Accueil Revues Revue Numéro Article

M@n@gement

2003/1 (Vol. 6)

  • Pages : 50
  • DOI : 10.3917/mana.061.0029
  • Éditeur : AIMS

ALERTES EMAIL - REVUE M@n@gement

Votre alerte a bien été prise en compte.

Vous recevrez un email à chaque nouvelle parution d'un numéro de cette revue.

Fermer

Article précédent Pages 29 - 48
1

Cet article pédagogique présente l’utilisation des modèles linéaires hiérarchiques comme technique d’analyse de données collectées par policy capturing. Les principes généraux de la policy capturing sont présentés avant de s’intéresser plus en détail à l’analyse avec les modèles linéaires hiérarchiques des données ainsi collectées. L’article présente ainsi un exemple d’utilisation des modèles linéaires hiérarchiques présentés dans ce même numéro (voir Arregle, J.-L. 2003, Les modèles linéaires hiérarchiques : 1.– principes et illustration, M@n@gement, 6 [1] : 1-28).

2

Les actions des managers et la compréhension des modèles d’évaluation qui les sous-tendent sont un des sujets d’étude important des recherches en management (Zajac et Bazerman, 1991) : de nombreuses décisions, cruciales pour le développement et la survie d’entreprises, dépendent de ces modèles. Un manager développe un modèle cognitif de la réalité qui sera ensuite utilisé comme un cadre pour percevoir, expliquer et interpréter les événements (Tyler et Steensma, 1998). Par exemple, la nature d’une bonne alliance, l’existence de menaces sur un segment de marché, la turbulence de l’environnement, la valeur d’une diversification sont des questions que les managers analyseront, évalueront et géreront selon leur vision, leur modèle et leurs biais cognitifs. Fréquemment, la question de recherche nécessite donc de mesurer un modèle de jugement des personnes impliquées dans la prise de décision et de déterminer quelles informations sont les plus influentes dans leurs prises de décisions (Aiman-Smith, Scullen et Barr, 2002).

3

Une même démarche méthodologique est alors utilisée : une méthode qui s’appuie sur des techniques de régressions (Aiman-Smith, Scullen et Barr, 2002) entre une série de jugements émis par des individus sur des scénarios et les valeurs des variables composant ces scénarios. Cette méthode, qui change parfois de nom suivant les disciplines, est connue sous le nom de policy capturing en management. Elle permet d’évaluer comment des décideurs utilisent des informations quand ils émettent un jugement. Elle révèle comment les décideurs « pèsent, combinent ou intègrent l’information » (Zedeck, 1977 : 51).

4

Cette méthode a été utilisée à plusieurs reprises : suite à une analyse des publications parues dans Journal of Applied Psychology, Personnel Psychology, Journal of Management, Academy of Management Journal, et Organizational Behavior and Human Decision Processes au cours des 25 dernières années, Karren et Barringer (2002) ont identifié 37 recherches qui utilisent la policy capturing. Pour autant, malgré ce recours relativement fréquent, il existe toujours un point délicat qui est celui de l’analyse des données ainsi collectées. En effet, la nature même de la policy capturing implique une remise en cause des hypothèses d’utilisation des régressions (Aiman-Smith, Scullen et Barr, 2002) et peut rendre leur analyse complexe. L’objectif de cet article est précisément de s’intéresser à cette difficulté et de proposer une technique d’analyse de données adéquate : les modèles linéaires hiérarchiques.

5

Il n’est donc pas dans les objectifs de cet article de présenter la policy capturing en détail mais seulement de présenter ses grands principes pour s’intéresser plus précisément à l’analyse des données ainsi collectées. Ainsi, l’objectif principal de cet article est pédagogique : proposer et présenter l’utilisation des modèles linéaires hiérarchiques comme un moyen privilégié d’analyse de données collectées par la policy capturing.

6

Pour cela, la première partie de cet article introduit le lecteur à la démarche de policy capturing en présentant ses principes de base [1][1]  Pour une présentation détaillée de la policy capturing,.... Cette démarche, relevant de la psychologie cognitive, peu utilisée en sciences de gestion, et notamment en management, se révèle très utile pour l’étude des modèles de décisions, surtout dans des situations où le processus d’évaluation étudié porte sur un jugement individuel complexe.

7

La deuxième partie illustre l’analyse de données ainsi collectées par les modèles linéaires hiérarchiques (HLM), technique particulièrement adaptée à l’analyse des données collectées par une démarche de policy capturing[2][2]  Il est important de noter que policy capturing et.... En effet, les techniques HLM permettent de gérer la structure des différents niveaux de données collectées par la policy capturing. Dans ces deux parties, l’exemple d’une recherche sur l’évaluation de partenaires dans le cadre d’alliances internationales est utilisé pour illustrer ces développements et servir de fil directeur.

PHASE DE COLLECTE DES DONNEES : LA POLICY CAPTURING

8

La policy capturing trouve ses origines dans les recherches sur la prise de décision en psychologie dans les années 1950 et 1960. Elle fait partie de l’approche de modélisation structurelle (structural modeling) qui s’est développée depuis 1955 (Hammond, 1955) avec pour principe l’utilisation de modèles mathématiques pour décrire les stratégies de jugements (Cooksey, 1996 ; Holzworth, 1996) : la prise de décision peut être modélisée par une équation mathématique qui relie les jugements d’un expert à la réalité à travers un certain nombre de variables causales.

PRINCIPES

9

Une des questions clés de ces recherches est l’utilisation de l’information disponible sur des attributs pour arriver à une évaluation d’alternatives. Comment des individus traitent-ils l’information de façon à arriver à un jugement ou une décision (Westenberg et Koele, 1994) ?

