Dans l’\u00e9cosyst\u00e8me contemporain des sciences empiriques \u2014 qu’il s’agisse de la psychologie, des sciences de gestion, de la sociologie quantitative, de l’\u00e9pid\u00e9miologie ou des sciences de l’\u00e9ducation \u2014, la simple mise en \u00e9vidence d’une corr\u00e9lation bivari\u00e9e entre deux ph\u00e9nom\u00e8nes ne constitue plus, depuis plusieurs d\u00e9cennies, un aboutissement scientifique satisfaisant. Les chercheurs et les praticiens sont confront\u00e9s \u00e0 une exigence accrue de pr\u00e9cision explicative : il ne suffit plus de savoir si une variable ind\u00e9pendante est statistiquement associ\u00e9e \u00e0 une variable d\u00e9pendante, il est d\u00e9sormais imp\u00e9ratif d’\u00e9lucider l’architecture causale sous-jacente. Deux questionnements fondamentaux \u00e9mergent alors syst\u00e9matiquement face \u00e0 toute r\u00e9gularit\u00e9 empirique : par quel m\u00e9canisme pr\u00e9cis cette relation s’op\u00e8re-t-elle, et sous quelles conditions contextuelles ou individuelles s’exprime-t-elle avec une intensit\u00e9 variable ?<\/p>\n
Ces deux interrogations renvoient directement \u00e0 deux concepts m\u00e9thodologiques cardinaux, mais perp\u00e9tuellement confondus dans la litt\u00e9rature : la m\u00e9diation<\/strong> et la mod\u00e9ration<\/strong>. Alors que la variable m\u00e9diatrice tente de percer la bo\u00eete noire d’une relation causale en identifiant le processus interm\u00e9diaire par lequel la cause transmet son effet \u00e0 la cons\u00e9quence, la variable mod\u00e9ratrice s’attache \u00e0 d\u00e9limiter les fronti\u00e8res de validit\u00e9 de cette relation, en sp\u00e9cifiant \u00e0 quel moment, dans quel contexte ou pour quel profil de sujets l’effet est amplifi\u00e9, att\u00e9nu\u00e9, neutralis\u00e9, voire invers\u00e9. Confondre ces deux statuts th\u00e9oriques ne rel\u00e8ve pas d’une simple impr\u00e9cision terminologique ; il s’agit d’une erreur d’inf\u00e9rence structurelle qui invalide les conclusions d’une recherche, fausse les orientations strat\u00e9giques des d\u00e9cideurs et peut conduire, dans des domaines critiques comme la sant\u00e9 publique ou les politiques manag\u00e9riales, \u00e0 des interventions inop\u00e9rantes ou d\u00e9l\u00e9t\u00e8res.<\/p>\n Le pr\u00e9sent trait\u00e9 propose une analyse exhaustive, rigoureuse et int\u00e9gr\u00e9e des concepts de variable m\u00e9diatrice et de variable mod\u00e9ratrice. \u00c0 travers une d\u00e9construction historique, math\u00e9matique, \u00e9pist\u00e9mologique et pratique de ces deux notions, cet article a pour vocation d’offrir aux chercheurs, doctorants et analystes quantitatifs un guide de r\u00e9f\u00e9rence pour formuler ad\u00e9quatement leurs hypoth\u00e8ses, s\u00e9lectionner les devis de recherche appropri\u00e9s, ex\u00e9cuter les mod\u00e9lisations statistiques avanc\u00e9es et interpr\u00e9ter avec nuance la complexit\u00e9 des dynamiques humaines et sociales.<\/p>\n L’essor des m\u00e9thodes quantitatives en sciences sociales a \u00e9t\u00e9 marqu\u00e9 par un passage progressif d’une \u00e9pist\u00e9mologie descriptive, focalis\u00e9e sur la mise en relation brute de construits observables, \u00e0 une \u00e9pist\u00e9mologie explicative fond\u00e9e sur l’\u00e9laboration de mod\u00e8les causaux th\u00e9oriquement fond\u00e9s. Dans une approche corr\u00e9lationnelle \u00e9l\u00e9mentaire, la covariation entre une variable ind\u00e9pendante (not\u00e9e conventionnellement $X$<\/span>) et une variable d\u00e9pendante ou crit\u00e8re (not\u00e9e $Y$<\/span>) ne permet aucunement de d\u00e9terminer la nature intrins\u00e8que de l’association observ\u00e9e. Cette relation peut en effet d\u00e9couler d’un lien de causalit\u00e9 directe, r\u00e9sulter de la pr\u00e9sence d’une cause commune non observ\u00e9e \u2014 g\u00e9n\u00e9rant ainsi une corr\u00e9lation fallacieuse ou spurieuse \u2014, ou encore masquer une cha\u00eene complexe de transformations qualitatives et quantitatives.