Qu’est-ce qu’une variable intermédiaire ?

L’élucidation des chaînes causales représente l’un des défis épistémologiques et méthodologiques les plus ambitieux des sciences comportementales, sociales et biomédicales. Lorsqu’un chercheur observe une relation empirique robuste entre un facteur initial — la variable indépendante — et un résultat mesurable — la variable dépendante —, une interrogation fondamentale émerge immédiatement : par quel mécanisme précis, par quelle séquence de transformations internes ou contextuelles le premier élément engendre-t-il le second ? Se contenter de corréler un stimulus externe à une réaction manifeste condamne la recherche à une forme de phénoménologie descriptive superficielle, incapable d’expliquer l’architecture profonde du vivant et de la cognition.

C’est précisément pour percer l’opacité de cette relation directe que s’impose le concept fondamental de variable intermédiaire, fréquemment assimilée ou intimement articulée à la notion de médiateur dans la modélisation statistique moderne. Située au cœur même de la trajectoire causale, la variable intermédiaire agit comme le vecteur fonctionnel par lequel l’influence de la variable prédictive se propage jusqu’au critère d’aboutissement. Loin de constituer un simple artifice calculatoire, elle incarne la substance théorique des modèles scientifiques, fournissant les réponses indispensables aux questions « comment » et « pourquoi » un phénomène advient.

De la rupture historique avec le béhaviorisme radical jusqu’aux développements contemporains de l’inférence causale contrefactuelle formalisée par Judea Pearl, l’identification et la validation empirique des variables intermédiaires ont profondément reconfiguré la méthodologie scientifique. Comprendre la nature, les propriétés dynamiques, les pièges statistiques et les implications conceptuelles de ces entités s’avère indispensable pour quiconque souhaite concevoir des protocoles de recherche rigoureux, interpréter adéquatement des données empiriques complexes et développer des interventions psychologiques ou sociales véritablement efficientes.

1. Introduction et fondements conceptuels de la variable intermédiaire

1.1 Définition théorique et opérationnelle

Sur le plan théorique, une variable intermédiaire se définit comme une entité hypothétique, interne ou processuelle, non directement observable à l’œil nu, qui s’intercale fonctionnellement entre un antécédent causal (le stimulus ou la variable indépendante, notée $X$) et une conséquence comportementale ou physiologique (la réponse ou la variable dépendante, notée $Y$). Son rôle fonctionnel exclusif est de transmettre, de convertir ou de relayer l’effet initié par $X$ vers $Y$. Sans cette variable, la dynamique causale sous-jacente demeure inintelligible, réduite à une pure contiguïté spatio-temporelle dépourvue de moteur explicatif interne.

Historiquement, l’émergence de cette notion s’enracine dans la remise en question du paradigme réductionniste Stimulus-Réponse ($S-R$). Les théoriciens ont rapidement constaté que des stimuli identiques pouvaient engendrer des réactions divergentes selon l’état de l’organisme récepteur, conduisant à l’élaboration du paradigme Stimulus-Organisme-Réponse ($S-O-R$). Dans cette perspective novatrice, le « O » représente l’ensemble des processus psychologiques, neurobiologiques ou motivationnels qui s’interposent entre l’environnement et l’action. La variable intermédiaire formalise ainsi cette composante organismatique en lui conférant une fonction explicative explicite.

Toutefois, une distinction épistémologique cruciale doit être opérée entre le concept abstrait et son indicateur opérationnel. Le construit intermédiaire — qu’il s’agisse de l’anxiété cognitive, de la charge mentale ou de l’évaluation subjective d’une menace — relève de l’espace théorique latent. Pour acquérir une légitimité dans le champ de la recherche scientifique, il doit impérativement être opérationnalisé au moyen de mesures quantifiables rigoureuses : scores à des échelles psychométriques validées, dosages endocriniens (comme la concentration de cortisol salivaire) ou paramètres chronométriques (tels que le temps de réaction). La variable intermédiaire n’acquiert sa validité scientifique que lorsque son statut théorique abstrait s’articule impeccablement avec un protocole de mesure empirique standardisé.

1.2 La nature causale du construit intermédiaire

La caractérisation d’une variable intermédiaire repose fondamentalement sur sa position au sein d’un flux causal unidirectionnel et asymétrique. Elle agit comme une passerelle transmissive : la variable indépendante $X$ exerce une influence directe sur la variable intermédiaire $M$, laquelle, une fois modifiée, exerce à son tour une influence déterminante sur la variable dépendante $Y$. Il ne s’agit pas d’une simple corrélation concomitante, mais d’une véritable décomposition du flux d’influence où l’énergie ou l’information issue de la cause proximale ($X$) chemine à travers un mécanisme médiateur ($M$) pour produire le résultat distal ($Y$).

Cette décomposition structurelle permet de fragmenter une relation causale globale et souvent nébuleuse en une succession d’étapes vérifiables. Au sein de cette architecture explicative, le chercheur ne se contente plus d’affirmer que $X$ produit $Y$, il soutient formellement que l’effet total observé est la résultante algébrique de la trajectoire passant par $M$. Cette approche permet d’isoler la contribution spécifique du mécanisme supposé par rapport à d’éventuelles voies alternatives non médiatisées.

Cette dynamique soulève immédiatement un débat ontologique profond : la variable intermédiaire renvoie-t-elle à un processus réel sous-jacent (réalisme scientifique) ou n’est-elle qu’un artefact méthodologique commode, un pur instrument logique facilitant le calcul sans contrepartie physique nécessaire (instrumentalisme) ? Alors que les positivistes stricts y voient une simple fonction mathématique reliant des variables d’entrée et de sortie, la psychologie cognitive et les neurosciences contemporaines postulent l’existence matérielle et physiologique de ces processus. Pour ces disciplines, la variable intermédiaire renvoie à des configurations neuronales dynamiques, des encodages mnésiques et des cascades neurochimiques bien réelles, dont l’élucidation constitue le fondement même de la découverte scientifique.

1.3 Importance cruciale dans l’expérimentation en psychologie

L’introduction des variables intermédiaires a permis à la psychologie expérimentale de s’affranchir du carcan de la « boîte noire » imposé par le béhaviorisme orthodoxe. En interdisant toute spéculation sur les états mentaux internes sous prétexte de non-observabilité directe, ce béhaviorisme précoce limitait drastiquement la portée théorique des investigations. La reconnaissance de la validité heuristique des variables intermédiaires a autorisé les chercheurs à modéliser rigoureusement les processus cognitifs, conatifs et affectifs qui gouvernent le comportement humain sans pour autant sacrifier l’exigence méthodologique expérimentale.

Sur le plan fondamental, ces construits permettent d’atteindre une compréhension fine et granulaire des phénomènes. Savoir qu’une rétroaction négative réduit la motivation au travail demeure une observation empirique banale ; découvrir que cet effet est intégralement médiatisé par l’effondrement du sentiment d’auto-efficacité fournit une explication théorique substantielle. Cela ouvre la voie à des conceptualisations beaucoup plus riches des dynamiques intrapsychiques et interpersonnelles.

Enfin, sur le plan méthodologique, la modélisation explicite des variables intermédiaires renforce considérablement la validité interne et la transférabilité des conclusions scientifiques. Lorsqu’un chercheur identifie le mécanisme médiateur précis d’une intervention, il devient capable de prédire avec une exactitude accrue si l’effet se reproduira dans des contextes environnementaux différents, ou auprès de populations distinctes présentant des caractéristiques baseline divergentes. La variable intermédiaire confère ainsi aux théories une robustesse prédictive et une puissance de généralisation qu’aucune analyse de corrélation bivariée ne saurait égaler.

2. Origines historiques et évolution épistémologique en psychologie

2.1 La transition du béhaviorisme radical au néo-béhaviorisme

L’histoire de la variable intermédiaire est indissociable de l’évolution des paradigmes dominants de la psychologie scientifique au XXe siècle. Dans son manifeste séminal de 1913, John B. Watson pose les fondations du béhaviorisme classique en rejetant catégoriquement toute référence à la conscience, à l’introspection ou aux entités inobservables. Pour Watson et, plus tard, dans la perspective du conditionnement opérant de B.F. Skinner, la psychologie devait impérativement se cantonner à l’étude des relations fonctionnelles mathématiques directes entre les stimulations environnementales contrôlables et les réponses comportementales manifestes. Toute insertion d’un facteur intermédiaire était suspectée de réintroduire subrepticement le dualisme cartésien ou un animisme non scientifique.

