XLSTAT : Analyser des effets modérateurs avec PLS-PM dans Excel

 

Contexte

Les effets modérateurs en PLSPM permettent d’étudier comment une variable (qualitative ou quantitative) influence la force de la relation entre deux autres variables latentes. Avec XLSTAT, ces effets peuvent être analysés soit par l’approche directe (product-indicator) qui crée automatiquement des variables d’interaction, soit par l’approche en deux étapes, basée sur les scores latents.

Soit une application simple, on a A, B et C, trois variables latentes, on cherche à comprendre l'effet modérateur de B sur la relation entre A et C. On aura donc le modèle suivant :

Les variables latentes du modèle sont donc A, B, C et A*B qui est la variable d'interaction du modèle. Cette variable est utilisée afin de mesurer l'effet modérateur de B sur la relation en A et C.

 

Jeu de données

250 clients d’un opérateur de téléphones portables ont été contactés afin de répondre à un grand nombre de questions pour pouvoir modéliser leur fidélité envers l’opérateur. Le modèle PLSPM est basé sur l’indice de satisfaction européen des clients (ECSI).

 

Paramétrage

• Sélectionnez le mode d’affichage expert dans les options XLSTAT-PLSPM.

La boîte de dialogue suivante apparaît :

• Sélectionnez le mode expert et sauvegardez.

• Créez le modèle suivant en vous aidant du tutoriel général et en utilisant la feuille PLSPMGraph :

Une fois que le modèle est terminé, deux approches peuvent être utilisées pour analyser les effets modérateurs.

 

L'approche produit-indicateur (product indicator)

• Ajoutez une nouvelle variable latente au modèle.

• Cliquez sur le bouton servant à définir les variables manifestes sur la barre d’outils disponible dans la feuille PLSPMGraph.

Dans l’onglet Général :

• Sélectionnez l’option Interaction.

Dans l'onglet Interaction :

• Sélectionnez les deux variables à utiliser pour créer l'interaction (image et satisfaction) et l’option normalisées pour le traitement des variables manifestes.

• Cliquez sur OK. Une nouvelle variable avec 9 variables manifestes produits apparaît sur le modèle.

• Cliquez alors sur le bouton pour lancer les calculs. La boîte de dialogue apparaît.

Dans l’onglet Général :

• Sélectionnez l’option de traitement des variables manifestes Standardisées, poids sur VM standardisées, et l’initialisation des poids en prenant les valeurs du premier vecteur propre.

• Assurez-vous de sélectionner la méthode PLSPM. 

Dans l’onglet Options :

• Sélectionnez le schéma d’estimation des poids internes Centroïde et sélectionnez le calcul des intervalles de confiance par bootstrap.

Dans l’onglet Sorties :

• Activez les scores des variables latentes avec l’option Standardisées.

• Cliquez sur OK.

Le résultat le plus important est le tableau des path coefficients.

On voit que l'image et la satisfaction ont un effet positif sur la fidélité. Le terme d'interaction a un effet négatif. Cet effet est significatif, on peut donc dire que l'image a un effet modérateur significatif sur la relation entre satisfaction et fidélité.

 

L'approche en deux étapes

• Si vous avez déjà appliqué l'approche produit-indicateur, il vous faut supprimer la variable d'interaction du modèle et lancer XLSTAT-PLSPM en utilisant le bouton  pour lancer les calculs.

• Configurez la boîte de dialogue comme pour l’approche produit-indicateur.

Pour cette première analyse, nous sommes uniquement intéressés par les scores des variables latentes. Dans la feuille PLSPM1, on calcule pour chaque observation le produit entre les scores des variables latentes satisfaction et image en utilisant les formules d'Excel.

• Changez la définition des variables latentes du modèle. Remplacez toutes les variables manifestes de chaque variable latente par la colonne de la feuille PLSPM1 associée au score de la variable latente.

• Ajoutez une variable latente d'interaction qui aura comme unique variable manifeste la colonne produit construite plus haut.

Le modèle obtenu est le suivant :

• Lancez les calculs avec les mêmes options que dans les calculs précédents (voir plus haut) et étudier les résultats.

Le tableau le plus important est celui des path coefficients :

On voit que l'image et la satisfaction ont un effet positif sur la fidélité. Le terme d'interaction a un effet négatif. Mais cet effet n'est pas significatif, on ne peut donc pas dire que l'image a un effet modérateur significatif sur la relation entre satisfaction et fidélité.