
l'quation
gale
est Y = 3,079+ 0,531X ; si l'aversionau risque(Z) estgale 10,l'quationest Y = 4,594 + 0,806X. Il
que la pentede la droites'accrotau furet mesureque l'aversionau risqueaugapparatclairement
mente.
25 -,
*
>
20-
Z=">
5 _^
o
1 "T
"-
i- iCO
i- iIO
i- iIs-
i- iOi
- it-
- iCO
i- iIO
iiIs-
i- iO5
VariableX
dansle cas de variables au moinsintervalles

Figure6. - Exempled'analysede processusmodrateur
?
et mdiateurs
: distinction
conceptuelle,
75
Section1 : analysepar le biais des variablesmuettes

enversl'annonce(Y)
L'exemplechiffr
reprisci-dessousportesurla relationexistantentrel'attitude
de l'implication
des individus
et les motionspositivessuscitespar l'annonce(X). Un effetmodrateur
est postul: plus l'implicationest forte,plus la relationentreles motionspositiveset l'attitudeenvers
l'annonce sera forte.L'attitudeet les motionspositivessont mesuressur des chelles au moins
troisniveaux:implication
Par contre,l'implication
est une mesureordinalecomprenant
intervalle.
faible,
t
transforme
en
variable
muette
forte.
Cette
variable
a
donc
modre
et
(Zl et
implication
implication
:
comme
suit
Z2)
Zl = 0 etZ2 = 0 : faibleimplication
Zl = 1 etZ2 = 0 : implication
modre
forte
Zl = 0 etZ2 = 1 : implication
Y a donct rgressesurles variablesX, Zl et Z2, ainsique surles
Pourtesterle modled'interaction,
produitsde X avec Zl et Z2 (c'est--direXZ1 et XZ2). Les rsultatsindiquentla prsenced'un effet
(pZi = 0,000 ; pz2 = 0,001),ainsique d'un
simpledes motionspositives(px = 0,000) et de l'implication
=
=
effetd'interaction
de ces deuxvariables(pxzi 0,002 ; pxz2 0,000).
: Y= 1,833+ 0,228X+ 1,831Zl + 1,59Z2 + 0,19XZ1 + 0y243XZ2(N=600; I
quationde rgression
R2 = 0,698; & ajust= 0,696)
B
t
Variable
p
Constante
0,305
0,000
6,01
1^833
0,000
0206
5,23
0228
0044
_X
0,417
0,000
U31
0,428
4,28
_Z1
Z2
0,001
0,362
3^6
1,590
0,460
XZ1
3J2
0,002
0,061
0,309
0,190
XZ2
0,063
0,427
3,87
| 0,000
|
|
I 0,243 I
|
1 Sommedes carrsrsiduelle(SCR) = 778,057;Carrmoyenrsiduel(CMR) = 1,310
: lorsquel'implication
est
metclairement
en videncel'effetd'interaction
L'quationde rgression
est modre
Zl et Z2 = 0), l'quationestY = 1,833+ 0,228 X ; lorsquel'implication
faible(c'est--dire
(c'est--direZl = 1 et Z2 = 0), l'quationestY = 3,664 + 0,418 X ; et lorsquel'implicationest forte
Zl = 0 et Z2 = 1), l'quationestY = 3,423+ 0,471X. Il apparatclairement
(c'est--dire
que la pentede la
droites'accrotau furet mesureque l'implication
de l'individuaugmente.
16 -,
I
^^^^
10a
8
S
6
^
^^^
^r
^^r
^^^
2---"""
0
Implicationfaible I
. ,. .
Implication
modre
^j^^
^-*m
l i i ,,,
t-^-r^orococMin
tr-
..-'
m...
Implicationforte
i
r-
CVI CM
Variable X

lorsquela variablemodratrice
suppose
estmoinsqu'intervalle
RubnChumpitaz
76
Section2 : analysepar sous-groupes

Dans cettesecondesection,nous avonsreproduit
l'analysede la section1 en procdantsousgroupepar sous-groupe
pluttqu'en utilisantles variablesmuettes.Les troissous-groupes
analyss
sontdonc : 1) l'implication
faible(N = 200) ; 2) l'implication
modre(N = 200) et 3) l'implication
forte(N = 200). Avantde procder cette analyse, nous nous sommes toutefoisassurs que
des variancespourles diffrents
niveauxde la variablemodratrice
tait
l'hypothse
d'homognit
bienrespecte(Hq : O2i = C22= G23 ; Hj : G2' ou G22ou G23 pas gale(s) ;
de Levene= 0,310 : p = 0,734> 0,05).
statistique
Les analysespar sous-groupes
montrent
une relation
qu'il existe,pourchacundes sous-groupes,
entreles motionspositivesetl'attitude
enversl'annonce(implication
faible: px = 0,000 ;
significative
modre: px = 0,000 ; implication
forte: px = 0,000). Par ailleurs,le calculdes testsen t
implication
deux deuxsontsignificatives
(c) et (c') tablitque deuxdes troisdiffrences
d'aprsles formules
(cf.
le point4, a) etb)). Il y a donceffet
de modration.
RSULTATSANALYTIQUESDU SOUS -GROUPE 1 - IMPLICATIONFAIBLE
I
: Y = 1,833+ 0,228X (N=200 ; & = 0,110; & ajust= 0,105)

I
quationde rgression
B
Variable
Erreur
Standard B standardis
t
p
Constante
1,833
0,323
0,000
5268
~T~
1 0,228 1
fSCR = 290,747;k = 1 ; CMR = 1,468
0,046
0,331
1 4,94 1 0,000~
|
RSULTATSANALYTIQUESDU SOUS-GROUPE2 - IMPLICATIONMODRE

: Y = 3,664+ 0,418X (N=200 ; & = 0,384; & ajust= 0,381)
1
quationde rgression
B
Variable
Erreur
t
p
3,664
0,264
13,87
0,000
~Constante
0,038
0,620
11,11 | 0,00~
| 0,418 1
|
|
HSCR = 200,768; k= 1 ; CMR =1,014
|
RSULTATSANALYTIQUESDU SOUS-GROUPE3 - IMPLICATIONFORTE

: Y = 3,423+ 0,471X (N=200 ; R2 = 0,331;& ajust= 0 328)
I
quationde rgression
B
Variable
t
p
Constante
3,423
0,362
0,000
9^44
~X~
0,048
0,575
9,90
| 0,471 1
|
|
| 0,00~
|SCR = 286,542; k= 1 ; CMR =1,447
|
COMPARAISONS DES COEFFICIENTS DEUX DEUX SELON (C) ET (C)

faibleversusmodre
a) Implication
S2 agrg= [(200-1-1)x 1,4682+ (200-1-1)x l,0142]/[400- (1+1+2)] = 1,59161
+ 0,0382/l,0142)l/2
t = [0,228-0,418]/[1,59161x (0,0462/l,4682
] = -2,444(p < 0,05)
faibleversusforte
b) Implication
S2 agrg= [(200-1-1)x 1,4682+ (200-1-1)x 1,4472]/[400 - (1+1+2)] = 2,12442
+ 0,0482/l,4472)l/2
t = [0,228-0,471]/[2,12442x (0,0462/l,4682
] = -2,507(p < 0,05)
Figure7. - Suite
?
: distinction
et mdiateurs
conceptuelle,
11
modreversusforte
c) Implication
S2 agrg= [(200 -1-1) x 1,0142+ (200 -1-1) x 1,4472]/[400 - (1+1+2)] = 1,561
+ 0,0482/1,4472)1/2
t = [0,418- 0,471]/[1,561x (0,0382/1,0142
] = - 0,678 (p > 0,05)
la note3 (section2.2.3)
Remarque: calculsrelatifs
- l'existenced'un effet
Le F testde la note3 indique- l'instardes testsprcdents
modle
du
donnes
1
les
section
d'interaction
complet):
(voir
pour
- modlerduit: Y= 0,871+ 0,370X+ 3J16Z1 + 3,296Z2(N=600; I
quationde rgression
R2 = 0,690;& ajust= 0,688)
t
B
p
Variable
0,000
4,55
Constante
0191
0871
0,000
14,46
0,335
0,026
0,370
X_
0,000
26,89
0,709
0,116
3,116
_Z1
Z2
28,15 | 0,000
|
0,750
|
0,117
| 3,296 1
I
rSCR = 800,184;CMR= 1,343
(SCR (rduit)SCRicompiet))/
Ac -r) =
(800,184 - 778,057)/
CMR (complet)
7(5-3) = 8,445> F (2, 594)
1,310
Figure7. - Suite
et la variable
Lorsque la variablemodratrice
moinsqu'indeux
toutes
les
X
sont
indpendante
tervalle, des variablesmuettespeuventtreutilises pourles deux variables.Par exemple,si Z est
une variable 3 niveaux (exemple : implication
forte,modreet faible)et X une variable deux
niveaux(exemple: bonnehumeurversusmauvaise
humeur),le mmemodle que le modle (b) sera
de la variableX seradiffajustmaisl'interprtation
binaire.Elle seragale
variable
rente.Il s'agirad'une
0 si l'onestde mauvaisehumeur
(niveaude rfrence)
et gale 1 si l'on est de bonne humeur.Si, par
X a troisniveaux,il
contre,la variableindpendante
conviendra
d'ajusterle modle(d) :
Y = a + bjXi + b2X2+ xZx+ d2Z2+ CjXA
+c2XjZ2 + c3X2Z!+ c4X2Z2+ erreur
(d)
la variable
desc estsignificatif,
Si l'unou plusieurs
de X sur Y (cf.
Z est un modrateur
de l'influence
8, section1).
exemplede ce typed'analyse la figure
Il est soulignerque la maniredont les

variablesmuettessontcresinfluenceles rsultats
des analyses de rgressionmodre (c'est--dire
En effet,Irwinet
modleavec termemultiplicatif).
en videnceque coder
McClelland(2001) mettent
les variablesde manirebinaire(0, 1) ou en utilisant
des contrastes(- 1, 1) a un impactsur les coeffiainsique surles
cientsdes variablesdansla rgression
dans le
variables
entre
corrlation
de
coefficients
modle de rgressionmodre.Remarquonsque
changerl'origined'une variabledpendanteen lui
uneconstante
(comme
ajoutantou en lui soustrayant
c'est, par exemple,le cas lorsqueles donnessont
les donnesou leurappliquer
centres); standardiser
linaireproduitgalementce
une transformation
typed'effet(Irwinet McClelland,2001). Il estdonc
de toujoursbienindiquerla maniredont
important
et de
les variablesontt codes et/outransformes
de
choisirle typede codage et/outransformation
donnesde telle sortequ'il metteen videnceles
aspectsqui ontle plus grandintrtpratiqueet/ou
thorique.
RubnChumpitaz
78
Section1 : Applicationavec l'utilisationdes rgressionsmultiplesavec variablesmuettes

