L’analyse des effets de médiation modérée : Applications en marketing

Abstract

L’objectif de cet article est d’expliquer et d’illustrer la démarche méthodologique qu’il convient de suivre pour tester les effets dits de médiation modérée (effets indirects conditionnels) en marketing. Un effet de médiation modérée désigne la présence, dans un même modèle, d’une ou plusieurs variables médiatrices et d’une ou plusieurs variables modératrices. Après avoir décrit les principales approches méthodologiques permettant de tester les effets de médiation modérée en mettant l’accent sur leurs avantages et inconvénients respectifs, nous préconisons la méthode de Hayes (2013a, 2013b), que nous illustrons à travers plusieurs applications en marketing. Cette méthode permet de tester simultanément et de manière rigoureuse les effets médiateurs et les effets modérateurs. Des recommandations sont également formulées pour éclairer les chercheurs en marketing engagés dans des analyses de médiation modérée.

Keywords

effets indirects conditionnels médiation modérée méthodologie modération médiatisée.

Introduction

Les effets médiateurs et les effets modérateurs sont fréquemment testés par les chercheurs en marketing (Caceres et Vanhamme, 2003 ; Zhao et al., 2011). Un effet médiateur, également appelé effet indirect, est défini par la présence d’une ou plusieurs variables qui interviennent pour transmettre l’influence d’une variable X sur une variable Y (Baron et Kenny, 1986 ; MacKinnon, 2008 ; MacKinnon et al., 2012 ; Shrout et Bolger, 2002 ; Zhao et al., 2010, 2011). Un effet modérateur est défini par la présence d’une ou plusieurs variables qui modulent l’influence d’une variable X sur une variable Y, en impactant la nature, le sens et/ou la force de cette influence qui varierait selon les valeurs de la variable modératrice (Aguinis et Gottfredson, 2010 ; Baron et Kenny, 1986 ; Caceres et Vanhamme, 2003 ; Dawson, 2014 ; Jaccard et Turrisi, 2003 ; Sharma et al., 1981). Edwards (2008) utilise le qualificatif d’effet conditionnel pour désigner un effet modérateur. Les procédures permettant de tester séparément et rigoureusement les effets médiateurs et les effets modérateurs sont de plus en plus stabilisées et généralisées (Aguinis et Gottfredson, 2010 ; Aiken et West, 1991 ; Preacher et Hayes, 2004, 2008 ; Zhao et al., 2011). Or, les avancées considérables de la recherche en marketing incitent les chercheurs à aller au-delà de l’analyse séparée des effets médiateurs et/ou modérateurs et à chercher davantage à comprendre simultanément les mécanismes par lesquels ces effets opèrent (le “comment”) et les limites conditionnelles de ces effets (le “quand” ou “sous quelles conditions”) (Edwards et Lambert, 2007 ; Hayes, 2013a, 2013b).

Les chercheurs en marketing font face aujourd’hui à un accroissement des modèles qui intègrent à la fois des variables médiatrices et des variables modératrices, donnant lieu à des effets dits de médiation modérée, de modération médiatisée (Edwards et Lambert, 2007), ou des effets indirects conditionnels (Preacher et al., 2007). De manière conventionnelle, le terme médiation modérée est utilisé comme terme générique pour désigner ces multiples effets (Edwards et Lambert, 2007 ; Fairchild et McQuillin, 2010 ; Muller et al., 2005 ; Preacher et al., 2007). Par ailleurs, la démarche méthodologique présentée dans cet article s’applique à l’ensemble de ces effets. Nous utiliserons donc le terme de médiation modérée pour désigner tous les cas pour lesquels l’effet modérateur est transmis via une ou plusieurs variables médiatrices. Autrement dit, il y a médiation modérée lorsque la magnitude, la grandeur ou le signe de l’effet indirect d’une variable X sur une variable Y, via une variable médiatrice M, varie en fonction de la valeur d’une variable modératrice Z (Preacher et al., 2007). Par exemple, Sellier et Dahl (2011) ont démontré que l’impact de l’étendue du choix des inputs sur la créativité du consommateur est médiatisé par le plaisir lié au processus créatif et que cet impact indirect varie en fonction du niveau d’expertise du consommateur. En étudiant les relations de partenariat entre acheteurs et vendeurs, Celuch et al. (2011) ont trouvé que l’effet indirect de la communication du partenaire sur la résolution de conflits, via l’attribution de la responsabilité, est conditionné par le niveau de confiance entre l’acheteur et le vendeur. Une recherche bibliographique couvrant la période de début janvier 2007 à fin décembre 2014 dans les revues de rang 1 et 2 en marketing¹ montre un intérêt croissant de la part des chercheurs pour l’analyse des effets de médiation modérée (cf. Annexe A1). Toutefois, le nombre d’articles utilisant des démarches rigoureuses d’analyse reste limité (nous avons recensé 118 articles sur plusieurs centaines déclarant traiter d’une médiation modérée), ce qui peut générer un risque d’usage de méthodes non adéquates menant à des résultats et des conclusions erronés. Sur les 118 articles recensés, la majorité (61 articles, soit 51,7% des cas) a été basée sur la démarche recommandée par Preacher et al. (2007). En dépit de sa récence, la mise à jour de cette démarche par Hayes (2013a, 2013b) est déjà utilisée dans 49 articles (soit 41,5% des cas). Seulement 8 articles (soit 6,8% des cas) font référence à la démarche proposée par Edwards et Lambert (2007) (cf. Annexe A1). Il est à noter que la méthode de Hayes (2013a, 2013b) prend, depuis sa sortie, une importance notable dans la littérature en marketing. En 2013, 14 articles utilisaient cette méthode (contre 20 utilisant la méthode de Preacher et al., 2007). Ce chiffre monte à 33 en 2014 (contre 23 utilisant encore la méthode de Preacher et al., 2007). Ainsi, si l’utilisation de la méthode de Preacher et al. (2007) reste encore dominante sur le nombre global de travaux proposés entre 2007 et 2014, celle de Hayes (2013a, 2013b) est la plus utilisée au cours de l’année 2014. L’évolution qu’elle connait laisse penser que cette méthode, que nous recommandons, est en train de devenir dominante dans la recherche en marketing.

Récemment, nombre d’auteurs ont mis l’accent sur l’insuffisance et l’inadéquation des procédures classiques pour tester simultanément et rigoureusement les effets de médiation modérée (Edwards et Lambert, 2007 ; Hayes, 2013a, 2013b ; Preacher et al., 2007). Ces procédures consistent souvent à tester dans un premier temps les effets médiateurs et dans un second temps les effets modérateurs, avant de conclure sur l’existence d’effets de médiation modérée. Dans d’autres cas, c’est l’analyse multi-groupes qui est utilisée : l’échantillon est d’abord scindé en sous-groupes selon différentes valeurs de la variable modératrice et, ensuite, la significativité de l’effet médiateur est testée dans chaque sous-groupe (Wegener et Fabrigar, 2000). La majorité de ces méthodes ne permet pas d’avoir un test formel des effets indirects conditionnels et donc de formuler des inférences statistiques claires à ce niveau (cf. Tableau 1). Il est aussi possible de recourir aux méthodes d’équations structurelles pour tester simultanément un modèle global de médiation modérée (Dabholkar et Bagozzi, 2002 ; Hayes et Preacher, 2013). Toutefois, l’utilisation des méthodes d’équations structurelles pour le test de ce type de modèle reste complexe, et risque parfois de violer les conditions de normalité de distribution de probabilité et de linéarité des effets testés², surtout lorsque la taille de l’échantillon n’est pas suffisante (Cortina et al., 2001 ; Edwards, 2008). Différents auteurs mettent l’accent sur l’importance de : (1) recourir à des méthodes robustes telles que le bootstrap qui permettent de tester rigoureusement des effets non linéaires et dans le cas de distribution non normale, en calculant des intervalles de confiance ; (2) tester la significativité des effets indirects à différentes valeurs de la variable modératrice ; (3) rendre intuitives et faciles d’usage les méthodes de test des effets de médiation modérée en développant des Macros prêtes à l’usage par les chercheurs (Hayes, 2013a ; Preacher et al., 2007).

Tableau 1.

Récapitulatif des principales méthodes permettant d’estimer des relations impliquant à la fois des liens de médiation et de moderation.

	Procédures et méthodes	Références	Outils	Avantages	Inconvénients
1^ère approche : tester la médiation et la modération séparément	Analyses de médiation suivant la méthode de Baron et Kenny (1986) (avec ou sans le test de Sobel), suivies d’un test de la modération souvent en régression hiérarchique modérée (ou éventuellement par une analyse en multi-groupes)	Baron et Kenny (1986) Sobel (1982) Aiken et West (1991) Jaccard et Turrisi (2003) Wegener et Fabrigar (2000)	Très souvent avec SPSS / SAS	Simplicité de mise en œuvre. Popularité de la démarche et fréquence de son utilisation dans les revues depuis 1986, date de publication de l’article de Baron et Kenny (1986).	Procédure remise en cause en ce qui concerne le test de médiation. La démarche causale séquentielle de Baron et Kenny (1986) peut aboutir à des résultats erronés surtout à cause de l’étape 1 de la démarche. La démarche de Baron et Kenny est fortement déconseillée (Zhao et al., 2010, 2011). Elle ne permet pas non plus de quantifier l’effet indirect et de réaliser un test de significativité de cet effet (Edwards et Lambert, 2007 ; Muller et al., 2005 ; Preacher et al., 2007). Le test de Sobel repose sur l’hypothèse d’une normalité de la distribution de l’effet indirect de médiation. Cette hypothèse est très rarement vérifiée, d’où un risque de biais dans les résultats (Edwards et Lambert, 2007). Cette procédure ne permet pas de réaliser des inférences statistiques sur un processus indirect conditionnel en testant séparément la médiation et la modération.
	Analyses de médiation selon la méthode du bootstrap suivies d’un test de la modération souvent en régression hiérarchique modérée (ou éventuellement par une analyse en multi-groupes).	Preacher et Hayes (2004, 2008)Zhao et al. (2010, 2011)MacKinnon (2008) Aiken et West (1991) Jaccard et Turrisi (2003) Wegener et Fabrigar (2000)	SPSS / SAS + Macro adéquate à télécharger	En tant que test non paramétrique, le bootstrap évacue l’hypothèse de la normalité de la distribution, en étant robuste quelle que soit la distribution. Le bootstrap permet de calculer un intervalle de confiance de l’effet indirect qui est significatif si cet intervalle ne contient pas le zéro (Preacher et Hayes, 2008).La procédure est plus fiable et plus robuste que la méthode de Baron et Kenny (1986) et que le test de Sobel pour tester la médiation. En effet, elle repose sur un test formel de significativité de l’effet indirect par bootstrap (Hayes, 2013a).La démarche est applicable lorsque la variable dépendante est dichotomique (le script de la Macro s’adapte automatiquement et bascule de la régression linéaire à la régression logistique lorsqu’il détecte une variable dépendante binaire).	Les tests de médiation et de modération étant effectués de manière indépendante, ils ne permettent pas de faire des inférences statistiques sur des liens indirects conditionnels.Si la régression hiérarchique modérée n’est pas renforcée par une démarche de bootstrap, son analyse peut être biaisée (Edwards et Lambert, 2007).Lorsque l’analyse en multi-groupes est utilisée pour tester l’effet modérateur, il y a un risque de biais si la variable doit être discrétisée (Cadario et Parguel, 2014) et un risque de baisse du pouvoir statistique si l’échantillon initial est scindé.
2^ème approche : tester la médiation et la modération simultanément	Analyses multi-groupes à l’aide des méthodes des équations structurelles	Dabholkar et Bagozzi (2002) Dittmar et al. (2009)	Logiciels d’équations structurelles (Amos, Lisrel, Mplus, EQS, Stata, PLS)	En recourant aux méthodes des équations structurelles, cette procédure permet de tester le modèle dans son ensemble quel que soit le nombre de variables médiatrices et dépendantes.Les analyses multi-groupes sont adaptées pour traiter des variables modératrices qualitatives ayant plus de deux modalités.Cette procédure bénéficie des avantages des méthodes des équations structurelles en termes de prise en compte des erreurs de mesure, de précision des estimations et d’évaluation de la qualité d’ajustement.Cette procédure est compatible avec le bootstrap. Il est donc possible de générer des intervalles de confiance pour les effets estimés par les logiciels d’équations structurelles.	À moins d’imposer systématiquement une série de contraintes d’égalité entre les différents groupes - en laissant libre seulement le lien de médiation à tester (cf. Dabholkar et Bagozzi, 2002), cette procédure ne permet pas de rendre compte de manière formelle des liens indirects conditionnels et peut s’assimiler à des tests séparés de médiation et de modération (Hayes, 2013a).Scinder l’échantillon global en sous-échantillons peut réduire le pouvoir statistique.Cette procédure n’offre pas toujours un test formel de différences des effets directs et indirects entre les groupes (Hayes, 2013a).Si la variable modératrice est quantitative/continue, il est nécessaire de discrétiser la variable pour constituer les groupes ; ce qui peut générer une perte d’information et un risque de biais (Cadario et Parguel, 2014). En effet, discrétiser la variable modératrice réduit le pouvoir statistique et rend ainsi plus difficile la détection des effets d’interaction (Dawson, 2014).Si les groupes sont sensiblement différents en termes de taille, il y a un risque d’obtenir un pouvoir statistique différent d’un modèle à un autre et donc un risque d’erreur dans la comparaison des effets médiateurs (Hayes, 2013a).
	Analyses de médiation modérée (effet indirect conditionnel) à l’aide du bootstrap	Preacher et al. (2007) Edwards et Lambert (2007) Hayes (2013a, 2013b)	SPSS / SAS + Macro adéquate à télécharger	Seule cette démarche permet d’estimer formellement et clairement des liens indirects conditionnels : elle permet d’analyser un effet de médiation ainsi que ses variations en fonction des différentes valeurs de la variable modératrice.La méthode de bootstrap est très robuste quelles que soient la distribution des variables analysées et la taille de l’échantillon.Grâce aux intervalles de confiance, cette procédure génère des inférences statistiques sur des liens indirects conditionnels.Les récents développements de cette approche (Hayes, 2013a, 2013b) permettent de traiter aussi bien des variables quantitatives/continues que des variables qualitatives / dichotomiques.	Certaines procédures telles que celle d’Edwards et Lambert (2007) peuvent potentiellement être laborieuses à mettre en œuvre.Les macros SPSS / SAS ne peuvent traiter qu’une variable dépendante à la fois. Pour dépasser cette limite, Hayes et Preacher (2013) ont développé une version de la démarche utilisable en méthodes d’équations structurelles (plus précisément sous Mplus).Ces procédures ne traitent pas les cas de variables médiatrices dichotomiques. Ces cas ne peuvent être traités que par des logiciels de méthodes d’équations structurelles tels que Mplus.

