Souvent, alors que nous essayons d'obtenir des informations à partir de nos données, il ne suffit pas de comprendre que deux variables sont liées. Nous devons creuser plus profondément et poser des questions telles que : sous quoi les circonstances sont-elles liées ? Pour qui sont-ils liés, pourquoi sont-ils liés, et comment ? La modération, la médiation et la médiation modérée nous permettent de répondre exactement à ce type de questions.
Ces techniques analytiques, appelées modèles de processus conditionnels (Hayes, 2022 ; Preacher et al., 2007), sont populaires et importantes mais difficiles à mettre en place. De plus, les visualisations qui sont essentielles pour comprendre les interactions, y compris les tracés de Johnson-Neyman et les tracés de pentes simples, sont difficiles à créer et nécessitent des calculs sujets aux erreurs.
Le module complémentaire JMP de modération et médiation décrit dans cet article facilite la spécification, l'ajustement et la vérification visuelle des interactions dans trois modèles populaires : la modération, la médiation modérée de première étape et la médiation modérée de deuxième étape. Ces modèles peuvent être ajustés avec des moindres carrés ordinaires ou avec un logiciel de modélisation d'équations structurelles (SEM); le complément s'appuie sur SEM, qui gère les données manquantes avec des méthodes de pointe et permet une estimation simultanée du modèle. (Ce complément nécessite JMP Pro 16.0 ou version ultérieure.)
La façon la plus simple de décrire ces modèles de processus conditionnels consiste à utiliser un exemple. Considérons cet extrait d'un article de scienceofpeople.com sur l'amélioration de la satisfaction au travail :
« Connaissez-vous la mission de votre entreprise ? Connaissez-vous l'impact de votre travail ? Lorsque nous n'avons pas notre "pourquoi" à l'esprit, il peut être difficile de se sentir motivé et excité par ce que nous faisons... Lorsque nous sommes occupés ou débordés, le « pourquoi » semble simplement nous échapper. »
Exemple de modération de base
Dans quelles circonstances le sens de notre travail est-il lié à la satisfaction au travail ?
Le clip ci-dessus suggère que la signification de notre travail est liée à une plus grande satisfaction au travail, mais si nous sommes trop débordés au travail, cette relation diminue. En d'autres termes, l'accablement modère la relation entre le sens et la satisfaction au travail (c'est-à-dire qu'il existe un effet d'interaction). Conceptuellement, nous pouvons représenter cela avec un diagramme de chemin :
Alors, comment tester cet effet d'interaction et, s'il est statistiquement significatif, comprendre sa signification ? Les étapes ci-dessous expliquent comment procéder avec le module complémentaire de modération et de médiation.
Entrée utilisateur
Tout d'abord, la fenêtre de saisie de l'utilisateur illustre le diagramme de chemin conceptuel aux côtés du modèle statistique qui sera adapté à la plate-forme SEM de JMP Pro. Faire le lien entre ces deux représentations de modèle peut être difficile, donc cette fonctionnalité vise à aider l'utilisateur à comprendre le modèle statistique en cours d'ajustement.
Tout ce qui est demandé à l'utilisateur est d'indiquer quelle variable assume chaque rôle dans le modèle : le prédicteur (X), le modérateur (Z) et le résultat (Y). Facultativement, n'importe quel nombre de covariables peut être inclus pour contrôler leurs effets. Toutes les variables doivent être continues.
Tout ce qui est demandé à l'utilisateur est d'indiquer quelle variable assume chaque rôle dans le modèle : le prédicteur (X), le modérateur (Z) et le résultat (Y).
Par défaut, X et Z seront centrés sur la moyenne. Les variables centrées sur la moyenne seront utilisées pour calculer un terme de produit (X*Z) pour l'ajustement du modèle. Si vous le souhaitez, cette fonction peut être désactivée et X et Z resteront non centrés. De plus, X et Z peuvent être centrés autour d'une valeur spécifiée par l'utilisateur.
La dernière section de la fenêtre de saisie utilisateur concerne ce qui sera affiché dans le rapport de sortie. Par défaut, le texte et les tracés pour la modération de sondage ne seront affichés que si le terme d'interaction (X*Z) est significatif à alpha = 0,05. L'utilisateur peut choisir de voir ces résultats même si le terme d'interaction n'est pas significatif (par exemple, si un niveau de signification alpha = 0,10 est souhaité).