des
L'exemplechiffr
reprisci-dessousportesurla relationexistantentrela satisfaction
Il
cette
relation
varie
selon
l'humeur
de
ces
derniers.
est
consommateurs
et
(Y)
que
postulque
est mesuresur une
l'implicationde l'individuest faible,modreou forte.La satisfaction
En revanche,
sontdes variablesordinales;
l'humeur
et l'implication
chelleau moinsintervalle.
humeurneutre,
humeurpositive)
la variablehumeurcomprend
troisniveaux(humeurngative,
et la variable implication,trois niveaux (faible, modreou forte).Elles ont donc t
en variablesmuettes(X' et X2 pourl'humeuret Zj et Z2 pour l'implication)
transformes
commesuit:
X' = 0 etX2 = 0 : humeurngative
Xj = 1 etX2 = 0 : humeurneutre
Xi = 0 etX2 = 1: humeur
positive
Z' = 0 etZ2 = 0 : faibleimplication
modre
Z' = 1 etZ2 = 0 : implication
=
=
forte
Z' 0 etZ2 1 : implication
la variable Y a t donc t rgressesur les
Pour testerle modled'interaction,
variablesXI, X2, Zl et Z2, ainsique surles produits
Xi x Zi de ces quatrevariables(c'est-direX1Z1, X1Z2, X2Z1 et X2Z2). Les rsultatsindiquentla prsenced'un effetsimplede
l'humeur(pXi = 0,000 ; pX2= 0,000) et de l'implication
(pzl = 0,000 ; pZ2= 0,001),ainsique
d'un effetd'interaction
de ces deuxvariables(pxizi = 0,000 ; pxiZ2= 0,000 ; px2Zl= 0,883 ;
=
PX2Z2 0,304).
I
: Y = 2,364+ 3,424XI + 3,606X2 + 1,636Zl + 3,152Z2 - 1,818X1Z1quationde rgression
2,879X1Z2- 0,061X2Z1- 0,424X2Z2(N=297 ; & = 0,686;& ajust= 0,677)
t
B
Erreur
Variable
p
Constante
11,48
0,000
2,364
0,206
XI
0,000
0,777
11,75
3,424
031
X2
0,000
0,818
12,38
0291
3,606
0,000
0371
5,62
0291
1^636
_Z1
Z2
10,82
0,000
0291
0,715
3,152
X1Z1
-4,41
0,000
0,412
-1,818
0,275
- 2,879
X1Z2
0,000
6,99
0,412
-0,435
X2Z1
-0,147
0,883
0,412
-0,061
0,009
0,412
| 0,304 ]
-0,064
1 -1,03
|
| -0,424 I
I X2Z2
et la variableX
lorsquela variablemodratrice
sontmoinsqu'intervalle
etillustrations
?
: distinction
Lesprocessus
modrateurs
etmdiateurs
conceptuelle,
aspectsanalytiques
79
Section2 : applicationavec le testd'ANOVA

dcrite la section1,il estplusais de procder
la situation
Lorsqueles donnescorrespondent
ci-dessous.Les rsultatsmontrent
Cette dernireest reproduite
une analyseANOVA traditionnelle.
=
et
de
un
effet
de
l'humeur
l'implication(p = 0,000) ainsi qu'un effet
simple
(p 0,000)
galement
=
d'interaction
significatif
(p 0,000).
Variablesindpendantes
HUMEUR
IMPLICATION
HUMEUR x IMPLICATION
ddl
2
2
4
F
210,14
74,32
14,82
P
0,000
0,000
0,000
I SCR = 403,273; ddl= 288 ; CMR = 1,400; N = 297
en reprsentant
les 9 pointsdu
Ces rsultatspeuventaismenttrereprsents
graphiquement,
un mmeniveaud'implication(certains
tableauci-dessouset en reliantles pointscorrespondant
commeSPSS, disposentd'une optionqui permetde raliserce genrede
logicielsd'analysestatistique,
:
graphiqueautomatiquement)
10
c
.2 8 42 6| 4 w
2-
^^
^>^^
"-~
-.77
- -faible
implication
- #- implication
modre
-A- forte
implication
^
^^jlfr^--^=;::'^#
^*
humeur
neutre
bonne
humeur
mauvaise
humeur
Moyennes de
satisfaction:
Humeur
BONNE NEUTRE MAUVAISE
C
O
FAIBLE
5,96
5,78
2,36
MODRE
7,54
5,60
4,00
8,69
6,06
5,51
1-1 FORTE
Figure8. - Suite
RubnChumpitaz
80
est
avec variablesmuettes
L'analysede rgression
variables
l'une
des
deux
unepremire
optionlorsque
(X et Z), voireles deux,ne sontpas
indpendantes
.
mesures
au moyend'chelles au moinsintervalle
D'autres techniquespeuvent,cependant,galement
treutilisesdans deux cas spcifiques: lorsquela
et
Z est moinsqu'intervalle
variablemodratrice
X
Z
moins
les
deux
variables
et
sont
qu'interlorsque
valle. L'analysede rgression
(secparsous-groupes
cas ;
tion2.2.3) pourratreenvisagedansle premier
FANOVA(section2.2.4),dansle second.
2.2.3.Rgression
multiple
par sous-groupes
Lorsque la variablemodratricesuppose est
et la variableindpendante
moinsqu'intervalle
X
il
d'efest au moinsintervalle
est
,
envisageable
fectuerune analyse par sous-groupes,c'est--dire
Y surX pourchacundes sous-groupes,
plutt
rgresser
les donnesparuneanalysede rgresde
traiter
que
Les rsultats
mneront
sionavec variablesmuettes.
des conclusionstout faitidentiques.La diffrence
dansla manirede raliserle test
rsidesimplement
donner
des
instructions
au logicield'analyse).
de
(ou
sont
les
diffrentes
modalitsde la
Les sous-groupes
variablemodratrice
suppose(exemple: hommes
versusfemmes).Il s'agitensuitede testerl'existence
au plandes coefficients
d'unediffrence
significative
des groupes(Baronet
de rgression
(nonstandardiss)
Kenny,1986). En d'autrestermes,il fauttesterle
du testt suivant(Hardy,1993,
caractresignificatif
p. 52) :
.
*-
"sous-groupe 1
"sous-groupe 2
I bsous- groupe1
Sagrgy ^
+,
, v
')
bsous- groupe2
O bsous_grOupe
i et bsous_groupe
2 sont les estimations
de la variableX,pourles
de rgression
descoefficients
1
:
sous-groupes (exemple hommes)et 2 (exemple:
femmes); s^.^
2 la variancede
l et s*sous_groupe
ces coefficients
; s' et s', le SCR/n-k-lpourchaque
est
la sommedes carrsrsiduelleet
groupe(SCR
au carrmoyenrsiduel)etk le
SCR/n-k-l
correspond
corresLe s*grg
nombrede variablesindpendantes.
pond l'quation(c').
(ih - kt - l)g + (n2- k2- l)s*
N-(k!+k2 + 2)
o N = ni +n2
(C)
S'il y a plus de deux sous-groupesdiffrents

commedans le cas de l'implicationfaible/modre/
il s'agitde calculerl'quation(c) pourchaque
forte,
faibleversus
groupecompardeux deux(implication
faibleversusforte; implicamodre; implication
tionmodreversusforte),et montrer
que le rsultat
dansuncas au moins
de cettedernire
estsignificatif
(cf.figure7, section2 pourune applicationde cette
mthode l'exemplede la figure7, section1) 3.
3. Il est noterque certainstests,commele testde Chow (I960),

de testerl'galitentredeux (ou plusieurs)quations
permettent
(par exemple,l'quation de la populationdes hommesversus
:
des femmes).Le testde Chowrequiert
l'quationde la population
le modlede rgression
1) d'estimer
pourchaquesous-population
parexemple- ce qui permet
pourles hommeset pourles femmes,
d'obtenirla sommedes carrsrsiduellepourchaque rgression
pourla
(SCRj et SCR2) et 2) d'estimerle modlede rgression
populationtotale,ce qui permetd'obtenirla sommedes carrs
Le F (avec
rsiduellepour cet chantillonagrg (SCRagrg).
de
test
raliserest
Jfc
+ 1, n'+ri2-2k-2
libert)
degrs
(Gujarati,2003,p. 276 ; Hardy,1993,p. 87) :
SCRagrg [SCRl + SCR2]/(*+ 1)
[SCRi + SCR2]/(wi+n2-2k-2)'
et
le nombrede variablesdu modlede rgression
o k reprsente
wi+2> le nombred'observationsdans les sous-populations.
ne fournit
ce test- lorsqu'ilestsignificatifpas d'indiCependant,
se situe.Il peuts'agirde la
cationquant l'endroito la diffrence
de la constanteou encoredes
pentede la droitede rgression,
cas refltent
un cas de modration).
deux (seuls les deuxderniers
Afinde localiserla sourcede la diffrence
(c'est--direpenteou
il estncessaired'utiliserles variablesmuettes
constante),
(Gujarasuivante
ti,2003,pp. 277 et 306-309; Hardy,1993). La procdure
de Y surles
de la rgression
peutalorstreadopte: 1) estimation
variablesdpendantesX et Z (variablemuette; par exemple,
hommeversusfemme)et,ainsi,de la sommedes carrsrsiduelle
de la rgression
de Y surles variables
; 2) estimation
(SCR(rduit))
dpendantesX, Z et le produitdes deux (c'est--direXZ) et,
et le carr
ainsi,de la sommedes carrsrsiduelle(SCR(complet))
test
Le
moyen rsiduel (CMR(complet)).
F(C_r>#-c-i)devient
:
et
(Kleinbaum alii, 1998)
(SCR(rduit) SCR(Compiet))/(c r)
CMR (complet)
le nombrede variablesdu modlede rgression

o r reprsente
rduitetc le nombrede variablesdu modlede rgression
complet.
la mmeinformation
Ce testfournit
exactement
que si l'on testele
de '0' du coefficientde
diffrent
caractresignificativement
de XZ de l'quation(a) (voirla procduredcriteau
rgression
des
de rgression
point2.2.2.) ou l'galitdes deux coefficients
deux sous-groupes
(voirla procduredcriteau point2.2.3). Il a
de l'interacsignificatif
l'avantagede testerle caractre
cependant
tionde manirecollective(Kleinbaumetalii, 1998).
: distinction
?
et mdiateurs
conceptuelle,
81
donc la question comment,