Cette posture épistémologique stricte engendra rapidement des impasses théoriques insolubles. Des anomalies expérimentales s’accumulèrent, démontrant que des animaux soumis à des protocoles de renforcement rigoureusement identiques développaient des patrons comportementaux imprévisibles. Face à ces contradictions, des figures pionnières du néo-béhaviorisme, au premier rang desquelles Edward C. Tolman et Clark L. Hull, introduisirent formellement la notion de variable intermédiaire dans les années 1930.

Tolman, à travers ses célèbres expériences sur l’apprentissage latent chez les rongeurs, démontra qu’un animal pouvait explorer un labyrinthe sans recevoir de renforcement alimentaire, acquérir une connaissance spatiale sophistiquée de l’environnement, et mobiliser instantanément ce savoir dès l’introduction d’une récompense. Pour formaliser ce phénomène inexplicable par le simple conditionnement direct, Tolman postula l’existence d’une carte cognitive (cognitive map). Cette carte mentale constitue l’archétype même de la variable intermédiaire : une représentation interne, non visible en tant que telle, mais dont l’activation permet de rendre compte rationnellement du saut qualitatif observé dans la performance comportementale.

2.2 La formalisation méthodologique par MacCorquodale et Meehl

L’enthousiasme généré par l’introduction des variables inobservables engendra une prolifération anarchique de termes théoriques, menaçant de replonger la discipline dans le flou conceptuel. Confronter ce risque épistémologique imposait un assainissement méthodologique rigoureux. Ce travail fondamental fut accompli en 1948 par Kenneth MacCorquodale et Paul Meehl dans leur article canonique publié au sein de la Psychological Review, intitulé « On a distinction between hypothetical constructs and intervening variables ».

Les deux auteurs établirent une frontière épistémologique décisive entre deux catégories d’entités théoriques souvent confondues :

• La variable intermédiaire au sens strict (intervening variable) : Elle ne contient aucune signification excédentaire (surplus meaning) par rapport aux opérations empiriques qui la définissent. Elle représente une pure abstraction logique, une simple relation mathématique condensée reliant des variables indépendantes et dépendantes observables. Elle ne présuppose l’existence d’aucune entité physique ou neurobiologique nouvelle en dehors des équations qui la lient aux observables.
• Le construit hypothétique (hypothetical construct) : À l’inverse, il postule explicitement l’existence d’entités, de processus ou d’événements réels qui ne sont pas encore directement observables (tels que des traces mnésiques spécifiques, des structures cérébrales localisées ou des mécanismes cognitifs complexes). Il comporte un excédent de sens par rapport aux simples données empiriques immédiates.

Cette distinction s’inscrivait dans le sillage du positivisme logique et de l’opérationnalisme de Bridgman. En exigeant un ancrage empirique rigoureux pour chaque concept intermédiaire, MacCorquodale et Meehl ont offert à la psychologie un cadre sécurisé permettant d’élaborer des architectures théoriques abstraites tout en préservant le standard d’objectivité et de vérifiabilité requis par les sciences de la nature.

2.3 L’intégration dans la révolution cognitive

L’avènement de la révolution cognitive au cours des décennies 1950 et 1960 a naturellement absorbé et transfiguré l’héritage des variables intermédiaires. En adoptant la métaphore computationnelle de l’esprit, assimilé à un système de traitement de l’information, les psychologues cognitivistes ont placé les mécanismes intermédiaires au centre absolu de leurs investigations. Les variables intermédiaires ont cessé d’être de simples termes récapitulatifs commodes au sein d’équations hulliennes pour être reconnues comme des étapes substantielles de calcul mental : encodage perceptif, registres de stockage mnésique, filtres attentionnels sélectifs, opérations de récupération lexicale et modules de prise de décision.

Cette transition s’est accompagnée d’une évolution majeure : l’abandon de représentations statiques au profit d’une modélisation dynamique des états mentaux. Les variables intermédiaires ne sont plus envisagées comme des grandeurs figées, mais comme des processus fluides, interagissant continuellement en temps réel au moyen de boucles de rétroaction (feedback loops). Les architectures théoriques, telles que le modèle de mémoire de travail proposé par Baddeley et Hitch en 1974, constituent des réseaux intégrés de variables intermédiaires fonctionnelles coordonnées.

Dans la recherche contemporaine, le vocabulaire a évolué vers une standardisation terminologique dictée par la modélisation statistique avancée. Le terme de « variable médiatrice » ou simplement « médiateur » est aujourd’hui préférentiellement employé dans la littérature quantitative pour désigner la formalisation opérationnelle et mathématique de la variable intermédiaire. Quel que soit le terme retenu, la finalité scientifique demeure inchangée : percer la mécanique invisible qui gouverne les régularités empiriques observables.

3. Le mécanisme causal : dynamique de fonctionnement de la variable intermédiaire

3.1 La chaîne de transmission temporelle et séquentielle

Le fonctionnement fondamental d’une variable intermédiaire repose sur un impératif ontologique absolu : le respect scrupuleux de l’antériorité temporelle. La causalité ne saurait s’exercer de manière instantanée ou rétroactive. Pour qu’une variable $M$ puisse prétendre au statut d’intermédiaire authentique entre une cause $X$ et un effet $Y$, il est logiquement indispensable que l’apparition ou la variation de $X$ précède l’altération de $M$, et que cette modification de $M$ survienne impérativement avant le déploiement ou l’enregistrement de $Y$.

Cette séquence chronologique rigoureuse ($X_{t_1} to M_{t_2} to Y_{t_3}$) impose des exigences drastiques sur le plan de la chronométrie des processus psychologiques. Chaque segment de la chaîne implique une durée d’incubation ou de traitement : le temps nécessaire au système cognitif pour percevoir le stimulus et déclencher l’état interne intermédiaire ($t_1$ à $t_2$), suivi du temps indispensable pour que cet état interne modifie à son tour l’attitude, la décision ou le comportement moteur final ($t_2$ à $t_3$).

Ignorer cette dynamique temporelle conduit invariablement à de graves contresens méthodologiques. Lorsque des chercheurs mesurent simultanément $X$, $M$ et $Y$ lors d’une même passation par questionnaire transversal, ils violent le principe d’ordonnancement séquentiel. Dans ce cas de figure, l’orientation de la flèche causale entre le prétendu médiateur et la variable dépendante demeure une pure conjecture théorique non étayée empiriquement, ouvrant la porte à des inversions causales destructrices pour la validité du modèle.

3.2 Médiation complète versus médiation partielle

L’analyse formelle du mécanisme intermédiaire examine l’ampleur avec laquelle la variable $M$ rend compte de la relation observée entre $X$ et $Y$. Dans la littérature psychologique et statistique, cette dynamique se scinde classiquement en deux régimes explicatifs majeurs :

• La médiation complète (ou totale) : Dans cette configuration idéale, l’inclusion de la variable intermédiaire dans l’équation d’analyse absorbe l’intégralité de l’effet exercé par $X$ sur $Y$. L’effet direct résiduel entre la variable indépendante et la variable dépendante s’effondre jusqu’à devenir statistiquement indistinguable de zéro. Cela signifie que $X$ n’exerce absolument aucun impact propre sur $Y$ qui ne transite pas par le canal exclusif de $M$. Le mécanisme théorique identifié épuise totalement le phénomène sous étude.
• La médiation partielle : Plus fréquente dans les sciences humaines compte tenu de la polycausalité intrinsèque des comportements, elle décrit un scénario où l’introduction de $M$ réduit significativement la magnitude de la relation entre $X$ et $Y$, tout en laissant subsister un effet direct substantiel et statistiquement significatif. L’effet de $X$ sur $Y$ est donc pluri-factoriel : une partie substantielle chemine par la variable intermédiaire documentée, tandis qu’une autre portion transite par des voies directes non spécifiées ou par d’autres médiateurs non mesurés au sein du protocole.

L’interprétation théorique d’une médiation partielle incite à une salutaire humilité intellectuelle. Elle signale aux chercheurs que, si le mécanisme proposé possède une indéniable validité empirique, il ne raconte qu’une fraction de l’histoire causale. L’identification des trajectoires parallèles résiduelles constitue dès lors le nouveau programme de recherche à poursuivre.