10

Les processus d’évaluation considérés sont qualifiés de multi-attributs car ils impliquent des processus complexes d’étude, d’analyse et de combinaisons de plusieurs éléments se matérialisant in fine par un choix ou un jugement. Face à ces situations, les individus éprouvent de grandes difficultés à relativiser et combiner les informations pertinentes pour leurs jugements (Slovic et Lichtenstein, 1971). Ainsi, la description que fournissent les managers, ou les personnes responsables des décisions, de leurs politiques est très souvent inexacte (Argyris et Schon, 1974 ; Hitt et Middlemist, 1979 ; Brehmer et Brehmer, 1988 ; Argyris, 1993 ; Brehmer, 1994 ; Aiman-Smith, Scullen et Barr, 2002 ; Karren et Barringer, 2002).

11

Face à ce problème, l’approche de modélisation structurelle propose une démarche : la policy capturing[3][3]  Cette approche est aussi parfois nommée judgmental.... Son principe est la révélation de la théorie d’usage des répondants à partir de l’observation de leurs jugements sur une série de cas. Elle se déroule en trois temps (Hobson et Gibson, 1983) :

12
  • la présentation aux répondants (les juges ou experts) d’une série de cas, les cas sont tous constitués de profils de scores différents sur une même liste d’attributs ;

  • l’instruction aux répondants d’étudier chaque cas et d’y attribuer une appréciation globale (jugement) selon l’information disponible ;

  • l’utilisation de techniques d’analyse de données (généralement des régressions linéaires) pour prédire les réponses (jugements) en fonction des informations disponibles. La politique de jugement du manager sur le thème choisi est ainsi révélée (ou “capturée” d’où le nom de policy capturing) (Westenberg et Koele, 1994). Cette fonction est considérée comme décrivant de façon adéquate la façon dont les jugements sont pris (Harte, Westenberg et van Someren, 1994).

ELABORATION DES CAS

13

La démarche d’élaboration des cas, sur lesquels le répondant doit décider, commence par des interviews auprès de répondants potentiels pour identifier les critères qui peuvent entrer dans leur évaluation. Le but est d’arriver, en s’appuyant sur un modèle de jugement reflétant des présupposés théoriques et des interviews, à identifier une liste de critères suffisamment exhaustive mais synthétique pour que les cas restent facilement compréhensibles par le répondant. Pour chacun de ces critères, il convient ensuite d’élaborer une définition claire et précise pour minimiser les biais. Les critères ainsi identifiés et définis représentent les variables indépendantes de notre modèle. Le jugement émis par le répondant par rapport aux différents profils de critères (les différents cas) représente la variable dépendante du modèle. Par exemple, si le thème de recherche est de comprendre les choix de rachat d’une marque à une autre entreprise, le manager aura à évaluer l’attrait de chaque marque pour un rachat à partir de son profil décrit.

14

Une fois les principaux critères identifiés, il faut construire des cas sur lesquels les répondants doivent se prononcer. Ces cas proposés aux répondants peuvent être fictifs. Il a été démontré que l’utilisation de cas fictifs générait les mêmes résultats que des cas réels (Christal, 1968). Concernant le nombre de cas analysés par chaque répondant, Armstrong (2001) suggère d’utiliser au moins 20 cas, ce nombre variant aussi en fonction du nombre de variables indépendantes utilisées.

15

Même si il est parfois acceptable dans certaines situations de concevoir des cas avec des variables ayant une assez forte corrélation, il est en général préférable de construire des cas qui assurent une faible corrélation entre les variables de choix. Des corrélations proches de 0 ou inférieures à 0,20 sont ainsi généralement recommandées (Karren et Barringer, 2002 : 343).

16

Ces cas, fictifs ou réels, doivent illustrer l’étendue des situations auxquelles le manager doit faire face. Outre ce critère, la seule condition à vérifier est que les cas ainsi construits ne présentent pas d’incohérences en décrivant des situations impossibles. Le réalisme des cas ainsi proposés est crucial pour la validité de la policy capturing et représente un des principaux risques de cette approche (Karren et Barringer, 2002).

LIMITES

17

Bien qu’il existe un certain accord sur l’utilité des approches de modélisation structurelle, et donc de la policy capturing, il est important de bien préciser ces limites et donc ses domaines d’application. Ces principales limites sont les suivantes :

18
  • les résultats doivent être interprétés en gardant à l’esprit le problème des représentations paramorphiques (Hoffman, 1960). Deux modèles peuvent être équivalents d’un point de vue algébrique tout en reflétant différents processus cognitifs (Westenberg et Koele, 1994). Les résultats des recherches montrent que les modèles linéaires correspondent bien aux jugements émis par des individus (Brehmer, 1994), et permettent de prédire des jugements, mais que, pour autant, la compréhension des mécanismes psychologiques à l’origine de ces modèles reste floue ;

  • la policy capturing s’intéresse à des jugements. Les évaluations multi-attributs peuvent être classées en deux catégories selon leur finalité : juger ou choisir. Juger suppose l’évaluation individuelle de chaque alternative, choisir implique la sélection (ou le rejet) d’une ou plusieurs alternatives (Westenberg et Koele, 1994) ;

  • elle se focalise sur la phase de combinaison des informations, laissant de côté les deux autres étapes du processus de jugement, à savoir la recherche d’information et le feedback-apprentissage (Kahneman et Tversky, 1979). L’information y est gratuite, fiable et simultanée pour l’ensemble des attributs. Ceci peut entraîner une surestimation du nombre d’attributs réellement utilisés dans la phase de jugement dans des conditions normales. Cette limite n’est cependant pas un problème quand l’étude des jugements porte sur des activités où les juges ont habituellement une information assez complète ;

  • les processus d’évaluation étudiés sont individuels. L’émergence d’un consensus entre plusieurs juges ou l’analyse de processus d’évaluation collectifs ne sont pas considérées ;

  • enfin, la dimension temporelle de la prise de décision n’est pas considérée : les experts ont tout leur temps pour répondre et rendre leurs évaluations.

19

En résumé, ces limites permettent de préciser un champ d’utilisation en recherche pour la policy capturing. Les processus d’évaluation pouvant être étudiés sont des jugements individuels pour des processus complexes (multi-attributs), non formalisés et pour lesquels les individus développent, consciemment ou non, une politique de jugement. Cette méthode a été appliquée dans des recherches sur le jugement dans de nombreux domaines (voir Joyce et Stewart [1994] pour une revue) mais très rarement en gestion.