pourquoi
rpondent
une variable
l'effetX-Y existe. Contrairement
le mdiateuret la variableX ne se
modratrice,
situentpas au mme niveau de causalitau plan
conceptuel: X est un antcdentde la variable
mdiatrice
et cettedernireest un antcdent
de Y.
revtdoncle statut
de variable
La variablemdiatrice
selonl'angle
ou de variableindpendante
dpendante
elle
est
observe
en
sous
modrateur,
(un
lequel
2.2.4.ANOVA
une variableindrestesystmatiquement
revanche,
Z et la variable
pendantequel que soitl'angled'analyse,cf.figure3
Lorsquela variablemodratrice
versusfigure2). Lorsqu'unevariableest mdiateur
X
sont
toutes
les
deux
moins
indpendante
qu'interde
la relationX-Y,on ditque la variableX a un effet
valle, il estplus simpleet plusdirectde procder
unepartie
indirect
surla variableY. En d'autres
termes,
une analyse ANOVA plutt que de transformer
X
Y
sur
moins
de
l'influence
de
au
etde
manuellement
les variablesen variablesmuettes
passe par la
de la
mdiatrice.
Ds
si
l'influence
variable
lors,
les traiterpar une analyse de rgressionavec
la
variablemdiatriceest contrlestatistiquement,
variablesmuettes. nouveau,il fautsoulignerque
relationX-Y disparatou est attnue(Baron et
des conclusionsidentiques
les rsultats
conduiront
Kenny,1986 ; Brauer,2000 ; Jameset Brett,1984 ;
d'analysechoisie.
quelleque soitla technique
le
Le cas trait la figure8 refltetypiquement
Kenny,KashyetBiger,1998).
Il fautsouligner,
ce stade,que si l'influence
de X
tre
trait
le
biais
d'une
de
cas
par
analygenre
quipeut
sur Y disparat totalementen prsence de la
se ANOVA3x3 (voirsection2 de la figure8 pour
on se situedansuncas
variablesupposemdiatrice,
uneapplication
de l'analyseANOVA l'exemplede la
de X
de mdiationditecomplte.Lorsquel'influence
section 1 - traitpar rgressionavec variables
Y
sur
est
rduite
mais
ne
se
rencontre
trs
frCe
simplement
disparatpas
muettes). genred'analyse
du mdiateur
dansle cadredes tudesfaisant
totalement,
potentiel
lorsquel'influence
appel des
quemment
est contrle,on se retrouvedans un cas dit de
avecmanipulation
de variables.
plansexprimentaux
dansla littrature, mdiationpartielle(voirfigure9, cas 1) (Baronet
l'existence,
Soulignons
galement
de certains
travauxqui afinde retomber
dansle cas
Kenny,1986 ; Brauer,2000 ; Kenny,Kashyet Bolseule
simple de l'analyseANOVA transforment
les
ger,1998). Dans les cas de mdiation
partielle,
la
une partiede l'effetde X sur Y s'exerce travers
en variablescatgovariables au moinsintervalle
variablemdiatrice
etl'autrepartiede ceteffet
s'exerce
techniquespource faire,
riques.Il existediffrentes
surla variableY ou, ventuellement,
via
directement
trsarbitraires
etconduimaisellessontgnralement
uneautrevariablenonpriseen comptedansle modle
unepertede finessedansl'insentsystmatiquement
de X surY estmdiatise
formation
selon
(si l'influence
parM etM' et
(par exemple,dcouperl'chantillon
M'
n'est
les
la mdiane(median-split)).
Ce genrede pratiquen'est
mesure,
que
pas
analysesde mdiation
concluront
la
mdiation
conseill
et
partiellede X-Y par M,
(Irwin McClelland,2001).
gure
voirfigure9, cas 2). Une foisencore,c'estle modle
s'il y a mdiade dterminer
thorique
qui permettra
ou si la mdiation
tionpartielleeffective
estcomplte
III. MDIATEUR
mais passe par plusieurs variables mdiatrices
(Brauer,2000).
Toutcommedans le cas de l'analysede modra3.1. Aspectsconceptuels
tion,il fautsoulignerque l'analysede mdiationne
si la squencecausalepostule
permetpas de vrifier
Commenousl'avons mentionn
en introduction, est exacte (seule une manipulationexprimentale
unmdiateur
estunevariablequi permet
la
testerla causalit).Elle vrifie
permetde rellement
d'expliquer
manire,le processus par lequel la variable X
si, comptetenud'un modlethorique
uniquement
influencela variableY. Les processusmdiateurs
causal dfinia priori,la variablesupposejouer le
Avant d'effectuer
ce type d'analysepar sousil
toutefois
de s'assurerau pralable
groupes, s'agit
aux testsstatistiques
les
conditions
que
sous-jacentes
de la variancepour
utiliss tellesque l'homognit
- sont
niveauxde la variablemodratrice
les diffrents
ne sontpas respectes,
un
(si ces conditions
respectes
dansles rsultats).
biaisrisqued'treintroduit
RubnChumpitaz
82
des attentes=> attitude

modle non-confirmation
enversla marque=> fidlit la marque et montre
Elle
de mdiationsontrespectes.
que les conditions
la
l'attitude
envers
conclut,ds lors, que
marque
mdiatisela relationexistantentrela non-confirma la marque(cf.figure10,
etla fidlit
tiondes attentes
cas 1). Supposons,d'autrepart,que - sur la base
rle de variablemdiatriceremplitbien les conditionsde mdiation.

cet gard,il fautgalementsoulignerque des
analyses de mdiationpeuvent conduire des
et susciterune avance au
conclusionsdiffrentes
Supposons,d'unepart,
plandes modlesthoriques.
l'appui- le
thoriques
qu'unetudeteste- arguments
d'unemdiationpartielle
conventionnelle
Cas 1. Reprsentation
VariablemdiatriceM
VariableX
VariableY
Cas 2. Mdiationpar deuxvariables

| VariablemdiatriceM
X
Variable
Variabler
^3fr|
'^
M*
Variablemdiatrice
nonmesure
d'uneassociationfallacieuse(ou fausseassociation)
Cas 3. Reprsentation
M
Variable
X
Variable
Y
Variable
partielleet d'associationfallacieuse(ou fausseassociation)

Figure9. - Cas de mdiation
: distinction
et mdiateurs
?
conceptuelle,
83
Section1. Reprsentation
graphique
CAS 1
C^-confirmatk^T^)
^^/
Attitude
vis--vis
de la
marque
>
Fidlit
la marque
^(
^~-
^^
Fidlit
la
marque
N.
>.
J
CAS 2
CN^n-confirmatoT^)
^^^^y
^^'.
(^^-confirmat^r^
'^
^^y
f
'.
Attitude
vis"-vis
J)
de la marque
j[
Attitude
vis--vis >.
J
de la marque
Satisfaction
vis--vis
de V/
la marque
^^
__
^>(
Testsdes conditionsde mdiation
>v
J
Fidlit la
marque
V.
CASI
I CAS 2
CAS 3
=> pvalue non-confirmation

< 0,05
Fidlit= f (non-confirmation)

< 0,05
Attitude= f (non-confirmation)

< 0,05
Satisfaction= f (non-confirmation)
< 0,05
Fidlit= f (non-confirmation,
attitude)=> pvalue attitude
< 0,05
Attitude= f (non-confirmation,
fidlit)=> pvalue fidlit
Fidlit= f (non-confirmation,
< 0,05
satisfaction)=> pvalue satisfaction
= f(non-confirmation,
Attitude
=> pvaluesatisfaction
< 0,05
satisfaction)
^^^^^^^^^^^S
^
"^^"^M]?' ^i^'S
^^^T^^^- '^}^k^^.
Section2. Exemplechiffr
Cettesectionreprend
unexemplechiffr
la section
pourchacundes troiscas envisagsgraphiquement
1. Pourle cas 1, les rsultats
: 1) uneinfluence
de la non-confirmation
surla fidlit
indiquent
significative
surl'attitude
1) ; 2) uneinfluence
(Px = 0,029; condition
significative
(px = 0,014;
=
condition
de l'attitude
surla fidlit
2), et 3) uneinfluence
3) alorsque
significative
(pM 0,000; condition
l'influence
surcettevariabledevientnonsignificative
4).
(px = 0,228 ; condition
nonmesure l'origine
Figure10. - Exemplede variablemdiatrice
RubnChumpitaz
84
Cas 1 : Non-confirmation
(X) -> Attitudevis--visde la marque (M) -> Fidlit la marque (Y)
Condition1
I
: Y = 7,667+ 0,096X(N = 414 ; R2= 0,011;R2ajust= 0,009)

quationde rgression
t
B
Variable
Constante
23,31
0,329
7,667
IX
1 0,096 1
0,044
0,107
2,19
~~|
p
0,000
1 0,029 |
Condition 2
I
: M = 8,830+ 0,061X(N = 445 ; &= 0,013; & ajust= 0,011)

quationde rgression
~~|
t
B
Variable
p
Constante
0,000
47,31
0187
8,830
IX
0,061 1
0,025
0,116
2,46
1 0,014 |
Condition 3
: Y= 1,786 + 0,049X + 0,672M (N=411; & = 0 167 ; & ajust=

quationde rgression
t
B
Variable
Constante
0,741
1,786
2^1
Ul
0,055
0,041
0,049
_X
8,74
|
1
0,398
0,077
|
IM
1 0,672 |
0,163'H
p
0,000
0,228
0,000 |
b4= 0,672
= 0,000 -> b4*0

signification
tb4=8,744
Condition 4
= 0,228 -> b3 nonsignificativement
*0
signification
b3= 0,0489 tb3= 1,207
CONCLUSION : L'attitudevis--visde la marqueest un mdiateur

completde l'influencede la non la marque.
confirmation
surla fidlit
Les donnesdu cas 1 sontcependantgalementcompatiblesavec le cas 2 (ci-dessous).En effet,la
2 du cas 1 vrifiela condition
2 du cas 2 et la condition
la condition
condition1 du cas 1 permetde vrifier
de la fidlitsur l'attitude
1 du cas 2. Par ailleurs,les rsultatsindiquentune influencesignificative
=
cettevariabledevientnon
sur
de
la
non-confirmation
l'influence
alors
condition
3)
que
(Pm 0,000 ;
=
condition
de
5
%
un
niveau
de
4).
(px 0,083 ;
signification
pour
significative
(X) -> Fidlit la marque (M) -> Attitudevis--visde la marque (Y)
2 et 1 du cas 1.
les conditions
CONDITIONS 1 et 2 : voirrespectivement
Condition3
I
quation de rgression:Y=7
Variable
Constante
_X
1M
b4= 0,235
+ 0,042 X + 0,235 M (N= 411 ; & = 0,170 ; & ajust = 0,166)
ErreurStandard
B
0,273
7,000
0,024
0,042
0,027
|
0,235 1
tb4= 8,744
B standardis
0,079
0,397
t
25,63
1,74
8,74
= 0,000 -> b4*0

signification
Figure10. - Suite
p
0,000
0,083
0,000 |
?
: distinction
et mdiateurs
conceptuelle,
Condition 4
tb3= 1,739
03 = 0,0416
85
= 0,083 -> 03 nonsignificativement

