Les avantages et les limites de la méthode « Partial Least Square » (PLS) : une illustration empirique dans le domaine de la GRH

Abstract

Les méthodes d’équations structurelles (MES) sont aujourd’hui largement employées dans la recherche quantitative en GRH, lorsqu’il s’agit de tester des modèles de causalité complexes, incorporant plusieurs variables latentes. La procédure habituelle d’estimation repose sur des techniques d’analyse des relations de covariance entre les variables, mises en application dans les logiciels couramment utilisés dans les traitements de données issues des études empiriques (ex : Lisrel, Amos, EQS). L’objectif de cet article est de présenter une méthode alternative d’estimation des modèles structurels basée sur la variance, mise au point depuis plus de 20 ans, mais jusqu’à présent très peu employée dans le domaine de la GRH : l’analyse Partial Least Squares (PLS), qui se révèle bien adaptée à certains types de modèles, incorporant des variables composites dites formatives. Nous verrons que cette méthode présente un certain nombre de caractéristiques qui en font un outil adapté au test de modèles relationnels complexes, typiques des situations rencontrées dans le domaine de la GRH. Après avoir présenté les traits essentiels de l’approche PLS, en la comparant notamment aux méthodes fondées sur l’analyse des covariances (Lisrel), nous proposons ensuite une mise en pratique via l’estimation d’un modèle de recherche issu d’une étude empirique menée sur les déterminants de l’implication au travail des salariés en contrats atypiques. Cette étude menée sur un échantillon de 208 salariés nous a permis de mettre en évidence un impact indirect des caractéristiques du contrat d’intérim sur l’implication organisationnelle des salariés concernés, à travers le rôle médiateur déterminant de la précarité perçue.

User Experience and Social Influence: A New Perspective for UX Theory

“…Contrary to the classical structural equation modelling (i.e. Lisrel method, M+), the PLS-method is based on variance analysis and not on covariance analysis which allows calculations on smaller samples [27][28][29][30][31].…”

The mediating role of big data analytics in enhancing firms’ commitment to sustainability

“…Structural equation modeling was originally developed to examine the multiple causal relationships. Then, their use gradually extended to analyze the validity of latent constructs and to conduct multi-group analysis [29].…”

“…Moreover, according to [31,32], the PLS-SEM method is recommended when the number of subjects included in the sample size is small, the data are not normally distributed, and the objective of the study is to identify key drive variables of a model. A model of structural equations traditionally consists of two parts: the measurement model (made up of all the relationships between the indicators and variables or latent constructs that they contribute to their measurement) and the structural model, which deals with the set of relationships between constructs and represents the network of causal relationships that the researcher wishes to establish [29]. Figure 3 displays the way to conduct a PLS-SEM analysis according to [33].…”

The halal label Morocco and the commitment of the Moroccan consumer on the national market

“…We opted for structural equation modeling (SEM) to statistically analyze our model, the interest of the latter lies essentially in its capacity to test simultaneously the existence of causal relationships between several latent variables. For this reason, we chose the modeling by Partial Last Squares (PLS) approach since it is more suitable in case of obtaining a correct prediction of the level of the independent variables according to the dependent variables, as well as it is well adapted to exploratory type analysis in which the estimation can be carried out on small samples (Lacroux, 2011). In general, this approach is adapted to predictive causal analyses with a situation of high complexity and low theoretical information (Fernandes, 2012).…”