ILLUSTRATION : CONCEPTION DU QUESTIONNAIRE

20

A titre d’illustration, nous allons présenter une application de la policy capturing et des HLM à une problématique managériale. Elle provient d’une recherche déjà réalisée et publiée sur les critères de jugement des managers quand ils étudient une alliance internationale et doivent évaluer des partenaires potentiels (Arregle, Dacin, Hitt et Borza, 2003). Compte tenu du but de cet article, il ne s’agira pas de présenter cette recherche (hypothèses, discussion, apports…) mais seulement de s’en servir comme illustration [4][4]  De plus, en raison du but pédagogique de cet article,....

21

La recherche avait pour objectif d’étudier la sélection d’alliés dans le cadre d’alliances stratégiques internationales en s’intéressant aux critères de jugement de managers de deux pays : la Pologne et la Roumanie. Pour cela, il fallait déterminer les modèles de jugement de ces managers.

22

Compte tenu de l’objectif de cette recherche, l’approche de policy capturing représente une voie méthodologique appropriée au problème posé : il s’agit d’étudier des processus de jugement (évaluation d’alliés) individuels multi-attributs, non formalisés et pour lesquels il doit exister une politique récurrente développée par les managers. De plus, en faisant appel à des cas fictifs d’alliés potentiels, cette méthode levait la contrainte de confidentialité des informations. Les données ont donc été collectées selon la méthode de policy capturing puis analysées avec les HLM.

23

La première étape a été de formuler, à partir d’une analyse de la littérature sur les alliances, des hypothèses relatives aux variables clés pouvant jouer un rôle dans le jugement des managers. Il a ainsi été possible de constater que deux courants théoriques jouaient un rôle central, selon les recherches déjà réalisées et publiées : l’approche fondée sur les ressources et l’apprentissage organisationnel. Ensuite, une liste de critères a été déclinée en fonction des types de ressources existants et des problèmes pouvant être liés à l’apprentissage (capacité d’absorption des savoirs, imitation des aptitudes…).

24

La seconde étape a été de tester et valider cette liste auprès de chercheurs et managers. Cinq chercheurs reconnus pour leurs publications sur le thème des alliances ont reçu la liste des variables. Il leur était demandé de modifier cette liste (ajout ou suppression de critères). Ensuite, au cours d’entretiens, cette liste a été testée auprès de neuf managers qui étaient tous impliqués de façon récurrente dans le développement ou la gestion d’alliances internationales. Puis, à partir d’un recodage de ces entretiens par les chercheurs, une liste des critères fréquemment cités a été définie. Cette liste a été rapprochée de la liste initiale. Une liste modifiée de critères a ainsi été obtenue. Dans un second entretien directif avec les mêmes managers, cette liste leur a été présentée. Chaque critère était discuté de façon individuelle pour apprécier son intérêt potentiel et éventuellement le supprimer.

25

Suite à cette démarche, une liste finale de critères pour l’évaluation d’un partenaire potentiel a été arrêtée dont une partie seulement (9 variables sur 14) a été retenue dans cet exemple afin de faciliter la lecture des analyses et des résultats, en accord avec l’objectif pédagogique de l’article (voir Tableau 1).

26

Une définition de chaque critère a ensuite été développée (voir Tableau 2) et testée auprès d’un échantillon de sept managers. A la différence des précédents entretiens, il s’agissait uniquement de travailler sur la compréhension des définitions et non plus sur la composition de la liste.

27

Trente cas fictifs représentant des profils d’alliés potentiels ont ensuite été construits. Un cas correspondait au profil d’une entreprise selon les neuf critères retenus, chaque critère étant évalué sur une échelle allant de “Faible” à “Fort”. Ces 30 cas avaient été construits en respectant trois contraintes : qu’ils représentent un éventail assez large des possibilités, une faible corrélation entre variables indépendantes et une égalité de variance.

Tableau 1 - Evaluation d’une alliance potentielle — Partenaire A

28

Pour chaque cas, les managers avaient à évaluer l’attrait du partenaire potentiel considéré sur une échelle allant de “Très peu attractif” à “Très attractif”. Cette réponse correspondait à la variable dépendante ATT_PART.

29

Les managers devaient également répondre à des questions sur des variables de contrôle qui peuvent jouer un rôle et modifier leurs modèles de jugement. Il s’agissait de variables mesurées au niveau de l’entreprise : l’industrie dans laquelle se trouve l’entreprise (services, production, ou haute technologie) et le nombre d’alliances déjà effectuées par l’entreprise (TOTALLI). L'industrie étant une variable nominale, elle a été traitée comme pour une régression : les trois modalités ont été codées en dichotomique. La modalité omise, qui joue le rôle de pivot, est la haute technologie, les deux autres ont donnée les deux variables dichotomiques SERVICE et MANUFACT.

30

Il a ensuite fallu contacter des managers impliqués de façon régulière dans des alliances internationales pour leur soumettre le questionnaire avec les 30 cas. Il est crucial pour la réussite de la démarche de policy capturing de s’assurer que les répondants sont bien habituellement engagés dans le type de décision concerné. Cette méthode permet de révéler la politique qui sous-tend les jugements des managers et suppose pour cela sa préexistence avant la collecte d’information. Il a été possible de collecter des informations auprès de 48 managers en Roumanie et Pologne.

Tableau 2 - Définitions des caractéristiques des partenaires

ANALYSE DES DONNEES : UTILISATION DES MODELES HIERARCHIQUES LINEAIRES

31

Aiman-Smith, Scullen et Barr (2002) soulignent les problèmes que pose l’analyse des données collectées par policy capturing et les déficiences des régressions pour obtenir des résultats non biaisés et fiables. Ils citent également les HLM comme étant une alternative intéressante aux régressions pour l’analyse de ces données (Aiman-Smith, Scullen et Barr, 2002 : 392, 406) sans que cela soit développé. Notre objectif ici est précisément de détailler ce point important.