*0
signification
la marqueestunmdiateur
CONCLUSION : La fidlit
completde l'influence
vis--visde la marque.
surl'attitude
Le testdu cas 3 indiqueque cettesituationcorrespond un cas de mdiationtotalepar une
- de l'influencede la non-confirmation
surla
des consommateurs
quatrimevariable- la satisfaction
ET l'attitude
enversla marque.
fidlit
(X) -^ Satisfactionvis--visde la marque (M) ~^
Non-confirmation
(X) -> Satisfactionvis--visde la marque (M) "^
marque (Y')
Fidlit la marque(Y)
Attitudevis--visde la
la condition1 de ce nouveaumodlede
de vrifier
Les conditions1 et 2 des cas 1 et 2 permettent
ci-dessous
montrent
mdiation.Par ailleurs,les rsultatsrepris
que les conditions2, 3 et 4 sont
surla satisfaction
a uneinfluence
: la non-confirmation
satisfaites
(px = 0,000 ;
significative
galement
sur l'attitude(pM = 0,000 ;
condition2), et cettedernirea galementune influencesignificative
=
condition3) et surla fidlit(pm 0,000 ; condition3) alorsque l'influencede la non-confirmation
surces variablesdevientnonsignificative
(pourl'attitude: px = 0,724 ; pourla fidlit: px = 0,747 ;
condition
4).
2 et 1 des cas 1 et 2.
Conditions 1 et2 : voirles conditions
Condition2
quationde rgression:M = 7.950 + 0.124 X(N = 408 ; & = 0,031; R2ajust= 0.028)
t
B
Variable
Constante
30,58
0,260
7,950
0,175
0,035
1 3,58
|
I
1 0,124 I
|X
1
~|
p
0,000
0,000 ~|
Conditions3 et 4
: Y'= 5,699+ 0,008X + 0,399M(N= 411 ; R2 = 0,290; R2ajust= 0,287)

quationde rgression
~~|
t
B
Variable
p
Constante
18,79
0,000
0,303
5,699
0,35
0,724
0,023
0,015
0,008
JC
1M
0,399 1
0,032
0,536
12,52 |
: Y= 2,221 + 0,013X + 0,682M (N = 390 ; R2 = 0,287; R2 ajust=

quationde rgression
t
B
Variable
Constante
4,18
0,531
2,221
0,32
0,040
0,014
0,013
^
0,056
0,533
1 12,21 [
|
1M
| 0,682 1
I
Figure10. - Suite
0,000~|
0,283) ~~|
p
0,000
0,747
0,000~|
86
RubnChumpitaz
- d'autreschercheurs
d'autresarguments
thoriques
des attentes
le modle non-confirmation
testent
=>
la marque= attitude
enversla marque et
fidlit
- parla fidlit
la mdiatisation
concluent
complte
des
la marque- de la relation non-confirmation
- attitude
vis--visde la marque (cf.figure
attentes
- qui peuventsembler
Ces
deux
rsultats
cas
10,
2).
en ralit
de primeabord- indiquent
contradictoires
l'existenceprobabled'une variablemdiatricenon
mesureet non prise en compte dans les deux
modlesthoriques
concurrents
(Brauer,2000). Cette
la fois la relation nonvariablemdiatiserait
confirmation
des attentes- attitudevis--visde la
- fidlit
et
non-confirmation
des attentes
marque
la marque. Cette variablepourrait,
par exemple,
tre la satisfactionvis--vis de la marque
(cf.figure10,cas 3).
3.2.Aspectsanalytiques
etillustrations
La mthodehabituellement
utilise,dans les tral'existenced'un
vaux en marketing,
afinde vrifier
est
ou
effetmdiateur
complet partiel la mthodedes
successives
propose
(simplesetmultiples)
rgressions
et
Baron
Kenny(1986) (section3.2.1) 4. Si l'enpar
n'estpas de nature
au
considres
sembledesvariables
moinsintervalle,
des rgressions(simpleset mulserontutilises(section
tiples)avecvariablesmuettes
est de tester
si
le
but
du
chercheur
3.2.2). Enfin,
l'existenced'un effetmdiateurau moins partiel,
si l'effetde mdiationest partielou
sans distinguer
de l'effet
le
test
du caractresignificatif
complet,
tre
indirect
pourra envisag(section3.2.3).Avantde
il estimportant
de
ces diffrentes
dtailler
mthodes,
les
tout
comme
analysesde
pour
soulignerque
- les testsde mdiationpeuventtre
modration
entrevariablesindpeninfluencs
parla colinarit
les prodantes(notonsqu'unemanirede contourner
blmes lis la colinaritest de disposerd'un
chantillonsuffisamment
grand(Kenny,Kashy et
5.
Bolger,1998))
4. Nous tenons soulignerqu'il existedes travauxau sujetde la

ceux de Baron et Kenny(1986) comme
mdiationantrieurs
ceux,parexemple,de Maccorquodaleet Meehl(1948), Rozeboom
(1960) ou Boudon(1970).
(1956),Durkheim
de X sur
5. En effet,
plusM mdiatiseunelargepartde l'influence
y, plus M et X serontcrreles(c'est--dire
que X expliqueraune
largepartiede la variancede M) et plus la puissancedu testdes
de
successives- les conditions
3.2.1. Rgressions
de BaronetKenny(1986)
mdiation
Afinde vrifier
un effetmdiateur
completde M
dans le cadre de la relationX-Y, Baron et Kenny
:
(1986) ontproposde testerquatreconditions
1:
Condition
sur
La variableX doitavoirun impactsignificatif
Y surX et de
la variableY. Il s'agitdoncde rgresser
montrerque le coefficient
bx dans l'quationde
(e) estsignificatif.
rgression
Y = ai + biX + erreur!
(e)
l'effet
totalde X surY.
Le coefficient
bi reprsente
Y
varie
de
X
varie
d'une
unit,
b' units.Cet
Lorsque
directet
des
effets
la
somme
effettotalest gal
indirect(c'est--diremdiatis)(Kenny,Kashy et
Bolger,1986 ; Mac Donald,2001).
Il est noterque Shroutet Bolger(2002) recom la condition
mandent
de passerdirectement
2, sans
de mdiation,
condition
vrifier
la premire
lorsquele
modlethoriquepostuleune relationX-Y faibleet
(pas assez grandes)ne
que les taillesd'chantillons
permettent
pas aux testsd'avoirla puissancerequise
un effetsignificatif
(voir,parexemple,
pourdtecter
Cohen(1988) pourplusde dtails).Dans de telscas,
dtect
un effetde mdiationpeuttrevalablement
alors que les testsindiquentl'absenced'effettotal
(parmanquede puissance).
2:
Condition
surM
La variableX doitavoiruneffetsignificatif
mdiatrice
variable
la
(c'est--dire
suppose). Il
X
montrer
M
et
de
sur
donc
de
que le
rgresser
s'agit
est
la
coefficient
dans
b2
(f) significatif.
rgression
M = a2 + b2X+ erreur2
(f)
3:
Condition
supposeM doitsignificade
la variableY,lorsquel'influence
influencer
tivement
la variableX sur Y est contrle.Il s'agitdonc de
coefficients
b$ et b* de l'quation (g) sera faible(en d'autres
des rsultats
la probabilit
termes,
signique ces testsconduisent
est
ficatifs
sera faible).Cependant,plus la tailled'un chantillon
grande,plusla puissanceestleve(Hairetalii, 1998).Ds lors,si
unetailled'chanX et M sontfortement
crreles(= colinarit),
tillonplusgrandeestncessaireafind'obtenirunepuissancequiassocis.
o X et M ne seraient
valente unesituation
pas fortement
et mdiateurs
: distinction
?
conceptuelle,
- dansl'quation
Y surX et M etde montrer
rgresser
le
coefficient
est
b4 significatif
(une simple
(g) que
de Y surM, sans contrler
se
X, pourrait
rgression
rvlersignificative
en raison de l'existenced'une
associationsignificative
entreX et Y et entreX et M,
Y surX et
c'estpourquoiil estncessairede rgresser
M).
Y = a3 + b3X+ b4M + erreur3
(g)
Les coefficients
b2 de l'quation(f) et b4 de
d'valuerl'effetindirectde
l'quation(g) permettent
X surY,c'est--dire
l'influence
de X qui esttransmise
M.
Cet
effet
indirect
est
par
gal b2 x b4 (Kenny,
et
1986
Mac
;
Donald,2001 ; Shroutet
Kashy Bolger,
X
varie
d'uneunit,M variede
Bolger,2002).Lorsque
M
units.
unitetque X est
varie
d'une
Et,lorsque
bx
Y
maintenu
units
varie
de
constant,
b4
(b4indiquele
Y
M
au niveaude associ etindpendant
changement
de l'effet
directde X surY).
4:
Condition
L'influencesignificative
de la variableX sur Y
doitdisparatre
de M surY estcontrl
lorsquel'effet
Y surX etM
Il s'agitdoncde rgresser
statistiquement.
(cf.quationde rgression
(g)) et de montrer
que le
coefficient
b3 est non significatif
(c'est--direnon
diffrent
de 0 ).
significativement
Le coefficient
b3 rendcomptede l'effetdirectde
X sur Y. Lorsqu'ily a mdiationcomplte,l'effet
totalde X sur Y est entirement
produitde manire
En effet,
indirecte.
l'effet
total
(b{) estgal la
puisque
sommedes effetsdirect(b3) et indirect(b2 x b4) et
diffrent
de 0 :
que b3 est non significativement
=
=
x
x
O
+
bx b3 b2 b4 bx b2 b4 (Shroutet Bolger,
2002).
Un exemplechiffr
d'analysede mdiationcomest
la
plte repris
figure11, section1 (voirgalementla figure10 pourd'autresexemples).
Si toutesles conditionssontrencontres
l'exceptionde la condition4, il y a mdiationpartielle,
c'est--dire
de X surY se produit
la foisde
que l'effet
maniredirecteetde manireindirecte.
L'exemplede la figure11 a t adapt afinde
montrer
un effetde mdiation
partielle(cf.figure12,
section1).
Remarquons
que si, lorsdes analyses,les conditions1 et2 sontsatisfaites
maisque,pourles conditions
3 et4, uneffet
de X et uneffet
nonsignifisignificatif
catifde M sontobtenus,
cela signifie
que F et M sont
87
deuxeffets
de la variableX. La variable
indpendants
M n'estdonc ni mdiateur
compartielni mdiateur
la
M
de
relation
X-Y.
L'association
entre
et
y
tait
plet
due
l'existence
de
X.
On
dira
uniquement
qu'il s'agit
d'une associationfallacieuse ou fausseassociation (spuriousassociation,voircas 3, figure
9).
3.2.2. L'analysede l'effet
de mdiation
par
avec variables
rgressions
multiples
muettes
l'instardes variables modratrices,
aucune
contrainte
ne pse surla naturede la variablemdiacattrice,elle peuttrequalitativeou quantitative,
de transformer
les variables
goriqueou non.Il suffit
en variables
qui ne sontpas au moinsintervalle
muettes.
Les analysesde mdiationne sontdoncpas
l'apanagedes enquteset autrestudesde naturecorrlationnelle
; elles sontgalementfaisablesdans le
cadred'tudesexprimentales
(voirfigure13 pourun
chiffr).
exemple
3.2.3. Testdu caractresignificatif
de l'effet
indirect
ct des conditionsde rgression,Baron et
untestqui permet
Kenny(1986) proposent,
galement,
de testerdirectement
l'existenced'une mdiationau
moinspartiellede l'effetde X surY.
La partde l'effet
de X surY qui estmdiatispar
- correspond
M - c'est--direl'effetindirect
brb3
encore
la
rduction
X
de
l'effet
initial
de
surY).
(ou
Et cette diffrence
de coefficients
est exactement
de X surM et de l'ingale au produitde l'influence
fluencede M sur Y, c'est--direb2 x b4 (Kenny,
KashyetBolger,1986 ; Mac Donald,2001). Lorsque
l'effet
de X surY estau moinspartiellement
mdiatis,
diffrent
de 0.
b2 x b4 estsignificativement
Le testqui permetde vrifierdirectement
que
l'effetindirectde X sur Y via M - c'est--dire
diffrent
de 0 est
b2 x b4- est significativement
reprisci-dessous(Baronet Kenny(1986), p. 1177 et
Kenny,KashyetBolger(1998), p. 260) :
H0:b2xb4 = 0
H{ : b2 x b4^ 0
(absencede mdiation)
(prsencede mdiation
au moinspartielle)
RubnChumpitaz
88
Section1
un exemplechiffr
enversl'annonce
Cettesectionreprend
de mdiatisation
complte- parl'attitude
des ractionsaffectives
enversla marque(Y). Dans cet
(M) de l'influence
positives(X) surl'attitude
Les tableauxci-dessousmontrent
que les
exemple,toutesles variablessontau moinsde typeintervalle.
quatreconditionsde mdiationsontrespectes: les ractionsaffectives
positivesont une influence
surl'attitudeenversla marque(px = 0,038 ; condition1) et surl'attitudeenversl'annonce
significative
=
(Px 0,015 ; condition2), mais leur influencedevientnon significative
lorsque l'attitudeenvers
l'annonceestgalement
commevariableexplicative
de l'attitude
enversla marque(px = 0,228 ;
intgre
condition4). L'influencede l'attitudeenversl'annonce est, par contre,significative
(pm = 0,000 ;
condition
3).
Condition1
:Y=7, 707 + 0,091X(N = 4U ;R2 = 0,011;R2ajust= 0,009)

