Votre hypothèse H3 ressemble sans doute à ceci : « l’effet du stress perçu sur l’épuisement professionnel est plus fort lorsque le soutien social est faible ». Ou : « la relation entre l’ancienneté et la performance est plus marquée dans les petites structures ».
Ces énoncés ont tous la même forme. Vous ne dites pas que X influence Y. Vous dites que l’intensité de cet effet dépend d’une troisième variable. C’est une hypothèse de modération, et elle ne se teste pas en ajoutant simplement cette troisième variable au modèle.
C’est l’erreur la plus fréquente sur cette famille d’hypothèses, et elle est invisible : le modèle tourne, sort des coefficients lisibles, et ne teste pas ce que l’étudiant croit qu’il teste. Voici la procédure correcte, la lecture de la sortie et les deux pièges classiques.
Modération et médiation ne répondent pas à la même question
Ces deux notions sont systématiquement confondues, alors que la distinction tient en une phrase.
- La médiation répond à pourquoi et par quel chemin X influence Y. La variable intermédiaire M transmet l’effet : X agit sur M, qui agit sur Y.
- La modération répond à pour qui, quand et dans quelles conditions. La variable W ne transmet rien : elle règle l’intensité, voire le signe, de la relation entre X et Y.
Le test diagnostique est simple. Si votre variable supplémentaire est une conséquence de X, vous êtes en médiation. Si elle préexiste à X et n’en dépend pas — le sexe, la taille de l’entreprise, un trait de personnalité, l’ancienneté —, vous êtes en modération. Notre guide de l’analyse de médiation avec la macro PROCESS traite le cas symétrique en détail.
Un point de vocabulaire, parce qu’il rassure : modération, effet d’interaction et effet modérateur désignent la même chose. La psychologie dit « modération », l’économétrie dit « interaction ».
Le principe : un terme produit
Une modération se teste en ajoutant à votre régression une variable supplémentaire : le produit de la variable indépendante par le modérateur. Le modèle complet comporte donc trois prédicteurs : X, le modérateur W, et le terme d’interaction X × W.
Les deux premiers doivent impérativement figurer dans le modèle en même temps que le troisième. Un terme d’interaction sans ses composantes n’est pas interprétable — c’est une contrainte, pas une convention.
L’intuition derrière le produit est la suivante : le coefficient de X × W indique de combien la pente de X sur Y change quand W augmente d’une unité. S’il est nul, la pente de X est la même partout, et il n’y a pas de modération. S’il est non nul, la pente varie selon le niveau de W — ce qui est précisément votre hypothèse.
Faut-il centrer les variables ? Oui, mais pas pour la raison qu’on vous a donnée
Le conseil universel est de centrer X et W sur leur moyenne avant de calculer le produit. Il est bon, mais la justification qui l’accompagne est presque toujours fausse.
Ce qu’on vous dira : « il faut centrer pour éliminer la multicolinéarité entre le produit et ses composantes ». Il est vrai que X × W est mécaniquement très corrélé à X et à W, et que le centrage fait chuter les facteurs d’inflation de la variance (VIF) de façon spectaculaire.
Ce qu’on ne vous dira pas : cela ne change absolument rien au test. Le coefficient du terme d’interaction, son erreur standard, son t, sa p-valeur et le R² du modèle sont rigoureusement identiques avec ou sans centrage. Ce sont les mêmes chiffres. La colinéarité introduite par un terme produit est dite « non essentielle » : elle vient du choix de l’origine de l’échelle, pas d’une redondance réelle entre les variables, et le centrage ne fait que déplacer cette origine.
Le centrage a néanmoins un vrai bénéfice, et c’est lui qu’il faut invoquer devant un jury : l’interprétabilité. Sur variables centrées, le coefficient de X se lit comme l’effet de X lorsque W est à sa moyenne — une valeur qui existe dans votre échantillon. Sur variables brutes, il se lit comme l’effet de X lorsque W vaut zéro, ce qui peut désigner un âge de zéro an ou un score de satisfaction impossible.
Conséquence pratique : ne rapportez jamais un VIF élevé sur un terme d’interaction comme un problème, et ne supprimez surtout pas une variable pour cette raison — c’est un artefact d’échelle.
La procédure sous SPSS
SPSS n’a pas de boîte de dialogue « modération ». Deux chemins sont possibles, et ils donnent le même test.
Voie 1 — la régression hiérarchique manuelle
Elle a l’avantage d’être transparente : vous voyez exactement ce que vous faites, ce qui est appréciable si votre jury vous interroge sur la construction du modèle.
- Centrer. Transformer > Calculer la variable : créez
X_c = X - moyenne(X)etW_c = W - moyenne(W). Relevez les moyennes au préalable avec Analyse > Statistiques descriptives. - Créer le produit. Transformer > Calculer la variable :
XW = X_c * W_c. - Bloc 1. Analyse > Régression > Linéaire. Variable dépendante : Y. Indépendantes :
X_cetW_c, plus vos éventuelles variables de contrôle. - Bloc 2. Cliquez sur Suivant et ajoutez
XWseul dans ce second bloc. - Options. Dans Statistiques, cochez Variation de R-deux. C’est cette case qui produit le chiffre que vous allez rapporter.