3.3 La suppression et la médiation masquée

Un phénomène fascinant et contre-intuitif survient lorsque l’effet brut global entre la variable indépendante et la variable dépendante semble nul ou statistiquement non significatif lors d’une simple corrélation bivariée, alors qu’une mécanique causale puissante opère sous la surface. Ce paradoxe méthodologique relève du concept de variable suppressive (ou de médiation masquée).

La suppression émerge lorsque deux voies causales distinctes reliant $X$ à $Y$ exercent des forces d’amplitudes comparables mais de signes algébriques opposés. Par exemple, considérons une intervention organisationnelle $X$ qui stimule directement l’engagement au travail $Y$ (effet direct positif), mais qui, simultanément, accroît la fatigue perçue $M$, laquelle diminue drastiquement cet engagement $Y$ (effet indirect négatif via le médiateur). Si l’on se contente de régresser $Y$ sur $X$ sans modéliser la variable intermédiaire $M$, ces deux vecteurs contradictoires s’annulent mutuellement ($+ \beta + (-\beta) \approx 0$). Le chercheur conclura prématurément et erronément à l’inefficacité totale de l’intervention.

L’insertion formelle de la variable intermédiaire dans le modèle analytique permet de dissocier ces influences antagonistes. Dès lors que l’on contrôle statistiquement pour la fatigue perçue, l’effet bénéfique réel de l’intervention émerge avec éclat, en même temps que se révèle le coût délétère associé à la fatigue. L’analyse des variables intermédiaires s’avère donc indispensable non seulement pour expliquer des associations empiriques existantes, mais également pour exhumer des relations causales vitales invisibilisées par des mécanismes de neutralisation réciproque.

4. Distinction critique : variable intermédiaire versus variable modératrice

4.1 Différences conceptuelles fondamentales

L’une des confusions les plus récurrentes et les plus dommageables dans la littérature en sciences comportementales réside dans l’assimilation impropre entre variable intermédiaire (médiatrice) et variable modératrice. Bien que ces deux types de tierces variables enrichissent l’analyse d’une relation primaire entre un prédicteur $X$ et un critère $Y$, leurs vocations épistémologiques et leurs logiques sous-jacentes sont radicalement disjointes.

La variable intermédiaire répond invariablement aux interrogations portant sur le « pourquoi » ou le « comment » de l’effet. Elle explicite le mécanisme générateur, la succession des états internes par lesquels $X$ parvient à modifier $Y$. Elle est un chaînon interne causé par $X$. À l’opposé, la variable modératrice (notée $W$) répond aux questions portant sur le « quand », le « pour qui » ou « sous quelles conditions » l’effet primaire s’applique, fluctue en intensité ou change de direction. Le modérateur n’est en aucun cas généré par la variable indépendante ; il représente un facteur contextuel ou dispositionnel préexistant qui amplifie, atténue ou inverse l’impact de $X$ sur $Y$.

Une exigence méthodologique fondamentale découle de cette distinction : alors que la variable intermédiaire doit impérativement être corrélée avec la variable indépendante — puisqu’elle est directement affectée par elle —, la variable modératrice idéale doit théoriquement être indépendante et non corrélée avec $X$ afin d’éviter les phénomènes de multicolinéarité et de garantir une interprétation limpide de l’effet d’interaction statistique.

4.2 Représentation graphique et formalisation analytique

Les divergences conceptuelles entre médiation et modération se traduisent par des représentations structurales et des formalisations mathématiques distinctes :

Pour la variable intermédiaire, la structure est séquentielle et vectorielle. Le système d’équations de régression s’articule comme suit :

$$M = i_1 + aX + e_1$$

$$Y = i_2 + c’X + bM + e_2$$

L’effet indirect transmissible est quantifié par le produit des coefficients $a \times b$, tandis que $c’$ représente l’effet direct résiduel non transmis par $M$. La géométrie du modèle est celle d’un triangle causal directionnel.

Pour la variable modératrice, la formalisation repose sur la création d’un terme multiplicatif modélisant l’interaction :

$$Y = i_3 + \beta_1 X + \beta_2 W + \beta_3 (X \times W) + e_3$$

Ici, la variable modératrice $W$ n’est nullement régressée sur $X$. L’intérêt analytique réside exclusivement dans le coefficient $\beta_3$ associé au produit croisé $(X \times W)$. Si ce coefficient est significativement différent de zéro, il démontre formellement que la pente de régression reliant $X$ à $Y$ varie de manière conditionnelle en fonction des différents niveaux quantitatifs ou qualitatifs adoptés par le modérateur $W$. Graphiquement, cela se matérialise par un ensemble de droites non parallèles illustrant le changement d’effet selon le contexte.

4.3 Les modèles hybrides : modération médiatisée et médiation modérée

Si la distinction entre intermédiaire et modérateur est conceptuellement tranchée, la complexité du comportement humain contraint fréquemment les modélisateurs à intégrer ces deux logiques au sein d’une même architecture unifiée. Ce champ d’investigation avancée, largement théorisé et vulgarisé par le méthodologiste Andrew F. Hayes sous l’appellation d’analyse de processus conditionnels (conditional process analysis), englobe deux grandes classes de modèles :

• La médiation modérée (moderated mediation) : Dans ce scénario, le mécanisme de transmission indirecte (l’effet passant de $X$ à $Y$ via la variable intermédiaire $M$) est lui-même conditionné par une tierce variable modératrice $W$. Cela signifie que la force ou la direction de la médiation dépend du contexte ou des caractéristiques individuelles des sujets. Par exemple, l’effet du stress professionnel ($X$) sur l’épuisement émotionnel ($Y$) via la rumination cognitive ($M$) peut n’opérer que chez les individus présentant une faible résilience psychologique ($W$) ; chez les sujets hautement résilients, la rumination ne se traduit pas par de l’épuisement. L’effet indirect global est donc conditionnel.
• La modération médiatisée (mediated moderation) : Cette architecture, plus rare, survient lorsqu’un effet d’interaction initialement observé ($X \times W to Y$) est lui-même expliqué par une variable intermédiaire. En d’autres termes, l’interaction statistique préliminaire génère une variation sur un mécanisme médiateur $M$, lequel produit à son tour la variation sur la variable de résultat finale $Y$.

La validation empirique de ces modèles hybrides exige des protocoles méthodologiques d’une extrême rigueur, reposant généralement sur des calculs d’intervalles de confiance par rééchantillonnage de l’Index de Médiation Modérée, afin de certifier que la dynamique d’action du mécanisme intermédiaire fluctue mathématiquement selon les paliers de la variable régulatrice.

5. Distinction critique : variable intermédiaire versus variable confondante

5.1 Différence de positionnement dans la topologie causale

Une confusion méthodologique encore plus dévastatrice que celle liée à la modération concerne l’assimilation erronée entre une variable intermédiaire et une variable confondante (ou facteur de confusion). L’inférence causale moderne, particulièrement développée à travers les travaux fondamentaux de causalité structurelle, offre des critères mathématiques et graphiques univoques pour départager ces deux entités.

La distinction est strictement topologique :

• Une variable intermédiaire ($M$) se déploie en aval de la variable indépendante ($X$) sur le chemin causal direct menant à la variable dépendante ($Y$). Elle est une fille de $X$ et une mère de $Y$ ($X to M to Y$).
• Une variable confondante ($Z$) se situe fondamentalement en amont de la relation analysée. Elle constitue une cause commune simultanée de la variable indépendante et de la variable dépendante ($X \leftarrow Z to Y$).

La variable confondante engendre une corrélation fallacieuse (spurious correlation) entre $X$ et $Y$. Lorsque les températures estivales augmentent ($Z$), la consommation de glaces ($X$) explose et, simultanément, le nombre de noyades en mer ($Y$) s’accroît considérablement. Les variables $X$ et $Y$ sont hautement corrélées sans qu’il n’existe le moindre lien causal de production entre la consommation de glace et la noyade. Confondre ce facteur de confusion en amont avec un mécanisme intermédiaire en aval conduit à postuler des fables explicatives dénuées de tout ancrage dans la réalité physique du monde.

5.2 Le danger du contrôle statistique erroné

L’enjeu méthodologique majeur lié à cette différenciation topologique réside dans le traitement statistique appliqué lors de la phase d’analyse des données empiriques. En épidémiologie et en psychologie, le réflexe quasi pavlovien du chercheur consiste souvent à « contrôler statistiquement » (par régression multiple, ANCOVA ou stratification) toutes les variables tierces disponibles dans la base de données pour « nettoyer » l’effet étudié.