quationde rgression
~~|
Variable
B
t
p
Constante
7,707
23,48
0,000
0,328
0,103
2,08
0,044
IX
|
| 0,038 |
| 0,0916 1
1
1
Condition^
I
I
: M = 8,809+ 0,063X (N = 411 ; R2 = 0,014; R2ajust= 0,012)
quationde rgression
B
t
Variable
p
Constante
0,000
8,809
0,194
45,41
1X
0,063 I
0,026
0,120
2,44
1 0,015 1
Condition 3
: Y=l, 786 +0,049X + 0,672M(N = 411 ; R2 = 0,167; R2ajust= 0,163)

quationde rgression
~~|
B
t
Variable
p
Constante
0,016
1/786
0,741
^41
0,228
0,049
O041
0,055
'J2A
_X
1M
b4= 0,672 tb4=8,744
0,672 1
0,077
= 0,000 -> b4*0

signification
0,398
8,74
0,000~|
Condition 4
= 0,228 -> b3nonsignificativement

*0
b3= 0,049 tb3= 1,207 signification
complte
Figure11.- Exemplede mdiation
X - etFattitude
affectives
unefaiblerelation
entreles ractions
avecunmodlethorique
6. Ce coefficient
peulevestcompatible
postulant
estsupla
relation
tester
haut
caractre
trele cas,parexemple,
une
annonce
enversla marque- Y- (cela pourrait
informatif).
Lorsque
pour
Si le modlethorique
d'assez grandetaillepermettent
de mettre
en lumireles relations
possignificatives.
posefaible,seulsdeschantillons
staetd'autrescritres
les rsultats
dutableaudevraient,
treconsidrs
avecprcaution
tulaituneforte
relation,
que la significativit
parcontre,
de 1 000 observations
ou plus,presquetouterelationdevientsignificative
(Hairetalii, 1998)).
tistiqueutiliss(avec des chantillons
et mdiateurs
: distinction
?
conceptuelle,
89
de la prsencede mdiationau moinspartielle

Section2 : vrification
En appliquantla formule(h) l'exempleci-dessus,il est possiblede testerl'existenced'uneffetde
mdiationau moinspartielle.Commeh > 1,96,nous rejetonsHq. Il y a donc prsencede mdiationau
moinspartielle.
b2 = 0,06305; b4 = 0,672; s2 = 0,026; s4 = 0,077
Vb4Xs2 + b2Xs4+S2Xs4
= 0,018244 => h= 2,322

= '/o,OOO332848
de la prsencede mdiationau moinspartiellepar bootstrap
Nous avons effectuun bootstrap(sur base de 400 chantillonsalatoiresde 411 observations).
de confiance 95 % est [0,0112;0,0795]. Puisque 0
est reprisci-dessous.L'intervalle
L'histogramme
il y a au moinsmdiation
n'appartient
pas l'intervalle,
partielle.
60r
50'
40'
30-
^H
20- ^^^^HJL
10<
Std. Dev = ,02

Mean = ,042
^^^^^^^^
J^^^^^^^^^^l
v *JN= 400,00
0 JP^VMOT
B2xB4
Figure11. -Suite
O:
de b2(ce qui est
s2 : carttype(ou erreur
standard)
tant
le
du testde signit
;
t2
kb2/t2
quivalent
ficativit
du coefficient
de b2);
b4/t4; t4
s4 : carttypede b4(ce qui estquivalent
tantle t du testde significativit
du coefficientde b4);
L'carttypede b2 x b4 est approximativement
gal la racinecarrede (b' x s' + b' x s' + s' x
s') et sous //o,l'quation(h) est supposedistribue
commeune loi normale.Il suffit
approximativement
doncde calculerla valeurde (h) et de vrifier
si cette
valeurestinfrieure
1,96,pourun niveaude signification de 5 % (la section2 des figures11 et 12
uneapplication
de ce testsurles exemplesde
reprend
la section1).
b*xb*
(h)
x
+
yjh' s| 1>2x s' + S2 x s'
Plusieurstravauxindiquent
cependant
que - pour
- la
des chantillons
de moinsde 400 observations
distribution
de l'quation(h) est asymtrique
(voir
Shroutet Bolger(2002) pourune synthse).De ce
de confianceconstruit
de manire
fait,toutintervalle
x
autour
de
est
en
b2 b4 troplarge direction
symtrique
de l'hypothse
de l'hypoHo ettroptroiten direction
thsealternative
(Shroutet Bolger,2002). En d'autres
termes,le test de l'effetindirectexpos ci-dessus
souffred'un manquede puissance() pour rejeter
nulle(c'est--direpourdtecterun effet
l'hypothse
de mdiation).
C'estpourquoiShroutetBolger(2002)
la construction
d'unintervalle
de confiance
proposent
asymtriqueautourde b2 x b4 par une approche
bootstrap.
L'approchebootstrap
permetde construire
les distributions
de variablesde manireempirique.
Pour calculer un intervalle de confiance de
d'exclure(a/2) x 100 %
(1 - a) x 100 %, il suffit
RubnChumpitaz
90
Section1 :
Cettesectionreprend
enversl'annonce
un exemplechiffr
de mdiatisation
partielle- parl'attitude
enversla marque(Y). Dans cet
(M) de l'influence
positives(X) surl'attitude
que
exemple,toutesles variablessontau moinsde typeintervalle.
seulesles troispremires
conditions
de mdiationsontrespectes: les ractionsaffectives
positivesont
une influencesignificative
surl'attitudeenversla marque(px = 0,000 ; condition1) et surl'attitude
=
envers
enversl'annonce(px 0,000 ; condition2), et leurinfluence
restesignificative
lorsquel'attitude
l'annonceestgalement
enversla marque(px = 0,000 ;
commevariableexplicative
de l'attitude
intgre
condition4 non vrifie).L'influencede l'attitudeenversl'annonce est galementsignificative
3).
(pM= 0,000 ; condition
Condition1
: Y = 6,181+ 0,328X(N = 453) ; & = 0,171; & ajust= 0,169)

quationde rgression
~~|
P
Variable
B
t
Constante
20,59
0,000
0,300
6,181
X
9,648 | 0,000 "1
0,034
0,414
|
I
| 0,328 I
|
I
Condition^
: M = 6,791+ 0,296X(N = 453 ; & = 0,139; & ajuste 0137)

quationde rgression
~|
t
B
Variable
p
Constante
22,19
0,000
6/791
0,306
8,537 | 0,000 |
0,035
0,373
|
|X
| 0,296 I
1
I
Condition3
: Y= 4,336 + 0,247X + 0,272M (N = 453 ; & =0 235 ; & ajust= 0,231H

quationde rgression
t
B
Variable
p
Constante
0,000
10,38
0,418
4,336
0,000
0,312
0,035
0,247
7,03
_X
6,11
0,272
| 0,000 ~|
0,044
|
|
1M
| 0,272 1
b4 = 0,272
Condition4
b3 = 0,247
tM= 6,113
= 0,000
signification
-> b4 * 0
tb3= 7,026
= 0,000
signification
-> b3 * 0
de la prsencede mdiationau moinspartielle

au moinspartielle.
Commeh > 1,96,nousrejetonsHq. Il y a doncprsencede mdiation
b2 = 0,296; b4 = 0,272; s2 = 0,035; s4 = 0,044
Vb4Xs2 + b2Xs4+S2Xs4
=V 0,00154= 0,03924 => h = 2,05
partielle
Figure12. - Exemplede mdiation
et mdiateurs
: distinction
?
conceptuelle,
91
de la prsencede mdiationau moinspartiellepar bootstrap

Nous avons effectuun bootstrap(sur base de 450 chantillonsalatoiresde 453 observations).
est reprisci-dessous.L'intervallede confiance 95 % est [0,0504 ; 0,1204]. Puisque 0
L'histogramme
il y a au moinsmdiation
partielle.
n'appartient
pas l'intervalle,
I
60]
50"
40"
I^^H
301
^^^^1
201
1'
^^^^^^|
Std. Dev = 0,02
Mean = 0,081
^^^^H^
^^^^^^^^^^^^^
Jn =450,00
0 JilH^liH^HI^^L
B2xB4
Figure12. - Suite
des valeurs chaqueextrme
de la distribution
empirique(ShroutetBolger,2002). La mthodeconsiste
crer : 1) / nouveauxchantillons(par exemple,
1 000) de N observations
surbase de l'chantillon
de
N observations
tailleN observ,en tirant
de manire
alatoiredans ce dernier; les donnestiressont
de dpart
chaque fois replacesdans l'chantillon
avec
voir
remise,
(c'est--dire
tirage
exempleci-des
l'estimation
des
;
sous) 2) procder
b2et
paramtres
x
et
calculer
nouvel
chantillon
b4
b2 b4pourchaque
;
et 3) calculer- surbase de la distribution
des valeurs
- l'intervalle
de b2 x b4obtenue
l'tapeprcdente
de
confiance(1 - a) x 100 %. Ce derniercomprend
l'ensembledes valeursse situant
entrele pour-centile
x
100
et
le
(1 - a/2) x 100 de la
(a/2)
pour-centile
distribution
Pour
empirique.
que l'effetde X sur Y
soitau moinspartiellement
il fautque cet
mdiatis,
intervalle
de confiancene comprenne
pas la valeur
0 (voirfigures11 et 12,section3 pouruneapplicationde la mthode
bootstrap).
:
Exemplede crationd'chantillons
bootstrap
Afin de simplifierl'illustrationdes tapes du
cetexempleportesurunpetitchantillon
de
bootstrap,
10 observations
pourlequel seule une variable- X estmesure:
-/ = 4;N = 10; valeursobservespour la
variableX = {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}.
3.2A. Notesurle cas de la suppression
Nous avons analysjusqu'ici les cas de mdiation.Cependant,
ctde ces derniers,
il existegalementdes cas ditsde suppression.
Il y a suppression
lorsque b3 est de signe oppos b2 x b4 (Baron,
RubnChumpitaz
92
KashyetBiger,1998 ; ShroutetBiger,2002). Prenons l'exempledes cadeaux que les entreprises

leursclients(par exemple,pointsbonus,
offrent
ticketsde cinma).Plus
de rduction,
pourcentages
offredes cadeaux ses clients,plus
une entreprise
ces derniersseront- en principe- satisfaits
et,par
devraient
consquent,
plusles revenusde l'entreprise
tre levs (c'est--dire b2 > 0 ; b4 > 0 ;
b2 x 4 > 0). L'impactindirectde la quantitde
cadeaux offertssur les revenusest donc positif.
a vraisemla quantitde cadeauxofferts