Toutes les conditions d’application de la régression linéaire multiple s’appliquent ici sans changement : linéarité, indépendance et normalité des résidus, homoscédasticité.
Voie 2 — la macro PROCESS, modèle 1
PROCESS, développée par Andrew F. Hayes, est téléchargeable gratuitement et s’installe comme une extension SPSS. Le modèle 1 est celui de la modération simple.
Son intérêt est de produire automatiquement tout ce qui vient après la régression : le centrage, le terme produit, les effets conditionnels aux différents niveaux du modérateur, la région de significativité et les données du graphique. C’est plusieurs heures de manipulation en moins, et beaucoup moins d’occasions de se tromper.
Lire la sortie sans se tromper
Une seule ligne décide
Toute votre hypothèse tient sur la ligne du terme d’interaction. Si sa p-valeur est inférieure à 0,05, la modération est établie ; sinon, elle ne l’est pas. En régression hiérarchique, le ΔR² du bloc 2 donne la même information sous une forme plus parlante : la part de variance de Y expliquée en plus par le fait de tenir compte de l’interaction. Les deux tests sont équivalents dans le cas d’un modérateur unique.
Le piège des « effets principaux »
Voici l’erreur qui coûte le plus de points en soutenance. Dans un modèle avec terme d’interaction, le coefficient de X n’est pas l’effet moyen de X. C’est l’effet de X lorsque W vaut zéro — c’est-à-dire, sur variables centrées, lorsque W est à sa moyenne. On parle d’effet conditionnel, et non d’effet principal.
Deux conséquences que les jurys aiment vérifier :
- Un coefficient de X non significatif dans le modèle avec interaction ne signifie pas que X n’a pas d’effet. Il peut avoir un effet fort chez les uns, un effet inverse chez les autres, et une moyenne proche de zéro.
- Inversement, si l’interaction est significative, commenter longuement les coefficients de X et de W comme s’il s’agissait d’effets généraux est une faute d’interprétation.
C’est la même logique que celle de l’ANOVA factorielle, où une interaction significative impose de ne plus interpréter les effets principaux tels quels, mais d’aller décomposer les effets simples.
Décomposer : les pentes simples
Savoir que l’effet varie ne dit pas encore comment. La décomposition consiste à estimer la pente de X sur Y à plusieurs niveaux choisis de W — conventionnellement à la moyenne, à un écart-type en dessous et à un écart-type au-dessus. PROCESS fournit ces trois pentes avec leur test de significativité.
C’est là que le résultat devient racontable : « chez les répondants à faible soutien social, l’effet du stress est fort ; chez ceux à soutien élevé, il n’est plus distinguable de zéro ».
Quand le modérateur est continu, découper à ±1 écart-type reste arbitraire. La technique de Johnson-Neyman répond autrement : au lieu de tester trois points choisis d’avance, elle identifie la plage de valeurs de W sur laquelle l’effet de X est significatif. PROCESS la propose en option, et c’est un vrai plus dans un mémoire quantitatif.
Le graphique n’est pas décoratif
Une modération se comprend visuellement en deux secondes et se lit péniblement dans un tableau ; attendez-vous à ce qu’un jury regarde la figure avant les chiffres. La convention : X en abscisse, Y en ordonnée, une droite par niveau du modérateur. Des droites qui se croisent signalent une interaction disordinale, où l’effet change de signe selon le niveau du modérateur — le résultat le plus intéressant qu’on puisse obtenir sur ce type d’hypothèse.
La vraie difficulté : la puissance
Il faut le dire franchement, parce que beaucoup d’étudiants concluent trop vite à l’absence de modération. Les effets d’interaction sont notoirement difficiles à détecter dans les études de terrain. Le ΔR² attribuable à une interaction dépasse rarement quelques centièmes, même quand l’effet est réel et théoriquement solide. Le terme produit hérite en effet de l’erreur de mesure de ses deux composantes, et la variance restant à expliquer après X et W est faible par construction.
Conséquence directe : une modération non significative sur un échantillon de 80 personnes n’est pas une réfutation, c’est le plus souvent un manque de puissance. Deux réflexes en découlent — dimensionner l’échantillon en amont avec un calcul de puissance sous G*Power, en visant le ΔR² et non l’effet global du modèle ; et, en aval, formuler la conclusion comme une non-détection plutôt que comme une absence d’effet.
Une précaution de mesure, enfin : plus vos échelles sont fiables, plus vous avez de chances de détecter l’interaction. Soigner la fidélité d’une échelle de Likert n’est pas un détail de forme ici.
Ce qu’il faut rapporter
Un tableau de régression hiérarchique à deux blocs, avec pour chacun les coefficients standardisés et le R², et pour le bloc 2 le ΔR² et son test. Puis un tableau ou un paragraphe des pentes simples, et la figure.