Résultats
Sortie SEM : La première section du rapport de sortie montre les résultats de la plate-forme SEM, y compris les statistiques d'ajustement du modèle, les estimations des paramètres, un diagramme de chemin du modèle et la proportion de variance expliquée dans le résultat. Dans le diagramme de chemin, les covariances pas apparaissent si 1 ou plusieurs covariables ont été incluses (pour réduire l'encombrement de l'image). Les covariances et autres estimations peuvent être affichées en cliquant avec le bouton droit dans le diagramme et en sélectionnant Afficher > Covariances.
Détails de la modération : Cette section fournit des explications textuelles succinctes des résultats qui peuvent facilement être collées dans des publications ou des rapports, y compris les limites d'importance calculées par la technique de Johnson-Neyman (JN). La technique JN calcule les valeurs du modérateur auxquelles la pente simple de X passe de la signification à la non-significativité. Il peut y avoir zéro, une ou deux limites de signification dans la plage observée du modérateur. Dans certains cas, les limites ne peuvent pas être calculées parce que la pente simple de X est significative ou non significative sur toute la plage possible du modérateur. Dans ces cas, ces informations seront affichées et le tracé JN apparaîtra toujours dans le rapport.
La section Détails de la modération fournit des explications textuelles succinctes des résultats qui peuvent facilement être collées dans des publications ou des rapports.
Diagramme interactif de Johnson-Neyman : Le diagramme JN est considéré comme l'outil le plus informatif et le plus avancé pour sonder visuellement les interactions. Ici, le modérateur est sur l'axe des abscisses et le pente simple reliant X à Y est sur l'axe des ordonnées. Ainsi, nous pouvons voir comment la pente simple reliant X à Y change lorsque le modérateur change. Les bandes de confiance indiquent si la pente simple à chaque valeur du modérateur est significative (bleu) ou non significative (rouge) à alpha = 0,05.
Dans notre exemple, nous voyons que la signification est significativement liée à la satisfaction au travail à des niveaux de dépassement faibles à moyens (rappelez-vous que l'axe des x a des valeurs centrées). À mesure que la surcharge augmente, l'association entre la signification et la satisfaction au travail diminue. En effet, le diagramme JN nous aide à identifier la valeur précise de dépassement (1,75) à laquelle cette association n'est plus statistiquement significative.
Malgré toutes les informations qu'ils fournissent, les diagrammes JN peuvent être difficiles à digérer car un pente simple est sur l'axe des ordonnées. Pour résoudre ce problème, j'ai rendu cette intrigue interactive ! Survolez la ligne pour voir un tracé de Y vs. X à cette valeur particulière du modérateur. Lorsque vous passez votre souris sur différents points de la ligne, il devient facile de voir comment la relation entre X et Y change au fur et à mesure que le modérateur change.
Survolez la ligne pour voir un graphique de Y vs X à cette valeur particulière du modérateur.
Tracé des pentes simples : Enfin, un simple tracé des pentes apparaîtra au bas du rapport. Ici, la relation entre X et Y est affichée à trois valeurs du modérateur : 1 SD en dessous de la moyenne, la moyenne et 1 SD au-dessus de la moyenne. Ce tracé n'est pas statique, alors n'hésitez pas à modifier les titres des axes, les étiquettes de légende ou le type et la couleur des lignes - tout ce dont vous avez besoin pour votre publication ou votre rapport ! Conseil: utilisez le double-clic et le menu contextuel pour trouver ces options.
Exemples de médiation modérée de première et deuxième étapes
Pourquoi, comment et pour qui le sens de notre travail est-il lié à la satisfaction au travail ?
Pour la médiation modérée de première et de deuxième étape, la fenêtre d'entrée de l'utilisateur et le rapport de sortie seront presque identiques à ceux du modèle de modération de base. Les principales différences ici concernent l'interprétation des résultats. Au lieu de simples pentes, les tracés montreront effets indirects conditionnels à chaque valeur du modérateur. Un effet indirect conditionnel s'apparente à une simple pente en ce sens qu'il dépend de la valeur du modérateur. Mais maintenant, nous décrivons l'effet de X sur Y à travers le médiateur, M. Ces rapports ne sondent pas des morceaux de la voie (par exemple, X-à-M, M-à-Y), mais plutôt la totalité de la voie de X à Y en passant par M (c'est-à-dire l'effet indirect). L'ensemble de cet effet indirect est modéré par Z et présente généralement le plus grand intérêt pour les sondages et les tests de signification.