32

Nous avons vu dans l’article précédent (Arregle, 2003) que les HLM permettent d’analyser de façon appropriée des donnés multiniveaux ou hiérarchisées. Or, la nature même de la méthode de policy capturing implique que les données ont une structure hiérarchisée :

33
  • à un premier niveau (“micro”) : un décideur évalue plusieurs cas (i = 1,…, n) qui permettront de reconstituer sa fonction de jugement. Ces n réponses ne peuvent donc être considérées comme indépendantes, remettant en cause une des hypothèses importantes nécessaire à l’application des régressions. Selon le vocabulaire des HLM (voir l’article précédent [Arregle, 2003]), les variables ayant permis de faire les profils, ainsi que la variable dépendante (le jugement du décideur sur un scénario), sont les variables de niveau 1. Une unité de niveau 1 correspond à un scénario évalué par un décideur. Ainsi, pour reprendre l’exemple sur les alliances, un manager évalue 30 cas (i = 1,…, 30) qui permettront de reconstituer sa fonction de jugement. Les 9 variables ayant permis de faire les profils, ainsi que la variable dépendante ATT_PART, sont les variables de niveau 1. Une unité de niveau 1 correspond à un profil d’entreprise (par exemple, le partenaire A du Tableau 1) évalué par un manager ;

  • à un deuxième niveau (“macro”) : la fonction de jugement de chaque décideur est utilisée pour définir une fonction de jugement globale (c’est-à-dire pour tous les décideurs) en contrôlant certaines variables de contexte qui sont de niveau 2. Toujours dans l’exemple proposé, les variables de niveau 2 sont le type d’industrie (SERVICE et MANUFACT) et le nombre d’alliances déjà effectuées par l’entreprise (TOTALLI). Une unité de niveau 2 correspond alors à un manager et nous avons donc 48 managers (j = 1,…, 48). Trois problèmes principaux existent qui limitent l’utilisation des régressions pour ce type de données (Barcikowski, 1981 ; Bryk et Raudenbush, 1992 ; Hofmann, 1997 ; Hox, 1997) :

  • l’hétérogénéité des régressions, qui existe quand les relations (les ?ij) entre les variables explicatives et la variable expliquée varient selon les répondants. Les modèles de régression à paramètres fixes ne permettent pas d’explorer la variation qui existe entre répondants (Bryk et Raudenbush, 1992) ;

  • l’existence d’une corrélation intra-classe, qui indique le degré de ressemblance entre unités appartenant au même groupe (c’est-à-dire, ici, entre réponses d’un même manager). Barcikowski (1981) montre que cette corrélation a un impact sur la valeur réelle du seuil de signification alpha pour un test t. Ceci indique pourquoi l’analyse avec des régressions de données collectées par policy capturing, et donc multiniveaux, donne des résultats non fiables ;

  • une mauvaise estimation des écarts types et des tests de signification (Burstein, 1980). Comme Hofmann (1997) le décrit, les tests statistiques portant sur les variables de niveau 2 sont fondés sur le nombre total d’observations de niveau 1, ce qui peut influencer les estimations de l’écart-type et des inférences statistiques associées. Le fait d’ignorer la structure des données fait que les écart-types estimés seront plus faibles, ce qui peut augmenter le risque d’erreur de Type I pour ces variables de niveau 2 (Bryk et Raudenbush, 1992 ; Hox, 1997). Ces limites sont exposées en détail dans l’article précédent sur les HLM (Arregle, 2003).

34

La nature hiérarchisée des données collectées par policy capturing rend nécessaire l’utilisation des HLM qui permettent d’analyser facilement ces données à deux niveaux hiérarchiques. Ce n’est pas le cas des régressions linéaires, souvent utilisées avec la policy capturing pour des résultats parfois limités ou douteux. Un des meilleurs exemples des problèmes de ces dernières est sans doute la recherche de Jaeger (1995) qui, dans le cadre d’une démarche de policy capturing, utilise des régressions multiples, des analyses typologiques, des analyses multidimensionnelles non métriques de similarités, et des analyses factorielles pour des résultats « moins que satisfaisants » (Berk, 1995 : 102).

35

Des données collectées par policy capturing ont donc naturellement une structure hiérarchisée à deux niveaux : un premier niveau pour les scénarios évalués par un manager, un second niveau pour l’ensemble des managers. Cependant, selon la nature des relations entre variables de niveau 2 et de niveau 1, différents types de HLM peuvent être spécifiés. Il existe trois principaux types de modèles pour l’analyse de données collectées par policy capturing.

36

Dans le premier type de modèles, le chercheur s’intéresse uniquement aux relations entre variables de niveau 1 mais souhaite contrôler la variance existante au niveau 2 et gérer les problèmes de non indépendance des observations. Pour cela, les sous modèles des HLM sont :

37

Aucune variable explicative n’est donc introduite dans le sous-modèle de niveau 2.

38

Dans le deuxième type de modèles, le chercheur s’intéresse aux relations entre variables de niveau 1, mais souhaite également prendre en compte l’impact de variables de niveau 2 qui ne jouent cependant pas sur la forme de la relation mise en évidence au niveau 1. Les sous-modèles des HLM seront de la forme :

39

Wj est une variable mesurée au niveau du manager.

40

L’impact de cette variable Wj sur la relation entre Yij et Xij sera donc mesuré. Wj prédira de façon incrémentale Yij une fois Xij pris en compte. Ce type d’effet ne modifiera que la valeur moyenne du résultat (soit l’ordonnée à l’origine = ?0j) entre répondants (niveau 2) et laisse inchangé la distribution des effets entre eux : ?0j change en fonction de Wj, ?1j ne change pas selon les répondants en fonction de Wj.

41

Dans le troisième type de modèles, le chercheur s’intéresse aux relations entre variables de niveau 1, mais souhaite également prendre en compte l’impact de variables de niveau 2 qui, cette fois-ci, jouent sur la forme de la relation mise en évidence au niveau 1. L’intensité des relations entre Yij et Xij sera plus ou moins forte selon les valeurs de Wj. Les variables de niveau 2 ont alors un effet modérateur sur la relation constatée au niveau 1. Les sous modèles des HLM seront de la forme :

42

Les pentes et les intersections des régressions de niveau 1 varient selon certaines caractéristiques des répondants (niveau 2).