<\/p>\n Afin de d\u00e9passer cette superficialit\u00e9 empirique, la mod\u00e9lisation th\u00e9orique contemporaine impose de d\u00e9composer les liens observ\u00e9s au moyen d’architectures structurelles. Dans cette perspective, la d\u00e9composition statistique n’a pas seulement pour objectif d’am\u00e9liorer la pr\u00e9diction statistique (en augmentant par exemple le coefficient de d\u00e9termination $R^2$<\/span>), mais vise avant tout \u00e0 valider ou falsifier des th\u00e9ories substantives relatives aux dynamiques du monde r\u00e9el. Deux familles fondamentales de variables tierces ont ainsi \u00e9t\u00e9 formalis\u00e9es : les variables de processus, qui rendent compte de l’\u00e9coulement interne de la causalit\u00e9, et les variables d’ajustement ou de contexte, qui d\u00e9limitent l’environnement structurel au sein duquel cette causalit\u00e9 prend forme.<\/p>\n L’introduction de ces variables tierces r\u00e9pond \u00e0 une n\u00e9cessit\u00e9 ontologique : les comportements humains, les interactions organisationnelles et les ph\u00e9nom\u00e8nes biologiques ne r\u00e9pondent presque jamais \u00e0 des sch\u00e9mas causaux univoques et universels. Un traitement pharmacologique ou une pratique manag\u00e9riale ne produisent pas leurs effets de mani\u00e8re monolithique chez tous les individus et dans toutes les organisations. La mod\u00e9lisation de la transmission de l’effet (le m\u00e9canisme) et celle de la contingence de l’effet (la condition limite) constituent ainsi les deux piliers indissociables de la d\u00e9marche scientifique post-positiviste, conf\u00e9rant \u00e0 la mod\u00e9lisation statistique sa pleine pertinence explicative.<\/p>\n Malgr\u00e9 l’\u00e9vidence de leur distinction conceptuelle, les termes \u00ab m\u00e9diateur \u00bb et \u00ab mod\u00e9rateur \u00bb continuent d’\u00eatre employ\u00e9s de mani\u00e8re interchangeable dans de nombreux manuscrits scientifiques, m\u00e9moires universitaires et revues \u00e0 comit\u00e9 de lecture. Cette confusion end\u00e9mique trouve ses racines dans la morphologie descriptive de ces concepts : dans les deux cas, le chercheur fait intervenir une troisi\u00e8me variable (not\u00e9e $M$<\/span> pour le m\u00e9diateur ou $W$<\/span> pour le mod\u00e9rateur) afin d’enrichir la compr\u00e9hension du lien bivari\u00e9 primordial unissant $X$<\/span> \u00e0 $Y$<\/span>. D\u00e8s lors qu’une variable ext\u00e9rieure vient \u00ab affecter \u00bb ou \u00ab influencer \u00bb la relation entre deux construits, le langage naturel tend \u00e0 utiliser des m\u00e9taphores polys\u00e9miques telles que \u00ab filtrer \u00bb, \u00ab peser sur \u00bb, \u00ab intervenir dans \u00bb ou \u00ab moduler \u00bb, brouillant ainsi les fronti\u00e8res th\u00e9oriques formelles.