Deux étapes
Estime d’abord les scores des variables latentes, puis forme le terme d’interaction à partir de ces scores. Robuste et l’approche par défaut dans OpenPLS ; elle fonctionne avec des construits réflexifs et formatifs.
MÉTHODE PLS-SEM
La modération en PLS-SEM : quand un effet dépend d’une troisième variable
L’analyse de modération teste si la force ou la direction d’une relation entre deux construits change selon la valeur d’un troisième construit, le modérateur. Cette page explique l’effet d’interaction, comment le lire ainsi que les pentes simples, les approches d’estimation et les erreurs fréquentes.
Ce que teste une analyse de modération
Dans un modèle simple, un prédicteur agit sur une cible avec un coefficient fixe. La modération demande si ce coefficient dépend lui-même d’une variable modératrice. Par exemple, l’effet de l’utilité perçue sur l’adoption pourrait être plus fort chez les jeunes utilisateurs que chez les plus âgés : l’âge modère le chemin de l’utilité vers l’adoption.
Techniquement, la modération ajoute un terme d’interaction, le produit du prédicteur et du modérateur, comme prédicteur supplémentaire de la cible. Un effet d’interaction significatif signifie que la relation du prédicteur à la cible change quand le modérateur change.
Un exemple chiffré
On teste l’effet de la confiance sur la fidélité avec la satisfaction comme modérateur. Le terme d’interaction est positif et significatif (coefficient d’interaction 0,16, p = 0,01). En traçant les pentes simples, la pente de la confiance vers la fidélité est faible quand la satisfaction est basse et forte quand elle est élevée.
La confiance compte donc davantage pour la fidélité chez les clients très satisfaits : la satisfaction renforce la relation.
Comment lire le résultat
La modération rapporte l’effet d’interaction : son coefficient, son erreur standard, sa valeur t et sa valeur p, généralement par bootstrap.
- Interaction p < 0,05
- Modération significative : l’effet du prédicteur sur la cible dépend réellement du modérateur. Interprétez l’interaction, pas seulement les effets principaux.
- Interaction positive
- La relation du prédicteur à la cible se renforce à mesure que le modérateur augmente.
- Interaction négative
- La relation s’affaiblit, ou s’inverse, à mesure que le modérateur augmente.
- Interaction p ≥ 0,05
- Aucune preuve de modération. Rapportez l’effet direct et n’interprétez pas l’interaction.
Lisez une interaction significative avec un graphique de pentes simples : il montre la pente du prédicteur à la cible pour des valeurs basses, moyennes et élevées du modérateur, ce qui rend la direction et l’ampleur de la modération concrètes.
Approches d’estimation
Indicateur produit
Construit l’interaction en multipliant les indicateurs du prédicteur et du modérateur. Nécessite des construits réflexifs et fonctionne mieux avec un nombre d’indicateurs égal.
Orthogonalisation
Une variante de l’approche par indicateur produit qui supprime la corrélation entre le terme d’interaction et ses composantes pour réduire la colinéarité.
Pentes simples
Pas une méthode d’estimation mais la façon standard d’interpréter une interaction significative : représenter la relation du prédicteur à la cible à différents niveaux du modérateur.
Réaliser une modération étape par étape
- Spécifiez le chemin direct du prédicteur à la cible que vous pensez modéré.
- Ajoutez le modérateur et le terme d’interaction (prédicteur fois modérateur) comme prédicteurs de la cible.
- Estimez le modèle et appliquez le bootstrap à l’effet d’interaction pour obtenir sa valeur t et sa valeur p.
- Si l’interaction est significative, tracez les pentes simples pour voir comment l’effet change selon les niveaux du modérateur.
- Rapportez le coefficient d’interaction, sa significativité et l’interprétation des pentes simples, ainsi que la taille d’effet f² de l’interaction lorsque c’est possible.
Erreurs fréquentes
- Interpréter l’effet principal comme inconditionnel alors qu’une interaction significative est présente. Avec la modération, l’effet principal n’est l’effet qu’à la moyenne du modérateur.
- Découper un modérateur continu en groupes et faire une comparaison de groupes à la place. Cela jette de l’information ; un terme d’interaction continu est généralement meilleur.
- Ne rapporter que le coefficient d’interaction sans graphique de pentes simples, ce qui laisse la direction et l’ampleur floues.
- Ignorer la taille d’effet f² de l’interaction, souvent faible même quand l’interaction est significative.
La modération dans OpenPLS
OpenPLS comprend un panneau de modération qui utilise l’approche en deux étapes. Choisissez le prédicteur, le modérateur et la cible, et il ajoute le terme d’interaction, rapporte les chemins du modèle de base et du modèle avec interaction, et donne l’effet d’interaction avec sa valeur t et sa valeur p par bootstrap, ainsi qu’un graphique de pentes simples. Gratuit et dans le navigateur.
Testez une modération sur votre propre modèle
Construisez votre modèle dans l’éditeur visuel, ajoutez un modérateur et obtenez l’effet d’interaction et les pentes simples en une exécution. Gratuit, sans installation.
Questions fréquentes
- Quelle est la différence entre modération et médiation ?
- La modération change la force ou la direction d’une relation selon une troisième variable. La médiation explique une relation par une variable intermédiaire située sur le chemin entre le prédicteur et le résultat. La modération concerne quand un effet se produit ; la médiation, comment il se produit.
- Quand utiliser la modération plutôt que l’analyse multigroupe ?
- Utilisez un terme d’interaction continu (modération) quand le modérateur est continu, car le découper en groupes pour une MGA gaspille de l’information. Utilisez la MGA quand le regroupement est réellement catégoriel, comme le pays ou le genre.
- Qu’est-ce qu’un graphique de pentes simples ?
- Un graphique de la relation du prédicteur à la cible calculée pour des valeurs basses, moyennes et élevées du modérateur. Il transforme un coefficient d’interaction significatif en une image concrète de la façon dont l’effet change.
Pour aller plus loin
Un traitement pratique dans Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling, 3e éd., Sage. Sur les approches d’estimation : Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17(1), 82-109. Voir aussi Memon, M. A., et al. (2019). Moderation analysis: issues and guidelines. Journal of Applied Structural Equation Modeling, 3(1), i-xi.