ILLUSTRATION : REALISATION D’UN MODELE LINEAIRE HIERARCHIQUE

43

La question de la recherche était la suivante : quels sont les modèles d’évaluation des managers pour choisir un allié étranger ? Cela suppose donc de mettre en évidence un modèle de décision générale qui décrive la politique de jugement des managers interrogés. Pour cela un HLM peut être réalisé en suivant la démarche générale développée dans l’article précédent (Arregle, 2003).

ETAPE 1 : ANALYSE DE VARIANCE

44

La première étape a été de réaliser une analyse de variance à un facteur à effets aléatoires. Avant d’élaborer un HLM plus sophistiqué pour expliquer une variance entre managers de la variable dépendante ATT_PART, il est déjà utile de vérifier si cette variance existe de façon significative. Comme cela a été exposé dans l’article précédent, un HLM de la forme suivante a été réalisé :

45

Cette analyse, et les suivantes, ont été réalisées avec le logiciel HLM5 (Raudenbush, Bryk, Cheong et Congdon, 2000). Il existe plusieurs logiciels permettant de réaliser des HLM (voir article précédent [Arregle, 2003]) mais HLM5 présente un avantage important pour un chercheur : il permet de spécifier des sous modèles de niveaux 1 et 2 de façon individuelle. Le chercheur, pour chaque niveau, développe simplement des modèles de régression qui reprennent ses hypothèses pour les relations entre variables et non pas un seul modèle qui mélange des variables de différents niveaux, rendant ainsi son élaboration plus complexe.

46

Le premier résultat intéressant de cette analyse est :

47

Dans le cas de ce type de HLM, ?représente la variance intragroupe de ATT_PART et ?00 la variance intergroupe de ATT_PART. Ceci permet de calculer le coefficient de corrélation intraclasse = ?00 / (?00 + ?2) = 0,204 / (0,204 + 2,516) = 0,075. Il s’avère donc que 7,5 % de la variance est entre groupes (ici entre managers).

48

Deux autres résultats intéressants sont le test t et le test du Chi-deux. Leur valeur est indiquée ci-dessous dans les colonnes intitulées respectivement T-ratio et Chi-square.

49

Le test t indique que la moyenne générale de l’échantillon pour ATT_PART est significativement différente de 0 et le test du Chi-deux confirme qu’il existe une variance systématique au niveau 2 (?00 est significativement différent de 0) qui peut donc être ensuite modélisée en développant un HLM plus complet. Une fois ces premiers tests réalisés, il est donc pertinent de développer des HLM élaborés.

50

Même si cette variance au niveau 2 (“inter-managers”) peut paraître faible (7,5 %), il est important de retenir que, dans le cas des données collectées par policy capturing, nous souhaitons seulement “contrôler” cette variance. Mais ce qui nous intéresse pour notre recherche, ce sont les résultats obtenus pour les ? des 9 variables indépendantes afin de mettre en évidence un modèle significatif pour l’ensemble des managers. Le résultat qui est donc pertinent, dans le cas présenté ici, est qu’il existe une variance significative au niveau 2, même faible, et cela justifie donc le développement de HLM plus complets pour la contrôler et ne pas obtenir des résultats biaisés.

ETAPE 2 : MODELE DE DECISION ET CENTRAGE DES DONNEES

51

A présent, pour répondre à la question de recherche, il est nécessaire de réaliser un HLM pour les managers. La forme des modèles testés est :

52

Niveau 1 :

53

Niveau 2 :

54

Le modèle de niveau 2 permet de gérer le problème de la non indépendance des observations ainsi que l’impact de variables de contrôle sur le modèle de recherche. Pour cela, l’intersection de l’équation de niveau 1 est supposée significativement dépendante des variables de niveau 2. Les modèles de décision des managers sont donc supposés être influencés de façon similaire par les variables de niveau 2 qui, dans ce cas, ne sont que des variables de contrôle.

55

Dans cette deuxième étape, apparaît la question du centrage des variables explicatives qui ne se posait pas dans l’étape 1 car le modèle de l’analyse de variance ne comportait aucune variable explicative. Les données de niveau 1 ont été centrées autour de la moyenne des groupes (managers). Le centrage des données a des conséquences sur les résultats des HLM (voir article précédent [Arregle, 2003]) car, à la différence d’une régression “classique”, l’ordonné à l’origine du sous modèle de niveau 1 (?0j) est une variable dépendante d’un sous modèle de niveau 2. La métrique de Xij à donc des conséquences sur la valeur de ?0j et son interprétation. Dans le cas particulier de la policy capturing, centrer les données autour de la moyenne des groupes ou de la moyenne générale de l’échantillon ne change rien. En effet, les 30 valeurs de chacune des 9 variables indépendantes sont les mêmes pour tous les managers interrogés. Ce qui change, ce sont les réponses des managers à ces mêmes profils (la variable dépendante). Calculer la moyenne d’une variable indépendante sur un groupe ou sur l’échantillon donne donc le même résultat. Les données ont été centrées car la valeur 0 pour les variables indépendantes de niveau 1 n’a pas grand sens : la valeur 1 signifie déjà “Faible”, la valeur nulle pour ces 9 variables semblait excessive et, de plus, un allié potentiel avec toutes les variables indépendantes nulles (valeur de 0 pour les 9 variables) aurait quand même une attractivité égale à la constante de l’équation. Le centrage permettait donc de remédier à ce problème et d’avoir des résultats plus interprétables.

56

L’analyse de données effectuée avec le logiciel HLM5 (Raudenbush et al., 2000) pour les managers interrogés donne les résultats présentés dans le Tableau 3.

