Analyse de Médiation avec SPSS : Méthode Baron & Kenny et Macro PROCESS 2026

Votre modèle théorique postule qu’une variable X influence une variable Y non pas directement, mais via une troisième variable M qui transmet cet effet. C’est précisément ce qu’on appelle une analyse de médiation — l’une des techniques inférentielles les plus mobilisées dans les mémoires de master et les thèses en sciences humaines, psychologie, sciences de gestion et santé publique. Avec SPSS, deux approches coexistent : la méthode historique de Baron & Kenny (1986) et la Macro PROCESS de Hayes, désormais standard dans la recherche contemporaine.

Comprendre l’analyse de médiation avec SPSS est essentiel non seulement pour répondre à votre question de recherche, mais pour convaincre votre jury que votre design méthodologique est rigoureux. Ce guide vous présente les deux méthodes, leurs différences conceptuelles, leurs étapes pratiques dans SPSS, et vous montre comment rédiger vos résultats de manière professionnelle.

1. Qu’est-ce qu’une variable médiatrice ?

Une variable M est médiatrice de la relation X → Y si elle satisfait la condition suivante : X influence M, et M influence Y, de sorte que l’effet total de X sur Y se décompose en un effet direct (X → Y) et un effet indirect (X → M → Y).

Voici un exemple concret typique d’un mémoire en psychologie du travail :

• X : Charge de travail perçue
• M : Épuisement émotionnel (burnout)
• Y : Intention de quitter l’organisation

L’hypothèse de médiation postule que la charge de travail n’entraîne pas directement l’intention de quitter, mais le fait via l’épuisement émotionnel qu’elle génère. Tester cette médiation permet de comprendre le mécanisme causal sous-jacent, au-delà d’une simple corrélation entre X et Y.

La distinction entre médiation et modération est fondamentale : la modération (ou interaction) teste si l’effet de X sur Y varie selon le niveau d’une variable Z (voir notre article sur l’analyse de modération avec SPSS). La médiation, elle, cherche à expliquer le mécanisme.

Source : UCLA OARC Statistical Methods — Introduction to Mediation and Moderation

2. Types de médiation : partielle, totale, complète

3. La méthode Baron & Kenny : 4 étapes

Publiée dans le Journal of Personality and Social Psychology en 1986, la méthode de Baron & Kenny est basée sur trois régressions séquentielles qui doivent toutes être significatives pour conclure à une médiation :

1. Étape 1 : Régresser Y sur X → le coefficient c doit être significatif (effet total de X sur Y)
2. Étape 2 : Régresser M sur X → le coefficient a doit être significatif (X prédit M)
3. Étape 3 : Régresser Y sur X et M simultanément → le coefficient b (effet de M sur Y contrôlant X) doit être significatif
4. Étape 4 : Comparer l’effet de X sur Y (coefficient c’) à l’étape 3 avec l’effet total c. Si c’ est réduit (médiation partielle) ou non significatif (médiation complète), la médiation est soutenue.

Test de Sobel : Pour tester la significativité de l’effet indirect (a×b), Baron & Kenny recommandaient le test de Sobel, qui calcule : z = (a×b) / √(b²×SE²ₐ + a²×SE²_b). Ce test suit approximativement une distribution normale.

4. Pourquoi Baron & Kenny est dépassé

La méthode de Baron & Kenny souffre de limitations importantes reconnues par la communauté méthodologique :

• Condition de significativité de l’effet total : Zhao, Lynch et Chen (2010) ont démontré qu’une médiation peut exister même si l’effet total c n’est pas significatif (médiation compétitive). Exiger la significativité de c à l’étape 1 conduit à manquer des médiations réelles.
• Test de Sobel insuffisant : L’effet indirect (a×b) suit rarement une distribution normale, surtout avec de petits échantillons. Le test de Sobel manque de puissance statistique.
• Absence d’intervalles de confiance : La méthode ne fournit pas d’intervalles de confiance pour l’effet indirect, rendant les conclusions moins précises.

Une revue de la méthode publiée dans Recherche et Applications en Marketing (2011) a contribué à diffuser ces critiques dans la communauté francophone, conduisant à l’abandon progressif de l’approche Baron & Kenny dans les revues académiques de référence.

5. La Macro PROCESS de Hayes : la référence 2026

Développée par Andrew F. Hayes (Ohio State University), la Macro PROCESS est désormais la méthode standard pour l’analyse de médiation et de modération dans SPSS. Elle utilise le bootstrapping pour estimer la distribution de l’effet indirect sans supposer la normalité.

PROCESS propose 92 modèles numérotés pour différentes configurations :

• Modèle 4 : Médiation simple (X → M → Y) — le plus fréquent dans les mémoires
• Modèle 6 : Médiation en série (X → M1 → M2 → Y)
• Modèle 7 : Médiation modérée (l’effet indirect est modéré par une variable W)
• Modèle 14 : Médiation avec modération de la seconde trajectoire

6. Installer et utiliser PROCESS dans SPSS

La macro PROCESS est téléchargeable gratuitement sur le site de Andrew Hayes (processmacro.org). Pour l’installer dans SPSS :

1. Téléchargez le fichier process.sps depuis processmacro.org
2. Dans SPSS : Fichier → Ouvrir → Syntaxe, puis sélectionnez process.sps
3. Exécutez la syntaxe (Ctrl+A, puis Run)
4. PROCESS apparaît désormais sous Analyse → Régression → PROCESS v4.x by Andrew F. Hayes