Quelques remarques : ces deux modèles reposent sur l'hypothèse que la taille de l'échantillon est grande, car les erreurs standard de l'effet indirect sont calculées par des méthodes de théorie normale, pas avec amorçage. (Toutefois, faites attention aux capacités d'amorçage dans les futures versions de la plate-forme SEM dans JMP Pro !) De plus, dans le modèle de première étape, Z est spécifié pour modérer les deux le chemin X-to-M et X-to-Y pour garantir une spécification de modèle appropriée dans la plate-forme SEM. La modération du chemin X vers M est généralement intéressante ici, de sorte que les résultats ne se concentrent pas ou ne fournissent pas de détails sur la modération du chemin direct X vers Y.
Médiation modérée de première étape
Dans notre exemple, submerger modère considérablement le chemin qui mène de la signification à la motivation. Par conséquent, l'ensemble de l'effet indirect de la signification à la satisfaction au travail est modéré. L'effet indirect est significatif lorsque le dépassement est inférieur à 1,63. Ainsi, lorsque la surcharge est faible à moyenne, trouver un sens à son travail conduit à une plus grande motivation, qui à son tour conduit à une plus grande satisfaction au travail.
Médiation modérée de deuxième étape
Dans cet exemple, submerger modère considérablement le cheminement de la motivation à la satisfaction au travail. L'ensemble de l'effet indirect de la signification à la satisfaction au travail est significatif lorsque le dépassement est inférieur à 1,25. Comme dans l'exemple précédent, lorsque la surcharge est faible à moyenne, trouver un sens à son travail conduit à une plus grande motivation, qui à son tour conduit à une plus grande satisfaction au travail.
Reproduisez n'importe lequel de ces résultats avec les ensembles de données simulées ci-joints !
Pour plus de détails, voir :
Bauer, DJ, & Curran, Pennsylvanie (2005). Sondage des interactions dans la régression fixe et multiniveau : techniques inférentielles et graphiques.Recherche comportementale multivariée , 40 (3), 373-400.
Hayes, AF (2022). Introduction à la médiation, à la modération et à l'analyse de processus conditionnel : une approche basée sur la régression (3e éd.). Guilford.
Prédicateur, KJ, Rucker, DD, & Hayes, AF (2007). Aborder les hypothèses de médiation modérée : Théorie, méthodes et prescriptions.Recherche comportementale multivariée , 42 (1), 185-227.
Pour me contacter, e-mail haley.e.yaremych@vanderbilt.edu
Salut @Rongyu_Kuang ,
Je suis content que vous trouviez le complément utile !Le suffixe "_c" que vous voyez dans les noms de variables est destiné à indiquer que les variables ont été centrées sur la moyenne. Vous pouvez contrôler cela dans la boîte de dialogue de lancement (voir la section en surbrillance dans la capture d'écran ci-dessous).
Cependant, il est recommandé de centrer les variables (comme le fait le complément par défaut) pour faciliter l'interprétation des estimations de paramètres, sauf si vos données ont déjà une valeur significative de zéro. Il semble que l'une de vos variables soit un prédicteur binaire (une "variable fictive"), qui aurait déjà une valeur significative de zéro et n'a donc pas besoin d'être centrée. Si c'est bien votre cas, vous pouvez cocher les cases Center X et Center Z, laisser 0 pour X et entrer la moyenne de Z :
Enfin, vous pouvez également ramener les valeurs limites à leur métrique d'origine en obtenant la moyenne pour SE (en cliquant sur le menu principal du triangle rouge > Statistiques descriptives > Statistiques simples univariées) et en l'ajoutant aux valeurs -6,459 et -0,231.
Gardez à l'esprit qu'il est possible que les limites de signification soient en dehors de la plage des données observées. Dans votre cas, il est possible que la limite inférieure ( SE_c est égal à -6,459) est en dehors de la plage des données. Pour se prémunir contre l'extrapolation, le diagramme de Johnson-Neyman affiche uniquement les limites qui se trouvent dans les données observées. Il affiche également uniquement les bandes de confiance pour la plage des données observées. Dans l'ensemble, cela signifie que la meilleure façon d'interpréter vos résultats est de regarder le JN Plot pour voir comment la pente simple de votre prédicteur principal (X) sur Y change en fonction de Z. Survolez les points de la ligne pour obtenir des graphlets qui montrent une pente simple non significative par rapport à une pente significative. Vous le faites peut-être déjà, mais en voici un exemple :
HTH,
~Laura