57

Selon ces résultats, il est possible d’identifier un modèle expliquant de façon significative les politiques d’évaluation d’alliés des managers interrogés. Les résultats se lisent comme pour des régressions linéaires classiques : chaque coefficient donne l’impact de l’augmentation d’une unité de Xij sur Yij . Il s’agit donc, dans ce cas, de l’impact des variables de niveau 1 (par exemple UNIQUE) dans la fonction de jugement avec leur valeur de p associée qui permet de juger de leur significativité. De plus, la variance des différentes variables indépendantes de niveau 1 (9 critères de choix) ayant été volontairement rendue similaire lors de la construction des cas, leurs coefficients peuvent s’interpréter comme des coefficients standardisés. Par exemple, FINASST (0,43) a un impact deux fois plus important que COMPCAP (0,21) sur ATT_PART.

58

Les tests du Chi-deux de la variance résiduelle au niveau 2 sont utiles pour constater s’il reste une variance systématique au niveau 2 que l’on peut ensuite, éventuellement, modéliser par un HLM avec des sous modèles plus complets (voir Tableau 4).

Tableau 3 - Résultat des analyses HLM pour les managers

59

Les valeurs des probabilités associées aux Chi-deux sont inférieures au seuil de 5 % pour plusieurs variables, ce qui indique qu’il reste une variance systématique qui peut être modélisée.

ETAPE 3 : ROLE MODERATEUR D’UNE VARIABLE DE NIVEAU 2 SUR LE MODELE DES MANAGERS

60

L’analyse précédente a permis de mettre en évidence un modèle de jugement des managers. Il se peut que ce modèle soit différent selon le développement économique du pays. Pour cela nous allons distinguer la Pologne et la Roumanie. Nous créons une variable dichotomique ZONEPAYS qui vaut 0 pour les entreprises roumaines et 1 pour les polonaises. Notre hypothèse est que cette variable peut jouer sur la forme (l’intensité) de la relation entre ATT_PART et les 9 variables indépendantes : elle est donc modératrice de cette relation pour l’ensemble des variables de niveau 1. Ceci implique que le HLM est de la forme :

61

Niveau 1 :

62

Niveau 2 :

Tableau 4 - Résultat des tests du Chi-deux de la variance résiduelle

63

Les résultats obtenus avec HLM5 sont indiqués dans le Tableau 5. Les valeurs de t et des probabilités associées montrent que la variable ZONEPAYS joue effectivement un rôle modérateur sur la relation entre ATT_PART et trois variables de niveau 1. Par exemple, les managers roumains accordent un rôle plus important à la variable FINASST (ressources financières) dans leur fonction de jugement que les managers polonais (valeur significative et négative de t avec ZONEPAYS valant 0 pour la Roumanie et 1 pour la Pologne).

64

A présent que les HLM ont été utilisées pour analyser les données collectées par policy capturing, il est intéressant de montrer les différences obtenues par rapport à l’utilisation d’une méthode plus classique, à savoir une régression estimée par les moindres carrés ordinaires (MCO).

Tableau 5 - Rôle modérateur de ZONEPAYS sur les relations de niveau 1

COMPARAISON DES RESULTATS AVEC UNE REGRESSION ESTIMEE PAR MOINDRES CARRES ORDINAIRES

65

L’utilisation d’une régression estimée par les moindres carrés ordinaires (MCO) ne permet pas de prendre en compte les deux niveaux d’analyse existant dans les données de la policy capturing. Ceci oblige donc à désagréger les données de niveau 2 au niveau 1 en ignorant ainsi la structure hiérarchisée des données.

66

Pour rappel, désagréger les données consiste à ce que chaque unité de niveau inférieur (niveau 1) se voit assigner un indicateur représentant l’unité de niveau supérieur (niveau 2) dans laquelle elle se trouve. Par exemple, dans le cas de la policy capturing, chaque scénario se verra attribuer une valeur pour une variable mesurée au niveau du décideur (par exemple son âge ou son ancienneté dans l’entreprise). De ce fait, tous les scénarios jugés par un décideur auront la même valeur pour cette variable qui est en fait d’un niveau hiérarchique supérieur. L’analyse de données se fait ensuite sur l’ensemble des unités de niveaux inférieurs (les scénarios).

67

La régression ainsi réalisée sur ces données va donner des résultats qui souffrent des biais déjà énoncés (cf. page 36 et article précédent [Arregle, 2003]).

68

Pour illustrer ces différences, une régression MCO a été réalisée selon cette démarche sur les données collectées pour la recherche sur les alliances. Ainsi, les variables de niveau 2 ont été désagrégées (3 variables : deux pour le type d’industrie [SERVICE et MANUFACT], et le nombre d’alliances déjà effectuées par l’entreprise [TOTALLI]), et la régression MCO a été faite sur toutes les observations de niveau 1 pour les deux pays, soit 1440 observations (30 cas × 48 managers). Ces résultats sont indiqués dans le Tableau 6. Les résultats déjà obtenus avec HLM y sont également rappelés pour faciliter la comparaison.

Tableau 6 - Comparaison des résultats obtenus avec une régression estimée par les moindres carrés ordinaires et un modèle linéaire hiérarchique

† : Modèle hiérarchique linéaire ; ‡ : régression estimée par les moindres carrés ordinaires ;

*** : p<0.01 ; ** : p<0.05 ; * : p<0.10.

69

Les différences de résultats pour les variables de niveau 2 sont importantes, avec une constante de la régression qui devient non significative dans la régression MCO et deux variables qui sont considérées comme significatives au seuil de 5 % alors qu’elles ne le sont pas quand la structure des données est prise en compte par un HLM. Les conclusions du chercheur sur ces variables seront donc erronées s’il travaille à partir d’une régression MCO sur données désagrégées.