L’objectif de cet article est de présenter, d’expliquer et d’illustrer la démarche méthodologique à suivre pour tester les effets de médiation modérée. Après avoir clarifié les notions de médiation modérée, de modération médiatisée et d’effets indirects conditionnels, nous présenterons les principales méthodes permettant d’étudier ces effets et préciserons les apports et les limites de chacune de ces procédures d’analyse. Nous proposerons ensuite une illustration de cette démarche en marketing à travers plusieurs mises en application de la méthode que nous préconisons, à savoir celle de Hayes (2013a, 2013b), avant de conclure par une série de recommandations pour les chercheurs en marketing souhaitant tester des effets de médiation modérée.

Définition et principes fondamentaux de la médiation modérée

La compréhension des effets de médiation modérée repose au préalable sur une maîtrise des notions de médiation et de modération. En dépit de la maturité des démarches d’analyse des effets de médiation et de modération, il existe encore des confusions entre ces effets, représentant des processus distincts et impliquant des modes d’analyse différents (Hayes, 2013a, 2013b).

Les effets de médiation : effets directs et effets indirects

Un effet de médiation se réfère au mécanisme à travers lequel une variable indépendante X influence une variable dépendante Y, via une variable intermédiaire M se situant entre X et Y (MacKinnon, 2008). L’effet de médiation se décompose souvent en effet direct et effet indirect. De manière simplifiée, deux équations de régression permettent de tester ces effets. La première lie la variable indépendante X et la variable médiatrice M :

M = b_{M} + a X + e_{M}

(1)

Et la seconde équation représente l’estimation de Y à la fois par X et M, permettant de tester l’impact de M sur Y, en contrôlant X :

Y = b_{Y} + c ’ X + b M + e_{Y}

(2)

L’effet indirect est représenté par le produit (a ×b) dans les équations (1) et (2). L’effet total de X sur Y est la somme des effets direct et indirect (a x b + c’) ; c’ représentant l’effet direct, en présence de M.

Plusieurs méthodes sont utilisées pour tester les effets médiateurs : (1) la méthode de séquences causales de Baron et Kenny (1986), (2) la méthode du test de Sobel (Sobel, 1982) et la méthode de significativité de l’effet indirect (MacKinnon et al., 2007) et (3) la méthode de bootstrapping (Preacher et Hayes, 2004, 2008). La présentation de ces méthodes n’est pas l’objectif de cet article ; les forces et les faiblesses de chaque méthode sont synthétisées dans le Tableau 1. Nous renvoyons le lecteur à certains excellents travaux qui ont fait un état critique des méthodes utilisées pour tester les effets de médiation (Hayes, 2013a ; MacKinnon, 2008 ; MacKinnon et al., 2012 ; Zhao et al., 2010, 2011).

Nous reprenons de manière synthétique les avancées apportées par ces récents travaux :

Zhao et al. (2010, 2011) proposent une nouvelle typologie des effets médiateurs en distinguant surtout le cas de la médiation complémentaire (l’effet indirect (a×b) et l’effet direct (c’) sont significatifs et ont le même signe) et de la médiation concurrente (l’effet indirect (a×b) et l’effet direct (c’) sont significatifs, mais ont des sens opposés). Cette typologie permet de dépasser la simple distinction classique entre médiation complète et médiation partielle, de plus en plus critiquée étant donné son caractère trivial, voire irréaliste (Hayes, 2013a).

Il y a un accord unanime pour rejeter le recours à la méthode de séquences causales de Baron et Kenny (1986). Plusieurs auteurs ont démontré les limites importantes de cette méthode, pouvant mener à des résultats erronés (cf. Zhao et al., 2010, 2011 ; voir aussi Tableau 1). Il y a aussi un consensus pour encourager l’utilisation du bootstrap pour tester les effets de médiation (Hayes, 2013a ; Preacher et Hayes, 2004, 2008 ; Shrout et Bolger, 2002). La seule et unique condition de l’existence d’un effet indirect significatif repose sur un test de bootstrap avec un intervalle de confiance qui exclut le zéro.

Les méthodes d’équations structurelles peuvent être combinées avec le bootstrap pour tester les effets médiateurs (Iacobucci et al., 2007 ; Zhao et al., 2010, 2011). Le recours à ces méthodes est recommandé lorsque la variable médiatrice est catégorielle/dichotomique – le logiciel Mplus est bien adapté à ce cas (Muthén et Muthén, 2011).

Les effets de modération : effets d’interaction et effets conditionnels

Un effet de modération désigne l’interaction entre deux ou plusieurs variables pour influencer une autre variable. Il y a un effet de modération lorsque l’effet de la variable indépendante X sur la variable dépendante Y varie en fonction de la valeur d’une troisième variable Z (Aiken et West, 1991 ; Edwards et Lambert, 2007 ; Jaccard et Turrisi, 2003). La variable Z peut être une variable continue (ou ordinale de type Likert à intervalles équidistants) telle que l’implication, ou encore une variable catégorielle telle que le genre (Aguinis, 2004 ; Aguinis et Gottfredson, 2010). Preacher et ses collègues (2007) recommandent l’utilisation du terme effet conditionnel pour désigner un effet modérateur étant donné que la variable modératrice joue le rôle d’un facteur de contingence³ qui influence la force, la direction et/ou la significativité de la relation entre deux variables. L’analyse des effets modérateurs est importante dans le sens où elle permet de comprendre les conditions de généralisation sous lesquelles la relation entre la variable indépendante et la variable dépendante est vérifiée (Fairchild et McQuillin, 2010). La prise en compte des effets modérateurs est aussi le reflet du degré de maturité et de sophistication d’un domaine de recherche (Aguinis et al., 2001).

Plusieurs méthodes telles que l’analyse de la variance (ANOVA) ou l’analyse multi-groupes peuvent être utilisées pour tester les effets modérateurs. La régression hiérarchique modérée est aussi fréquemment utilisée pour tester ces effets. Elle consiste à tester la significativité du coefficient de régression du produit de la variable indépendante X avec la variable Z, après avoir introduit dans l’équation de régression les effets directs de X et Z. Le produit XZ représente le terme interactif.

Y = b_{Y} + β_{1} X + β_{2} Z + β_{3} X Z + e_{Y}

(3)

Il y a un effet modérateur de Z sur la relation entre X et Y si le coefficient β₃ est significatif (p < 0,05). Notons que la variable modératrice Z n’est pas nécessairement directement liée à la variable dépendante Y ; autrement dit, même si il est essentiel d’un point de vue statistique d’intégrer dans les analyses le lien direct entre la variable modératrice et la variable dépendante (Dawson, 2014), la significativité de ce lien direct (β₂) n’est pas une condition nécessaire pour l’existence d’un effet modérateur (Carte et Russell, 2003). En ajoutant le terme d’interaction XZ, il importe aussi d’avoir une variation significative de la variance expliquée R². La valeur du ΔR² (test F) indique dans quelle mesure l’effet modérateur améliore le pouvoir explicatif du modèle au-delà des effets linéaires directs (Aguinis, 2004 ; Aiken et West, 1991 ; Fairchild et McQuillin, 2010).

En dépit du récent débat sur la nécessité et l’intérêt de centrer les variables X et Z avant de calculer XZ et de réaliser la régression hiérarchique modérée pour réduire la multi-colinéarité (Dalal et Zickar, 2012 ; Echambadi et Hess, 2007 ; Hayes, 2013a), il est encore recommandé de centrer⁴ les variables pour faciliter l’interprétation des résultats (Dawson, 2014). Nous précisons que la variable dépendante Y ne doit pas être centrée (Dawson, 2014). Enfin, pour faciliter l’interprétation du sens et la grandeur des effets d’interaction, il faut toujours réaliser une représentation graphique (plot)⁵ de ces effets selon la démarche recommandée par Aiken et West (1991). Cette représentation permet aussi de comparer la significativité de la relation entre X et Y selon des valeurs focales signifiantes de Z ou lorsque la valeur de Z est faible (égale par convention à la moyenne de Z moins son écart-type) et lorsque la valeur de Z est forte (égale par convention à la moyenne de Z plus son écart-type). Même si cette approche, dite spotlight (qui est basée sur une interprétation des effets selon les valeurs focales de la variable modératrice) reste dominante, certains travaux récents recommandent une approche dite floodlight, qui consiste en une interprétation des effets pour toutes les valeurs de la variable modératrice, et ce, afin de limiter un choix potentiellement arbitraire des valeurs focales (Cadario et Parguel, 2014 ; Spiller et al., 2013). Cette approche repose sur une identification des régions de significativité (toutes les valeurs de la variable modératrice Z pour lesquelles la relation entre X et Y est significative) selon la procédure de Johnson-Neyman qui est implantée dans les Macros telles que PROCESS (Hayes, 2013a, 2013b)⁶.

Les effets de médiation modérée : effets indirects conditionnels

L’évolution de la recherche en marketing a fait que, de plus en plus, les chercheurs sont confrontés à des modèles complexes qui combinent à la fois des effets de médiation et des effets de modération. Néanmoins, certains auteurs traitent et analysent ces effets séparément, tandis que d’autres les appréhendent de manière simultanée (cf. Tableau 1). Dans ces modèles, qualifiés de modèles de processus conditionnels (Hayes et Preacher, 2013), les effets indirects et/ou directs d’une variable indépendante X sur une variable dépendante Y, via une ou plusieurs variables médiatrices M, sont modérés par une ou plusieurs variables modératrices Z. Un exemple simple est présenté dans la Figure 1 qui montre qu’aussi bien l’effet direct de X sur Y que l’effet indirect, via M, sont modérés par Z. In fine, l’influence de la variable indépendante sur la variable dépendante est conditionnée par l’interaction entre la variable médiatrice et la variable modératrice.

Figure 1.

Un exemple de modèle de médiation modérée.

Les modèles de médiation modérée peuvent être très variés (Hayes, 2013a, 2013b). Ceci explique la multiplicité des termes utilisés pour les désigner. Selon Edwards et Lambert (2007), la modération médiatisée désigne le cas dans lequel l’effet modérateur est localisé sur la première séquence du processus de médiation (autrement dit avant la variable médiatrice, au niveau de (a) dans la Figure 1). Ces auteurs considèrent ainsi la modération médiatisée comme un cas spécifique de médiation modérée. Néanmoins, il est important de noter que ce concept fait débat. Pour d’autres auteurs comme Muller et al. (2005), la modération médiatisée désigne plutôt le cas où c’est le lien direct entre X et Y qui est modéré. Enfin, Hayes (2013a), quant à lui, remet en question la pertinence même de la notion de modération médiatisée et déconseille l’utilisation de ce terme. Hayes et Preacher (2013) distinguent les effets conditionnels indirects lorsque la variable modératrice influence l’impact indirect de la variable indépendante sur la variable dépendante, via la variable médiatrice (au niveau de (a) et/ou (b) dans la Figure 1), des effets conditionnels directs lorsque l’impact de la variable modératrice est localisé sur le lien direct entre la variable indépendante et la variable dépendante (au niveau de (c’) dans la Figure 1).

L’analyse simultanée de ces différents effets est nécessaire pour aboutir à des résultats fiables et robustes (Edwards et Lambert, 2007 ; Hayes, 2013a, 2013b ; Preacher et al., 2007). Elle offre plusieurs avantages : (1) elle permet de dépasser les limites des démarches classiques et séquentielles qui testent séparément les effets de médiation et les effets de modération, (2) elle aboutit à des résultats plus rigoureux et plus précis grâce à l’utilisation de la procédure par bootstrap (voir encadré 1), (3) elle peut être utilisée aussi bien en régression multiple conventionnelle qu’en méthodes d’équations structurelle (Hayes et Preacher, 2013Les avantage), et (4) elle est de plus en plus simple et accessible grâce à des Macros prêtes à utiliser⁷.

Encadré 1

Les avantages de l’usage du bootstrap pour le test de la médiation modérée

Les diverses démarches d’analyse des effets de médiation modérée partagent en commun le recours au bootstrap.

Le bootstrap est une procédure de simulation d’échantillons, avec une répétition de rééchantillonnage (réplication avec remise) à partir de l’échantillon original (Efron et Tibshirani, 1993).

Le bootstrap est une procédure robuste, aussi adaptée aux distributions non normales et aux échantillons de petite taille. Cette procédure est particulièrement utile dans le cas des analyses de médiation modérée étant donné que les effets indirects et les effets d’interaction ont très souvent des distributions non normales (Edwards et Lambert, 2007). Le bootstrap permet donc d’avoir une estimation plus précise des effets indirects conditionnels grâce à un test statistique fiable et à la génération d’un intervalle de confiance de la limite inférieure et de la limite supérieure de l’effet de médiation modérée (intervalle qui doit exclure la valeur zéro pour être significatif).

La procédure de bootstrap est implantée dans divers logiciels tels que SPSS, SAS ou de type équations structurelles (Mplus, Lisrel, Stata ou Amos). Elle est directement intégrée dans la Macro utilisée dans cet article (Hayes, 2013a).

Enfin, il est généralement recommandé de réaliser au moins 1 000, voire 5 000 ou 10 000 rééchantillonnages pour le bootstrap et de choisir la procédure de bootstrap en percentiles ou en percentiles corrigés du biais et accélérés (Hayes et Scharkow, 2013 ; Preacher et al., 2007).

Les principales procédures de test des effets de médiation modérée simultanée avec Bootstrap

Une revue de la littérature sur les effets de médiation modérée (cf. Annexe A1) permet de constater la référence à trois démarches d’analyse de plus en plus utilisées : celle d’Edwards et Lambert (2007), celle de Preacher et al. (2007) et plus récemment, celle de Hayes (2013a, 2013b). Nous les présenterons dans les paragraphes suivants, en prenant soin de regrouper les deux dernières (l’une étant une version améliorée de la précédente). Le Tableau 2 ci-dessous détaille les principaux avantages et inconvénients de chacune des méthodes.

Tableau 2.

Récapitulatif des méthodes d’analyse de médiation modérée simultanée à l’aide du bootstrap.

