Understanding the Concept of Statistical Mediation and Moderation
Table of Contents
Qu'est-ce que la médiation statistique?
La médiation statistique est une méthode utilisée pour comprendre le mécanisme par lequel une variable indépendante (X) influence une variable dépendante (Y) au moyen d'une troisième variable appelée médiateur (M). Comment ou Pourquoi Au lieu de simplement observer que X mène à Y, l'analyse de médiation déballe la chaîne causale : X → M → Y. Cela permet aux chercheurs d'identifier les processus intermédiaires qui transmettent l'effet.
La variable médiateur elle-même est influencée par la variable indépendante et, à son tour, influence la variable dépendante. Pour qu'une variable fonctionne comme un véritable médiateur, elle doit satisfaire à trois conditions : (1) X doit prédire de façon significative M, (2) X doit prédire de façon significative Y, et (3) lorsque X et M sont utilisés pour prédire Y, le chemin de M à Y doit être significatif, et l'effet direct de X sur Y devrait être réduit (médiation partielle) ou devenir non significatif (médiation complète).
Le modèle de médiation
Un modèle de médiation classique se compose de trois équations de régression:
- Effet total (c chemin): Y = b0 + b1X + e
- Effet de X sur le médiateur (un chemin): M = b0 + aX + e
- Effet de M et X sur Y (pistes b et c) : Y = b0 + bM + c'X + e
L'effet indirect est calculé comme le produit a × b. Si ce produit est statistiquement significatif, la médiation est soutenue. Les approches modernes recommandent des intervalles de confiance pour le piquage de bottes pour l'effet indirect, car cette méthode ne suppose pas la normalité de la distribution d'échantillonnage et fournit une inférence plus précise.
Comment tester la médiation
Plusieurs méthodes ont été mises au point pour tester la médiation :
- Baron et Kenny (1986) Étapes causales Approche : La méthode classique la plus largement citée. Elle nécessite un effet total significatif (c chemin) et teste ensuite si les chemins a et b sont tous les deux significatifs. Si c' (effet direct) n'est plus significatif, la médiation complète est revendiquée. Cette méthode a une faible puissance statistique et ne teste pas directement l'effet indirect.
- Essai de sobelle : Un test formel de l'effet indirect en utilisant l'erreur standard d'un × b. Il suppose une distribution normale, qui est souvent violée dans de petits échantillons ou des données non normales.
- Démarrage (recommandé) : Résume les données à plusieurs reprises (p. ex. 5 000) pour obtenir une distribution empirique de l'effet indirect. Si l'intervalle de confiance à 95 % n'inclut pas zéro, la médiation est présente. Cette méthode n'exige pas la normalité et est robuste à la taille de l'échantillon.
- Intervalles de confiance de Monte Carlo : Utilise des estimations simulées de paramètres pour construire des intervalles, souvent utilisés dans des modèles d'équations à plusieurs niveaux ou structurales.
Exemple de médiation
Envisager une étude examinant l'effet d'une nouvelle méthode d'enseignement (X) sur les scores des tests d'élèves (Y). Les chercheurs estiment que la méthode d'enseignement améliore l'engagement des étudiants (M), ce qui augmente les scores des tests. Dans ce cas, l'engagement est le médiateur. L'analyse des données permettrait de vérifier si la méthode d'enseignement prédit de façon significative l'engagement (un chemin), si l'engagement prédit de façon significative les scores des tests (un chemin) et si l'effet indirect (un × b) est significatif.
Qu'est-ce que la modération statistique?
L'analyse de la modération examine quand ou pour qui une relation entre les variables diffère en force ou en direction. La variable modérateur (W) interagit avec la variable indépendante pour affecter la variable dépendante. dans quelles conditions l'effet est-il fort ou faible, ou est-il en train de changer de signe? Contrairement à la médiation, la modération n'explique pas un mécanisme causal; elle identifie les conditions limites ou les facteurs d'urgence.
Le modèle de modération
Dans sa forme la plus simple, la modération est testée en utilisant une régression multiple avec un terme d'interaction:
Y = b0 + b1X + b2W + b3(X × W) + e
Le coefficient b3 indique si le modérateur modifie la relation entre X et Y. Un b3 significatif implique une modération. Pour les modérateurs catégoriques, l'effet de X sur Y peut être comparé à tous les niveaux du modérateur (p. ex., hommes contre femmes). Pour les modérateurs continus, les pentes simples sont souvent tracées pour visualiser l'effet à des valeurs faibles, moyennes et élevées de W (p. ex., ±1 SD).
Comment tester la modération
- Prédicteurs continus moyens au centre avant de créer le terme d'interaction pour réduire la multicolinéarité et améliorer l'interprétation.
- Lancer un modèle de régression avec X, W et X×W. Une valeur significative de p pour le terme d'interaction indique la modération.
- Interactions significatives en utilisant une analyse simple des pentes (p. ex., en utilisant la technique Johnson‐Neyman ou l'approche pick‐a‐point) pour déterminer la plage du modérateur où l'effet de X sur Y est significatif.
- Découper l'interaction Les choix courants comprennent la représentation des valeurs Y prévues à ±1 SD ou à des percentiles spécifiques du modérateur.