Si cette pratique de neutralisation statistique est salutaire et impérative vis-à-vis des véritables variables confondantes (puisqu’elle permet de fermer les chemins dérivés et d’annuler les corrélations fallacieuses), elle devient catastrophique lorsqu’elle est appliquée à une variable intermédiaire. En contrôlant statistiquement pour un mécanisme intermédiaire authentique, le chercheur bloque artificiellement la propagation du flux causal qu’il cherche précisément à observer. Cela entraîne l’évaporation partielle ou totale de l’effet réel de $X$ sur $Y$, conduisant à un résultat faussement négatif (erreur de type II) : la conclusion erronée que la cause n’a aucun effet.

Pire encore, contrôler pour une variable intermédiaire qui interagit avec des facteurs non mesurés peut induire ce que les statisticiens nomment le biais de sélection ou le biais de collision (collider stratification bias). En conditionnant sur un nœud causal descendant, on peut créer de toutes pièces des associations négatives artificielles entre des causes indépendantes, déformant radicalement l’inférence finale du protocole d’expérimentation.

5.3 Conséquences sur l’inférence causale

Pour prévenir ces écueils dramatiques, l’usage des Graphes Acycliques Dirigés (Directed Acyclic Graphs ou DAGs) s’est imposé comme le standard de référence en modélisation causale. Développée au sein du cadre mathématique de Judea Pearl, la théorie des graphes permet de cartographier sans ambiguïté les statuts respectifs des variables au moyen de règles formelles d’analyse topologique.

Le critère central gouvernant cette approche est celui de la d-séparation (séparation directionnelle). Selon les axiomes de la d-séparation, un chemin causal constitué par une chaîne transmissive $X to M to Y$ est naturellement ouvert et transmet de l’information statistique. Si le chercheur conditionne (contrôle) sur le médiateur $M$, il bloque ce chemin, empêchant l’effet de transiter dans le modèle statistique.

À l’opposé, face à une structure en fourche causée par un facteur de confusion ($X \leftarrow Z to Y$), le chemin est également ouvert et transmet une covariance fallacieuse ; ici, le conditionnement sur $Z$ est méthodologiquement impératif pour fermer la « porte dérobée » (backdoor path) et isoler l’effet causal pur de $X$ sur $Y$. Les DAGs rendent immédiatement visible l’hérésie méthodologique qui consiste à traiter de manière indiscriminée médiateurs et facteurs de confusion sous l’étiquette fourre-tout de « covariables », offrant aux chercheurs une boussole formelle pour sélectionner exclusivement les variables à ajuster a priori.

6. Typologie des variables intermédiaires en sciences psychologiques

6.1 Variables intermédiaires cognitives

Au sein des sciences psychologiques, les variables intermédiaires cognitives occupent une place prédominante en raison de la nature computationnelle et interprétative de l’esprit humain. Ces variables englobent l’ensemble des représentations symboliques, des croyances épistémiques et des opérations logiques qui s’activent lorsque l’individu est confronté à un stimulus environnemental.

Parmi les variables intermédiaires cognitives les plus documentées figurent les attentes de résultat et les croyances d’auto-efficacité, conceptualisées à l’origine par Albert Bandura. Face à un défi environnemental ($X$), la probabilité qu’un sujet s’engage activement dans une tâche exigeante ($Y$) dépend étroitement de son estimation subjective de sa propre capacité à surmonter l’épreuve ($M$). Cette croyance n’est pas directement la performance finale, mais l’état médiateur sans lequel l’action ne saurait s’amorcer.

De même, les processus attentionnels et la charge imposée à la mémoire de travail fonctionnent comme des variables intermédiaires cardinales. Dans le domaine de l’ergonomie cognitive et de l’apprentissage multimédia, la complexité de l’interface pédagogique ($X$) influe sur le taux de mémorisation à long terme ($Y$) via l’allocation saturante des ressources exécutives de la mémoire vive ($M$).

Enfin, le modèle transactionnel du stress développé par Richard Lazarus et Susan Folkman place les stratégies d’évaluation cognitive (cognitive appraisal) au statut de variable intermédiaire fondamentale : un événement perturbateur externe ($X$) n’engendre des conduites d’ajustement ou des symptômes somatiques ($Y$) que dans la mesure exacte où il est évalué subjectivement comme une menace insurmontable par rapport aux ressources disponibles de l’individu ($M$).

6.2 Variables intermédiaires affectives et émotionnelles

L’expérience humaine ne se réduisant pas à des calculs froids, une vaste catégorie de variables intermédiaires relève de la sphère émotionnelle et affective. Ces construits capturent les altérations toniques de l’humeur, les sursauts phasiques de réactivité émotionnelle et les efforts conscients ou automatisés de régulation des affects.

Dans les dynamiques comportementales prosociales, par exemple, la confrontation à la détresse d’autrui ($X$) ne stimule pas directement le comportement d’aide sacrificiel ($Y$) de façon mécanique. Les recherches en psychologie sociale expérimentale attestent que cette relation est médiatisée par l’éveil d’une empathie dispositionnelle ou situationnelle ($M$) et par la volonté d’atténuer le sentiment de détresse vicariante déclenché en miroir chez l’observateur.

De même, la célèbre théorie de la dissonance cognitive de Leon Festinger positionne un état affectif négatif aversif comme variable intermédiaire directrice. Lorsqu’un individu est amené à poser un acte publiquement contradictoire avec ses convictions intimes ($X$), cette divergence comportementale engendre une tension psychologique interne inconfortable — la dissonance ($M$). C’est précisément l’impérieux besoin d’échapper à cet inconfort affectif viscéral qui motive et produit le réalignement ultérieur des attitudes politiques ou morales du sujet ($Y$). L’inconfort émotionnel constitue le moteur intermédiaire indispensable à la dynamique de changement.

6.3 Variables intermédiaires physiologiques et comportementales

L’intégration grandissante de la psychologie biologique et de la médecine comportementale a mis en lumière la puissance explicative des variables intermédiaires corporelles. L’esprit étant incarné, les chaînes explicatives transitent très fréquemment par des cascades physiologiques mesurables reliant un stresseur psychologique à une pathologie organique.

L’activation du système nerveux autonome et l’axe hypothalamo-hypophyso-surrénalien (HPA) fournissent des illustrations probantes de ces processus. L’exposition chronique à un management délétère en entreprise ($X$) accélère le développement de pathologies cardiovasculaires ou de déficits immunitaires ($Y$) par l’entremise exclusive d’une élévation prolongée des catécholamines et d’une hypersécrétion de cortisol sérique ($M$). Dans ce modèle, l’endocrinologie matérialise physiquement la variable intermédiaire reliant l’organisation sociologique du travail à l’altération somatique tissulaire.

Sur le plan moteur et comportemental, les variables intermédiaires se manifestent sous la forme de comportements préparatoires ou d’habitudes automatisées. Une campagne de communication préventive antitabagique ($X$) ne provoque pas l’arrêt immédiat et définitif de la consommation de cigarettes ($Y$) par magie communicationnelle. L’effet est médiatisé par l’adoption d’actes préparatoires concrets ($M$), tels que l’éloignement physique des cendriers, la consultation de sites spécialisés ou la recherche active de substituts nicotiniques, qui balisent la trajectoire menant au sevrage effectif.

7. Études de cas fondamentales en psychologie clinique et cognitive

7.1 Le modèle cognitif de la dépression d’Aaron Beck

Le modèle étiologique de la dépression uniploraire élaboré par le psychiatre Aaron T. Beck représente l’une des applications cliniques les plus remarquables de la théorie des variables intermédiaires. Dans une lecture simpliste et naïve, la dépression est fréquemment perçue comme la conséquence directe de traumatismes existentiels ou de stress environnementaux majeurs : la perte d’un emploi, une rupture affective ou un deuil insurmontable mèneraient mécaniquement à la prostration dépressive.

Beck a révolutionné cette vision en postulant que les événements de vie négatifs (variable indépendante $X$) ne possèdent en eux-mêmes aucun pouvoir causal direct suffisant pour générer la symptomatologie clinique (variable dépendante $Y$). L’impact délétère de ces événements est entièrement médiatisé par l’activation de schémas cognitifs latents dysfonctionnels et par la prolifération de distorsions cognitives automatiques regroupées sous le concept de « triade négative » ($M$ : vision sombre de soi-même, du monde et de l’avenir).