	Procédure à suivre	Avantages	Inconvénients
Edwards et Lambert (2007)	Télécharger le dossier MODMED ^c (voir le détail des étapes à suivre sur le site dédié)	Cette méthode permet de générer des résultats détaillés aussi bien à un niveau spécifique pour chaque lien du modèle ainsi qu’à un niveau plus global permettant d’interpréter les effets indirects et l’effet total, en fonction des différentes valeurs de la variable modératrice.Elle fournit des estimations de l’effet indirect transmis via la variable médiatrice selon différentes valeurs de la variable modératrice, aussi bien entre la variable indépendante X et la variable médiatrice M (1^ère séquence) qu’entre la variable médiatrice M et la variable dépendante Y (2^nde séquence). L’effet modérateur est aussi testé sur le lien direct entre X et Y.	Nécessite de programmer la syntaxe SPSS pour paramétrer les liens entre les variables.La procédure peut s’avérer laborieuse en plusieurs étapes (la génération des intervalles de confiance pour le bootstrap est assez ardue en utilisant le fichier Excel)Cette méthode permet d’étudier uniquement des modèles simples avec un seul modérateur et un seul médiateur.
Preacher et al. (2007)	Télécharger la Macro MODMED ^d	La démarche est assez simple grâce aux Macros SPSS / SAS installées directement en boîte de dialogue sur les logiciels.Les intervalles de confiance sont directement générés pour les effets indirects à différentes valeurs focales de la variable modératrice (dans une logique spotlight, les valeurs focales sont la moyenne ± écart-type).Il y a une possibilité d’utiliser la méthode de Johnson-Neyman pour générer des valeurs de la variable modératrice permettant de construire des régions de significativité selon une démarche de floodlight (Spiller et al., 2013 ; Cadario et Parguel, 2014).	Si la boîte de dialogue personnalisée n’est pas installée, il y a nécessité de programmer la syntaxe SPSS / SAS pour paramétrer les liens entre les variables.La procédure ne permet pas de traiter des variables dépendantes binaires.Avec la Macro MODMED, le nombre de modèles pouvant être testés est limité à 5.
Hayes (2013a, 2013b)	Télécharger et installer la Macro PROCESS ^e.Une fois l’installation effective, une nouvelle option PROCESS apparaît dans l’onglet Régression de SPSS / SAS. En cliquant dessus une boîte de dialogue s’ouvre, il suffit alors de sélectionner les variables et de spécifier le type de modèle testé en s’aidant du template fourni avec la macro (Voir notre cas d’application pour une illustration des étapes à suivre).	PROCESS est une Macro plus intuitive, avec une grande facilité d’usage.Le template, accompagnant la Macro, propose 76 cas de figures possiblesPROCCESS permet de tester des modèles à plusieurs médiateurs et à plusieurs modérateurs.Il est possible de traiter les variables dépendantes qualitatives / dichotomiques.La macro PROCESS permet de faire tout ce que fait la macro MODMED tout en permettant d’estimer un plus grand nombre de modèles d’effets indirects conditionnels.	En dépit du nombre élevé des modèles pouvant être testés (76), il est possible que le modèle qu’un chercheur souhaite tester n’en fasse pas partie. Dans ce cas, le recours à une démarche plus complexe comme celle de Hayes et Preacher (2013) est nécessaire.

http://public.kenan-flagler.unc.edu/faculty/edwardsj/downloads.htm.

http://www.processmacro.org/.

http://www.processmacro.org/download.html.

La démarche d’Edwards et Lambert (2007)

La démarche développée par Edwards et Lambert (2007) repose sur le principe selon lequel, dans un modèle de médiation modérée, l’effet modérateur peut opérer soit sur l’effet indirect, soit sur l’effet direct, ou encore sur l’effet total. La médiation modérée est donc exprimée en termes direct, indirect et total. Comme illustré dans la Figure 2, dans cette démarche l’effet modérateur de la variable Z est testé à chaque fois à de multiples niveaux : (1) au niveau de la première séquence entre la variable indépendante X et la variable médiatrice M (1^st stage), (2) au niveau de la seconde séquence entre la variable médiatrice M et la variable dépendante Y (2^nd stage), et (3) au niveau du lien direct entre la variable indépendante X et la variable dépendante Y. Selon Edwards et Lambert (2007), dans un modèle de médiation modérée, n’importe quelle séquence de l’effet direct entre X et Y ou de l’effet indirect, via M, peut être modérée par Z. C’est la relation médiatrice dans sa globalité qui est ainsi considérée comme modérée (Muller et al., 2005). Il s’agit là d’une vision analytique et non théorique de la médiation modérée. Les arguments théoriques sont au contraire à présenter de manière préalable, spécifique et précise, permettant ainsi de démontrer à quel niveau l’effet modérateur intervient dans le processus global.

Figure 2.

Le modèle général de la médiation modérée selon Edwards et Lambert (2007).

Edwards et Lambert (2007) ont développé une Macro MODMED⁸ qui permet de tester les effets de médiation modérée. Cette Macro peut être utilisée avec des variables modératrices continues ou catégorielles. Compte tenu du nombre limité des travaux en marketing ayant utilisé la démarche d’Edwards et Lambert (cf. Annexe A1), nous ne développerons pas davantage cette démarche dans cet article et nous renvoyons le lecteur aussi bien à l’article d’Edwards et Lambert (2007) qu’à une explication et une application de cette démarche sur le site dédié à notre article⁹.

La démarche de Preacher et al. (2007) et Hayes (2013a, 2013b)

La démarche de Preacher et al. (2007) pour tester les effets indirects conditionnels a été récemment renouvelée par Hayes (2013a, 2013b) dans une nouvelle Macro appelée PROCESS¹⁰, à télécharger gratuitement sur le site d’Andrew Hayes. La nouvelle Macro est sous la forme d’une syntaxe ou d’une boîte de dialogue fonctionnant sous SPSS ou SAS. Elle peut être utilisée avec des variables dépendantes quantitatives/continues ou qualitatives/catégorielles. Elle peut aussi tester des modèles de médiation modérée avec une ou plusieurs variables médiatrices et modératrices. Cette nouvelle Macro permet d’analyser un nombre important de modèles avec la possibilité d’avoir jusqu’à 10 variables médiatrices et 4 variables modératrices dans un même modèle (Hayes, 2013a, 2013b). Il convient donc également de télécharger sur ce même site internet, le document templates « process.pdf ». Dans ce document, 76 combinaisons possibles de médiations modérées sont modélisées avec leur script respectif (détaillé en-dessous de chaque modèle).

Compte tenu du niveau de perfectionnement et de la simplicité d’utilisation de la Macro PROCESS développée par Hayes (2013a, 2013b) et de la fréquence de son utilisation par les chercheurs publiant dans les revues les mieux classées en marketing (cf. Annexe A1 et Tableau 2), nous préconisons d’utiliser cet outil pour le test des effets indirects conditionnels. La procédure de son utilisation est expliquée en détail dans le cadre des applications marketing que nous proposons dans la section suivante. Notons, néanmoins, que le choix de la méthode à retenir peut également dépendre de la nature des variables étudiées. Valeri et VanderWeele (2013) ont récemment montré l’importance de tenir compte dans l’analyse de la nature continue vs. catégorielle des variables médiatrices. Dans le prolongement de ces travaux, nous élargissons l’analyse au cas de la médiation modérée en considérant les différentes alternatives selon la nature des différentes variables du modèle qu’elles soient indépendantes, dépendantes, médiatrices ou modératrices. Le Tableau 3 indique la (ou les) méthode(s) adéquate(s) selon que les différentes variables soient quantitatives/continues ou qualitatives/catégorielles (dites dichotomiques ou binaires dans le cas où il y a seulement deux modalités pour la variable)¹¹.

Tableau 3.

Récapitulatif des méthodes adéquates de médiation modérée en fonction de la nature des variables.

Cas de figures les plus fréquents	Méthode(s) adéquate(s)
X, Y, M et Z sont des variables quantitatives/continues	Cas de figure le plus simple, toutes les méthodes de médiation modérée sont envisageables et toutes les Macros présentées dans cet article sont exploitables dans ce cas de figure.
La variable dépendante Y est une variable qualitative/catégorielle (dite aussi dichotomique ou binaire en cas de deux modalités)	Contrairement à la Macro MODMED (Preacher et al., 2007), la Macro PROCESS de Hayes (2013a, 2013b) permet de traiter des variables dépendantes catégorielles/dichotomiques (la Macro bascule automatiquement de la régression linéaire à la régression logistique lorsqu’une variable dépendante catégorielle est détectée).Il est possible d’avoir recours à la méthode d’Edwards et Lambert (2007) en réalisant une régression logistique binaire lors de la première étape (ou logistique multinomiale si la variable dépendante est qualitative et à plus de deux modalités).
La variable indépendante X est une variable qualitative/catégorielle	Toutes les méthodes permettent de prendre en compte des variables indépendantes qualitatives/catégorielles.Si X est une variable qualitative à plus de deux modalités, il est nécessaire de la recoder en variables indicatrices (dummy) et de répéter l’analyse pour chacune d’entre elles en spécifiant les autres variables dans la case « covariates » dans la Macro PROCESS de Hayes (2013a, 2013b).
La variable médiatrice M est une variable qualitative/catégorielle	Seule la méthode d’Edwards et Lambert (2007) permet d’envisager une variable médiatrice qualitative (il suffit d’intégrer la variable en tant que variable indépendante dans l’équation 20 et d’utiliser une régression logistique binaire pour l’équation 5 dans la syntaxe proposée par Edwards et Lambert, 2007).Les méthodes de Preacher et al. (2007) et Hayes (2013a, 2013b) ne permettent pas d’étudier des variables médiatrices non quantitatives. Dans le cas d’une variable médiatrice qualitative, il est recommandé d’utiliser les méthodes d’équations structurelles selon la procédure de Hayes et Preacher (2013), applicable sous Mplus.
La variable modératrice Z est une variable qualitative/catégorielle	Toutes les méthodes de médiation modérée permettent de prendre en considération des variables modératrices qualitatives. La Macro PROCESS est bien adaptée à ce cas de figure.En revanche, seule l’analyse multi-groupes via les méthodes d’équations structurelles permet d’étudier le cas de figure où Z est une variable qualitative à plus de deux modalités.Pour avoir recours aux méthodes de médiation modérée avec bootstrap, il est nécessaire de transformer la variable modératrice en plusieurs variables indicatrices (dummy).

Développement d’applications en marketing

L’objet de cette partie est d’illustrer la médiation modérée au travers de plusieurs cas d’application dans le domaine du marketing. Un site Internet dédié à notre article (cf. Note n° 9) développe ces applications et met à disposition les bases de données utilisées. Le premier exemple repose sur une simple médiation modérée (un médiateur et un modérateur), avec le cas d’une variable modératrice continue ou dichotomique. Le second exemple illustre le cas d’une médiation modérée plus complexe, avec deux médiateurs et deux modérateurs.

Exemple 1: médiation modérée avec un médiateur et un modérateur

Hypothèse de l’effet indirect conditionnel

Dans le cadre de cette application, nous étudions le processus à travers lequel l’attractivité physique perçue des modèles féminins représentés dans les médias (X) a un effet sur la congruence perçue avec l’idéal de soi (M), qui à son tour affecte l’attitude développée par les femmes à l’égard de ces images (Y). Cependant, le lien entre la congruence avec l’idéal de soi et l’attitude à l’égard des images – le deuxième tronçon de la médiation – est supposé être modéré par l’âge (V). Le lien direct entre l’attractivité physique perçue et l’attitude à l’égard des images serait également modéré par l’âge (V). Le modèle conceptuel testé est présenté dans la Figure 3.

Figure 3.

Modèle conceptuel de la recherche (Exemple 1).

La formulation de l’hypothèse de lien indirect conditionnel proposée est la suivante :

H1– L’âge des répondantes modère la force du lien indirect entre l’attractivité physique perçue des modèles et l’attitude à l’égard des images via la congruence avec l’idéal de soi, de telle sorte que la relation de médiation est plus faible (ou plus forte) quand l’âge des répondantes est élevé (ou bas).

Echantillon et échelles de mesure

Un échantillon de 509 femmes âgées de 15 à 50 ans a été interrogé par internet (âge moyen = 27,3 ; Ecart-type = 7,72). Avant de répondre au questionnaire, les répondantes étaient exposées à un jeu d’images composé de six visuels présentant des modèles féminins issus de magazines.

Toutes les échelles de mesure mobilisées sont unidimensionnelles et présentent une bonne fiabilité (Alpha de Cronbach : α > 0,80). En ce qui concerne l’âge, il a été renseigné directement par les répondantes.

L’analyse factorielle confirmatoire, réalisée sous Amos 17, montre que le modèle de mesure testé produit de très bons indices d’ajustement (Chi2/ddl =1,974 ; RMSEA = 0,044 ; SRMR = 0,023 ; NFI = 0,986 ; CFI = 0,993 ; GFI = 0,975 ; AGFI = 0,958 ; AIC = 109/4640).

Lors de la collecte des données, des précautions ont été prises pour limiter le biais de méthode (garantie de l’anonymat, de la confidentialité et répartition des variables dans le questionnaire). Néanmoins, les données ayant été collectées en un seul temps auprès des mêmes personnes, il était nécessaire de s’assurer de l’absence d’un biais de variance de méthode commune (Podsakoff et al., 2003). Un facteur méthode a ainsi été introduit et lié à tous les indicateurs des variables latentes du modèle. Les résultats montrent que la proportion supplémentaire de la variance totale (1,97%) est inférieure au seuil recommandé par Williams et al. (1989), ce qui écarte le risque d’un biais de variance de méthode commune.

Test de la médiation modérée avec la Macro PROCESS (Hayes, 2013a, 2013b)

Dans le Tableau 2, nous avons mis l’accent sur les avantages de la démarche développée par Hayes (2013a, 2013b) pour analyser les effets indirects conditionnels. Cette démarche, qui permet de traiter de manière simple un nombre important de modèles en médiation modérée, est mise en œuvre dans une Macro PROCESS suivant une procédure du bootstrap (Hayes, 2013a, 2013b) exploitable sous SPSS (et aussi SAS). Nous illustrons dans l’exemple suivant son application sous SPSS version 19.00 :

1. Télécharger la Macro PROCESS (cf. procédure détaillée en annexe A2).

2. Une fois la Macro installée, ouvrir la base de données SPSS.

3. Pour réaliser les analyses de médiation modérée, ouvrir la boîte de dialogue de la Macro PROCESS en allant dans ‘Analyses’ > ‘Régression’ > ‘PROCESS’.