Exemple de modération
Imaginez une étude sur l'effet de l'exercice (X) sur le bien-être mental (Y). Les chercheurs soupçonnent que la relation est plus forte pour les personnes ayant un niveau de stress de base élevé (W). Ici, le niveau de stress modère le lien entre l'exercice et le bien-être. L'analyse des données testerait le terme d'interaction (exercice × stress). Si la pente simple de l'exercice sur le bien-être à un stress élevé est plus grande qu'à un stress faible.
Principales différences entre médiation et modération
- Objet: La médiation explique processus (comment X affecte Y); la modération explique conditions (lorsque ou pour qui l'effet est présent).
- Troisième rôle variable: Un médiateur est une variable intermédiaire dans la séquence causale; un modérateur influence la force ou la direction de l'effet, mais n'est pas nécessairement dans la chaîne causale.
- Modélisation statistique: La médiation utilise une série de régressions ou d'analyses de trajectoire pour tester les effets indirects; la modération utilise un terme d'interaction dans la régression ou l'ANOVA.
- Interprétation: Une médiation importante suggère un mécanisme causal; une modération significative suggère une dépendance au contexte.
- Hypothèse: Les hypothèses de médiation proposent souvent une explication théorique; les hypothèses de modération proposent souvent des conditions limites.
Considérations avancées
Médiation modérée (analyse du processus conditionnel)
De nombreuses questions de recherche combinent à la fois les mécanismes et les limites. La médiation modérée se produit lorsque la taille d'un effet indirect (a × b) varie selon les niveaux d'un modérateur. Par exemple, l'effet indirect de la formation au travail sur le rendement par l'acquisition de compétences pourrait être plus fort pour les employés expérimentés que pour les novices.
Modération par médiation
Moins fréquent est la modération médiée, où l'effet d'interaction entre X et un modérateur W est transmis par l'intermédiaire d'un médiateur M. Ceci est testé en examinant si le terme d'interaction (X×W) prédit M et si M prédit alors Y. Bien que théoriquement possible, de nombreux chercheurs soutiennent que la distinction entre médiation modérée et modération médiée est subtile et que le modèle approprié dépend de la théorie.
Logiciels et méthodes de test
Plusieurs outils statistiques peuvent être utilisés pour les modèles de médiation et de modération :
- SPSS avec la macro PROCESS par Andrew Hayes (https://processmacro.org/) – exécute de nombreux modèles, notamment la médiation simple, la modération et les modèles de processus conditionnels.
- Autres colis: médiation (Imai, Keele, et Tingley), lavanne pour la modélisation équation structurelle, interactions pour des pentes simples, et processusR qui reproduit la fonctionnalité du PROCESS.
- Mplus – puissant pour la médiation et la modération complexes avec des variables latentes, le piégeage et l'estimation bayésienne.
- Statistiques – commandes comme , , et les commandes pour les graphiques de modération.
- JASP et Jamovi – un logiciel libre convivial qui comprend des analyses de médiation et de modération axées sur le menu.
Pour un tutoriel détaillé sur la conduite de l'analyse de médiation à l'aide de la macro PROCESS, consultez la page de l'ICUA : https://stats.oarc.ucla.edu/spss/séminaires/introduction-à-médiation-analyse/
Erreurs courantes et pratiques exemplaires
- Confuser la médiation avec modération : Précisez toujours si vous testez un mécanisme (médiation) ou une condition limite (modération).
- Non pas de tests d'hypothèses : La médiation ne suppose aucune erreur de mesure, aucune spécification de modèle correcte et aucun inconvénient omis. La modération suppose linéarité et homogénéité de la variance.
- Utiliser exclusivement la méthode Baron et Kenny : Il a une faible puissance et ne fournit pas un test formel des effets indirects.
- Ignorer les effets d'interaction dans la modération: Même si le terme d'interaction est significatif, les chercheurs doivent le sonder pour comprendre la direction et l'ampleur de la modération.
- Petits échantillons: La médiation et la modération exigent une puissance suffisante, en particulier pour détecter les effets indirects ou les interactions. https://davidakenny.shinyapps.io/powerMediation/) pour planifier la taille des échantillons.
- Tailles des effets non déclarées : Signaler la taille de l'effet indirect (p. ex. effet indirect complètement normalisé) et la proportion de médiations, et le changement de R2 ou f2 pour l'interaction de modération.
- Surinterprétation de la médiation complète : Même avec un effet direct non significatif, d'autres médiateurs peuvent exister. La médiation est corrélée à moins que des modèles expérimentaux ne soient utilisés.
Conclusion
La médiation révèle les mécanismes qui relient la cause et l'effet, permettant aux chercheurs de déterminer les points d'intervention. La modération identifie les contextes dans lesquels les relations sont les plus fortes, guidant des applications adaptées. Lorsqu'elles sont utilisées correctement, ces techniques transforment les corrélations simples en idées nuancées sur la causalité et la variabilité. Avec la disponibilité de logiciels conviviaux comme le logiciel PROCESS macro, le lavan et le Mplus, des modèles de processus conditionnels complexes sont accessibles aux chercheurs appliqués.