Un revers professionnel ($X$) n’engendre le désespoir mélancolique ($Y$) que si l’individu traite cette information à travers le filtre intermédiaire d’un schéma d’auto-dévalorisation inconditionnelle (« Je suis fondamentalement incapable, tout est de ma faute »). Si cette variable cognitive intermédiaire est absente ou si elle est désactivée par une restructuration cognitive thérapeutique ciblée, l’événement adverse est traité comme un obstacle surmontable et ne mute pas en effondrement clinique. Le schéma cognitif agit ici comme le médiateur explicatif exclusif sans lequel l’étiopathogénie dépressive demeure opaque.

7.2 L’anxiété de performance et les résultats académiques

Un autre cas paradigmatique abondamment investigué en psychologie cognitive et en éducation concerne l’effondrement des performances intellectuelles lors de situations d’évaluation à fort enjeu (phénomène de « choking under pressure »). Pourquoi un étudiant maîtrisant parfaitement une discipline échoue-t-il lamentablement lors de l’examen final ?

L’expérimentation montre que la pression situationnelle imposée par le contexte d’examen (variable indépendante $X$) ne détruit pas le stock de connaissances cristallisées stocké à long terme. L’effet de chute de la note académique (variable dépendante $Y$) est médiatisé par l’intrusion massive d’une anxiété d’évaluation cognitive se traduisant par des pensées parasites d’échec imminent. Ces pensées anxiogènes mobilisent et saturent immédiatement les ressources exécutives limitées de la mémoire de travail ($M$), empêchant physiquement l’accomplissement des opérations algorithmiques complexes requises par le test.

Ce modèle médiateur séquentiel ($Pression to Surcharge de la mémoire de travail to Chute de performance$) a été rigoureusement validé : lorsque les chercheurs introduisent une tâche intermédiaire de décharge émotionnelle (par exemple, dix minutes d’écriture expressive de ses angoisses avant l’épreuve), la surcharge de la mémoire vive est court-circuitée, et la performance académique est intégralement restaurée malgré la persistance de l’enjeu situationnel élevé.

7.3 Thérapie d’exposition et extinction de la peur phobique

Dans le domaine des psychothérapies comportementales et cognitives (TCC), l’analyse des processus de guérison des troubles anxieux illustre parfaitement comment la mise en évidence d’une variable intermédiaire a permis de rectifier des décennies de pratique clinique.

Pendant longtemps, le paradigme béhavioriste classique postulait que le succès d’une thérapie d’exposition (variable indépendante $X$) sur la disparition des évitements phobiques (variable dépendante $Y$) reposait sur l’habituation physiologique : le patient devait demeurer confronté au stimulus phobogène (comme une araignée) jusqu’à ce que son rythme cardiaque et son activation sympathique diminuent spontanément durant la séance. L’habituation somatique était considérée comme la variable intermédiaire indispensable.

Toutefois, les travaux contemporains menés par Michelle Craske sur le modèle de l’apprentissage par violation de l’attente (inhibitory learning) ont démontré que cette explication était erronée. La véritable variable intermédiaire médiatisant la rémission phobique durable n’est pas la baisse physiologique de l’angoisse en cours de séance, mais la violation de l’espérance de catastrophe ($M$). Ce qui guérit le sujet, c’est l’encodage cognitif du fait que la catastrophe prédite (« mon cœur va exploser », « l’araignée va me sauter au visage ») ne s’est pas réalisée. Même si l’anxiété somatique demeure élevée tout au long de l’exercice, dès lors que la réévaluation de la menace est fermement opérée au niveau cérébral intermédiaire, la peur s’éteint durablement lors des tests post-thérapeutiques ultérieurs.

8. Exemples appliqués en psychologie sociale et comportementale

8.1 Niveau d’éducation et dépenses annuelles

L’investigation des comportements économiques des ménages offre une illustration limpide de l’action des variables intermédiaires à l’échelle de la sociologie quantitative et de la psychologie économique. De nombreuses études macroéconomiques documentent une corrélation positive puissante entre le niveau de diplomation académique d’un individu (variable indépendante $X$) et le volume global de ses dépenses de consommation annuelles (variable dépendante $Y$).

Une lecture immédiate et dénuée de sens critique pourrait postuler que l’accumulation de savoir théorique développe en soi une propension irrésistible au consumérisme de biens matériels. Il s’agit évidemment d’une illusion : le diplôme universitaire en lui-même ne règle aucune facture à la caisse d’un magasin. La totalité ou la quasi-totalité de cette dynamique d’entraînement est médiatisée par le niveau de revenu professionnel net ($M$) perçu par l’individu sur le marché du travail.

Le capital éducatif formel ($X$) ouvre structurellement l’accès à des postes de direction ou à haute valeur ajoutée, générant des rémunérations substantielles ($M$). C’est cette disponibilité objective de capital liquide intermédiaire qui élargit la contrainte budgétaire du foyer et autorise l’accroissement des dépenses annuelles courantes et discrétionnaires ($Y$). Si l’on neutralise expérimentalement ou statistiquement le niveau de revenu (par exemple en comparant des individus hautement diplômés au chômage et des non-diplômés disposant d’un héritage équivalent), la relation causale apparente entre éducation brute et volume de dépenses s’effondre drastiquement, validant le statut de médiateur économique fondamental joué par le salaire.

8.2 Précarité socio-économique et espérance de vie

Dans le champ de l’épidémiologie sociale et de la santé publique, l’impact des inégalités de classe sur la mortalité constitue un objet d’étude prioritaire. Les données démographiques mondiales soulignent de manière implacable que l’appartenance à un statut socio-économique défavorisé (variable indépendante $X$) est massivement associée à une réduction de l’espérance de vie et à une surmortalité prématurée (variable dépendante $Y$).

Cependant, le manque d’argent sur un compte en banque ne détruit pas biologiquement les cellules humaines de façon télépathique. La recherche a identifié une cascade de variables intermédiaires articulées qui relient cette pauvreté macro-structurelle au décès prématuré. Parmi ces médiateurs majeurs figurent le stress allostatique chronique découlant de l’insécurité existentielle, le renoncement aux soins médicaux préventifs pour raisons financières, ainsi que l’exposition permanente à des environnements pollués et des logements insalubres ($M$).

Le stress financier permanent dérègle le système cardiovasculaire intermédiaire, l’impossibilité d’acheter une alimentation de qualité dégrade le microbiome et favorise le syndrome métabolique, et le manque d’accès aux spécialistes retarde le diagnostic des tumeurs malignes. Chacun de ces facteurs intermédiaires représente une voie médiatrice concrète qui transforme une injustice sociale abstraite en altération pathophysiologique concrète, expliquant comment la structure sociologique gouverne la durée de vie cellulaire.

8.3 Stéréotypes sociaux et performances individuelles

L’expérimentation psychosociale fournit des modélisations remarquables du pouvoir déstabilisateur des représentations culturelles sur les compétences individuelles à travers le paradigme de la menace du stéréotype, formalisé initialement par Claude Steele et Joshua Aronson en 1995.

Dans ces protocoles canoniques, le chercheur manipule l’activation contextuelle d’un stéréotype social négatif avant une épreuve (par exemple, rappeler subtilement à des étudiantes l’existence du préjugé prétendant que les femmes seraient moins douées que les hommes en mathématiques supérieures, constituant la variable indépendante $X$). Le constat empirique récurrent est que les sujets soumis à cette activation stéréotypique obtiennent des scores significativement inférieurs à l’examen par rapport au groupe de contrôle ($Y$).

Là encore, la présence d’un stéréotype culturel diffus ne bloque pas en elle-même les synapses. Les analyses de médiation révèlent que l’effet s’explique par l’émergence d’une anxiété d’auto-confirmation du stéréotype accompagnée d’une surveillance excessive de ses propres erreurs et de pensées intrusives débilitantes ($M$). C’est cette tourmente psychologique intermédiaire qui accapare la bande passante cognitive et réduit la concentration attentionnelle nécessaire à la résolution des équations complexes. Lorsque l’expérimentateur désamorce la variable intermédiaire — par exemple en informant les sujets que le test est parfaitement neutre et insensible au genre —, la baisse de performance est entièrement conjurée.

