Mediation Analysis (Indirect Effects)
Testez les effets indirects avec des intervalles de confiance bootstrap — et obtenez la phrase APA rédigée pour vous, à modifier.
Cette page est une traduction de l'original anglais relu. Voir l'original (EN)
analyse de médiationCe que c'est
L'analyse de médiation demande comment un effet se produit — si une variable X influence un résultat Y à travers une troisième variable M. Le chemin de X à M à Y est l'effet indirect (médiatisé) ; le chemin restant de X à Y est l'effet direct. L'approche moderne teste l'effet indirect (le produit a×b) directement par bootstrapping, qui construit un intervalle de confiance à partir de milliers de rééchantillonnages au lieu de supposer que l'effet indirect suit une loi normale. Si cet intervalle de confiance exclut zéro, l'effet indirect est significatif. Cela a remplacé l'ancienne procédure causal-steps de Baron et Kenny (1986) et le test de Sobel, tous deux aujourd'hui considérés comme peu puissants et dépendants d'hypothèses que les données respectent rarement.
Quand l'utiliser
- Vous avez une théorie sur le mécanisme — pourquoi ou comment X affecte Y.
- Vous voulez tester un effet indirect, pas seulement un effet total.
- Vous rapportez un médiateur et un relecteur attend des intervalles bootstrap.
- Vous voulez les effets direct, indirect et total dans une seule analyse.
Quand ne pas l'utiliser
- Vos données sont transversales et vous comptez faire de fortes affirmations causales — la médiation ne prouve pas la causalité sans un design solide.
- Vous n'avez aucune raison théorique pour le médiateur — chercher des médiateurs au hasard gonfle les faux positifs.
Hypothèses
- Un ordre causal défendable : X précède M, et M précède Y, idéalement par design.
- Pas de confondants importants omis dans la relation M–Y.
- Relations linéaires entre les variables (sauf si vous modélisez autrement).
- Taille d'échantillon adéquate pour des intervalles bootstrap stables.
Seuils et valeurs limites
| Criterion | Rule of thumb | Source |
|---|---|---|
| Effet indirect (a×b) | Significatif si l'IC bootstrap exclut 0 | Preacher & Hayes (2008) |
| Rééchantillonnages bootstrap | ≥ 5 000 recommandés | Hayes (2018) |
| Intervalle de confiance | IC à 95% bias-corrected ou percentile | Preacher & Hayes (2008) |
Comment le rapporter en APA
L'effet indirect de X sur Y à travers M était significatif, ab = .XX, SE = .XX, IC bootstrap à 95% [.XX, .XX] (5 000 rééchantillonnages), l'intervalle excluant zéro. L'effet direct restait significatif, c′ = .XX, p = .0X, indiquant une médiation partielle.
Comment Explonia l'exécute
Explonia teste les effets indirects dans le navigateur avec des intervalles de confiance bootstrap, donc vous n'avez pas à supposer que l'effet indirect est normal. Vous choisissez le prédicteur, le médiateur et le résultat, et Explonia rapporte les effets direct, indirect et total avec leurs intervalles, et indique si l'effet indirect est significatif. Elle rédige la phrase APA — y compris les détails du bootstrap — pour que vous la relisiez et la modifiiez. L'export vers R ou SPSS (.sav) est disponible dans les plans payants.
Questions fréquentes
Dois-je utiliser le test de Sobel ou le bootstrapping pour la médiation ?
Le bootstrapping est préféré. Le test de Sobel suppose que l'effet indirect suit une loi normale, ce qui est généralement faux ; le bootstrapping ne fait pas cette hypothèse (Preacher & Hayes, 2008).
Ai-je encore besoin des causal steps de Baron et Kenny ?
Non. L'approche causal-steps de Baron et Kenny (1986) — y compris l'exigence que X prédise significativement Y avant de tester la médiation — est aujourd'hui considérée comme dépassée et peu puissante. La pratique moderne teste l'effet indirect directement avec un intervalle de confiance bootstrap, et un effet peut être médiatisé même quand l'effet total X–Y n'est pas significatif. Citez Baron et Kenny pour le contexte historique, pas comme méthode de test.
Que signifie un IC bootstrap qui exclut zéro ?
Si l'intervalle de confiance à 95% de l'effet indirect ne contient pas zéro, l'effet indirect est statistiquement significatif — preuve que X affecte Y à travers le médiateur.
Quelle est la différence entre médiation partielle et complète ?
Avec une médiation partielle, l'effet direct reste significatif après l'ajout du médiateur ; avec une médiation complète, il tombe à la non-significativité. Les deux exigent un effet indirect significatif.
Puis-je affirmer une causalité à partir d'une analyse de médiation ?
Pas à partir de données transversales seules. La médiation décrit un chemin hypothétique ; les affirmations causales nécessitent un design (comme longitudinal ou expérimental) qui les soutient.
Last updated: juillet 2026
Lancez Mediation sur vos propres données
Collectez ou importez vos données, lancez l'analyse dans votre navigateur et obtenez un brouillon de paragraphe APA que vous pouvez modifier. Commencez gratuitement. Sans carte bancaire.
Commencer gratuitement