<\/p>\n D’un point de vue historique, avant le travail pionnier de clarification s\u00e9mantique et m\u00e9thodologique orchestr\u00e9 dans les ann\u00e9es 1980, la litt\u00e9rature quantitative anglophone et francophone utilisait indistinctement des expressions comme \u00ab intervening variable \u00bb, \u00ab modifier \u00bb, \u00ab contingent variable \u00bb, \u00ab indirect effect \u00bb ou encore \u00ab conditional effect \u00bb. Les chercheurs int\u00e9graient souvent une variable tierce dans une analyse de r\u00e9gression multiple sans disposer d’une conceptualisation a priori claire de sa fonction \u00e9pist\u00e9mologique : \u00e9tait-elle cens\u00e9e acheminer l’influence de la variable causale ou en restreindre le champ d’action ? Cette ambigu\u00eft\u00e9 s\u00e9mantique a favoris\u00e9 l’apparition de mod\u00e8les statistiques hybrides non ma\u00eetris\u00e9s, o\u00f9 des termes d’interaction \u00e9taient ajout\u00e9s pour tester des hypoth\u00e8ses de transmission, tandis que des r\u00e9gressions s\u00e9quentielles \u00e9taient conduites pour \u00e9valuer des hypoth\u00e8ses de contingence contextuelle.<\/p>\n Les cons\u00e9quences analytiques d’une telle confusion sont consid\u00e9rables sur le plan de la validit\u00e9 interne des recherches. Sp\u00e9cifier un m\u00e9diateur sous la forme d’un terme d’interaction (mod\u00e9ration) conduit in\u00e9vitablement \u00e0 masquer le chemin causal interm\u00e9diaire et \u00e0 conclure, \u00e0 tort, \u00e0 l’absence d’effet si l’interaction statistique s’av\u00e8re non significative. R\u00e9ciproquement, mod\u00e9liser un mod\u00e9rateur en tant que m\u00e9diateur dans une cha\u00eene s\u00e9quentielle cr\u00e9e une illusion de causalit\u00e9 transitive : le chercheur suppose faussement que $X$<\/span> produit des variations dans la variable de contexte, ce qui peut conduire \u00e0 l’estimation de coefficients totalement artificiels et \u00e0 des interpr\u00e9tations th\u00e9oriques absurdes. Dans les deux cas, la sp\u00e9cification erron\u00e9e corrompt le mod\u00e8le de mesure et d\u00e9truit la validit\u00e9 de construit de la recherche.<\/p>\n Sur le plan \u00e9pist\u00e9mologique, la distinction entre m\u00e9diation et mod\u00e9ration correspond \u00e0 une bifurcation fondamentale dans la conceptualisation de la causalit\u00e9. La m\u00e9diation interroge la nature g\u00e9n\u00e9rative de l’effet : elle repose sur le principe de transmissibilit\u00e9 et s’ancre dans une perspective de causalit\u00e9 dynamique et processuelle. Poser une hypoth\u00e8se de m\u00e9diation revient \u00e0 affirmer que la variable d\u00e9pendante est transform\u00e9e par la variable ind\u00e9pendante par l’interm\u00e9diaire oblig\u00e9 d’une m\u00e9tamorphose ou d’un vecteur int\u00e9rieur. En revanche, la mod\u00e9ration s’inscrit dans une perspective de causalit\u00e9 conditionnelle ou interactive : elle postule que l’impact d’une cause d\u00e9pend des attributs intrins\u00e8ques du syst\u00e8me r\u00e9cepteur ou de l’environnement au sein duquel la cause se d\u00e9ploie. La mod\u00e9ration rel\u00e8ve d’une pens\u00e9e des conditions aux limites et de la complexit\u00e9 contextuelle.<\/p>\n Cette divergence \u00e9pist\u00e9mologique commande de mani\u00e8re irr\u00e9vocable la formulation des hypoth\u00e8ses scientifiques a priori. Une hypoth\u00e8se de m\u00e9diation s’\u00e9noncera invariablement sous la forme d’un cheminement : \u00ab L’effet positif de la justice organisationnelle per\u00e7ue ($X$<\/span>) sur l’implication au travail ($Y$<\/span>) est m\u00e9di\u00e9 par le sentiment d’efficacit\u00e9 personnelle ($M$<\/span>) \u00bb. Ici, le chercheur th\u00e9orise un processus psychologique interne. \u00c0 l’inverse, une hypoth\u00e8se de mod\u00e9ration s’\u00e9noncera sous la forme d’une contingence : \u00ab L’effet positif de la justice organisationnelle per\u00e7ue ($X$<\/span>) sur l’implication au travail ($Y$<\/span>) est mod\u00e9r\u00e9 par le niveau de soutien social des pairs ($W$<\/span>), de telle sorte que la relation est plus robuste lorsque le soutien social est \u00e9lev\u00e9 \u00bb. Dans ce second \u00e9nonc\u00e9, le soutien social n’est en rien caus\u00e9 par la justice per\u00e7ue ; il agit comme une lentille grossissante ou un filtre d’intensit\u00e9.