9. Méthodologies statistiques pour détecter et valider une variable intermédiaire

9.1 L’approche classique de Baron et Kenny (1986)

L’histoire de la validation quantitative des variables intermédiaires a été profondément marquée par l’article fondateur de Reuben M. Baron et David A. Kenny, publié en 1986 dans le Journal of Personality and Social Psychology. Cet article est devenu l’un des textes les plus cités de toute l’histoire des sciences comportementales en proposant un protocole simple en quatre étapes successives fondé sur des équations de régression linéaire standard :

1. Étape 1 : Régression de la variable dépendante ($Y$) sur la variable indépendante ($X$). Le coefficient de pente (noté traditionnellement $c$) doit obligatoirement être statistiquement significatif. Cette étape vise à établir qu’il existe un effet global substantiel à médiatiser.
2. Étape 2 : Régression de la variable intermédiaire supposée ($M$) sur la variable indépendante ($X$). Le coefficient de pente (noté $a$) doit être statistiquement significatif, confirmant que le prédicteur affecte directement le mécanisme proposé.
3. Étape 3 : Régression de la variable dépendante ($Y$) simultanément sur la variable indépendante ($X$) et sur la variable intermédiaire ($M$). Dans cette équation, le coefficient de régression reliant le médiateur au résultat (noté $b$), une fois $X$ contrôlé, doit impérativement être statistiquement significatif.
4. Étape 4 : Évaluation de l’atténuation de l’effet direct de $X$ sur $Y$ au sein de cette troisième équation (noté $c’$). Si $c’$ devient strictement non significatif tandis que $b$ reste significatif, les auteurs concluent à une médiation complète. Si $c’$ demeure significatif mais subit une baisse notable de magnitude par rapport à $c$, la conclusion est celle d’une médiation partielle.

Bien que cette approche ait structuré la recherche quantitative pendant plus de deux décennies, les statisticiens contemporains ont démontré ses faiblesses conceptuelles majeures. Sa contrainte initiale (l’Étape 1 exigeant un effet total $c$ significatif) empêche totalement de détecter les variables suppressives et les médiations masquées évoquées précédemment. De surcroît, elle manque cruellement de puissance statistique et ne quantifie pas formellement, en un test d’hypothèse unique, l’effet indirect global.

9.2 Le test de Sobel et ses contraintes de distribution

Pour dépasser l’approche purement séquentielle de Baron et Kenny, le sociologue Michael E. Sobel a introduit en 1982 un test de signification spécifique dédié au produit des coefficients $a \times b$, qui représente l’ampleur quantitative exacte de l’effet indirect transitant par la variable intermédiaire.

Le test de Sobel vise à calculer l’erreur standard asymptotique ($SE_{ab}$) associée à ce produit croisé d’estimateurs au moyen de la formule mathématique suivante :

$$SE_{ab} = \sqrt{a^2 SE_b^2 + b^2 SE_a^2}$$

Le rapport de l’effet indirect sur cette erreur standard combinée ($z = \frac{a \times b}{SE_{ab}}$) est ensuite comparé aux valeurs critiques de la loi normale centrée réduite standard ($z > |1,96|$ pour un seuil bilatéral de $p < 0,05$).

Malgré un indéniable progrès conceptuel, le test de Sobel souffre d’un vice rédhibitoire : il repose sur le postulat théorique selon lequel la distribution d’échantillonnage du produit de deux variables normalement distribuées ($a \times b$) suit elle-même une loi normale de Gauss. Or, la théorie des probabilités stipule que le produit de deux coefficients normaux est asymétrique, présentant une distribution fortement leptokurtique avec des queues épaisses, particulièrement dans des échantillons de taille modeste à modérée ($N < 500$). Par conséquent, le test de Sobel génère des intervalles de confiance symétriques erronés, affichant une puissance statistique excessivement faible et augmentant dangereusement le risque de rejeter à tort des mécanismes médiateurs authentiques.

9.3 L’approche moderne par rééchantillonnage (Bootstrapping)

Pour s’affranchir définitivement des hypothèses fallacieuses de normalité distributionnelle, la modélisation statistique moderne a adopté massivement la méthode non paramétrique du rééchantillonnage avec remplacement ou bootstrapping, développée et démocratisée en psychologie par David MacKinnon, Kristopher Preacher et Andrew Hayes.

Le principe fondamental du bootstrap repose sur une procédure computationnelle itérative :

• À partir du jeu de données empirique originel comprenant $N$ participants, l’ordinateur tire aléatoirement avec remise un sous-échantillon de taille rigoureusement égale à $N$. Certains participants y figurent plusieurs fois, d’autres sont omis.
• Le modèle de médiation complet est estimé sur ce nouveau jeu de données artificiel, et la valeur du produit indirect ($a \times b$) est calculée et archivée.
• Cette opération est répétée un nombre massif de fois (généralement 5 000 à 10 000 itérations indépendantes).
• Le logiciel classe ensuite par ordre croissant les 10 000 estimations empiriques de l’effet indirect ainsi générées pour construire une distribution empirique réelle, sans imposer aucune forme mathématique préconçue.

L’intervalle de confiance non paramétrique (généralement corrigé pour le biais et accéléré, BCa confidence interval) est délimité par les percentiles 2,5 % et 97,5 % de cette distribution générée par les données. Si la valeur zéro n’est pas incluse à l’intérieur de cet intervalle de confiance empirique à 95 %, le chercheur peut affirmer avec une grande sécurité statistique que l’effet de la variable intermédiaire est significativement différent de zéro. Cette approche est aujourd’hui universellement reconnue comme la méthode la plus robuste et la plus puissante pour valider empiriquement des processus médiateurs dans les sciences du comportement.

9.4 La modélisation par équations structurelles (SEM)

L’apogée méthodologique de l’évaluation des variables intermédiaires s’incarne dans la modélisation par équations structurelles (Structural Equation Modeling ou SEM). Alors que les régressions simples et les macros de type PROCESS opèrent principalement sur des variables composites observées manifestes (comme la somme brute des scores à une échelle), les SEM combinent l’analyse factorielle confirmatoire et l’analyse de chemins causaux au sein d’un formalisme matriciel unifié.

Le saut qualitatif majeur offert par les équations structurelles réside dans la séparation explicite entre la variable latente (le véritable construit intermédiaire abstrait) et les indicateurs manifestes observés grevés par l’erreur de mesure. Dans une régression classique, l’erreur de mesure aléatoire inhérente aux instruments psychométriques atténue artificiellement le coefficient de chemin $b$ reliant le médiateur à la variable dépendante, ce qui conduit à sous-estimer massivement l’effet indirect et à surévaluer fallacieusement l’effet direct résiduel $c’$. Les SEM « purgent » la variable intermédiaire de cette nuisance psychométrique en modélisant explicitement la variance d’erreur d’un côté et la variance commune partagée de l’autre.

En outre, les équations structurelles permettent de tester simultanément des architectures de médiation d’une immense sophistication : chaînes séquentielle multiples ($X to M_1 to M_2 to Y$), médiateurs parallèles en compétition mutuelle, et modèles multi-groupes évaluant l’invariance structurelle de la médiation à travers différentes cohortes cliniques. Enfin, l’évaluation de l’adéquation du modèle théorique global aux données réelles ne repose plus sur de simples tests locaux, mais sur une batterie exhaustive d’indices d’ajustement globaux ($CFI$, $TLI$, $RMSEA$, $SRMR$), garantissant que l’architecture médiatrice proposée représente fidèlement la covariance matricielle observée chez les participants.

10. Pièges méthodologiques et limites d’interprétation

10.1 L’illusion de causalité dans les plans transversaux

Malgré les raffinements algorithmiques du bootstrap et des SEM, aucune équation mathématique ne saurait compenser les tares rédhibitoires d’un devis de recherche inadapté. Le piège le plus omniprésent dans la littérature empirique contemporaine demeure l’affirmation hâtive d’une mécanique causale intermédiaire sur la base exclusive de plans d’échantillonnage transversaux synchroniques (cross-sectional designs).

Mesurer simultanément la variable indépendante, le médiateur supposé et la variable de résultat au cours d’une unique séance de recueil par questionnaire auto-rapporté interdit toute inférence causale rigoureuse. Les données transversales n’enregistrent que des corrélations symétriques instantanées. Dès lors, substituer mathématiquement le rôle du médiateur et celui de la variable dépendante produit fréquemment des indices statistiques de médiation rigoureusement identiques : le modèle inverse ($X to Y to M$) s’ajuste souvent tout aussi impeccablement aux données que le modèle théorique initial ($X to M to Y$).