4. Dans la boîte de dialogue PROCESS, faire le choix du modèle :

Dans le document « templates.pdf »¹², chercher parmi les 76 modèles celui qui correspond au modèle conceptuel à tester et ensuite choisir ce modèle en remplaçant la valeur par défaut ‘4’ par le numéro correspondant dans “Model Number”. Dans le cas de notre exemple, il s’agit du modèle numéro 15 (cf. Figure 3). Nous avons donc “Model Number”=15.

5. Spécification des variables.

Si c’est la boîte de dialogue qui est utilisée, glisser les variables dans la boîte de dialogue, en respectant la désignation de chaque variable dans le modèle à tester – spécifiée dans « templates.pdf » en tant que variables Y, X, M, W, Z, V ou Q (cf. Annexe A2). La case “Covariates” est réservée aux variables de contrôle¹³. Il est capital de s’assurer que les noms des variables dans le fichier SPSS ne comptent pas plus de huit caractères. Dans le cas de notre exemple, et selon les libellés du Modèle 15 et la Figure 3, nous avons spécifié la variable dépendante en faisant glisser “Attitude” dans la case “Outcome variable (Y)”, la variable “Attractivité” dans la case “Independent variable (X)”, la ou les variable(s) médiatrice(s) (dans notre cas, une seule variable médiatrice : “Congruence”) dans la case “M variables” et enfin la variable modératrice continue ou catégorielle (ici, “Age”) dans la case “Proposed Moderator V” (tel qu’indiqué dans le Modèle 15 susmentionné). En effet, en ce qui concerne la ou les variable(s) modératrice(s), rappelons qu’il est très important de s’assurer de la bonne correspondance entre le libellé indiqué dans le document « templates.pdf » présentant le modèle choisi et celui qui figure dans la boîte de dialogue (à savoir W, Z, V ou Q et parfois M dans les modèles 1, 2 et 3). Une dernière précision concernant les variables de contrôle “Covariates” : comme indiqué en bas à droite dans la boîte de dialogue (Onglet “Covariate(s) in Model(s) of”), la décision par défaut est de contrôler ces variables à la fois pour la variable dépendante Y et pour la variable médiatrice M. Le choix de contrôler seulement pour M ou Y doit reposer sur des arguments théoriques et dépendra donc de la théorie et du modèle testé par les chercheurs. Dans le cas de notre exemple, nous n’avons pas de variables de contrôle, la question ne se pose donc pas.

6. Fixation du nombre de réplications des échantillons tirés par Bootstrap et du niveau d’intervalle de confiance.

Par défaut, le nombre d’échantillons répliqués est fixé dans la boîte de dialogue à 1 000. Il convient d’augmenter le nombre de réplications et de le fixer à 5 000 ou 10 000. Quant à l’intervalle de confiance, il est fixé par défaut à 95% dans la boîte de dialogue. Il est généralement recommandé de laisser cette valeur. Notons que si la méthode de bootstrap propose par défaut ‘Biais corrigé et accéléré’, il est possible de choisir l’autre méthode de bootstrap dite ‘Percentiles’, récemment recommandée par Hayes et Scharkow (2013). Toutefois, la méthode de bootstrap par ‘Biais corrigé et accéléré’ est considérée comme robuste et peut être utilisée sans problème (Edwards et Lambert, 2007).

7. Précision des options et des conditions de l’analyse :

Si le choix de centrer les variables est fait, ceci peut être réalisé automatiquement par la Macro PROCESS. Pour ce faire, toujours en utilisant la boîte de dialogue, cliquer sur l’onglet “Options” et cocher la case “Mean center for products”. D’autres options telles que le calcul de “l’Effect size” ou la comparaison des “Indirect effects” peuvent être cochées si elles correspondent au modèle testé. Enfin, pour certains modèles et non pour tous, la Macro offre la possibilité de générer des régions de significativité pour une analyse floodlight (Cadario et Parguel, 2014 ; Spiller et al., 2013). Il suffit de cocher “Johnson-Neyman” dans l’onglet “Conditioning”. Dans le cas de notre exemple, nous avons coché seulement “Mean center for products”. Les autres options et conditions ne sont pas disponibles pour notre Modèle numéro 15.

8. Pour exécuter l’analyse, cliquer sur OK dans la boîte de dialogue.

Analyse des résultats des effets indirects conditionnels par bootstrap : deux cas illustratifs. Dans ce qui suit nous présentons deux possibilités selon que la variable modératrice soit quantitative/continue ou qualitative/dichotomique.

En exécutant la Macro PROCESS comme indiqué précédemment, les résultats de la médiation modérée s’affichent automatiquement dans la fenêtre de résultats SPSS (cf. Annexes A3 et A4). Dans le cadre de cette application, les produits des variables ont été centrés en cochant la case “Mean center for products” dans l’onglet “Options” de la boîte de dialogue, comme précisé plus haut. Le nombre de réplications a été fixé à 10 000.

Cas 1 : Test de l’effet indirect conditionnel dans le cas d’une variable modératrice continue (l’âge déclaré en années par les répondantes) (cf. Tableau 4 et Figure 4).

Tableau 4.

Test de l’effet indirect conditionnel – cas d’une variable modératrice continue (Exemple n°1, cas 1).

Modérateur V (Age)	Variable médiatrice M (Congruence avec soi idéal)		Variable dépendante Y (Attitude à l’égard des images)
	coeff	t	coeff	t
X : Attr. physique	0,723	16,432***	0,310	6,429***
V : Age			−0,018	−2,318**
X x V (Int 2)			0,008	1,504 ns
M : Congr. idéal			0,204	5,211***
M x V (Int 1)			−0,016	−3,190**
R²	0,347		0,284
ΔR²			0,015 [ΔF [2, 503]= 5,21, p < 0,01]
Effet indirect conditionnel à différentes valeurs de l’âge (=0 et ± écart-type)^f.
Intervalle de confiance à 95% pour l’effet indirect conditionnel par Bootstrap. Biais Corrigé et accéléré (BCa)

Age	Effet		Intervalle de confiance
			Borne inférieure	Borne supérieure
−7,7236	0,242		0,153	0,335
0	0,147		0,084	0,213
7,7236	0,053		−0,055	0,152
Index de la médiation modérée	−0,012		−0,022	−0,003

***

: p < 0,001 ; ** : p < 0,01

Figure 4.

Une représentation visuelle de la fonction linéaire relative à l’effet de l’âge (variable continue) sur l’effet indirect de l’attractivité physique perçue des modèles sur l’attitude à l’égard des images via la congruence avec l’idéal de soi (Exemple 1, cas 1)

a. Dans le cadre des résultats relatifs au Modèle 15 pour une variable modératrice continue, l’index de médiation modérée apparaît de manière explicite sur la feuille de résultats (Annexe A3). Il s’agit de l’intervalle de confiance à 95% dans la partie « Index de la médiation modérée » en bas de page. L’effet de médiation modérée est significatif puisque l’intervalle de confiance exclut zéro [−0,0222 ; −0,0033]. L’hypothèse H1 est donc validée.

b. Il est ensuite possible de localiser l’effet modérateur : sur le deuxième tronçon de la médiation, ou sur l’effet direct comme spécifié dans le modèle testé (cf. Figure 3). Il faut donc observer la significativité et les intervalles de confiance des termes d’interaction (dans l’output SPSS, il faut regarder Int_1 correspondant à (M×V)→Y, c’est-à-dire, l’effet modérateur de l’âge sur le deuxième tronçon de la relation de médiation entre congruence avec idéal de soi et attitude à l’égard des images) : ce premier terme est significatif (coeff. = −0,0169, p = 0,0015), avec un intervalle de confiance IC = [−0,0273 ; −0,0065] excluant le zéro. Sur la ligne suivante se trouvent les résultats de Int_2 qui correspond à (X×V)→Y, c’est-à-dire à l’effet modérateur de l’âge sur le lien direct entre attractivité physique perçue et attitude à l’égard des images : ce second terme n’est pas significatif (coeff. = 0,0086, p = 0,1330), avec un intervalle de confiance IC = [−0,0026 ; 0,0198] qui inclut le zéro. On observe donc que seul l’intervalle de confiance de Int_1 exclut le zéro, signifiant que le modérateur (Âge) influe sur la seconde moitié de la médiation (M→Y), c’est-à-dire le lien entre Congruence avec idéal de soi et Attitude à l’égard des images.

c. La dernière étape consiste à observer les résultats de l’intervalle de confiance à 95% dans la partie « Effets indirects conditionnels de X sur Y pour les différentes valeurs du modérateur » en bas de page. Trois intervalles de confiance sont précisés pour chacune des valeurs du modérateur (1) moyenne moins écart-type, (2) moyenne, (3) moyenne plus écart-type. Dans le cas de cette application, nous observons les intervalles suivants :

- moyenne moins écart-type (tranche d’âge inférieure) : IC = [0,1531 ; 0,3358].

- moyenne (tranche d’âge moyenne) : IC = [0,0849 ; 0,2135].

- moyenne plus écart-type (tranche d’âge supérieure) : IC = [−0,0554 ; 0,1522].

Les résultats montrent que l’effet indirect conditionnel est significatif pour les tranches d’âge inférieure et moyenne puisque l’intervalle de confiance à 95% exclut le zéro. Pour la tranche d’âge supérieure, l’effet indirect conditionnel n’est pas significatif puisque l’intervalle de confiance inclut le zéro.

Cas 2 : Test de l’effet indirect conditionnel dans le cas d’une variable modératrice dichotomique (dans cet exemple, deux groupes d’âge ont été artificiellement créés à titre illustratif en discrétisant la variable continue précédemment utilisée¹⁴) (cf Tableau 5 et Figure 5).

a. Pour établir l’existence de la médiation modérée, il faut observer le résultat de l’intervalle de confiance à 95% dans la partie « Index de la médiation modérée » (bas de page de l’Annexe A4). L’effet de médiation modérée s’avère être significatif puisque l’intervalle de confiance exclut le zéro [−0,3592 ; −0,1057]. L’hypothèse H1 est donc validée.

b. L’hypothèse de modération portant à nouveau sur le deuxième tronçon de la médiation (M→Y), et sur l’effet direct (X→Y) correspondant au Modèle 15, il convient d’identifier dans quel cas la modération est significative. Pour ce faire, il faut observer la significativité et les intervalles de confiance des termes d’interaction. Dans l’output SPSS, il faut donc observer les résultats pour Int_1 correspondant à (M×V)→Y (c.-à-d., l’effet modérateur de l’âge sur le deuxième tronçon de la relation entre congruence avec l’idéal de soi et attitude à l’égard des images) : ce premier terme est significatif (coeff. = −0,3113, p = 0,0001), avec un intervalle de confiance IC = [−0,4639 ; −0,1587] excluant bien le zéro. Sur la ligne suivante se trouvent les résultats pour Int_2 correspondant à (X×V)→Y (c.-à-d., l’effet modérateur de l’âge sur la relation entre attractivité physique perçue et attitude à l’égard des images). Ce second terme n’est pas significatif (coeff. = 0,1748, p = 0,0672), avec un intervalle de confiance IC = [−0,0124 ; 0,3620]. Seul l’intervalle de confiance de Int_1 exclut le zéro, ce qui confirme que le modérateur opère bien sur la seconde moitié de la médiation (M→Y).

c. Afin d’interpréter les résultats, il convient ensuite d’observer les intervalles de confiance obtenus pour le test de l’effet indirect conditionnel de X sur Y aux deux valeurs du modérateur (dans le cas de cette étude, IC = [0,1900 ; 0,3514] pour le niveau faible du modérateur et [−0,0564 ; 0,1373] pour le niveau élevé). Ces résultats indiquent que lorsque le modérateur est à un niveau faible (ici, âge bas), l’effet indirect conditionnel est significatif puisque l’intervalle de confiance exclut le zéro. En revanche, lorsque le modérateur a un niveau élevé (ici, âge élevé), l’effet indirect conditionnel n’est pas significatif puisque l’intervalle de confiance inclut le zéro.

Tableau 5.

Test de l’effet indirect conditionnel – cas d’une variable modératrice catégorielle/dichotomique (Exemple n°1, cas 2).

Modérateur V (Age)	Variable médiatrice M (Congruence avec soi idéal)		Variable dépendante Y (Attitude à l’égard des images)
	coeff	t	coeff	t
X : Attr. physique	0,723	16,432***	0,301	6,293***
V : Age			−0,230	−1,907 ns
X x V (Int 2)			0,174	1,834 ns
M : Congr. idéal			0,219	5,637***
M x V (Int 1)			−0,311	−4,007***
R²	0,347		0,293
ΔR²			0,023 [ΔF [2, 503]= 8,23, p < 0,001]
Effet indirect conditionnel à différentes valeurs de l’âge (1 = bas et 2 = élevé).
Intervalle de confiance à 95% pour l’effet indirect conditionnel par Bootstrap. Biais corrigé et accéléré (Bca)

Age		Effet	Intervalle de confiance
			Borne inférieure	Borne supérieure
1 (–,4853)		0,267	0,190	0,351
2 (,5147)		0,042	−0,056	0,137
Index de la médiation modérée		−0,225	−0,359	−0,105

***

: p < 0,001

Figure 5.

Une représentation visuelle de la fonction linéaire relative à l’effet de l’âge (variable binaire) sur l’effet indirect de l’attractivité physique perçue des modèles sur l’attitude à l’égard des images via la congruence avec l’idéal de soi (Exemple 1, cas 2)

Interprétation des résultats

Nous avions posé comme hypothèse que l’effet indirect de l’attractivité physique sur l’attitude à l’égard des images via la congruence avec l’idéal de soi est positif. Nous avons par ailleurs postulé que ce lien est renforcé (ou atténué) lorsque l’âge des femmes est bas (vs. élevé). Dans les deux cas analysés précédemment (modérateur continu ou dichotomique), l’effet indirect conditionnel est vérifié. Ainsi, l’âge des répondantes modère de manière significative l’effet indirect. L’effet indirect n’est significatif que dans le cas où l’âge est bas (i.e. auprès des plus jeunes). En ce qui concerne la localisation de l’effet modérateur, l’observation des effets d’interaction montre que le terme d’interaction « Congruence × Age » a bien un effet négatif et significatif sur l’attitude à l’égard des images (Variable modératrice continue : coeff. = −0,0169, p < 0,01 / Variable modératrice dichotomique : coeff = −0,3113, p < 0,001). Ainsi, lorsque l’âge diminue, la relation entre la congruence avec l’idéal de soi et l’attitude à l’égard des images est renforcée.