<\/p>\n Au-del\u00e0 de l’\u00e9l\u00e9gance m\u00e9thodologique, cette rigueur de diff\u00e9renciation rev\u00eat une port\u00e9e pragmatique d\u00e9cisive pour l’action pratique et la conception d’interventions empiriques. En sant\u00e9 publique, en psychologie clinique ou en management strat\u00e9gique, les budgets et le temps allou\u00e9s aux programmes d’intervention sont limit\u00e9s. Si une variable s’av\u00e8re \u00eatre un m\u00e9diateur, l’intervention gagne \u00e0 cibler directement ce m\u00e9diateur afin d’optimiser le r\u00e9sultat escompt\u00e9, m\u00eame si l’on ne peut agir directement sur la variable ind\u00e9pendante d’origine. Si, en revanche, cette variable est un mod\u00e9rateur, l’action consistera non pas \u00e0 tenter de modifier la variable mod\u00e9ratrice, mais \u00e0 segmenter la population cible pour concentrer les ressources sur les sous-groupes chez lesquels l’intervention est la plus probante, ou au contraire pour concevoir des programmes alternatifs destin\u00e9s aux sous-groupes chez lesquels l’effet est neutre ou n\u00e9gatif.<\/p>\n La variable m\u00e9diatrice constitue le c\u0153ur battant de la mod\u00e9lisation explicative en recherche causale. Par d\u00e9finition, un m\u00e9diateur est une variable interm\u00e9diaire qui se situe sur la trajectoire causale directe reliant une variable ind\u00e9pendante \u00e0 une variable d\u00e9pendante. Son introduction th\u00e9orique vise \u00e0 r\u00e9pondre de mani\u00e8re pr\u00e9cise aux questions : comment<\/em> le ph\u00e9nom\u00e8ne $X$<\/span> engendre-t-il le ph\u00e9nom\u00e8ne $Y$<\/span>, et pourquoi<\/em> observe-t-on une covariation syst\u00e9matique entre ces deux entit\u00e9s ? Au lieu de se satisfaire d’une vision b\u00e9havioriste ou fonctionnaliste de type \u00ab bo\u00eete noire \u00bb, o\u00f9 un stimulus externe produit une r\u00e9ponse sans que l’on comprenne les rouages internes de la machine, l’analyse de m\u00e9diation d\u00e9compose la relation globale en segments \u00e9l\u00e9mentaires successifs.<\/p>\n Le statut th\u00e9orique d’une variable m\u00e9diatrice est intrins\u00e8quement dynamique : elle est simultan\u00e9ment une variable cons\u00e9quente (ou d\u00e9pendante) vis-\u00e0-vis de $X$<\/span>, et une variable ant\u00e9c\u00e9dente (ou ind\u00e9pendante) vis-\u00e0-vis de $Y$<\/span>. Cette double nature impose une contrainte logique incontournable : l’existence d’une cha\u00eene g\u00e9n\u00e9rative. Dans cette cha\u00eene, $X$<\/span> transmet une fraction ou la totalit\u00e9 de sa force d’impulsion \u00e0 $M$<\/span>, qui \u00e0 son tour engendre des variations au sein de $Y$<\/span>. Si l’on neutralisait ou bloquait artificiellement la variation de $M$<\/span> par une manipulation exp\u00e9rimentale rigoureuse, la transmission de l’effet initi\u00e9 par $X$<\/span> vers $Y$<\/span> se trouverait substantiellement diminu\u00e9e ou an\u00e9antie. Cette propri\u00e9t\u00e9 isole conceptuellement le m\u00e9diateur de simples covariables ou de facteurs concomitants passifs.