Cependant,
un impactngatifdirectsurles revenus
blablement
de l'entreprise
(b3 < 0). Si l'effetdirectet l'effet
indirectsontde la mmetaille(en valeurabsolue),
diftotalde X surY seranonsignificativement
l'effet
la condition1
frent
de 0 . Dans ce cas de figure,
de l'analysede mdiationne sera pas vrifiealors
2 et 3 le seront.
que les conditions
l'effet(total)de la
Dans les cas de suppression,
est
surla variabledpendante
variableindpendante
de mdiatisation
Cettesectionreprendun exemplechiffr
(M ) - de
partielle- par la satisfaction
et
la
satisfaction
cet
Dans
de rachat(Y).
l'influence
de la qualitdu produit(X) surles intentions
exemple,
variable
une
contre
est
La qualitdu produit par
de rachatsontau moinsde typeintervalle.
les intentions
catgorique deux niveaux: bonnequalit(X = 1) ou mauvaisequalit(X = 0). Les tableauxci-dessous
montrent
que les troisconditionsde mdiationpartiellesontrespectes: la qualitdu produitinfluence
de rachat(px = 0,000 ; condition1) et la satisfaction
les intentions
(px = 0,000 ;
significativement
de rachatlorsque
les intentions
condition2) ; et cettedernireinfluencegalementsignificativement
l'influencede la qualitdu produitest contrle(pm = 0,000 ; condition3). La qualit,quant elle,
de rachat,ce qui indiqueune mdiation
sur les intentions
conservetoujours son impactsignificatif
=
condition
0,000
;
4).
(px
partielle
Condition1
I
1
: Y = 7,436+ 1,969X(N = 412 ; & = 0,413; R2ajust= 0,411)
quationde rgression
t
B
standardis
Standard
Erreur
B
p
Variable
0,000
78,89
Constante
7,436
_094
IX
1 1,969 1
0,116
0,642
16,97 |
0,000 |
Condition 2
I
1
: M = 8,021+ 1,357X(N = 413 ; R2 = 0,214; R2ajust= 0,212)
quationde rgression
t
p
B
Variable
0,000
77,12
Constante
0J04
8,021
1X
1,357 1
0,128
0,463
10,59 |
0,000 |
Condition 3
: Y = 5,291+1,596X + 0,268M(N = 408 ; R2 = 0,460; R2ajust= 0,457)

quationde rgression
~[
t
p
B
Variable
0,000
14,86
Constante
0356
5091
0,000
12,65
0520
U26
1_596
_X
1M
b4= 0,268
Condition4
b3= 1,596
1 0,268 1
0,043
0,257
6,25
tb4= 6,248
= 0,000 -> b4 significativement

^ 0
signification
tb3= 12,651
= 0,000 -^ b3 significativement^
0
signification
II s'agitdoncd'un cas de mdiation

partielle
avec variablesmoinsqu'intervalle
Figure13. - La mdiation
0,000 |
et mdiateurs
: distinction
?
conceptuelle,
annul parla prsencede la

voirecamoufl,
rduit,
L'influence
de la variableindvariablesuppressive.
pendantesur la variabledpendantepeut,ds lors,
de la
n'apparatre
que lorsquel'oncontrlel'influence
variablesuppressive
(Brauer,2000 ; Kenny,Kashyet
Biger, 1998). Pour les cas de suppression,les
mmesconditionsdoiventtrevrifiesque pourla
l'exceptionde la premirecondition
mdiation,
(Shroutet Bolger,2002). Soulignonsqu' l'instardes
cas de mdiation,
c'estle modlethoriquequi doit
dterminer
s'il estpertinent
de postulerun modlede
(ShroutetBolger,2002).
suppression
IV.MODRATEURS
VERSUSMDIATEURS: QUAND
CHOISIRQUOI?
Comme cela a clairementt mis en vidence

plus haut,c'estle cadreconceptuelet thoriquequi
va dfinirle statutde telleou tellevariableen tant
ou mdiateur.
Les processusmodraque modrateur
teurset mdiateurs
ne sontpas dduitsdu typede
variableutilise(exemple: variablesocio-dmogranidu typede collectede
phique,variablemanipule),
donnes(exemple: planexprimental,
enqute).
Un modrateur
sera typiquement
introduit
dans
un modle lorsquede faiblescorrlations
entrela
variable indpendanteet la variable dpendante,
voiredes relationsnonconstantes
(exemple: parfois
ngatives,
parfoispositives),sontsuspectes.Inverintroduit
sement,un mdiateursera gnralement
dans un modlelorsquede fortesrelationsentreles
variablesd'intrt
sont attendues(Baron et Kenny,
1986).
L'identification
de modrateurs
et de mdiateurs
peutgalementdpendredu niveaude connaissance
donton dispose proposdu phnomne
tudi.Lorsqu'un phnomnecomplexen'est pas encorebien
connu- c'est--diredans les premires
phasesde la
recherche
dansle domaine- il s'agitsouventde dlimiterles circonstances
lorsdesquellesl'effet
apparat
entreles variableset, donc,de dfinirdes modrateurspotentiels.Une fois le phnomnemieuxcirconscrit,l'on tenteraalors de dfinirles processus,
mcanismespar lesquels l'effetse produit,c'est--
93
direde dfinir
les mdiateurs
Dans ce cas
potentiels.
- dlimide figure,l'identification
des modrateurs
tantles circonstances
dans lesquellesl'effetse manifesteainsi que le sens et l'intensit
de ce dernierfacilitel'identification
de mdiateurs
dans une phase
ultrieure.
Cet aspectdevraitdonctregarden tte
lorsdu choixdes modrateurs.
devratre
Prfrence
donne aux modrateurs
qui, de par leur nature,
aider la dfinition
des processusmdiapourront
teurs(Baron et Kenny,1986). Si un mdiateurest
ctdes processusmodrateurs,
l'existence
identifi,
d'unemodration
mdiatise(mediatedmoderation)
treenvisage(cf.infra).
pourragalement
Remarquonsgalementque la connaissanced'un
mdiateur
de modrapeutaussiaider la dcouverte
teurspotentiels
et
En
l'on
(Baron Kenny,1986). effet,
tenter
de
dterminer
s'il
existe
des
peut,parexemple,
circonstances
lorsdesquellesl'effetde mdiationest
unmdiaplusfort(le cas chant,l'onauraaffaire
teurmodr(moderated
mediator,
cf.infra).
Enfin,il peutsembler- en examinantles quationsrespectives
tester
dansles cas de modration
et
de mdiation- que ce qui diffrencie
la relationde
mdiationde la modration
est la formedu modle
seraitreprsente
postul: la mdiation
parunmodle
simplementadditifalors que la modrationserait
Ce n'esttoureprsente
parun modlemultiplicatif.
tefoispas ncessairement
il
toujoursle cas. En effet,
existedes cas plus complexestels que celui de la
modration
mdiatise
ou de la
(mediated
moderation)
mdiation
modre(moderated
Ces deux
mediation).
cas seronttraits
dansles deuxsectionssuivantes.
V.LA MODRATION
MDIATISE
Le processusde modrationmdiatisereflte
le
faitque l'effet
interactif
de la variabledpendante
X
avec le modrateur
Z surla variabledpendante
Y est
mdiatis
variable(M). Illustrons
un
parunequatrime
cas de modration
mdiatiseen reprenant
l'exemple
du cas 1 de la figure1. Cet exemplemontre
que l'influencede la satisfaction
vis--visde la relationque
l'acheteura par rapportau fournisseur
(X) sur le
94
RubnChumpitaz
mdiatide
de services
achets(Y) dpendde l'anciennet
nombre
(2002) pourd'autres
exemplesde modration
convention14
la
La
etl'acheteur
la relation
entrele fournisseur
se).
(modrateur
figure reprend reprsentation
mdiatise.
nelled'unemodration
est longue,plus l'effet
Z) : plus la relationd'affaires
sur
le
de
la
relation
la
satisfaction
vis--vis
de
positif
ds
nombre
de servicesachetsestfort.L'on pourrait,
de
la
interactif
de
se
demander
si
l'effet
lors,
longueur la
etillustrations
5.2. Aspectsanalytiques
avec la satisfaction
relationd'affaires
(X x Z) surle
nombred'achat(Y) est mdiatispar l'attachement
affectif
il faut
Afinde testerune modration
mdiatise,
que le clientprouvevis--visdu fournisseur
- direcde la relation
l'anciennet
et testssuivants
les troisrgressions
effectuer
(M). Le cas chant,
joue le
Handlemdiatis
rlede modrateur
de l'analysede mdiation
tement
(voirgalement
simpletransposs
et
Aaker
Williams
man et Arnold(1999) ainsi que
etArnold,1999) :
(Brauer,2000 ; Handelmann
mdiatise
Modration
(mediatedmoderation)
:Z
Modrateur
'
(*)
M
Mdiateur:
Mdiationmodre(moderated
mediation)
I
nr^'
C
i-
:Z
Modrateur
(*)
Mdiateur: M
N,
1'
^'
^V^
*,
(*) Un effetdirectdu modrateurZ sur M et/ouY peutexistermais n'estpas une conditionncessaire la