Pour prétendre sérieusement au titre d’intermédiaire causal, le chercheur doit obligatoirement déployer des protocoles longitudinaux multi-vagues (panel longitudinal designs) permettant d’isoler la préséance chronologique réelle et d’estimer des modèles de retards autorégressifs croisés (cross-lagged panel models). La modélisation de la dynamique causale exige impérativement que les variations intra-individuelles du médiateur mesurées au temps $T_2$ prédisent les fluctuations du résultat au temps $T_3$, par-delà l’inertie autorégressive de ces variables documentée au temps initial $T_1$.

10.2 L’omission de variables intermédiaires concurrentes

L’esprit humain tend naturellement à privilégier les explications monolithiques simples : face à une relation $X to Y$, le chercheur sélectionne la variable intermédiaire $M$ correspondant à son champ d’expertise disciplinaire exclusif. Le psychologue cognitiviste modélisera les schémas mentaux, le neurologue isolera les neurotransmetteurs, et le sociologue invoquera le réseau relationnel.

Cette vision compartimentée engendre le grave biais de spécification lié à l’omission de médiateurs parallèles. Dans le monde réel, les phénomènes psychologiques complexes sont régis par une multiplicité de canaux de transmission agissant de concert. Tester isolément un médiateur $M_1$ sans mesurer et sans introduire dans l’équation un médiateur compétitif $M_2$ corrélé à ce dernier conduit invariablement à gonfler artificiellement la variance attribuée à $M_1$.

La variable intermédiaire investiguée absorbe subrepticement l’influence causale des mécanismes omis restés dans l’ombre, générant une impression d’omniscience théorique factice. La modélisation rigoureuse impose la confrontation de médiateurs multiples au sein de modèles concurrentiels (multiple parallel mediation models) afin de déterminer si le facteur étudié exerce véritablement un impact incrémental spécifique une fois soustrait le pouvoir explicatif des voies alternatives plausibles.

10.3 L’erreur de mesure sur la variable intermédiaire

Les propriétés psychométriques des instruments de mesure appliqués aux variables intermédiaires constituent un autre écueil sous-estimé dans la recherche quantitative. Les théoriciens et les praticiens accordent souvent une attention méticuleuse à la calibration de la variable indépendante manipulée et à la fidélité de la variable dépendante finale, tout en traitant le mécanisme intermédiaire avec une certaine désinvolture instrumentale.

Or, la théorie statistique classique de l’erreur démontre que l’impact d’une faible fidélité de mesure (reliability) sur une variable intermédiaire n’est pas anodin :

• Le bruit aléatoire et l’erreur d’échantillonnage propres à l’indicateur atténuent mécaniquement la valeur du coefficient $b$ reliant le médiateur au résultat, sous-estimant dramatiquement l’ampleur de l’effet indirect réel calculé par le produit $a \times b$.
• Simultanément et de façon pernicieuse, cette sous-estimation de la force transmissive du médiateur libère artificiellement de la variance résiduelle au sein de l’équation, ce qui a pour conséquence immédiate d’augmenter artificiellement la magnitude de l’effet direct $c’$.

Le chercheur se retrouve ainsi dans la position absurde de conclure à une médiation partielle avec persistance d’un fort effet direct non expliqué, alors même que le phénomène sous-jacent correspondait en réalité à une médiation complète dégradée par la piètre qualité métrique de ses échelles d’évaluation. L’utilisation d’échelles standardisées hautement validées et l’intégration de la correction pour atténuation via des modèles latents représentent le seul rempart méthodologique face à ce mirage analytique.

11. Stratégies avancées de modélisation en laboratoire et sur le terrain

11.1 La manipulation expérimentale de la variable intermédiaire

La démonstration la plus irréfutable et la plus élégante de la réalité causale d’une variable intermédiaire ne relève pas de la statistique passive, mais de la manipulation expérimentale active. L’approche purement corrélationnelle d’une chaîne causale — où le chercheur manipule $X$ puis se borne à mesurer passivement $M$ et $Y$ — demeure vulnérable aux soupçons de confusion non mesurée entre $M$ et $Y$.

Pour atteindre un niveau de certitude scientifique absolu, les chercheurs recourent à des plans de double randomisation ou des stratégies de blocage expérimental (blockage design) :

1. Dans un premier groupe d’expérience, on manipule $X$ et l’on vérifie l’apparition séquentielle de $M$ et $Y$.
2. Dans un second groupe, le chercheur intervient directement sur la variable intermédiaire pour en empêcher expérimentalement l’activation, malgré la présence de la cause $X$. Cette neutralisation peut être pharmacologique (ex : administration d’un bêtabloquant pour bloquer l’activation adrénergique intermédiaire), cognitive (ex : imposer une tâche concurrente saturant l’attention) ou environnementale.

Si, en dépit de la présence massive de la cause initiale $X$, l’inhibition expérimentale spécifique de la variable intermédiaire $M$ fait disparaître totalement l’apparition de l’effet final $Y$, la démonstration causale est scellée de manière indéboulonnable. On ne se contente plus d’observer que $M$ accompagne le processus ; on prouve activement que $M$ est le réactif chimique indispensable sans lequel la réaction finale est incapable de se produire.

11.2 L’évaluation écologique momentanée (ESM / EMA)

L’essor des technologies numériques mobiles a ouvert des perspectives méthodologiques spectaculaires pour la capture in situ des variables intermédiaires grâce à l’Évaluation Écologique Momentanée (Experience Sampling Method ou Ecological Momentary Assessment). Traditionnellement, les variables intermédiaires affectives ou cognitives étaient mesurées rétrospectivement en laboratoire de manière artificielle et décontextualisée, soumises aux biais massifs de reconstruction mémorielle.

L’approche ESM permet de sonder les participants à de multiples reprises chaque jour directement dans leur environnement de vie quotidien, par le biais de notifications programmées sur smartphone. Cette collecte à granularité temporelle ultra-fine permet d’enregistrer les fluctuations dynamiques de la variable intermédiaire en temps réel : un micro-stresseur relationnel survenu à 10h00 ($X$) stimule-t-il une bouffée de rumination à 10h30 ($M$), laquelle prédit-elle un accès hyperphagique compulsif à 11h15 ($Y$) ?

Sur le plan analytique, ces flux de données massifs sont modélisés par des approches multi-niveaux (multilevel mediation models) et des analyses de séries temporelles dynamiques (dynamic structural equation modeling ou DSEM). Cette méthodologie de pointe permet de dissocier rigoureusement les processus médiateurs opérant au niveau intra-individuel (comment les fluctuations d’un individu autour de sa propre moyenne influencent son comportement ultérieur) des dynamiques inter-individuelles (comparaisons statiques entre personnes différentes), conférant à l’étude des variables intermédiaires une validité écologique et une précision temporelle jusque-là inatteignables.

11.3 L’analyse de médiation causale contre-factuelle

Le développement méthodologique contemporain le plus profond dans la conceptualisation mathématique des variables intermédiaires est issu des théories de l’inférence causale formelle et de l’approche contrefactuelle formalisée par Judea Pearl, Donald Rubin et Tyler VanderWeele. Les formules classiques de régression linéaire de Baron et Kenny ou du test de Sobel reposaient sur des postulats extrêmement restrictifs de stricte linéarité et d’absence totale d’interaction entre la variable indépendante et le médiateur.

L’analyse de médiation causale contrefactuelle (causal mediation analysis) redéfinit les effets direct et indirect non plus à partir de simples pentes statistiques dépendantes de la distribution, mais sur la base de scénarios contrefactuels explorant les « mondes possibles » :

• L’Effet Direct Naturel (Natural Direct Effect – NDE) : Il correspond au changement attendu sur la variable de résultat $Y$ si l’on exposait l’ensemble de la population à la condition $X = 1$ comparativement à $X = 0$, tout en maintenant impérativement et artificiellement la variable intermédiaire $M$ de chaque individu au niveau précis qu’elle aurait naturellement adopté en l’absence de l’intervention ($M_{X=0}$). Il isole l’effet direct pur en interdisant à la variable intermédiaire de réagir à la cause.
• L’Effet Indirect Naturel (Natural Indirect Effect – NIE) : Il quantifie le changement observé sur $Y$ lorsque l’on maintient formellement la variable indépendante constante à $X = 1$, mais que l’on force la variable intermédiaire à passer de la valeur qu’elle aurait adoptée sous la condition de contrôle ($M_{X=0}$) à celle qu’elle adopte sous la condition traitée ($M_{X=1}$). Cet indice isole l’action purement imputable à la mécanique transmissive de la variable intermédiaire, abstraction faite de tout autre effet direct.