Notre modèle postulait également un effet modérateur sur le lien direct entre l’attractivité physique perçue et l’attitude à l’égard des images. Or, le facteur « Attractivité × Age » n’a pas d’impact sur l’attitude à l’égard des images. Autrement dit, l’âge ne modère pas le lien entre l’attractivité perçue et l’attitude à l’égard des images (Variable modératrice continue : coeff = 0,0086 ; ns. / Variable modératrice dichotomique : coeff = 0,1748 ; ns.).

En résumé, lorsque l’on considère notre modèle pris de manière fractionnée (i.e., sans tenir compte d’un potentiel effet de médiation), l’âge modérerait la seconde moitié du modèle, mais pas l’effet direct. Afin de compléter les analyses, il est important de calculer la variation de R² (ΔR²) qui représente la part de variance expliquée par le terme d’interaction au-delà des effets directs et principaux des autres variables. La Macro PROCESS n’offre la ΔR² que pour certains modèles et non pour tous les modèles existants. Dans le cas de notre exemple, et pour le Modèle 15, cette valeur n’est pas donnée automatiquement ; nous l’avons donc obtenue en réalisant sur SPSS une simple régression hiérarchique modérée (Aguinis, 2004 ; Aiken et West, 1991 ; Cohen et al., 2003). Pour le cas n°1, lorsque l’âge a été considéré sous sa forme continue, le ΔR² est égal à 0,015 [ΔF [2, 503] = 5,21, p < 0,01]. Pour le cas n°2, lorsque l’âge est considéré comme variable dichotomique, le ΔR² est égal à 0,023 [ΔF [2, 503] = 8,23, p < 0,001]. Ces valeurs sont significatives même si elles peuvent sembler réduites ; elles correspondent aux standards de variation de R² dans les analyses des effets d’interaction (Dawson, 2014).

Représentation graphique

Il est toujours utile, pour faciliter l’interprétation des résultats, de réaliser un graphique (plot) des effets modérateurs (Aguinis et Gottfredson, 2010 ; Aiken et West, 1991 ; Dawson, 2014 ; Hayes, 2013b). Les représentations graphiques de la médiation modérée ont été réalisées suivant l’approche de Hayes (2013b). Celle-ci consiste à tracer une simple droite de type y = ax + b correspondant à une fonction linéaire établissant un lien entre l’effet indirect et le modérateur. Pour connaître cette équation, il convient de se référer au fichier Templates fourni avec la Macro. En fonction du modèle étudié (Modèles 1 à 76 dans le fichier Templates), la valeur du coefficient directeur de cette droite s’obtiendra différemment. L’équation est donc indiquée sous chaque modèle, dans le fichier Templates. Pour le Modèle 15, l’équation de l’effet conditionnel indirect est la suivante : a_i (b_1i + b_2i V). Cette équation peut être reformulée comme suit :

w = a * b_{1} + a * b_{2} V

Dans cette équation, V est le modérateur (variable continue), (a*b₁) est l’ordonnée à l’origine et (a*b₂) est la pente. La pente représente ici le poids de la fonction reliant l’effet indirect au modérateur ; il s’agit de l’indice de médiation modéré (index dans la sortie des résultats SPSS). Ainsi, dans notre cas d’application, si l’on prend l’âge comme variable modératrice continue, nous pouvons représenter la médiation modérée à l’aide de l’équation suivante (voir encadrés dans les sorties SPSS – Annexes A3 et A4 – pour retrouver les valeurs suivantes) :

w = 0, 7234 (0, 2043) + 0, 7234 (- 0, 0169) V = 0, 147 + (- 0, 012) V

En revanche, lorsque la variable modératrice est dichotomique, même s’il s’agit toujours du même modèle, l’indice (ou pente) ne s’obtient pas de la même manière. Selon Hayes (2013b), si les deux chiffres utilisés pour coder les groupes d’un modérateur dichotomique ont seulement un point d’écart (par exemple 1 et 2), l’indice de médiation modérée correspond à la différence entre les deux effets indirects conditionnels. En l’occurrence l’indice a été obtenu en calculant la différence entre l’effet indirect conditionnel pour l’âge élevé (0,042) et l’effet indirect conditionnel pour l’âge faible (0,267). D’où l’équation suivante :

w = 0, 7234 (0, 219) + (0, 042 - 0, 267) V = 0, 158 + (- 0, 225) V

D’après nos résultats, les deux indices de médiation modérée sont négatifs, ce qui signifie que l’effet indirect de l’attractivité physique perçue (X) sur l’attitude à l’égard des images (Y) à travers la congruence perçue avec l’idéal de soi (M) est une fonction décroissante de l’âge (V). Plus l’âge augmente, plus l’effet indirect s’affaiblit, comme l’illustre la pente dans les deux graphiques précédents. On note cependant que la pente est plus forte lorsque le modérateur est binaire, ce qui va dans le sens des travaux récents qui déplorent la dichotomisation des variables modératrices car celle-ci a tendance à exacerber les résultats (cf. Cadario et Parguel, 2014).

Exemple 2 : médiation modérée avec deux médiateurs et deux modérateurs

Hypothèse de l’effet indirect conditionnel

Dans cette seconde application, nous étudions le processus à travers lequel l’originalité perçue de la publicité (X) a un effet à la fois sur l’attitude envers la publicité (M1) et l’attitude envers la marque (M2), qui à leur tour affectent l’intention d’achat (Y). Par ailleurs, les liens entre X et M (1 et 2) – les premiers tronçons de la médiation – et les liens entre M (1 et 2) et Y – les deuxièmes tronçons de la médiation – seraient modérés par la résistance envers la publicité en général (W) et l’implication dans le support où figure la publicité (Z). Il importe de préciser que ce modèle ne comporte que des doubles interactions (two-way interactions) et pas de triples interactions (three-way interactions). Le modèle conceptuel testé est présenté dans la Figure 6.

Figure 6.

Modèle conceptuel de la recherche (Exemple 2).

La formulation de l’hypothèse de lien indirect conditionnel proposée est la suivante :

H1– La résistance envers la publicité et l’implication dans le support modèrent la force des liens indirects entre l’originalité de la publicité et l’intention d’achat via l’attitude envers la publicité et l’attitude envers la marque, de telle sorte que les relations de médiation sont plus fortes (ou plus faibles) quand la résistance envers la publicité et l’implication dans le support sont élevées (ou basses).

Echantillon et échelles de mesure

Un échantillon de 373 individus a été interrogé via un questionnaire en ligne. Avant de répondre au questionnaire, les répondants étaient exposés à une publicité. Les échelles de mesure utilisées sont toutes unidimensionnelles et présentent une bonne fiabilité (Alpha de Cronbach : α > 0,90).

L’analyse factorielle confirmatoire, réalisée sous Amos 17, montre que le modèle testé produit de très bons indices d’ajustement (Chi2/ddl =1,828 ; RMSEA = 0,047 ; SRMR = 0,041 ; NFI = 0,969 ; CFI = 0,986 ; GFI = 0,936 ; AGFI = 0,912 ; AIC = 356/8205).

Lors du recueil des données, les mêmes précautions ont été prises que dans l’exemple précédent afin de limiter le biais de variance de méthode commune (Podsakoff et al., 2003).

Test de la médiation modérée avec la Macro PROCESS (Hayes, 2013a, 2013b)

Pour tester la médiation modérée à l’aide de la Macro PROCESS, il convient de répliquer les huit étapes précédemment détaillées dans l’Exemple 1. Compte tenu du modèle conceptuel testé, le modèle 75 a été sélectionné dans le document « templates.pdf » et les variables correspondantes ont été spécifiées dans la Macro : la variable indépendante “Originalité” (Independent variable X), les variables médiatrices “Attitude envers la publicité” et “Attitude envers la marque” (M variables), la variable dépendante “Intention d’achat” (Outcome variable Y) et enfin les variables modératrices “Résistance envers la publicité” (Proposed Moderator W), et “Implication dans le support” (Proposed Moderator Z) (tels qu’indiqués dans le Modèle 75 susmentionné). A nouveau, seule l’option “Mean center for products” a été cochée afin de centrer les produits des variables. Pour rappel, il est très important de s’assurer que les noms des variables ne comptent pas plus de huit caractères dans le fichier SPSS.

Analyse des résultats des effets indirects conditionnels par bootstrap

a. Dans le cadre des résultats relatifs au Modèle 75, l’index de médiation modérée n’apparaît pas de manière explicite sur la feuille de résultats SPSS (Annexe A5). Les effets indirects conditionnels pour chaque médiateur et chaque modérateur peuvent être observés dans la partie « Effets indirects conditionnels de X sur Y pour les différentes valeurs du modérateur » au bas de la feuille de résultats (cf. étape c).

b. Avant de commenter les résultats des effets indirects conditionnels, et en suivant la même logique qu’au cours de l’Exemple 1, il est possible de localiser les effets modérateurs sur les différents tronçons comme spécifié dans le modèle testé (cf. Figure 6). Pour cela, il suffit d’observer la significativité et les intervalles de confiance des termes d’interaction. Pour le modèle testé (Modèle 75 avec deux médiateurs et deux modérateurs), six effets d’interaction sont estimés au total. Par exemple, dans l’output SPSS, Int_1 correspond à (X×W)→M1, c.-à-d., l’effet modérateur de la résistance à la publicité sur le premier tronçon de la relation de médiation entre l’originalité de la publicité et l’attitude envers la publicité : ce premier terme est significatif (coeff. = 0,0992, p < 0,001), avec un intervalle de confiance IC = [0,0514 ; 0,1470] excluant le zéro.

c. C’est au cours de la dernière étape que l’on peut observer les résultats des effets indirects conditionnels. Dix-huit intervalles de confiance sont précisés au sein de deux blocs correspondant aux dix-huit combinaisons possibles entre les différents médiateurs et modérateurs : neuf combinaisons pour le premier médiateur (M1 : Attitude envers la publicité) et neuf autres pour le second médiateur (M2 : Attitude envers la marque). Au sein de chaque bloc, on observe les effets d’interaction des deux modérateurs suivant leurs différents niveaux respectifs : faible (Moyenne moins écart-type), moyen (Moyenne), élevé (Moyenne plus écart-type). Dans le cas de cette application, nous observons les intervalles suivants dans le premier bloc (avec comme variable médiatrice l’attitude envers la publicité, M1) :

- lorsque le niveau de résistance est faible et quel que soit le niveau d’implication dans le support (cf. les trois premières lignes du bloc 1), l’effet indirect n’est pas significatif car l’intervalle de confiance inclut le zéro (IC _{implication dans le support basse} = [−0,0449 ; 0,1697] ; IC _{implication dans le support moyenne} = [−0,0108 ; 0,1355] ; IC _{implication dans le support haute} = [−0,0042 ; 0,1479]).

- lorsque le niveau de résistance à la publicité est moyen ou élevé et quel que soit le niveau d’implication dans le support (cf. les six dernières lignes du bloc 1), les effets indirects conditionnels sont tous significatifs puisque les intervalles de confiance à 95% excluent le zéro.

Tableau 6.

Test des effets indirects conditionnels (Exemple n°2).

Modérateurs Z et W	Variable médiatrice M1 (Attitude envers la pub)		Variable médiatrice M2 (Attitude envers la marque)		Variable dépendante Y (Intention d’achat)
	coeff	t	Coeff	t	coeff	t
X : Originalité	0,4288	11,4744***	0,2788	7,5898***	0,1561	3,3668***
W : Résistance	−0,3429	−7,9186***	−0,3539	−8,3130***	−0,0654	−1,2375ns
Z : Implication support	0,1813	4,0917***	0,1473	3,3805***	−0,0013	−0,0271ns
X x W (Int 1)	0,0992	4,0795***	0,0966	4,0408***
X x Z (Int 2)	0,0087	0,3336 ns	0,0518	2,0157*
M1 : Aad					0,3160	4,5666***
M2 : Ab					0,3742	5,3475***
M1 x W (Int 3)					0,0796	1,9753*
M2 x W (Int 4)					−0,1179	−2,6447**
M1 x Z (Int 5)					0,0136	0,2988ns
M2 x Z (Int 6)					0,0394	0,4145ns
R²	0,526		0,435		0,513
ΔR²	0,026[ΔF [2, 367]= 9,91, p < 0,01]		0,025[ΔF [2, 367]= 8,17, p < 0,01]		0,020[ΔF [4, 363]= 3,71, p < 0,01]
Exemple pour le médiateur 1 : attitude à l’égard de la publicité ^g. Effet indirect conditionnel aux différentes valeurs de la résistance et de l’implication dans le support (=0 et +/- écart-type) ^h.
Intervalle de confiance à 95% pour l’effet indirect conditionnel par Bootstrap. Biais Corrigé et accéléré (BCa)
Résistance	Implication dans le support		Effet	Intervalle de confiance
Résistance	Implication dans le support			Borne inférieure	Borne supérieure
−1,5439	−1,4496		0,0456	−0,0449	0,1697
−1,5439	0		0,0532	−0,0108	0,1355
−1,5439	1,4496		0,0613	−0,0042	0,1479
0	−1,4496		0,1233	0,0047	0,2444
0	0		0,1355	0,0705	0,2116
0	1,4496		0,1482	0,0606	0,2514
1,5439	−1,4496		0,2387	0,0966	0,3837
1,5439	0		0,2555	0,1652	0,3697
1,5439	1,4496		0,2727	0,1294	0,4503

***

: p < 0,001 ; ** : p < 0,01 ; * : p < 0,05

La logique est identique pour l’analyse des résultats des effets indirects conditionnels via le second médiateur (M2 : Attitude envers la marque). Ainsi :

- lorsque l’implication dans le support est faible alors que le niveau de résistance est faible ou élevé (cf. les première et septième lignes du bloc 2), l’effet indirect n’est pas significatif car l’intervalle de confiance inclut le zéro (IC _{résistance basse} = [−0,0519 ; 0,1322] ; IC _{résistance haute} = [−0,0134 ; 0,1355]).

- dans tous les autres cas, les effets indirects conditionnels sont significatifs puisque les intervalles de confiance à 95% excluent le zéro.