modration
Remarque : La modrationmdiatiseet la mdiationmodre peuventgalementtrepartielles.
mdiatise(mediatedmoderation)
de la modration
conventionnelle
modre(moderated
et la mdiation
mediation)
?
: distinction
et mdiateurs
conceptuelle,
95
VI. LA MDIATIONMODRE
1:
Condition
X x Z entrela variableindpendante
L'interaction
et la variablemodratrice
suppose doit avoir un
sur la variable dpendanteY,
impact significatif
c'est--direque le coefficient
3 dans l'quationde
est
;
(i)
significatif
rgression
Y = a! + biX + b2Z + b3(X x Z) + erreur!(i)
2:
Condition
X x Z doitavoirunimpactsignificaL'interaction
tifsurla variablemdiatrice
supposeM, c'est--dire
dans
le
coefficient
b6
(j)
l'quationde rgression
que
estsignificatif
;
M = a2 + b4X+ b5Z + b6(X x Z) + erreur2(j)
Condition
3:
supposeM doitsignificade
tivement
influencer
la variableY,lorsquel'influence
c'est--dire
b7
(X x Z) estcontrle,
que le coefficient
de l'quation(k) estsignificatif
;
Y = a3 + b7M + b8X+ b9Z
+ blo(X x Z) + erreur3
(k)
4:
Condition
Pourune mdiationcomplte,l'influence
significativede X x Z doitdisparatre
de M
lorsquel'effet
surY estcontrlstatistiquement,
c'est--dire
que le
coefficient
de
est
non
Le
bl0 l'quation(j)
significatif.
cas chant,la variableZ estun modrateur
compltement
mdiatis.
Remarquonsque le mdiateurM pourrait
galement la foismdiatiser
l'effet
simplede la variable
de (X x Z), surY
X, en plus de l'effet
indpendante
Baron
et
Par
ailleurs,toutcomme
(cf.
Kenny,1986).
il
la
mdiation
pour
partielle, peutexisterdes cas de
modration
mdiatisepartielle.Le cas chant,la
quatrimeconditionne doit pas tresatisfaite(cf.
supra).
Un exemplechiffr
completd'analysede modrationmdiatise
estrepris la figure15.
6.1.Aspectsconceptuels
le fait
L'existenced'unmdiateurmodrreflte
niveau
de
mdiation
du
le
dpend
processus
que
d'une quatrime variable (le modrateur).Par
que, pourunchanexemple,des travauxontmontr
tillond'adultes,l'influencedes ractionsaffectives
sur l'attitudeenversla marquetaitmdiatisepar
l'attitudeenvers l'annonce (Batra et Ray, 1986).
L'tudede Derbaixet Bre (1997), ralisesurdes
semblecependantconclure la non-mdiaenfants,
des ractions
affectives
surl'attitude
tionde l'influence
enversla marque.En d'autrestermes,
le processusde
la classe
mdiationdpendrait
du faitd'appartenir
des adultesou des enfants.La figure14 reprendla
reprsentationconventionnelled'une mdiation
modre.
6.2.Aspectsanalytiquesetillustrations
Afinde testerl'existenced'une mdiationmodd'effectuer
unergression
re,il suffit
supplmentaire
au
cas
de
modrationmdiatise,qui
par rapport
entrele mdiateur
incorporele termed'interaction
et
le
modrateur
(M)
(Z) (voirquation1),etde tester
si cet effetd'interaction
est significatif.
Le cas
on
est
en
d'une
mdiation
modre.
chant,
prsence
Par contre,si l'effetX x Z sur Y reste inchang
et que le coefficient
(c'est--direnonsignificatif)
bl5
estnonsignificatif,
on peutdireque le rlejou parM
en tantque mdiateurne variepas en fonctiondu
niveaudu modrateur
Z. Autrement
dit,M n'estpas un
mdiateurmodr(Handelmannet Arnold,1999).
Un exemplechiffr
completd'analysede mdiation
modreestrepris la figure16.
Y = a4 + bnM + b12X+ b13Z
+b14(X x Z) + b15(Mx Z) + erreur4
(1)
RubnChumpitaz
96
L'exemple chiffrreprisci-dessousillustreun cas de modrationmdiatise(partielle): l'effet

avec le fournisseur
interactif
de la satisfaction
vis--visde la relationque le cliententretient
(X) et de
mdiatispar
l'anciennetde cetterelation(Z) surle nombrede servicesachets(Y) est partiellement
l'attachement
affectif
du clientau fournisseur
(M). Dans cetexemple,toutesles variablessontau moinsde
que les troisconditionsde mdiationpartiellesont
typeintervalle.Les tableauxci-dessousmontrent
de la satisfaction
et de la durede la relationsurle nombrede servicesachets
respectes: l'effetinteractif
et de la durede la relation
de la satisfaction
estsignificatif(pxz = 0,032 ; condition1) ; l'effetinteractif
sur l'attachement
affectifau fournisseur
est galementsignificatif
(pxz = 0,000 ; condition2) ; et
unefois
l'influencede l'attachement
affectif
surle nombrede servicesachetsest galementsignificative
l'effetinteractif
de la satisfaction
et de la durede la relationcontrl(pM= 0,000 ; condition
3). (Cet effet
mdiatisePARTIELLE).
c'est pourquoiil s'agitd'un cas de modration
interactif
restesignificatif,
Condition1
I
:Y = - 0,823+ 0,437X + 0,881Z- 0,027XZ (N = 377 ; & = 0,731;
quationde rgression
R2ajust= 0,729)
P
t
B
Variable
Constante
-1,11
0,266
0,738
-0,823
4,51
0,000
0399
0,437
0,097
JC
0,000
8,71
0941
O101
0881
_Z
1XZ
1 -0,027|
0,012
-0,353
Condition 2
: M = 11,603- 0,384X- 0,413Z + 0,062XZ(N =

quationde rgression
R2ajust= 0 0080)
B
Erreur
Variable
Constante
0,819
11,603
- 0,384
-0,583
0,107
JX
- 0,732
0,112
-0,413
_Z
1,359
1
0,014
1
| 0,062 I
I XZ
-2,15
1 0,032 1
379 ; & = 0,087;

t
14J7
-3,57
-3,69
4,49
Condition3
P
0,000
0,000
0,000
0,000 1
I
: Y= -2,204+ 0119M +0,481X +0,930Z- 0,034XZ (N=377; & = 0,736;
quationde rgression
R2ajust= 0,733)
t
B
Variable
p
Constante
0,016
-2,42
0911
-2,204
0,011
O071
0,047
0,119
2,56
_M_
0,000
0,440
0,098
0481
42
_X
0,000
9J0
0,993
0,102
0,930
_Z
XZ
| 0,008 |
-0,449
1 -2,68
0,013
I
1 -0,034 1
|
=
*0
-> bj significativement
tb7= 2,555
b7 = 0,119
signification0,011
Condition4
= 0,008 -> bio significativement

*0;
Commebio = - 0,0339 tbio= - 2,682 signification
mdiatise
II s'agitd'unemodration
partielle.
mdiatise
Figure15. - Exemplede modration
et mdiateurs
: distinction
?
conceptuelle,
97
Ce dernier
illustreun cas de mdiationmodre.Il montreque le statutde l'attitude
exemplechiffr
de l'influence
envers
enversl'annonce(M) en tantque mdiateur
(X) surl'attitude
la marque(Y) varieen fonction
du typede populationconsidr(Z). Toutesles variablestaientau moins
: Z = 0).
intervalle
saufla population(Z) qui taitunevariablenominale(adultes: Z = 1; enfants
que les troisconditionsde mdiationpartiellesontrespectes:
l'effetinteractif
et du typede populationsur l'attitudeenversla marqueest
et du typede population
(pxz = 0,020 ; condition1) ; l'effetinteractif
significatif
surl'attitudeenversl'annonceest galementsignificatif
(pxz = 0,005 ; condition2) ; et l'influencede
une fois l'effet
l'attitudeenversl'annoncesur l'attitudeenversla marqueest galementsignificative
et du typede populationcontrl(j?m= 0,000 ; condition3). Cet effet
interactif
de
interactif
devient,
4) (jusqu'iciles quatreconditions
quant lui,nonsignificatif
(pxz= 0,241;condition
entrele
modrationcompltement
mdiatisesont satisfaites).Enfin,lorsque le termed'interaction
celui-ciest
mdiateur(attitudeenversl'annonce)et le modrateur
(adulteversusenfant)est incorpor,
=
x
Z
Y
condition
Par
l'effet
sur
redevient
ailleurs,
0,000
;
(X
)
5).
galementsignificatif
significatif
(pmz
variedoncen fonction
du niveaudu
5). Le rlejou parM en tantque mdiateur
(Pxz = 0,008 ; condition
M
un
modr.
modrateur
Z. Autrement
est
mdiateur
dit,
Condition1
I
: Y = 5,782+ 0,260X + 2,359Z- 0,162XZ (N = 825 ; & = 0,074;
quationde rgression
R2ajust= 0,070)
P
B
t
Variable
Constante
5,782
0,584
0,000
9^89
0,368
4J8
0,000
0,260
0,062
_X
0,630
0,770
3/74
0,000
2,359
_Z
'XZ
1 -0,162 1
0,069
-0,416
1 -2,33
0,020 ]
Condition 2
: M= 5,074+ 0,380X + 2,257Z- 0,217XZ(N =797; & = 0,069;

I
quationde rgression
R2ajust= 0,066)
B
t
Variable
p
Constante
5,074
0,653
7/77
0,000
0,070
0,531
0,000
0,380
_X
5,47
2,257
0,695
0,715
0,001
_Z
35
0,076
-0,542
1 XZ
| -0,217 |
I
| -2,84
| 0,005 |
Condition3 et 4
: Y = 4,807+ 0,242M + 0,145X +1,538Z- 0,082XZ (N = 755 ; & = 0,131; I

quationde rgression
& ajust= 0,127)
B
Variable
t
p
Constante
4,807
0,613
0,000
75
0,242
0,033
0,255
0,000
Jf
1J2A
0,145
0,064
0,213
0,024
_X
26
U38
0636
0519
2,42
0,016
_Z
0,070
-0,218
' XZ
1-0,082
I
1
| -1,17
| 0,241 |
I
modre
Figure16. - Exemplede mdiation
RubnChumpiaz
98
Condition5
:Y=5, 724 + 0,059M+ 0,215X- 1,067Z - 0,187 XZ + 0,410MZ (N = 755 ; I

quationde rgression
R2 = 0,l 74 ; & ajust= 0,169)
t
B
Variable
P
Constante
0,000
9,303
0615
5/724
0,175
1,356
0,063
0,044
0,059
_M
0,001
3,390
0,317
0,063
0,215
_X
0,154
-1,428
-0,360
0,748
-1,067
_Z
XZ
0,008
2,668
-0,498
0,070
-0,187
MZ
0,000~~|
6,250
|
1
1,211
0,066
I
I 0,410 1
'
I
0
Dans la condition1 : 3estsignificativement
*0
2 : b^ estsignificativement
Dans la condition
0
3 : b-jestsignificativement
Dans la condition
0 (doncmdiation
4 : bio n'estpas significativement
Dans la condition
complte)
*0
* 0 etbi4 redevient
5 : bi5 estsignificativement
Dans la condition
significativement
modre
Nous sommesdoncdansle cas d'unemdiation
Figure16. - Suite
VILCONCLUSIONS
Toutau longde cet articlenousavonsmontrla