Ce formalisme contrefactuel universel transcende définitivement le carcan des modèles linéaires continus. Il autorise l’estimation sans biais de variables intermédiaires hautement complexes, qu’il s’agisse de variables dépendantes dichotomiques (en analyse de survie ou régression logistique), de médiateurs nominaux ou d’effets d’interaction intriqués entre la cause et l’intermédiaire ($X \times M$), offrant un cadre unifié à l’ensemble des sciences empiriques.

12. Implications pour la théorie psychologique et recommandations pratiques

12.1 Raffinement et falsifiabilité des théories psychologiques

L’incorporation systématique et formalisée des variables intermédiaires a métamorphosé le paysage épistémologique de la psychologie contemporaine. En exigeant des chercheurs qu’ils ne se contentent plus de lier des entrées et des sorties comportementales mais qu’ils modélisent formellement les rouages internes de la transmission, elle a transformé une constellation de corrélations descriptives dispersées en véritables théories explicatives unifiées.

Ce saut paradigmatique répond impeccablement au critère de falsifiabilité édicté par le philosophe des sciences Karl Popper. Une théorie qui se contente d’affirmer qu’un antécédent $X$ provoque un résultat $Y$ est difficile à réfuter précisément, car elle dispose d’une marge de repli infinie face à des anomalies empiriques. En revanche, une théorie qui spécifie explicitement la chaîne séquentielle intermédiaire ($X to M_1 to M_2 to Y$) offre une surface de falsification beaucoup plus nette et vulnérable au verdict des faits.

Si l’expérimentation démontre que le facteur $X$ produit bien le résultat final $Y$, mais que la variable intermédiaire $M_1$ postulée n’a subi aucune modification au cours du protocole, l’explication mécanistique de la théorie s’effondre irrémédiablement, contraignant la communauté scientifique à rejeter l’hypothèse explicative sous-jacente au profit de modèles compétitifs plus exacts. La variable intermédiaire constitue ainsi le moteur même du progrès théorique cumulatif.

12.2 Conception d’interventions ciblées en santé mentale et éducation

Au-delà des raffinements théoriques purs, la maîtrise des variables intermédiaires recèle des applications éminemment concrètes et stratégiques dans l’ingénierie des politiques publiques, de l’éducation et des soins de santé mentale. Concevoir une intervention thérapeutique ou sociale sans identifier au préalable ses médiateurs opérants revient à tirer à l’aveugle dans l’espoir d’atteindre une cible invisible.

Comprendre quel mécanisme intermédiaire génère le changement permet de concevoir des interventions minimales et hyper-ciblées (lean interventions). Par exemple, en milieu scolaire, savoir que le sentiment d’appartenance sociale ($M$) est la variable intermédiaire cardinale qui relie la transition au collège ($X$) au risque de décrochage précoce ($Y$) permet d’abandonner les programmes de soutien scolaire massifs et coûteux au profit de micro-interventions narratives précoces focalisées sur l’intégration des nouveaux élèves, maximisant le retour sur investissement sociétal.

De même, dans l’évaluation des programmes de santé publique, la détection des variables intermédiaires fournit des signaux d’alarme ou de réussite précoces bien avant que les résultats distaux ne soient observables. Si une vaste politique d’incitation à l’activité physique ($X$) parvient à modifier significativement la motivation intrinsèque et l’auto-efficacité des usagers ($M$) au bout de six semaines, les décideurs savent avec une grande certitude probabiliste que la réduction de l’obésité et des cardiopathies ($Y$) suivra dans les années à venir, permettant d’ajuster les financements sur la base de marqueurs d’efficience tangibles.

12.3 Bonnes pratiques pour les futurs chercheurs

À la lumière des immenses avancées méthodologiques intervenues au cours des dernières décennies, la mise en œuvre empirique de modèles articulant des variables intermédiaires ne tolère plus l’amateurisme ou les approximations de convenance. Les chercheurs en formation et chevronnés sont aujourd’hui tenus d’adhérer à des protocoles de recherche stricts fondés sur les principes de la science ouverte :

• Le pré-enregistrement systématique des hypothèses : Afin d’éradiquer les fléaux du HARK-ing (Hypothesizing After the Results are Known) et du p-hacking, le chercheur doit déclarer publiquement sur des plateformes dédiées (telles que le Centre pour la Science Ouverte, OSF) le statut exact attribué à chaque variable — indépendante, intermédiaire, modératrice ou covariable de confusion — avant toute collecte de données.
• Une justification théorique rigoureuse en amont : Aucune analyse de médiation statistique ne devrait être lancée à titre purement exploratoire dans l’attente fortuite d’un intervalle de confiance significatif. L’insertion d’une variable intermédiaire doit impérativement s’adosser à une chaîne logique formellement dérivée d’un cadre théorique robuste.
• Le respect scrupuleux de la préséance temporelle : Privilégier systématiquement des devis expérimentaux avec manipulation du médiateur ou des plans longitudinaux prospectifs comptant au strict minimum trois vagues de mesure espacées temporellement par une chronométrie théoriquement congruente avec le phénomène investigué.
• L’analyse systématique de sensibilité causale : Reconnaître ouvertement les limites de son modèle en publiant des analyses de sensibilité contrefactuelle évaluant l’amplitude exacte de confusion non mesurée qui suffirait à détruire l’effet indirect observé. La scientificité d’un modèle ne se mesure pas à l’illusion de certitude qu’il affiche, mais à la transparence absolue avec laquelle il cartographie ses propres contraintes d’inférence.

En respectant scrupuleusement ces canons méthodologiques et épistémologiques, la recherche contemporaine continuera de transformer des conjectures intuitives sur l’esprit humain en architectures de connaissances vérifiables, faisant de la variable intermédiaire l’instrument par excellence de la rationalité scientifique face aux mystères de la dynamique comportementale.

Références

• Baddeley, A. D., & Hitch, G. (1974). Working memory. In G. H. Bower (Ed.), The Psychology of Learning and Motivation: Advances in Research and Theory (Vol. 8, pp. 47–89). Academic Press. https://doi.org/10.1016/S0079-7421(08)60452-1
• Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191–215. https://doi.org/10.1037/0033-295X.84.2.191
• Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
• Beck, A. T. (1979). Cognitive Therapy of Depression. Guilford Press.
• Craske, M. G., Treanor, M., Conway, C. C., Zbozinek, T., & Vervliet, B. (2014). Maximizing exposure therapy: An inhibitory learning approach. Behaviour Research and Therapy, 58, 10–23. https://doi.org/10.1016/j.brat.2014.04.006
• Festinger, L. (1957). A Theory of Cognitive Dissonance. Stanford University Press.
• Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (2nd ed.). Guilford Press.
• Hull, C. L. (1943). Principles of Behavior: An Introduction to Behavior Theory. Appleton-Century-Crofts.
• Lazarus, R. S., & Folkman, S. (1984). Stress, Appraisal, and Coping. Springer Publishing Company.
• MacCorquodale, K., & Meehl, P. E. (1948). On a distinction between hypothetical constructs and intervening variables. Psychological Review, 55(2), 95–107. https://doi.org/10.1037/h0056029
• MacKinnon, D. P. (2008). Introduction to Statistical Mediation Analysis. Routledge. https://doi.org/10.4324/9780203809556
• Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161
• Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879
• Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312. https://doi.org/10.2307/270723
• Steele, C. M., & Aronson, J. (1995). Stereotype threat and the intellectual test performance of African Americans. Journal of Personality and Social Psychology, 69(5), 797–811. https://doi.org/10.1037/0022-3514.69.5.797
• Tolman, E. C. (1938). The determiners of behavior at a choice point. Psychological Review, 45(1), 1–41. https://doi.org/10.1037/h0062733
• VanderWeele, T. J. (2015). Explanation in Causal Inference: Methods for Mediation and Interaction. Oxford University Press.
• Watson, J. B. (1913). Psychology as the behaviorist views it. Psychological Review, 20(2), 158–177. https://doi.org/10.1037/h0074420