Pour un mémoire de master, la configuration type pour une médiation simple est :

• Variable dépendante (Y) : votre outcome
• Variable indépendante (X) : votre prédicteur
• Médiateurs (M) : votre variable médiatrice
• Modèle : 4
• Bootstrap samples : 5000 (minimum recommandé : 5000 ; pour publication : 10 000)
• Niveau de confiance : 95 %

7. Le bootstrapping : principe et interprétation

Le bootstrapping est une technique de rééchantillonnage qui génère une distribution empirique de l’effet indirect en tirant aléatoirement (avec remise) N échantillons de la même taille que l’échantillon original. Pour chaque rééchantillon, l’effet indirect est calculé. L’ensemble des effets indirects bootstrappés forment une distribution dont on extrait les percentiles 2,5 % et 97,5 % pour construire un intervalle de confiance à 95 %.

Règle de décision : Si l’intervalle de confiance à 95 % (IC95%) pour l’effet indirect ne contient pas zéro, l’effet indirect est significatif au seuil α = 0,05 et la médiation est soutenue.

8. Interpréter le tableau PROCESS pas à pas

Le tableau de sortie PROCESS (modèle 4) comprend plusieurs blocs :

Bloc 1 : Modèle pour M (médiateur)

Ce bloc présente la régression de M sur X. L’effet a (coefficient de X prédisant M) doit être significatif. Notez la valeur de a et son erreur standard (SE).

Bloc 2 : Modèle pour Y (variable dépendante)

Ce bloc présente la régression de Y sur X et M simultanément. Notez :

• Effet b : Coefficient de M prédisant Y (contrôlant X) — doit être significatif
• Effet direct c’ : Coefficient de X prédisant Y (contrôlant M) — peut être non significatif si médiation complète

Bloc 3 : Effets totaux, directs et indirects

C’est le bloc central. Il présente :

• Effet total (c) : Effet de X sur Y sans contrôler M
• Effet direct (c’) : Effet de X sur Y en contrôlant M
• Effet indirect (a×b) : Avec IC95% bootstrappé. C’est votre conclusion principale.

Ratio de médiation (PM)

Certains auteurs rapportent le ratio de médiation : PM = (a×b) / c. Il représente la proportion de l’effet total qui passe par le médiateur. Un PM > 0,80 indique une médiation quasi-complète. Attention : ce ratio est instable quand l’effet total c est proche de zéro.

9. Rédiger l’analyse de médiation dans le mémoire

Voici un modèle de rédaction pour la section résultats :

“Pour tester l’hypothèse de médiation (H3 : l’effet de la charge de travail sur l’intention de quitter est médié par l’épuisement émotionnel), une analyse de médiation simple a été conduite à l’aide de la Macro PROCESS v4.3 de Hayes (2022), modèle 4, avec bootstrapping (5 000 itérations) et intervalles de confiance à 95 %. Les résultats indiquent que la charge de travail prédit significativement l’épuisement émotionnel (a = 0,42 ; SE = 0,08 ; p < 0,001) et que l’épuisement émotionnel prédit significativement l’intention de quitter (b = 0,54 ; SE = 0,11 ; p < 0,001). L’effet indirect de la charge de travail sur l’intention de quitter via l’épuisement émotionnel est significatif (a×b = 0,23 ; IC95% [0,09 ; 0,40]). L’effet direct de la charge de travail sur l’intention de quitter, bien que positif (c’ = 0,18 ; p = 0,07), n’atteint pas le seuil de signification conventionnel une fois le médiateur contrôlé, ce qui soutient une médiation complète.”

Ce qu’il faut inclure dans les tableaux

• Tableau des coefficients non standardisés et standardisés (b, β, SE, t, p)
• Tableau de l’effet indirect avec IC95% bootstrappé (BootLLCI, BootULCI)
• Figure du modèle de médiation avec les coefficients annotés (a, b, c, c’)

Pour automatiser la mise en forme de vos tableaux SPSS au format APA 7, Tesify peut transformer vos sorties statistiques en tableaux prêts à l’emploi dans votre mémoire.

10. Erreurs fréquentes à éviter

• Confondre médiation et causalité : L’analyse de médiation ne prouve pas la causalité. Elle est compatible avec l’hypothèse causale mais requiert un design longitudinal ou expérimental pour être interprétée causalement.
• Utiliser encore Baron & Kenny en 2026 : La plupart des revues académiques et des jurys de thèse s’attendent désormais à voir PROCESS avec bootstrapping. Mentionner Baron & Kenny sans PROCESS peut signaler un manque de mise à jour méthodologique.
• Bootstrapping insuffisant : Utiliser 1 000 itérations (défaut SPSS) plutôt que 5 000 réduit la précision de l’IC. Spécifiez toujours le nombre d’itérations dans votre mémoire.
• Ignorer la multicolinéarité : Si X et M sont fortement corrélés (r > 0,80), les résultats de la régression simultanée (étape 3) sont instables. Vérifiez les VIF (< 10, idéalement < 5).
• Médiateur mesuré avant la cause : La variable M doit être mesurée après X dans le temps (ou au moins après conceptuellement). Un médiateur mesuré avant X invalide l’inférence causale.

FAQ — Analyse de Médiation SPSS