Bonjour, communauté JMP.
Voici le scénario :
- Version : JMP Pro 18.0.2
- Question de recherche : Dans quelle mesure les incitations non financières (INF) influencent-elles la rétention des employés, modérée par le niveau de l'employé (junior, moyen, senior) et médiatisée par la satisfaction au travail ?
- Observations = ~130 000 | Variables = ~100 variables
- Mesures
- Variables/facteurs indépendants (IFN)
- Formation et développement (TAD) - composé de 5 facteurs
- Prix et reconnaissance (AAR) - composé d'un facteur
- Mentorat (MTR) - composé de 3 facteurs
- Variable modératrice = Niveau de l'employé (ELV) - composé d'une variable
- Variable/facteur de médiation = Satisfaction au travail (JSAT) - composée d'un facteur
- Variable dépendante = Rétention (RTN)
- Cadre conceptuel :
J'ai installé le module complémentaire JMP Pro pour la modération-médiation. Dans mon cas, le modérateur (Z) est ELV, le médiateur (M) est JSAT et le résultat (Y) est RTN. Cependant, le module complémentaire ne semble pas autoriser plusieurs prédicteurs (X) simultanément, ni la création et l'utilisation de variables latentes comme prédicteurs.
Veuillez m'indiquer si quelque chose m'échappe ou s'il existe une méthodologie alternative.
Merci,
ArthurB
Salut Arthur,
Excellente question ! J'ai créé le module complémentaire Modération et Médiation et vous avez tout à fait raison : il ressemble à un modèle de médiation modérée de première étape. Cependant, il ne prend actuellement pas en charge les variables latentes ni les prédicteurs focaux multiples (c'est-à-dire les prédicteurs multiples dont les effets sont modérés). Vous pouvez spécifier manuellement ce modèle dans la plateforme SEM. L'approche que je vais présenter ici est appelée « indicateur de produit sans contrainte », et vous trouverez plus de détails à ce sujet dans Marsh et al. (2012) .
Prétraitement des données
Un prétraitement des données sera nécessaire. J'ai simulé certaines données pour qu'elles correspondent aux noms de vos variables, d'après votre description. Ce n'est peut-être pas tout à fait exact, mais j'ai cinq indicateurs pour TAD (TAD latent), une variable pour AAR, trois indicateurs pour MTR (MTR latent) et une variable pour ELV, JSAT et RTN. N'hésitez pas à adapter cet exemple à vos données.
- Tout d'abord, centrez la moyenne de tous les prédicteurs (y compris tous les indicateurs de variables latentes) et du modérateur. J'ai ajouté un « c » à ces nouveaux noms de variables :
- Ensuite, créez des termes de produit impliquant chaque prédicteur et le modérateur. Lorsque le prédicteur est une variable manifeste (c'est-à-dire qu'il n'a qu'un seul indicateur), il s'agit d'un terme de produit simple. Lorsque le prédicteur est une variable latente (c'est-à-dire qu'il a plusieurs indicateurs), nous avons besoin d'un terme de produit pour chaque indicateur.
Lancement de la plateforme SEM
Vous êtes maintenant prêt à lancer la plateforme SEM. Assurez-vous d'inclure (1) les prédicteurs et le modérateur centrés sur la moyenne, (2) tous leurs termes de produit, et (3) le médiateur et le résultat. Comme vous l'avez montré ici, il peut être difficile de passer du cadre conceptuel au SEM qui s'y rattache. Je vais donc vous montrer à quoi devrait ressembler la spécification du modèle.
Modèle conceptuel vs. modèle statistique
Comme vous l'avez peut-être constaté dans le module complémentaire, le modèle statistique de la médiation modérée de première étape implique le prédicteur, le modérateur et un produit prédicteur*modérateur. Chacun de ces éléments prédit à la fois le médiateur et le résultat. (Remarque : bien que nous nous intéressions généralement à la modération de la voie X -> M, comme vous le faites ici, il est recommandé d'inclure également les voies X -> Y et de les autoriser également à être modérées. Leur omission peut entraîner des estimations biaisées si elles sont différentes de zéro.) Nous allons étendre ce modèle afin d'inclure plusieurs X (et plusieurs produits X*Z). Certains de ces prédicteurs sont des variables latentes, donc leurs produits correspondants sont également des variables latentes.
Spécification du modèle dans la plateforme SEM
- Spécifiez les variables et les interactions latentes. Pour les interactions latentes, utilisez les variables produit créées lors du prétraitement. Les variables latentes se présentent comme d'habitude :
Et les interactions latentes ressemblent à ceci :
- Configurez les chemins de régression nécessaires. Voici à quoi cela ressemble : TAD, MTR et AARc sont les prédicteurs (X), ELVc est le modérateur (Z), et TAD*ELV, MTR*ELV et AARc*ELVc sont les termes produits (X*Z). Tous ces éléments ont des chemins vers JSAT (M) et RTN (Y).
- Autoriser tous les termes X, Z et X*Z à covarier.
Et voici vos étapes. C'est un modèle assez complexe, mais il semble que vous disposiez de suffisamment de données pour le soutenir.
J'espère que cela aide !
Haley
Bonjour Haley,
C'était magistral ! Merci pour votre réponse rapide, complète et claire. Tout a fonctionné comme prévu.
Reconnaissant,
ArthurB
Bonjour, Haley !
Une dernière question... Existe-t-il un moyen de créer les tracés Johnson-Neyman pour TAD*ELV, AAR*ELV et MTR*ELV ?
Merci,
Arthur
Salut Arthur,
Malheureusement, pas encore ! Je n'avais jamais vu de tracés Johnson-Neyman basés sur la modération des variables latentes. C'est une extension innovante que j'aimerais intégrer au module complémentaire à l'avenir, mais je ne l'ai pas encore fait.
Pour l'interaction AAR*ELV (puisqu'elle est manifeste*manifeste), vous pourriez envisager d'utiliser le module complémentaire pour ajuster un modèle de médiation modérée de première étape et n'inclure que les indicateurs LV comme covariables. Le module complémentaire produirait alors un graphique JN et un graphique des pentes simples pour l'interaction AAR*ELV, ce qui permettrait de mieux visualiser cette interaction. Cependant, comme il ne s'agit pas exactement du même modèle que celui ci-dessus, je déconseille d'interpréter ou de rapporter les pentes simples ou les limites de significativité ; il s'agirait plutôt d'une astuce pour obtenir des visualisations approximatives.
Meilleur,
Haley