Modèle de phrase — le test : « Les variables ont été centrées avant construction du terme produit. L’introduction de l’interaction stress × soutien social au bloc 2 améliore significativement le modèle (ΔR² = 0,04 ; F(1, 212) = 9,87 ; p = 0,002), le coefficient du terme produit étant négatif (β = −0,21 ; p = 0,002). »
Modèle de phrase — la décomposition : « L’analyse des pentes simples indique que l’effet du stress perçu sur l’épuisement est significatif lorsque le soutien social est faible (−1 ET : B = 0,48 ; p < 0,001), atténué au niveau moyen (B = 0,27 ; p = 0,004) et non significatif lorsque le soutien est élevé (+1 ET : B = 0,06 ; p = 0,52). »
Modèle de phrase — un résultat nul : « Le terme d’interaction n’atteint pas le seuil de significativité (ΔR² = 0,01 ; p = 0,18). Compte tenu de la puissance limitée dont disposent les tests d’interaction sur un échantillon de cette taille, ce résultat est interprété comme une non-détection et non comme une preuve d’absence de modération. »
Sur le choix de l’indicateur, notre guide des tailles d’effet selon le test employé détaille les conventions : pour une modération, c’est le ΔR², éventuellement converti en f².
Rédiger le chapitre qui va autour
Le test lui-même prend une après-midi. Ce qui prend des semaines, c’est de justifier théoriquement pourquoi ce modérateur-là, d’articuler l’hypothèse H3 avec la revue de littérature, puis d’écrire une discussion qui explique ce que la décomposition des pentes signifie pour votre terrain.
Tesify vous accompagne sur cette partie rédactionnelle : structurer l’argumentation qui amène l’hypothèse, garder une terminologie constante entre le cadre théorique, les résultats et la discussion, et transformer une sortie logicielle en texte académique défendable. Vos données et vos analyses restent les vôtres.
Rédiger votre chapitre d’analyse avec Tesify
Questions fréquentes
Mon modérateur est une variable catégorielle : la procédure change-t-elle ?
Le principe est identique, avec une étape en plus. Une variable à deux modalités se code en 0/1 et se multiplie directement à X. Au-delà de deux modalités, il faut créer k−1 indicatrices et autant de termes produits, puis tester leur apport conjoint au bloc 2 — c’est le ΔR² du bloc entier qui fait foi, pas chaque coefficient pris isolément. PROCESS gère ce cas nativement via son option pour modérateur multicatégoriel.
Le terme d’interaction est significatif mais le coefficient de X ne l’est pas. Est-ce contradictoire ?
Non, et c’est même une configuration très informative. Le coefficient de X représente son effet au niveau moyen du modérateur ; il peut être proche de zéro parce qu’un effet positif chez les uns compense un effet négatif chez les autres. Décomposez en pentes simples : vous découvrirez probablement une interaction disordinale, où la relation s’inverse selon le niveau de W. C’est un résultat fort, à condition de le présenter comme tel.
Dois-je vraiment centrer si le logiciel donne les mêmes p-valeurs ?
Le test est effectivement inchangé, mais centrez quand même. Sans centrage, le coefficient de X s’interprète à W = 0, une valeur souvent impossible dans votre échantillon, ce qui rend le tableau ininterprétable pour votre lecteur. Le centrage ne change pas le résultat : il change ce que vos autres coefficients veulent dire. PROCESS centre automatiquement lorsque l’option correspondante est activée.
Peut-on tester une modération dans une régression logistique ?
Oui, la logique du terme produit est identique et PROCESS accepte une variable dépendante binaire. L’interprétation demande plus de soin, parce que les coefficients sont des logarithmes de rapports de cotes et que leur addition ne se lit pas aussi directement que dans le cas linéaire. Sur un mémoire de master, appuyez-vous surtout sur les effets conditionnels et sur une représentation graphique des probabilités prédites.
Combien de participants faut-il pour tester une modération ?
Il n’existe pas de nombre magique, et les règles empiriques du type « 10 observations par prédicteur » sont trompeuses ici : elles suffisent pour estimer le modèle, pas pour détecter une interaction. Le calcul de puissance doit porter sur le ΔR² attendu, qui est petit. À titre d’ordre de grandeur, détecter un ΔR² de 0,02 avec une puissance de 80 % demande couramment plus de 350 participants. En dessous de 150, considérez qu’un résultat nul n’est pas concluant et dites-le dans vos limites.
Puis-je tester plusieurs modérateurs dans le même mémoire ?
Techniquement oui, mais séparément et avec parcimonie. Empiler les interactions multiplie les tests, épuise la puissance et ouvre la porte au sur-ajustement. Le meilleur usage en mémoire de master est un seul modérateur, choisi et justifié théoriquement avant de regarder les données. Une modération testée après coup parce que le résultat principal était décevant se voit immédiatement, et un jury la sanctionnera.