<\/p>\n Une cons\u00e9quence imm\u00e9diate de cette conceptualisation r\u00e9side dans l’exigence absolue d’ant\u00e9c\u00e9dence temporelle. Pour qu’une variable $M$<\/span> puisse pr\u00e9tendre au statut de m\u00e9diatrice authentique dans un sch\u00e9ma causal, il est imp\u00e9ratif que $X$<\/span> pr\u00e9c\u00e8de temporellement $M$<\/span>, et que $M$<\/span> pr\u00e9c\u00e8de temporellement $Y$<\/span>. Sans cette s\u00e9quentialit\u00e9 temporelle stricte ($t_1 to t_2 to t_3$<\/span>), le postulat d’une transmission causale perd son fondement logique. La pr\u00e9sence de corr\u00e9lations instantan\u00e9es au sein d’une collecte de donn\u00e9es transversale ne permet pas, \u00e0 elle seule, de valider l’existence d’un processus m\u00e9diateur, car le sens de circulation des flux causaux demeure structurellement ind\u00e9termin\u00e9 en l’absence de d\u00e9calage temporel objectiv\u00e9.<\/p>\n L’analyse statistique moderne distingue plusieurs configurations fondamentales de la m\u00e9diation selon le comportement de l’effet direct r\u00e9siduel et l’orientation des chemins causaux. Historiquement, la dichotomie cardinale opposait la m\u00e9diation compl\u00e8te \u00e0 la m\u00e9diation partielle. On parle de m\u00e9diation compl\u00e8te<\/strong> lorsque l’introduction de la variable m\u00e9diatrice dans l’\u00e9quation de r\u00e9gression r\u00e9duit l’effet direct de $X$<\/span> sur $Y$<\/span> (not\u00e9 $c’$<\/span>) \u00e0 une valeur statistiquement non significative et proche de z\u00e9ro. Dans cette configuration, le m\u00e9diateur absorbe l’int\u00e9gralit\u00e9 de la relation empirique existante entre le pr\u00e9dicteur et le crit\u00e8re : le m\u00e9canisme identifi\u00e9 constitue l’unique canal par lequel $X$<\/span> influence $Y$<\/span>. \u00c0 l’inverse, on parle de m\u00e9diation partielle<\/strong> lorsque l’effet direct $c’$<\/span> demeure statistiquement significatif apr\u00e8s l’inclusion du m\u00e9diateur, tout en affichant une amplitude r\u00e9duite par rapport \u00e0 l’effet total initial ($c$<\/span>). Cette situation indique que si le m\u00e9diateur capture une dimension substantielle du m\u00e9canisme causal, d’autres processus non mod\u00e9lis\u00e9s op\u00e8rent concurremment au sein du syst\u00e8me.<\/p>\n Au-del\u00e0 de cette taxonomie binaire classique, les d\u00e9veloppements m\u00e9thodologiques contemporains ont mis en lumi\u00e8re le ph\u00e9nom\u00e8ne d’effet de suppression<\/strong>, parfois qualifi\u00e9 de m\u00e9diation inconsistante<\/em>. Ce cas de figure fascinant survient lorsque l’effet direct et l’effet indirect pr\u00e9sentent des signes oppos\u00e9s. Par exemple, une variable ind\u00e9pendante $X$<\/span> peut exercer un effet direct positif sur $Y$<\/span>, tout en exer\u00e7ant un effet positif sur un m\u00e9diateur $M$<\/span> qui, lui-m\u00eame, impacte n\u00e9gativement $Y$<\/span> (g\u00e9n\u00e9rant un effet indirect n\u00e9gatif). Lorsque les voies directe et indirecte se neutralisent mutuellement, l’effet total initialement observ\u00e9 entre $X$<\/span> et $Y$<\/span> peut \u00eatre nul ou n\u00e9gligeable en analyse univari\u00e9e. L’introduction du m\u00e9diateur dans le mod\u00e8le ne vient donc pas affaiblir une corr\u00e9lation pr\u00e9alable, mais r\u00e9v\u00e8le au contraire une force causale qui \u00e9tait jusqu’alors masqu\u00e9e par la suppression statistique.<\/p>\n1. Introduction aux m\u00e9canismes causaux et conditionnels en recherche<\/h2>\n
1.1 D\u00e9finition du cadre conceptuel en sciences sociales et quantitatives<\/h3>\n
1.2 Origine des confusions r\u00e9currentes dans la litt\u00e9rature<\/h3>\n
1.3 Enjeux \u00e9pist\u00e9mologiques et objectifs de la distinction<\/h3>\n
2. Vue d’ensemble de la variable m\u00e9diatrice : \u00e9lucider le m\u00e9canisme<\/h2>\n
2.1 Fondements th\u00e9oriques : r\u00e9pondre au \u00ab comment \u00bb et au \u00ab pourquoi \u00bb<\/h3>\n
2.2 Typologies des effets m\u00e9diateurs<\/h3>\n