70

Pour les variables de niveau 1, il y a aussi des différences notables pour les valeur de p. Notre première analyse HLM nous a permis de réaliser une analyse de variance à un facteur avec effets aléatoires qui mettait en évidence que 7,5 % de la variance de ATT_PART est intergroupe (inter-managers). Ceci est faible, mais justifiait la réalisation d’un HLM pour modéliser cette variance et avoir des résultats fiables. Même si 92,5 % de la variance est donc intragroupe, le fait d’ignorer la partition de la variance entre les deux niveaux donne des résultats non fiables. Ceci est visible pour certaines valeurs des probabilités associées aux coefficients avec principalement la variable “Attrait de l’industrie” qui n’est pas significative au seuil de 5 % avec HLM alors qu’elle l’est pour la régression MCO et la variable “Coût des alternatives” qui a un effet inverse (significative à 5 % avec HLM et non significative dans la régression MCO).

71

Dans cet exemple, la partition de la variance étant principalement au niveau intragroupe (niveau 1) avec 92,5 %, les différences constatées sont donc assez atténuées mais déjà notables et auraient pu nous amener, au minimum, à des résultats inexacts et, au maximum, à des conclusions erronées sur les modèles de décisions de ces managers. De telles différences prendrait rapidement des dimensions très importantes si la variance intergroupe était plus importante au détriment de la variance intragroupe, ce qui peut arriver avec des données collectées par policy capturing.

72

Un autre des avantages des HLM par rapport aux régressions MCO, non utilisé dans ce cas, est de pouvoir travailler sur des données déséquilibrées, c’est-à-dire d’accepter des données où le nombre de scénarios remplis par chaque manager n’est pas le même. Les différences entre les résultats obtenus avec une régression MCO et un HLM peuvent alors porter non seulement sur les valeurs de p, comme ici, mais aussi sur les coefficients obtenus (Bryk et Raudenbush, 1992). Comme Louviere (1988 : 62) le souligne, lors de l’agrégation des réponses individuelles en un modèle général sur des données à structure hiérarchisée, grâce à une régression « si la taille des échantillons [nombre d’observations de niveau 1] est la même dans chaque bloc [unité de niveau 2], les estimations sont consistantes et non biaisées, mais les écarts types ne sont pas fiables (inefficients). Si la taille des échantillons n’est la même dans chaque bloc, cette dernière approche donne des estimations inconsistantes, biaisées, et inefficientes ».

CONCLUSION

73

La policy capturing a de nombreux atouts pour l’étude et la modélisation de décisions managériales et peut être d’une grande utilité aux chercheurs en management. Cependant, elle présente la difficulté de construire des données ayant une structure hiérarchisée qui peuvent donc être analysées avec les HLM. Les HLM apparaissent de ce fait comme une technique d’analyse de données privilégiée pour ce type de données et elles permettent, assez facilement, de modéliser les relations au niveau de chaque répondant et entre répondants tout en considérant des variables d’intérêt de niveau 1 ou 2. De ce fait, ils rendent l’utilisation de la policy capturing plus simple, en permettant de spécifier des sous modèles pour chaque niveau d’analyse, et plus fiable dans le traitement. Ils devraient ainsi permettrent l’utilisation plus fréquente de la policy capturing.

74

Ces deux techniques méritent donc d’être plus souvent utilisées pour faire partie des démarches plus connues dans le champ des sciences de gestion, et notamment en management. L’objectif de cet article pédagogique était d’y contribuer en expliquant leur logique et leur utilisation.

75

Note. Les auteurs remercient David Hofmann pour ses conseils sur les HLM ainsi que les évaluateurs anonymes pour leurs commentaires et suggestions qui ont permis d’améliorer cet article.