Interprétation des résultats

L’hypothèse de médiation modérée formulée plus haut repose sur l’effet indirect de l’originalité perçue de la publicité sur l’intention d’achat via l’attitude envers la publicité et l’attitude envers la marque. Nous avons également postulé que ces liens de médiation sont renforcés (ou atténués) lorsque la résistance envers la publicité et l’implication dans le support sont élevées (ou basses). Ces effets indirects conditionnels sont en partie vérifiés.

En ce qui concerne la médiation par l’attitude envers la publicité, seule la résistance envers la publicité en général modère l’effet indirect via l’attitude envers la publicité. Cet effet indirect n’est significatif que lorsque la résistance est moyenne ou élevée, quel que soit le niveau d’implication. L’implication dans le support ne modère donc pas cet effet indirect. En ce qui concerne la médiation par l’attitude envers la marque, la résistance envers la publicité et l’implication dans le support jouent tous les deux un rôle modérateur. L’effet indirect est significatif dans tous les cas sauf lorsque l’implication dans le support est faible et que la résistance est faible ou élevée.

Concernant la localisation des effets modérateurs sur les premiers tronçons (entre la variable indépendante et les variables médiatrices), l’observation des effets d’interaction montre que le terme d’interaction 1 Int_1 « Originalité × Résistance » a un effet positif et significatif sur l’attitude envers la publicité (coeff. = 0,0992, p < 0,001) et sur l’attitude envers la marque (coeff. = 0,0966, p < 0,001). Ainsi, lorsque la résistance augmente, les relations entre l’originalité perçue et les deux médiateurs (attitude envers la publicité et attitude envers la marque) sont renforcées. En ce qui concerne le terme d’interaction 2, Int_2, « Originalité × Implication dans le support », il n’a pas d’effet significatif sur l’attitude envers la publicité (coeff. = 0,0087, p = 0,7389) mais a bien un effet significatif sur l’attitude envers la marque (coeff. = 0,0518, p < 0,05). Ainsi, lorsque l’implication dans le support augmente, le lien entre l’originalité perçue de la publicité et l’attitude envers la marque est renforcé. Que ce soit pour l’attitude envers la marque ou l’attitude envers la publicité, les analyses complémentaires de régressions hiérarchiques réalisées mettent en évidence une variation significative du R² après intégration des effets d’interaction dans le modèle (respectivement ΔR² = 0,026, [ΔF [2, 367] = 9,91, p < 0,01] et ΔR² = 0,025, [ΔF [2, 367 ]= 8,17, p < 0,01]).

La localisation des effets modérateurs sur les deuxièmes tronçons (entre les variables médiatrices et la variable dépendante) s’opère de la même manière. Le terme d’interaction 3, Int_3, « Attitude envers la pub × Résistance » a un effet significatif et positif sur l’intention d’achat (coeff. = 0,0796, p <0,05) alors que le terme d’interaction 4, Int_4, « Attitude envers la marque × Résistance » a un effet significatif et négatif sur l’intention d’achat (coeff. = −0,1179, p <0,01). Enfin, les termes d’interaction 5, Int_5, « Attitude envers la publicité × Implication dans le support » et 6, Int_6, « Attitude envers la marque × Implication dans le support » n’ont pas d’effet significatif sur l’intention d’achat. Néanmoins, au global, la prise en compte des effets d’interaction améliore le pouvoir prédictif du modèle (ΔR² = 0,020, [ΔF [4, 363] = 3,71, p < 0,01]).

En résumé, lorsque l’on considère uniquement les effets modérateurs (i.e. et non les effets indirects conditionnels), la résistance à la publicité modère à la fois la première moitié du modèle et la seconde, quel que soit le médiateur pris en compte dans le modèle (attitude envers la publicité ou envers la marque). En revanche, l’implication dans le support ne modère que la première partie du modèle entre l’originalité de la publicité et l’attitude envers la marque.

Représentation graphique

Pour procéder à la représentation graphique des effets indirects conditionnels, il convient tout d’abord d’identifier l’équation relative au modèle traité dans le templates. Il faut ensuite remplacer les coefficients par les valeurs obtenues dans les résultats de la médiation modérée. Dans le cas du Modèle 75, nous avons deux modérateurs (W et Z) ce qui se traduit par une équation à deux inconnues. Hayes (2014)¹⁵ recommande ainsi de fixer tour à tour différentes valeurs de W puis différentes valeurs de Z. Nous obtenons ainsi six équations différentes. Les trois premières illustrent le lien entre Z et l’effet indirect pour trois valeurs de W (faible, moyen et fort) ; les trois suivantes représentent l’effet de W pour trois valeurs de Z (faible, moyen et fort). Il est important de noter que contrairement aux représentations graphiques de l’application 1, les plots réalisés ici ne représentent pas des droites mais des courbes. Cela est dû au fait que le Modèle 15 ( Exemple 1 ) traite un effet linaire entre un modérateur et un effet indirect ce qui n’est pas le cas dans le Modèle 75 qui mobilise deux modérateurs simultanément. Par ailleurs, nous avons, pour chaque graphique, décliné l’effet indirect selon que celui-ci passe par le premier médiateur uniquement (attitude envers la publicité), par le second médiateur uniquement (attitude envers la marque) ou à travers les deux (Figures 7 à 12).

Figure 7.

Représentation graphique des effets modérateurs de l’implication dans le support sur le lien indirect entre l’originalité perçue sur l’intention d’achat (effet indirect conditionnel en fonction de Z [implication dans le support] quand W [résistance envers la publicité] est faible).

Figure 8.

Représentation graphique des effets modérateurs de l’implication dans le support sur le lien entre l’originalité perçue et l’intention d’achat (effet indirect conditionnel en fonction de Z [implication dans le support] quand W [résistance envers la publicité] est moyen).

Figure 9.

Figure 10.

Représentation graphique des effets modérateurs de la résistance à la publicité sur le lien entre l’attitude envers la marque et l’intention d’achat (effet indirect conditionnel en fonction de W [résistance à la publicité] quand Z [implication dans le support] est faible).

Figure 11.

Figure 12.

Conclusion et recommandations

Cet article a pour ambition de clarifier certains aspects méthodologiques liés au test de relations de médiation modérée, appelées aussi effets indirects conditionnels. Il propose non seulement une synthèse de l’état des connaissances sur la question, mais développe également plusieurs applications propres au domaine de la recherche en marketing, encore peu familiarisé avec ces techniques. En effet, si les tests de médiation et de modération, réalisés de manière isolée, sont largement répandus, très peu de travaux en marketing mobilisent des méthodes permettant de tester les effets de médiation modérée. Pourtant, les modèles intégrant à la fois des variables médiatrices et modératrices (et donc des effets de médiation modérée) sont de plus en plus fréquents en marketing. Les méthodes présentées dans cet article, développées par Edwards et Lambert (2007), Preacher et al. (2007) et Hayes (2013a, 2013b) que nous détaillons plus en profondeur, permettent d’obtenir des résultats robustes et précis dans la mesure où elles intègrent les différents effets simultanément, en offrant une vision d’ensemble du processus étudié. La médiation modérée permet ainsi d’évaluer des effets indirects conditionnels, ce qui n’est pas le cas lorsque les liens de médiation et de modération sont testés indépendamment les uns des autres. Par ailleurs, les implications de cette approche plus globale ne sont pas uniquement d’ordre méthodologique mais également d’ordre théorique. Ainsi, si le chercheur s’attend à ce qu’une relation indirecte entre deux variables soit atténuée ou amplifiée en fonction d’un autre facteur, il peut alors être amené à formuler une hypothèse de médiation modérée, à condition de pouvoir s’appuyer sur des bases théoriques solides et un design de recherche adapté. Nous résumons, dans l’encadré 2, l’ensemble des points de vigilance à prendre en considération pour mieux réaliser les analyses des effets indirects conditionnels. Si certains de ces points sont communs à toute recherche en marketing, ils sont particulièrement importants dans le cas des médiations modérées.

Encadré 2

Les principales recommandations pour réaliser des analyses de médiation modérée (effets indirects conditionnels)

Recommandations lors du développement du modèle à tester et de la collecte des données

Recommandation 1 : Il est essentiel de construire une argumentation théorique claire et solide des effets indirects conditionnels. Chaque lien de médiation et/ou de modération doit être fondé et enraciné dans un cadre théorique clairement énoncé dans la recherche. La rigueur théorique du modèle à tester est seule garante de la qualité d’une recherche, et les outils statistiques que nous présentons dans cet article, quelles que soient leur robustesse et efficacité, n’évacuent pas la centralité de l’argumentation théorique.

Recommandation 2 : L’omission de variables importantes peut limiter la portée des résultats des analyses. Une revue de littérature approfondie est nécessaire pour identifier les principales variables médiatrices, modératrices et de contrôle à intégrer dans le modèle à tester.

Recommandation 3 : Il importe d’encourager les chercheurs en marketing à recourir à des designs de recherche expérimentaux et des designs de recherche longitudinaux pour tester les effets indirects conditionnels – un design longitudinal est recommandé pour tester les effets indirects (MacKinnon et al., 2012).

Recommandation 4 : Il est essentiel de veiller à la fiabilité et la validité des mesures des variables. La détection des effets indirects conditionnels nécessite une très bonne fiabilité des mesures (Alpha de Cronbach élevé). Un test de la validité des mesures par des analyses factorielles confirmatoires (Lisrel, Amos, Mplus…) est aussi un préalable recommandé.

Recommandation 5 : La détection des effets indirects conditionnels, comme dans le cas de la modération, nécessite un fort pouvoir statistique pour éviter les erreurs de Type II (Dawson, 2014 ; Hayes, 2013a). Pour ce faire, la taille de l’échantillon¹⁶ doit être élevée, surtout lorsque le modèle à tester est complexe. Il n’y a pas de règle commune à tous les cas. Le lecteur peut se référer aux travaux d’Aguinis (2004) (variables modératrices catégorielles) et de Shieh (2009) (variables modératrices continues) pour approfondir ce point.

Recommandation 6 : Il est essentiel de tenir compte de la nature quantitative/continue ou qualitative/catégorielle des variables dépendantes, médiatrices et modératrices (cf. Tableau 3).

Recommandation 7 : Il est recommandé de centrer (ou standardiser) les variables pour faciliter l’interprétation des résultats (Aguinis et Gottfredson, 2010). Le fait de centrer ou non ne change en aucun cas les résultats des interactions et ne réduit pas la multi-colinéarité ; il facilite seulement l’interprétation des résultats. Il importe de ne centrer ni les variables dépendantes ni les variables dichotomiques (Dawson, 2014).

Recommandation 8 : Le test des effets de médiation modérée nécessite l’introduction des effets principaux (i.e., directs) de toutes les variables, même si des hypothèses spécifiques à ces liens directs n’ont pas été explicitement formulées (Carte et Russell, 2003). Il est donc important de reporter l’ensemble de ces effets dans les tableaux des résultats et ne pas se limiter seulement à l’effet d’interaction.

Recommandation 9 : Afin de mieux interpréter et présenter les résultats, il est important de faire une représentation graphique (plot) de l’effet indirect conditionnel selon la méthode développée par Hayes (2013b). Pour certains modèles traités par PROCESS, il est possible de générer des régions de significativité dans une logique d’analyse spotlight ou floodlight (Cadario et Parguel, 2014 ; Spiller et al., 2013).

Recommandation 10 : Dans la présentation des résultats, il est important de reporter la grandeur de l’effet indirect conditionnel en indiquant la variation du coefficient de détermination (ΔR²) ; cette valeur est donnée par PROCESS pour la majorité des modèles.

Les avancées dans les analyses des effets de médiation modérée sont majeures depuis une dizaine d’années. Les futurs axes de recherche que les chercheurs en marketing sont encouragés à promouvoir dans ce domaine concernent essentiellement (1) l’intégration des approches dites bayésiennes dans l’analyse des effets indirects conditionnels (voir Wang et Preacher, 2015) et (2) le développement des analyses multiniveaux avec des effets de médiation et de modération (Bauer, Preacher et Gil, 2006). Ces avancées ouvrent de nouvelles perspectives à la fois théoriques et méthodologiques pour les chercheurs en marketing.

Footnotes

Annexes

A2.

Procédure de téléchargement de la Macro PROCESS et illustration de la boîte de dialogue (Hayes, 2013a, 2013b).

Pour télécharger la Macro PROCESS, il convient de se rendre sur le site internet d’Andrew Hayes (http://www.processmacro.org/download.html) et de télécharger la dernière version de la Macro. Pour l’installer, il est nécessaire d’ouvrir SPSS en tant qu’administrateur (clic droit puis ‘exécuter en tant qu’administrateur’), d’aller ensuite dans ‘Utilitaires’ > ‘Installer une boîte de dialogue personnalisée’, sélectionner le fichier « process.spd » et cliquer sur ‘OK’. Il est aussi possible d’utiliser le script « process.sps » et adapter à chaque fois la syntaxe selon le modèle testé. Nous encourageons toutefois le lecteur à privilégier l’installation de la boîte de dialogue, beaucoup plus simple à utiliser.

A3. – Exemple 1,cas 1 : Résultats de l’effet indirect conditionnel avec une variable modératrice continue suivant la méthode de Hayes (2013a,2013b)

A4. – Exemple 1,cas 2 : Résultats de l’effet indirect conditionnel avec une variable modératrice dichotomique suivant la méthode de Hayes (2013a,2013b)

A5. – Exemple 2 : Résultats de l’effet indirect conditionnel avec deux variables médiatrices et deux modérateurs suivant la méthode de Hayes (2013a,2013b)

Notes

References

Aguinis

(2004) Regression analysis for categorical moderators. New York: Guilford Press.

Aguinis

Boik

Pierce

(2001) A generalized solution for approximating the power to detect effects of categorical moderator variables using multiple regression. Organizational Research Methods 4: 291–323.

Aguinis

Gottfredson

(2010) Best-practice recommendations for estimating interaction effects using moderated multiple regression. Journal of Organizational Behavior 31: 776–786.

Aiken

West

(1991) Multiple regression: testing and interpreting interactions. Thousand Oaks, CA: SAGE.

Auh

Spyropoulou

Menguc

Uslu

(2014) When and how does sales team conflict affect sales team performance? Journal of the Academy of Marketing Science. Publié en ligne le 17 janvier 2014. http://dx.doi.org/10.1007/s11747-014-0368-7.

Avnet

Laufer

Higgins

(2013) Are all experiences of ﬁt created equal? Two paths to persuasion. Journal of Consumer Psychology 23(3): 301–316.

Aydınoğlu

Cian

(2014) Show me the product, show me the model: Effect of picture type on attitudes toward advertising. Journal of Consumer Psychology 24(4): 506–519.