- tantconceptuellequ'analytique(statisdistinction
et les mdiaentreles modrateurs
existant
tique)
modulele senset/oula forcede
teurs.Un modrateur
l'influencede la variableindpendanteX sur la
variabledpendanteY alorsqu'un mdiateur
reprY.
sentele mcanisme
parlequelX influence
diffSi ces processussont fondamentalement
du
modle
avant
tout
leuridentification
rents,
dpend
(le typede variable
thorique
postulparle chercheur
ou manipule et
parexemple,socio-dmographique
d'tude- par exemple,enqute,exprimentation
sansmodle
gure ce niveau).En effet,
n'importent
la formedes
le
sens
et
de
thorique dpartqui postule
relationsentrevariables,ce genrede processusne
Le modlethopeutpas trevalablementidentifi.
le
restera
est
(et
toujours) pointde dpart,et
rique
ne pourraliminer
aucunteststatistique
l'importance
Nousavons,cepende cettepremire
tapethorique.
dant,galementsoulignque seuleunemanipulation
tester
la causalit.
de rellement
permet
exprimentale
et de
En l'absenced'untelplan,les testsde mdiation
tenu
du
vrifient
modration
si,
uniquement compte
modlethoriquecausal dfinia priori,la variable
supposejouer le rle de variablemdiatriceou
ou
de mdiation
bienles conditions
modratrice
remplit
de modration.
d'un processus
Par ailleurs,la non-identification
mdiateur
a galementd'autresconsquencesque la
Ne pas
d'un processusmodrateur.
non-identification
d'un
mdiateur
l'existence
completou
souponner
effetdirect
X
a
un
conclure
conduit
que
partiel
surY alorsqu'en ralitl'effetde X surY peutn'tre
direct(en cas de mdiateur
partiel)
que partiellement
indirect
ou totalement
(en cas de mdiateur
complet).
de l'effet
unepartieou la totalit
En d'autrestermes,
esterronde la variablemdiatrice
surY provenant
la variableX. Cependant,mmesi
mentattribue
la relationX-Y existe.
elle esttotalement
mdiatise,
l'existencede la variablemdiatrice
Ne pas identifier
donc perdrede la prcisiondansla connaisrevient
et mdiateurs
: distinction
?
conceptuelle,
sance de la maniredont les diffrentes

variables
les
unes
sur
les
autres.
Dans
le
cas
d'une
agissent
la
non-identification
d'une
variable
modration,
modratrice
peut, par contre,conduire ne pas
s'apercevoirde l'existenced'une relationentreX et
Y. Ici, le cot de la non-identification
peut donc
s'avrerconsidrable
puisquele risquede passercarrment
ctd'une relationentredeux variablesest
lev. Notonsque ne pas identifier
l'existenced'une
ne pas s'aperconduire
peutgalement
suppression
cevoirde l'existence
de la relationX-Y.Ceci souligne
une foisencorel'importance
d'une mrerflexion
- surl'existence
modrade
au planthorique
possible
teurset/oumdiateurs
(ou encorevariablessuppresdansla relationX-Ytudie.
sives)pouvantintervenir
il nousfautsouligner
avantdeconclure,
Enfin,
queles
cas analyssdansle prsent
article
surlesrelaportaient
et une ou
tionsexistant
entreune variabledpendante
variables
Lorsquele chercheur
plusieurs
indpendantes.
dsireinvestiguer
simultanment
plusieursrelations
le
recours
des
techniques
d'analyses
interdpendantes,
labores
telles
les
modles
que
d'quations
plus
- s'impose(Hairetalii,1998).
structurelles
99
CohenJ(1988),Statistical
poweranalysisforthebehavioral
sciences,Hillsdale,NJ: Erlbaum.
Dahl D.W, ManchandaR.V etArgoJ.J(2001), Embarrassmentinconsumer
purchase:therolesofsocialpresence
andpurchasefamiliarity,
Journal
Research,
ofConsumer
28,3,473-481.
Derbaix C. et Bree J. (1997), The impactof children's
affective
reactionselicitedbycommercials
on attitudes
and thebrand,International
towardtheadvertisement
JournalofResearchinMarketing,
14,3, 207-229.
DurkheimE. (1960), Le suicide,nouvelledition,Paris :
PressesUniversitaires
de France.
EvrardY., Prs B. et Roux E. (1993), Market.tudeset
en marketing,
Paris: Nathan.
recherches
GujaratiD.N. (2003), Basic econometrics:international
edition,4e dition,Boston: Me GrawHill.
Hair J.F.,AndersonR.E, TathamR.L. et Black W.C.
data analysis,5e dition,NewJer(1998),Multivariate
sey:PrenticeHall.
Handelman
J.M.etArnoldSJ. (1999),Theroleofmarketing
actionswitha social dimension:appealsto theinstitutionalenvironment,
JournalofMarketing,
63, 3, 33-48.
HardyM.A. (1993), Regressionwithdummyvariables:
applicationsin thesocial sciences,Lonquantitative
don:Sage.
IrwinJ.R.etMcClellandG.H. (2001),Misleadingheuristics
and moderatedmultipleregression
models,Journalof
Research,38, 1, 100-109.
Marketing
JamesL.R. et BrettJ.M. (1984), Mediators,moderators,
andtestsformediation,
JournalofAppliedPsychology,
69,2,307-321.
KennyD.A, KashyD.A. etBigerN. (1998), Data analysis
in socialpsychology,
Thehandbookofsocialpsychology,vol. 1, 4e dition,ds. A.T. Gilbert,S.T. Fiskeet G.
VIII. RFRENCES BIBLIOGRAPHIQUES
Lindzey,Boston: The McGraw-HillCompanies,Inc.,
233-265.
KleinbaumD.G., KupperL.L., MullerK.E. et Nizam A.
(1998), Appliedregression
analysisand othermultivariable methods,3e dition,Pacific Grove: Duxbury
Press.
AhluwaliaR., Burnkrant
R.E et Unnava H.R. (2000),
LambinJ.-J.(1994), La recherche
Paris: Edismarketing,
Consumer
themoderating
responsetonegative
publicity:
cienceInternational.
role of commitment,
Journalof Marketing
Research,
de l'impactde la
LichtlM.-C. (2002),Etudeexprimentale
37, 2, 203-214.
surl'attitude
envers
couleurd'une annoncepublicitaire
BatraR. et Ray M.L. (1986), Affective
responsesmediaenMarketing,
17,
l'annonce,RechercheetApplications
Journalof Consumer
tingacceptanceof advertising,
2, 23-40.
Research,13,2, 234-249.
Mac DonaldR. (2001), Mediatorsandmoderators,
Journal
BaronR.M. et KennyD.A. (1986),The moderator-mediator
10, 1-2,92-93.
ofConsumerPsychology,
in social psychologicalresearch:
variabledistinction
MaccorquodaleK. et Meehl P.E. (1948), On a distinction
conceptual,strategicand statisticalconsiderations,
between hypotheticalconstructsand intervening
Journalof Personality
and Social Psychology,
51,6,
variables,
PsychologicalReview,55, 95-107.
1173-82.
Olsen S.O. (2002), Comparativeevaluationand the relaBoudon R. (1970), U analyse mathmatiquedes faits
and repurchase
tionshipbetweenquality,satisfaction,
sociaux,2e dition,Paris: Pion.
Journalof theAcademyofMarketing
Science,
loyalty,
BrauerM. (2000), L'identification
des processusmdia30, 3, 240-249.
teursdans la recherche
en psychologie,
L'AnnePsyRousselF., urneut., Campoyh. et El akremiA. (2002),
Mthodes d'quations structurelles: rechercheet
chologique,2000, 100,661-681.
Chow G. (1960), Test of equalitybetweensets of coeffiapplicationsen gestion,Paris: Economica.
cientsin two linearregressions,
Econometrica,
28, 3,
RozeboomW.W.(1956), Mediationvariablesin scientific
591-605.
Review,63, 249-264.
theory,
Psychological
100
RubnChumpitaz
CM. etBuss C.W. (1984), Cognitive

personality
Shaninger
variableson the depthof search,
traitsas moderator
Advancesin Consumer
Research,11,239-243.
O. (1981), IdentificaSharmaS., DurandR.M. et Gur-Arie
tionand analysismoderator
variables,JournalofMarketing
Research.18,3, 191-300.
ShroutP.E. et BigerN. (2002),Mediationin experimental
andrecomstudies:
newprocedures
andnonexperimental
Methods,
7,4,422-445.
mendations,
Psychological
VerhoefP.C., FrancesP.H. et HoekstraJ.C. (2002), The

and
referrals
on customer
constructs
effect
ofrelational
numberof servicespurchasedfroma multiservice
proJournalof the
vider:does age of relationship
matter?,
Science,30, 3, 202-216.
AcademyofMarketing
WilliamsP. etAakerJ.L.(2002), Can mixedemotionspeacefullycoexist?Journalof ConsumerResearch,28, 4,
636-649.

Sage Publications, Ltd. Association Française Du Marketing

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sage Publications, Ltd. Association Française Du Marketing

Transféré par

Droits d'auteur :

Formats disponibles

Association Franaise du Marketing

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

III - Les mdiateurs

De nombreuxtravauxen marketingont pour

Z surF peutexistermaisn'estpas unecondition

Rubn ChumpitazCaceres, Jolle Vanhamme

Populationdes femmes(N = 100)

Populationdes hommes(N = 100)

Y = a + bX+ dZ + cXZ + erreur

l'ANOVA. Le choixdu typed'analysestatistique

dansle cas de variables au moinsintervalles

Section1 : analysepar le biais des variablesmuettes

Figure7. - Exempled'analysede processusmodrateur

Section2 : analysepar sous-groupes

: Y = 1,833+ 0,228X (N=200 ; & = 0,110; & ajust= 0,105)

fSCR = 290,747;k = 1 ; CMR = 1,468

RSULTATSANALYTIQUESDU SOUS-GROUPE2 - IMPLICATIONMODRE

RSULTATSANALYTIQUESDU SOUS-GROUPE3 - IMPLICATIONFORTE

COMPARAISONS DES COEFFICIENTS DEUX DEUX SELON (C) ET (C)

7(5-3) = 8,445> F (2, 594)

Il est soulignerque la maniredont les

Section1 : Applicationavec l'utilisationdes rgressionsmultiplesavec variablesmuettes

Section2 : applicationavec le testd'ANOVA

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

S'il y a plus de deux sous-groupesdiffrents

3. Il est noterque certainstests,commele testde Chow (I960),

le nombrede variablesdu modlede rgression

donc la question comment,

des attentes=> attitude

rle de variablemdiatriceremplitbien les conditionsde mdiation.

Cas 2. Mdiationpar deuxvariables

partielleet d'associationfallacieuse(ou fausseassociation)

Testsdes conditionsde mdiation

=> pvalue non-confirmation

=> pvalue non-confirmation

=> pvalue non-confirmation

: Y = 7,667+ 0,096X(N = 414 ; R2= 0,011;R2ajust= 0,009)

: M = 8,830+ 0,061X(N = 445 ; &= 0,013; & ajust= 0,011)

: Y= 1,786 + 0,049X + 0,672M (N=411; & = 0 167 ; & ajust=

= 0,000 -> b4*0

b3= 0,0489 tb3= 1,207

CONCLUSION : L'attitudevis--visde la marqueest un mdiateur

+ 0,042 X + 0,235 M (N= 411 ; & = 0,170 ; & ajust = 0,166)

= 0,000 -> b4*0

= 0,083 -> 03 nonsignificativement

: Y'= 5,699+ 0,008X + 0,399M(N= 411 ; R2 = 0,290; R2ajust= 0,287)

: Y= 2,221 + 0,013X + 0,682M (N = 390 ; R2 = 0,287; R2 ajust=

4. Nous tenons soulignerqu'il existedes travauxau sujetde la

:Y=7, 707 + 0,091X(N = 4U ;R2 = 0,011;R2ajust= 0,009)

: Y=l, 786 +0,049X + 0,672M(N = 411 ; R2 = 0,167; R2ajust= 0,163)

b4= 0,672 tb4=8,744

= 0,000 -> b4*0

= 0,228 -> b3nonsignificativement

de la prsencede mdiationau moinspartielle

= 0,018244 => h= 2,322

Std. Dev = ,02

: Y = 6,181+ 0,328X(N = 453) ; & = 0,171; & ajust= 0,169)

: M = 6,791+ 0,296X(N = 453 ; & = 0,139; & ajuste 0137)

: Y= 4,336 + 0,247X + 0,272M (N = 453 ; & =0 235 ; & ajust= 0,231H

de la prsencede mdiationau moinspartielle

=V 0,00154= 0,03924 => h = 2,05

de la prsencede mdiationau moinspartiellepar bootstrap

KashyetBiger,1998 ; ShroutetBiger,2002). Prenons l'exempledes cadeaux que les entreprises