REFERENCES

  • Aiman-Smith, L., S.E. Scullen, et S.H. Barr 2002 Conducting Studies of Decision Making in Organizational Contexts : A Tutorial for Policy-Capturing and Other Regression-Based Techniques, Organizational Research Methods, 5 (4) : 388-414.
  • Argyris, C. 1993 Knowledge for Action. A Guide to Overcoming Barriers to Organizational Change, San Francisco, CA : Josey-Bass.
  • Argyris, C. et D. Schön 1974 Theory in Practice : Increasing Professional Effectiveness, San Francisco, CA : Josey-Bass.
  • Armstrong, J.S. 2001 Judgmental Bootstrapping : Inferring Experts’ Rules for Forecasting, in J.S. Armstrong (Ed.), Principles of Forecasting : A Handbook for Researchers and Practitioners, Boston, MA : 171- 192.
  • Arrègle J.-L. 2003 Les modèles linéaires hiérarchiques 1 : principes et illustration, M@n@gement, 6 (1) : 1-28.
  • Arrègle, J.-L., M.T. Dacin, M.A. Hitt et A. Borza 2003 Les modèles de sélection des partenaires dans le cadre d'une alliance internationale : perspectives de France et d'Europe centrale, Management International, 7 (2) : 1-18.
  • Berk, R.A. 1995 Something Old, Something New, Something Borrowed, a Lot to Do, Applied Measurement in Education, 8 (1) : 99-109.
  • Barcikowski, R.S. 1981 Statistical Power with Group Mean as the Unit of Analysis, Journal of Educational Statistics, 6 (3) : 267-285.
  • Brehmer, B. 1994 The Psychology of Linear Judgement Models, Acta Psychologica, 87 (2-3) : 137-154.
  • Brehmer, A. et B. Brehmer 1988 What Has Been Learned about Human Judgement from Thirty Years of Policy Capturing ?, in B. Brehmer et C.R.B. Joyce (Eds.), Human Judgement : The SJT View, Amsterdam : North-Holland.
  • Bryk, A.S. et S.W. Raudenbush 1992 Hierarchical Linear Models : Applications and Data Analysis Methods, Newbury Park, CA : Sage.
  • Burstein, A. 1980 The Analysis of Multi-Level Data in Educational Research and Evaluation, Review of Research in Education, 8 : 153-223.
  • Christal, R.E. 1968 Selecting a Harem and Other Applications of the Policy-Capturing Model, Journal of Experimental Education, 36 (4) : 35-41.
  • Cooksey R.W. 1996 Judgment Analysis : Theory, Methods and Applications, New York : Academic Press.
  • Hammond K.R. 1955 Probabilistic Functioning and the Clinical Method, Psychological Review, 62 : 255-262.
  • Harte J.M., M.R.M. Westenberg et M.W. van Someren 1994 Process Models of Decision Making, Acta Psychologica, 87 (2-3) : 95-120.
  • Hitt M.A. et R. Middlemist 1979 A Methodology to Develop the Criteria and Criteria Weightings for Assessing Subunit Effectiveness in Organizations, Academy of Management Journal, 22 (2) : 356-374.
  • Hobson C.J. et F.W. Gibson 1983 Policy Capturing as an Approach to Understanding and Improving Performance Appraisal : A Review of the Literature, Academy of Management Review, 8 (4) : 640-649.
  • Hoffman P.J. 1960 The Paramorphic Representation of Clinical Judgment, Psychological Bulletin, 57 (2) : 116-131.
  • Hofmann D.A. 1997 An Overview of the Logic and Rationale of Hierarchical Linear Models, Journal of Management, 23 (6) : 723-744.
  • Holzworth R.J. 1996 Policy Capturing with Ridge Regression, Organizational Behavior and Human Decision Process, 68 (2) : 171-179.
  • Hox J. 1997 Multilevel Modeling : When and Why, in I. Balderjahn, R. Mathar et M. Schrader (Eds.), Classification, Data Analysis and Data Highway : Proceedings of the 21st Annual Conference of the Gesellschaft für Klassification, University of Potsdam, March 12-14, New York, NY : Springer-Verlag, 147-154.
  • Jaeger, R.M. 1995 Setting Performance Standards Through Two-Stage Judgmental policy capturing, Applied Measurement in Education, 8 (1) : 15-40.
  • Joyce C.R.B. et T.R. Stewart 1994 Applied Research in Judgement : What Should Happen, Acta Psychologica, 87 (2-3) : 217-227.
  • Kahneman D. et A. Tversky 1979 Prospect Theory : An Analysis of Decision Under Risk, Econometrica, 47 (2) : 263-291.
  • Karren R.J. et M.W. Barringer 2002 A Review and Analysis of the Policy-Capturing Methodology in Organizational Research : Guidelines for Research and Practice, Organizational Research Methods, 5 (4) : 337-361.
  • Louviere J.J. 1988 Analyzing Decision Making : Metric Conjoint Analysis, Sage University Papers Series, 67, Newbury Park : Sage.
  • Raudenbush S., A. Bryk, Y.F. Cheong et R. Congdon 2000 HLM 5 : Hierarchical Linear and Nonlinear Modeling, Chicago, IL : Scientific Software International.
  • Slovic P. et S. Lichtenstein 1971 Comparison of Bayesian and Regression Approaches to the Study of Information Processing in Judgment, Organizational Behavior and Human Performance, 6 (6) : 649-744.
  • Tyler, B.B. et H.K. Steensma 1998 The Effects of Executives’ Experiences and Perceptions on their Assessment of Potential Technological Alliances, Strategic Management Journal, 19 (10) : 939-965.
  • Westenberg M.R.M. et P. Koele 1994 Multi Attribute Evaluation Processes : Methodological and Conceptual Issues, Acta Psychologica, 87 (2-3) : 65-84.
  • Zajac E.J. et Bazeman M.H.1991 Blind Spots in Industry and Competitor Analysis : Implications of Interfirm (Mis) Perceptions for Strategic Decisions, Academy of Management Review, 16 (1) : 37-56.
  • Zedeck S. 1977 An Information Processing Model and Approach to the Study of Motivation, Organizational Behavior and Human Performance, 18 (1) : 47-77.

Notes

[1]

Pour une présentation détaillée de la policy capturing, nous conseillons deux articles : Karren et Barringer (2002) et Aiman-Smith, Scullen et Barr (2002).

[2]

Il est important de noter que policy capturing et HLM peuvent être utilisées de façon indépendante. Certaines utilisations des HLM indépendantes de la policy capturing sont présentées dans l’article précédent (Arregle, 2003).

[3]

Cette approche est aussi parfois nommée judgmental bootstrapping (Armstrong, 2001) ou judgmental policy capturing (Jaeger, 1995).

[4]

De plus, en raison du but pédagogique de cet article, la phase de policy capturing et les analyses de données ont été modifiées, en fait allégées (moins de variables de niveau 1 et 2), pour faciliter la lecture et l’analyse des résultats. Il n’y a donc aucune validité scientifique des résultats, présentés ici uniquement dans un but pédagogique. Le fait de s’appuyer sur la démarche de cette recherche, même modifiée, permet cependant de mieux faire comprendre la logique d’utilisation de la policy capturing et des HLM.

Plan de l'article

  1. PHASE DE COLLECTE DES DONNEES : LA POLICY CAPTURING
    1. PRINCIPES
    2. ELABORATION DES CAS
    3. LIMITES
    4. ILLUSTRATION : CONCEPTION DU QUESTIONNAIRE
  2. ANALYSE DES DONNEES : UTILISATION DES MODELES HIERARCHIQUES LINEAIRES
    1. ILLUSTRATION : REALISATION D’UN MODELE LINEAIRE HIERARCHIQUE
      1. ETAPE 1 : ANALYSE DE VARIANCE
      2. ETAPE 2 : MODELE DE DECISION ET CENTRAGE DES DONNEES
      3. ETAPE 3 : ROLE MODERATEUR D’UNE VARIABLE DE NIVEAU 2 SUR LE MODELE DES MANAGERS
    2. COMPARAISON DES RESULTATS AVEC UNE REGRESSION ESTIMEE PAR MOINDRES CARRES ORDINAIRES
  3. CONCLUSION

Pour citer cet article

Arrègle Jean-Luc, Ulaga Wolfgang, « Les modèles linéaires hiérarchiques : 2. une méthode privilégiée d'analyse des données collectées par policy capturing », M@n@gement, 1/2003 (Vol. 6), p. 29-48.

URL : http://www.cairn.info/revue-management-2003-1-page-29.htm
DOI : 10.3917/mana.061.0029


Article précédent Pages 29 - 48
© 2010-2014 Cairn.info
back to top
Feedback