Bagchi

Davis

(2012) $29 for 70 Items or 70 Items for $29? How presentation order affects package perceptions. Journal of Consumer Research 39: 62–73.

Baron

Kenny

(1986) The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology 51(6): 1173–1182.

10.

Bauer

Preacher

Gil

(2006) Conceptualizing and testing random indirect effects and moderated mediation in multilevel models: new procedures and recommendations. Psychological Methods 11: 142–163.

11.

Baxter

Ilicic

Kulczynski

(2014) What’s in a name? Examining the effect of phonetic fit between spokesperson name and product attributes on source credibility. Marketing Letters. Publié en ligne en mars 2014. http://dx.doi.org/10.1007/s11002-014-9287-0

12.

Bellezza

Gino

Keinan

(2014) The red sneakers effect: inferring status and competence from signals of nonconformity. Journal of Consumer Research 41(1): 35–54.

13.

Bellezza

Keinan

(2014) Brand tourists: how non-core users enhance the brand image by eliciting pride. Journal of Consumer Research 41(2): 397–417.

14.

Berger

Fitzsimons

(2008) Dogs on the street, pumas on your feet: how cues in the environment influence product evaluation and choice. Journal of Marketing Research 45: 1–14.

15.

Bhattacharjee

Berger

Menon

(2014) When identity marketing backfires: consumer agency in identity expression. Journal of Consumer Research 41(2): 294–309.

16.

Biswas

Bhowmick

Guha

Grewal

(2013) Consumer evaluations of sale prices: role of the subtraction principle. Journal of Marketing 77(4): 49–66.

17.

Bolton

Mattila

(2014) How does corporate social responsibility affect consumer response to service failure in buyer-seller relationship? Journal of Retailing. Publié en ligne en octobre 2014. http://dx.doi.org/10.1016/j.jretai.2014.10.001.

18.

Buechel

Janiszewski

(2014) A lot of work or a work of art: how the structure of a customized assembly task determines the utility derived from assembly effort. Journal of Consumer Research 40: 960–972.

19.

Bullard

Manchanda

(2013) Do sustainable products make us prevention focused? Marketing Letters 24: 177–189.

20.

Burton

Cook

Howlett

Newman

(2014) Broken halos and shattered horns: overcoming the biasing effects of prior expectations through objective information disclosure. Journal of the Academy of Marketing Science. Publié en ligne en mars 2014. http://dx.doi.org/10.1007/s11747-014-0378-5.

21.

Caceres

Vanhamme

(2003) Les processus modérateurs et médiateurs: distinction conceptuelle, aspects analytiques et illustrations. Recherche et Applications en Marketing 18(2): 67–100.

22.

Cadario

Parguel

(2014) Reconsidérer la discrétisation des variables quantitatives: vers une nouvelle analyse de modération dans la recherche expérimentale. Recherche et Applications en Marketing 29(4): 1–18.

23.

Campbell

Mohr

Verlegh

PWJ

(2013) Can disclosures lead consumers to resist covert persuasion? The important roles of disclosure timing and type of response. Journal of Consumer Psychology 23(4): 483–495.

24.

Carte

Russell

(2003) In pursuit of moderation: Nine common errors and their solutions. MIS Quarterly 27(3): 479–501.

25.

Carvalho

Luna

(2014) Effects of national identity salience on responses to ads. Journal of Business Research 67(5): 1026–1034.

26.

Cavanaugh

(2014) Because I (don’t) deserve it: how relationship reminders and deservingness influence consumer indulgence. Journal of Marketing Research 51(2): 218–232.

27.

Celuch

Bantham

Kasouf

(2011) The role of trust in buyer-seller conflict management. Journal of Business Research 64(10): 1082–1088.

28.

Chae

Zhu

(2014) Environmental disorder leads to self-regulatory failure. Journal of Consumer Research 40(6): 1203–1218.

29.

Chen

Berger

(2013) When, why, and how controversy causes conversation. Journal of Consumer Research 40: 580–593.

30.

Chen

Lurie

(2013) Temporal contiguity and negativity bias in the impact of online word of mouth. Journal of Marketing Research 50: 463–476.

31.

Choi

Rangan

Chatterjee

Singh

(2014) The odd-ending price justification effect: the influence of price-endings on hedonic and utilitarian consumption. Journal of the Academy of Marketing Science. Publié en ligne en janvier 2014. http://dx.doi.org/10.1007/s11747-014-0369-6.

32.

Cian

Krishna

Elder

(2014) This logo moves me: dynamic imagery from static images. Journal of Marketing Research 51(2): 184–197.

33.

Cohen

West

Aiken

(2003) Applied multiple regression/correlation analysis for the behavioral sciences (3ème edition). Hillsdale, NJ: Erlbaum.

34.

Connell

Brucks

Nielsen

(2014) How childhood advertising exposure can create biased product evaluations that persist into adulthood. Journal of Consumer Research 41(1): 119–134.

35.

Cortina

Chen

Dunlap

(2001) Testing interaction effects in LISREL: examination and illustration of available procedures. Organizational Research Methods 4: 324–360.

36.

Coulter

Grewal

(2014) Name-letters and birthday-numbers: implicit egotism effects in pricing. Journal of Marketing 78(3): 102–120.

37.

Coulter

Roggeveen

(2014) Price number relationships and deal processing fluency: the effects of approximation sequences and number multiples. Journal of Marketing Research 51(1): 69–82.

38.

Cutright

Samper

(2014) Doing it the hard way: how long control drives preferences for high-effort products and services. Journal of Consumer Research 41(3): 730–745.

39.

Dabholkar

Bagozzi

(2002) An attitudinal model of technology-based self-service: moderating effects of consumer traits and situational factors. Journal of the Academy of Marketing Science 30(3): 184–201.

40.

Dalal

Zickar

(2012) Some common myths about centering predictor variables in moderated multiple regression and polynomial regression. Organizational Research Methods 15(3): 339–362.

41.

Dawson

(2014) Moderation in management research: what, why, when and how. Journal of Business and Psychology 29(1): 1–19.

42.

Devezer

Sprott

Spangenberg

Czellar

(2014) Consumer well-being: effects of subgoal failures and goal importance. Journal of Marketing 78(2): 118–134.

43.

Dittmar

Halliwell

Stirling

(2009) Understanding the impact of thin media models on women’s body-focused affect: the roles of thin-ideal internalization and weight-related self-discrepancy activation in experimental exposure effects. Journal of Social and Clinical Psychology 28: 43–72.

44.

Echambadi

Hess

(2007) Mean-centering does not alleviate collinearity problems in moderated multiple regression models. Marketing Science 26: 438–445.

45.

Edwards

(2008) To prosper organizational psychology should… overcome methodological barriers to progress. Journal of Organizational Behavior 29: 469–491.

46.

Edwards

Lambert

(2007) Methods for integrating moderation and mediation: a general analytical framework using moderated path analysis. Psychological Methods 12(1): 1–22.

47.

Efron

Tibshirani

(1993) An introduction to the bootstrap. New York: Chapman & Hall / CRC Press.

48.

Ein-Gar

(2014) Committing under the shadow of tomorrow: Self-control and commitment to future virtuous behaviors. Journal of Consumer Psychology. 25(2): 268–285.

49.

Ertürk

Vurgun

(2015) Retention of IT professionals: examining the influence of empowerment, social exchange, and trust. Journal of Business Research 68(1): 34–46.

50.

Fairchild

McQuillin

(2010) Evaluating mediation and moderation effects in school psychology: a presentation of methods and review of current practice. Journal of School Psychology 48(1): 53–84.

51.

Ferraro

Kirmani

Matherly

(2013) Look at me! Look at me! Conspicuous brand usage, self-brand connection, and dilution. Journal of Marketing Research 50: 477–488.

52.

Gao

Wheeler

Shiv

(2009) The “shaken self”: product choices as a means of restoring self-view confidence. Journal of Consumer Research 36(1): 29–38.

53.

Gatignon-Turnau

A-L

Mignonac

(2015) (Mis) Using employee volunteering for public relations: Implications for corporate volunteers’ organizational commitment. Journal of Business Research 68(1): 7–18.

54.

Giebelhausen

Robinson

Sirianni

Brady

(2014) Touch versus tech: when technology functions as a barrier or a benefit to service encounters. Journal of Marketing 78: 113–124.

55.

Grappi

Romani

Bagozzi

(2013a) Consumer response to corporate irresponsible behavior: moral emotions and virtues. Journal of Business Research 66: 1814–1821.

56.

Grappi

Romani

Bagozzi

(2013b) The effects of company offshoring strategies on consumer responses. Journal of the Academy of Marketing Science 41: 683–704.

57.

Botti

Faro

(2013) Turning the page: the impact of choice closure on satisfaction. Journal of Consumer Research 40: 268–283.

58.

Guo

Main

(2012) The vulnerability of defensiveness: the impact of persuasion attempts and processing motivations on trust. Marketing Letters 23: 959–971.

59.

Hada

Grewal

Lilien

(2014) Supplier-selected referral. Journal of Marketing 78(2): 34–51.

60.

Hadi

Valenzuela

(2014) A meaningful embrace: Contingent effects of embodied cues of affection. Journal of Consumer Psychology. Publié en ligne en février 2014. http://dx.doi.org/10.1016/j.jcps.2014.02.001.

61.

Haws

Winterich

(2013) When value trumps health in a supersized world. Journal of Marketing 77(3): 48–64.

62.

Haws

Winterich

Naylor

(2014) Seeing the world through GREEN-tinted glasses: Green consumption values and responses to environmentally friendly products. Journal of Consumer Psychology. 24(3): 336–354.

63.

Hayes

(2012) PROCESS: A versatile computational tool for observed variable mediation, moderation, and conditional process modeling [White Paper]. Disponible en ligne à http://www.afhayes.com/public/process2012.pdf.

64.

Hayes

(2013a) Introduction to mediation, moderation, and conditional process analysis – A regression-based approach. New York: Guilford Press.

65.

Hayes

(2013b) PROCESS: a versatile computational tool for observed variable mediation, moderation, and conditional process modeling. Manuscrit soumis pour publication. http://www.afhayes.com/public/process2012.pdf.

66.

Hayes

(2014) An index and test of linear moderated mediation. Multivariate Behavioral Research. Publié en ligne http://www.afhayes.com/public/MBRinpress.pdf.

67.

Hayes

Preacher

(2013) Conditional process modeling: using structural equation modeling to examine contingent causal processes. In: Hancock

Mueller

(éd.) Structural equation modeling: a second course. Greenwich, CT: Information Age Publishing, 219–266.

68.

Hayes

Scharkow

(2013) The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis: does method really matter? Psychological Science 24(10): 1918–1927.

69.

Huang

S-C

Zhang

(2011) Motivational consequences of perceived velocity in consumer goal pursuit. Journal of Marketing Research 48(6): 1045–1056.

70.

Humphreys

Latour

(2013) Framing the game: assessing the impact of cultural representations on consumer perceptions of legitimacy. Journal of Consumer Research 40: 773–795.

71.

Iacobucci

Saldanha

Deng

(2007) A meditation on mediation: evidence that structural equations models perform better than regressions. Journal of Consumer Psychology 17(2): 139–153.

72.

Irmak

Wakslak

Trope

(2013) Selling the forest, buying the trees: the effect of construal level on seller-buyer price discrepancy. Journal of Consumer Research 40: 284–297.

73.

Jaccard

Turrisi

(2003) Interaction effects in multiple regression (2^e éd.). Thousand Oaks, CA: SAGE.

74.

Jiang

Hoegg

Dahl

(2013) Consumer reaction to unearned preferential treatment. Journal of Consumer Research 40: 412–427.

75.

Jin

(2013) Designing service guarantees with construal fit effects of temporal distance on consumer responses to service guarantees. Journal of Service Research 6(2): 202–215.

76.

Jin

(2014) The recent versus the out-dated: an experimental examination of the time-variant effects of online consumer reviews. Journal of Retailing 90(4): 552–566.

77.

Jin

Huang

(2014) When giving money does not work: the differential effects of monetary versus in-kind rewards in referral reward programs. International Journal of Research in Marketing 31(1): 107–116.

78.

Kachersky

(2011) Reduce content or raise price? The impact of persuasion knowledge and unit price increase tactics on retailer and product brand attitudes. Journal of Retailing 87(4): 479–488.

79.

Kan

Lichtenstein

Grant

Janiszewski

(2014) Strengthening the influence of advertised reference prices through information priming. Journal of Consumer Research 40(6): 1078–1096.

80.

Khajehzadeh

Oppewal

Tojib

(2014) Consumer responses to mobile coupons: the roles of shopping motivation and regulatory fit. Journal of Business Research 67(11): 2447–2455.

81.

Kim

Gupta

(2012) Emotional expressions in online user reviews: how they influence consumers’ product evaluations. Journal of Business Research 65(7): 985–992.

82.

Kim

Kulow

Kramer

(2014) The interactive effect of beliefs in malleable fate and fateful predictions on choice. Journal of Consumer Research 40(6): 1139–1148.

83.

Kim

Labroo

(2011) From inherent value to incentive value: when and why pointless effort enhances consumer preference. Journal of Consumer Research 38: 712–742.

84.

Koopman

Howe

Hollenbeck

Sin

(2014) Small sample mediation testing: misplaced confidence in bootstrapped confidence intervals. Journal of Applied Psychology. 100(1): 194–202.

85.

Kronrod

Danziger

(2013) “Wii will rock you!” The use and effect of figurative language in consumer reviews of hedonic and utilitarian consumption. Journal of Consumer Research 40: 726–739.

86.

Lacey

Kennett-Hensel

Manolis

(2014) Is corporate social responsibility a motivator or hygiene factor? Insights into its bivalent nature. Journal of the Academy of Marketing Science. Publié en ligne en mai 2014. http://dx.doi.org/10.1007/s11747-014-0390-9.

87.

Lacoste-Badie

Malek

Droulers

(2013) Influence d’un contexte de programme triste sur le processus de persuasion publicitaire chez des adultes jeunes et âgés. Recherche et Applications en Marketing 28(1): 5–26.

88.

Laran

Dalton

Andrade

(2011) The curious case of behavioral backlash: why brands produce priming effects and slogans produce reverse priming effects. Journal of Consumer Research 37(6): 999–1014.

89.

Leal-Rodríguez

Ariza-Montes

Roldán

Leal-Millán

(2014) Absorptive capacity, innovation and cultural barriers: a conditional mediation model. Journal of Business Research 67(5): 763–768.

90.

Lee

Winterich

Ross

Jr (2014) I’m moral, but I won’t help you: the distinct roles of empathy and justice in donations. Journal of Consumer Research 41(3): 678–696.

91.

Lefroy

Tsarenko

(2014) Dependence and effectiveness in the nonproﬁt-corporate alliance: the mediating effect of objectives achievement. Journal of Business Research. 67(9): 1959–1966.

92.

Liao

O’Brien

Jimmiesson

Restubog

SLD

(2014) Predicting transactive memory system in multidisciplinary teams: the interplay between team and professional identities. Journal of Business Research. Publié en ligne en octobre 2014 http://dx.doi.org/10.1016/j.jbusres.2014.09.024.

93.

Lisjak

Lee

(2014) The bright side of impulse: depletion heightens self-protective behavior in the face of danger. Journal of Consumer Research 41(1): 55–70.

94.

Luna

Carnevale

Lerman

(2013) Does brand spelling inﬂuence memory? The case of auditorily presented brand names. Journal of Consumer Psychology 23(1): 36–48.

95.

Yang

Mourali

(2014) Consumer adoption of new products: independent versus interdependent self-perspectives. Journal of Marketing 78(2): 101–117.

96.

MacKinnon

(2008) Introduction to statistical mediation analysis. New York: Lawrence Erlbaum.

97.

MacKinnon

Coxe

Baraldi

(2012) Guidelines for the investigation of mediating variables in business research. Journal of Business and Psychology 27(1): 1–14.

98.

MacKinnon

Fairchild

Fritz

(2007) Mediation analysis. Annual Review of Psychology 58: 593–614.

99.

Mariadoss

Johnson

Martin

(2014) Strategic intent and performance: the role of resource allocation decisions. Journal of Business Research 67(11): 2393–2402.

100.

Mariadoss

Milewicz

Lee

Sahaym

(2014) Salesperson competitive intelligence and performance: the role of product knowledge and sales force automation usage. Industrial Marketing Management 43(1): 136–145.

101.

Mathur

Block

Yucel-Aybat

(2014) The effects of goal progress cues: An implicit theory perspective. Journal of Consumer Psychology. Publié en ligne en mars 2014. http://dx.doi.org/10.1016/j.jcps.2014.03.003.

102.

May

Irmak

(2014) Licensing indulgence in the present by distorting memories of past behavior. Journal of Consumer Research 41(3): 624–641.

103.

Mehta

Zhu

Meyers-Levy

(2014) When does a higher construal level increase or decrease indulgence? Resolving the myopia versus hyperopia puzzle. Journal of Consumer Research 41(2): 475–488.

104.

Michaelis

Wagner

Schweizer

(2015) Knowledge as a key in the relationship between high-performance work systems and workforce productivity. Journal of Business Research 68 (5): 1035–1044.

105.

Mochon

Norton

Ariely

(2012) Bolstering and restoring feelings of competence via the IKEA effect. International Journal of Research in Marketing 29: 363–369.

106.

Moldovan

Steinhart

Ofen

(2014) “Share and scare”: Solving the communication dilemma of early adopters with a high need for uniqueness. Journal of Consumer Psychology. Publié en ligne en juin 2014. http://dx.doi.org/10.1016/j.jcps.2014.06.001.

107.

Moore

(2012) Some things are better left unsaid: how word of mouth influences the storyteller. Journal of Consumer Research 38: 1140–1154.

108.

Morhart

Malär

Guèvremont

Girardin

Grohmann

(2014) Brand authenticity: An integrative framework and measurement scale. Journal of Consumer Psychology. Publié en ligne en décembre 2014. http://dx.doi.org/10.1016/j.jcps.2014.11.006.

109.

Mourali

Yang

(2013) The dual role of power in resisting social influence. Journal of Consumer Research 40: 539–554.

110.

Muller

Judd

Yzerbyt

(2005) When moderation is mediated and mediation is moderated. Journal of Personality and Social Psychology 89(6): 852–863.

111.

Muro

Noseworthy

(2013) Money isn’t everything, but it helps if it doesn’t look used: how the physical appearance of money influences spending. Journal of Consumer Research 39: 1330–1342.

112.

Muthén

(2011) Mplus User’s Guide (6^ème édition). Los Angeles, CA: Muthén & Muthén.

113.

Nguyen

Munch

(2011) Romantic gift giving as chore or pleasure: the effects of attachment orientations on gift giving perceptions. Journal of Business Research 64(2): 113–118.

114.

Noseworthy

Trudel

(2011) Looks interesting, but what does it do? Evaluation of incongruent product form depends on positioning. Journal of Marketing Research 48(6): 1008–1019.

115.

Onur Bodur

Klein

Arora

. (2014) Online price search: impact of price comparison sites on offline price evaluation. Journal of Retailing. Publié en ligne en octobre 2014. http://dx.doi.org/10.1016/j.jretai.2014.09.003.

116.

Orth

Bouzdine-Chameeva

Brand

(2013) Trust during retail encounters: a touchy proposition. Journal of Retailing 89(3): 301–314.

117.

Orth

Crouch

(2014) Is beauty in the aisles of the retailer? Package processing in visually complex contexts. Journal of Retailing 90(4): 524–537.

118.

Pandelaere

Briers

Dewitte

Warlop

(2010) Better think before agreeing twice mere agreement: a similarity-based persuasion mechanism. International Journal of Research in Marketing 27(2): 133–141.

119.

Podsakoff

MacKenzie

Lee

Podsakoff

(2003) Common method variance in behavioral research: a critical review of the literature and recommended remedies. Journal of Applied Psychology 88(5): 879–903.

120.

Preacher

Hayes

(2004) SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, and Computers 36: 717–731.

121.

Preacher

Hayes

(2008) Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods 40(8): 879–891.

122.

Preacher

Rucker

Hayes

(2007) Addressing moderated mediation hypotheses: theory, methods, and prescriptions. Multivariate Behavioral Research 42(1): 185–227.

123.

Rego

Morgan

Fornell

(2013) Reexamining the market share-customer satisfaction relationship. Journal of Marketing 77(5): 1–20.

124.

Salerno

Laran

Janiszewski

(2014), Hedonic eating goals and emotions: when sadness decreases the desire to indulge. Journal of Consumer Research 41(1): 135–151.

125.

Samper

Schwartz

(2013) Price inferences for sacred versus secular goods: changing the price of medicine influences perceived health risk. Journal of Consumer Research 39: 1343–1358.

126.

Schumann

Wünderlich

Evanschitzky

(2014) Spillover effects of service failures in coalition loyalty programs: the buffering effect of special treatment benefits. Journal of Retailing 90(1): 111–118.

127.

Scott

Mende

Bolton

(2013) Judging the book by its cover? How consumers decode conspicuous consumption cues in buyer–seller relationships. Journal of Marketing Research 50: 334–347.

128.

Sellier

A-L

Dahl

(2011) Focus! Creative success is enjoyed through restricted choice. Journal of Marketing Research 48(6): 996–1007.

129.

Shapiro

Nielsen

(2013) What the blind eye sees: incidental change detection as a source of perceptual fluency. Journal of Consumer Research 39: 1202–1218.

130.

Sharma

Durand

Gur-Arie

(1981) Identification and analysis moderator variables. Journal of Marketing Research 18: 291–300.

131.

Shieh

(2009) Detecting interaction effects in moderated multiple regression with continuous variables: power and sample size considerations. Organizational Research Methods 12: 510–528.

132.

Shrout

Bolger

(2002) Mediation in experimental and nonexperimental studies: new procedures and recommendations. Psychological Methods 7(4): 422–445.

133.

Sirianni

Bitner

Brown

Mandel

(2013) Branded service encounters: strategically aligning employee behavior with the brand positioning. Journal of Marketing 77(6): 108–123.

134.

Sobel

(1982) Asymptotic confidence intervals for indirect effects in structural equation models. Sociological methodology 13: 290–312.

135.

Spector

Brannick

(2011) Methodological urban legends: The misuse of statistical control variables. Organizational Research Methods 14: 287–305.

136.

Spiller

Fitzsimons

Lynch

Jr McClelland

(2013) Spotlights, floodlights, and the magic number zero: simple effects tests in moderated regression. Journal of Marketing Research 50(2): 277–288.

137.

Steinhart

Kamins

Mazursky

Noy

(2014) Effects of product type and contextual cues on eliciting naive theories of popularity and exclusivity. Journal of Consumer Psychology. Publié en ligne en avril 2014. http://dx.doi.org/10.1016/j.jcps.2014.04.004.

138.

Strizhakova

Tsarenko

Ruth

(2012) “I’m mad and I can’t get that service failure off my mind”: coping and rumination as mediators of anger effects on customer intentions. Journal of Service Research 15(4): 414–429.

139.

Sundar

Noseworthy

(2014) Place the logo high or low? Using conceptual metaphors of power in packaging design. Journal of Marketing 78(5): 138–151.

140.

Thompson

Chandon Ince

(2013) When disfluency signals competence: the effect of processing difficulty on perceptions of service agents. Journal of Marketing Research 50: 228–240.

141.

Thompson

Malaviya

(2013) Consumer-generated ads: does awareness of advertising co-creation help or hurt persuasion?. Journal of Marketing 77(3): 33–47.

142.

Trudel

Argo

(2013) The effect of product size and form distortion on consumer recycling behavior. Journal of Consumer Research 40: 632–643.

143.

Trudel

Murray

(2011) Why didn’t I think of that? Self-regulation through selective information processing. Journal of Marketing Research 48(4): 701–712.

144.

Uhrich

Koenigstorfer

Groeppel-Klein

(2014) Leveraging sponsorship with corporate social responsibility. Journal of Business Research. Publié en ligne en octobre 2013. http://dx.doi.org/10.1016/j.jbusres.2013.10.008.

145.

Ulkümen

Cheema

(2011) Framing goals to influence personal savings: the role of specificity and construal level. Journal of Marketing Research 48(6): 958–969.

146.

Valeri

VanderWeele

(2013) Mediation analysis allowing for exposure–mediator interactions and causal interpretation: theoretical assumptions and implementation with SAS and SPSS macros. Psychological Methods 18(2): 137–150.

147.

Verlegh

PWJ

Ryu

Tuk

MA.

Feick

(2013) Receiver responses to rewarded referrals: the motive inferences framework. Journal of the Academy of Marketing Science 41: 669–682.

148.

Walsh

(2014) Attenuating depletion using goal priming. Journal of Consumer Psychology. Publié en ligne en mai 2014. http://dx.doi.org/10.1016/j.jcps.2014.05.001.

149.

Wan

Rucker

(2013) Confidence and construal framing: when confidence increases versus decreases information processing. Journal of Consumer Research 39: 977–992.

150.

Wang

Griskevicius

(2014) Conspicuous consumption, relationships, and rivals: women’s luxury products as signals to other women. Journal of Consumer Research 40: 834–854.

151.

Wang

Preacher

(2015) Moderated mediation analysis using Bayesian methods. Structural Equation Modeling: A Multidisciplinary Journal 22(2): 249–263.

152.

Wang

Sun

Tat Keh

(2013) Consumer responses to variety in product bundles: the moderating role of evaluation mode. International Journal of Research in Marketing 30: 335–342.

153.

Ward

M K

Broniarczyk

S M

(2011) It’s not me, it’s you: how gift giving creates giver identity threat as a function of social closeness. Journal of Consumer Research 38: 164–181.

154.

Wegener

Fabrigar

(2000) Analysis and design for nonexperimental data - addressing causal and noncausal hypotheses. In: Reis

Judd

(coord.) Handbook of research methods in social and personality psychology. New York: Cambridge University Press, 412–450.

155.

Whang

Zhu

Shiv

(2012) The lonely consumer: loner or conformer? Journal of Consumer Research 38: 1116–1128.

156.

Whelan

Dawar

(2014) Attributions of blame following a product-harm crisis depend on consumers’ attachment styles. Marketing Letters. Publié en ligne en décembre 2014. http://dx.doi.org/10.1007/s11002-014-9340-z.

157.

Wiebenga

Fennis

(2014) The road traveled, the road ahead, or simply on the road? When progress framing affects motivation in goal pursuit. Journal of Consumer Psychology 24(1): 49–62.

158.

Wilcox

Stephen

(2013) Are close friends the enemy? Online social networks, self-esteem, and self-control. Journal of Consumer Research 40: 90–103.

159.

Williams

Cote

Buckley

(1989) Lack of method variance in self-reported affect and perceptions at work: reality or artifact? Journal of Applied Psychology 74: 462–468.

160.

Williams

Stein

Galguera

(2014) The distinct affective consequences of psychological distance and construal level. Journal of Consumer Research 40(6): 1123–1138.

161.

Winterich

Mittal

Aquino

(2013) When does recognition increase charitable behavior? Toward a moral identity-based model. Journal of Marketing 77(3): 121–134.

162.

Wong

Newton

(2014) Powerlessness following service failure and its implications for service recovery. Marketing Letters. Publié en ligne en juin 2014. http://dx.doi.org/10.1007/s11002-014-9303-4.

163.

Xie

Bagozzi

Gronhaug

(2014) The role of moral emotions and individual differences in consumer responses to corporate green and non-green actions. Journal of the Academy of Marketing Science. Publié en ligne en juillet 2014. http://dx.doi.org/10.1007/s11747-014-0394-5.

164.

Labroo

(2014) Incandescent affect: turning on the hot emotional system with bright light. Journal of Consumer Psychology 24(2): 207–216.

165.

Liu

Guo

(2014) The role of subordinate emotional masking in leader–member exchange and outcomes: A two-sample investigation. Journal of Business Research 67: 100–107.

166.

Yang

Cutright

Chartrand

Fitzsimons

(2014) Distinctively different: exposure to multiple brands in low-elaboration settings. Journal of Consumer Research 40: 973–992.

167.

Yoshida

Sendjaya

Hirst

Cooper

(2014) Does servant leadership foster creativity and innovation? A multi-level mediation study of identiﬁcation and prototypicality. Journal of Business Research. Publié en ligne en septembre 2013. http://dx.doi.org/10.1016/j.jbusres.2013.08.013.

168.

Zhao

Lynch

Chen

(2010) Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research 37(2): 197–206.

169.

Zhao

Lynch

Chen

(2011) Reconsidérer Baron et Kenny : mythes et vérités à propos de l’analyse de médiation. Recherche et Applications en Marketing 26(1): 81–95.