Gaussian graphical models: contributions for exploratory data analysis in organisational behaviour
Les modèles graphiques gaussiens : quels apports pour l’analyse exploratoire des données en comportement organisationnel ?
Résumé
Methodological issues arising from access to large data sources are now affecting domains of research that were previously not very concerned, such as organisational behaviour. The discussion on methods for taking advantage of the possibilities offered by large amounts of secondary data is relatively recent. Management scholars, traditionally accustomed to working with small samples in a deductive framework, face a real methodological challenge when they seek to benefit from secondary data through a data-driven approach.
One possible approach to meet this challenge is the use of Gaussian graphical models (GGMs), which allow for the visualisation and analysis of relationships between a set of Gaussian variables. The application of this approach to psychology has led to the development of a very active line of research, known as Network Psychometrics, which is renewing the study of attitude measurement scales by relying on parsimonious graphs. The aim of this article is to illustrate the potential added value of this approach in the field of organisational behaviour. We will show that GGMs can offer a complementary point of view when it comes to analysing systems of interactions between variables and we will discuss how they can be articulated with confirmatory approaches using structural equation methods, more commonly used for this type of analysis. The challenges of this articulation will be illustrated by exploring the French version of a recent measure of workplace commitment.
Les enjeux méthodologiques engendrés par l’accès à des sources de données importantes atteignent aujourd’hui des domaines de recherche jusqu’ici peu concernés, comme le comportement organisationnel. La réflexion sur les méthodes applicables pour tirer parti des possibilités offertes par des données secondaires disponibles en grande quantité est relativement récente. Les chercheurs en management, habitués à travailler sur des échantillons de taille modeste dans un cadre hypothético déductif font face à un vrai défi méthodologique lorsqu’ils souhaitent tirer parti de données secondaires en adoptant une approche guidée par les données (data driven). Parmi les pistes permettant de relever ce défi figure l’usage de modèles graphiques gaussiens (MGG), qui permettent la visualisation et l’analyse des relations entre un ensemble de variables gaussiennes. L’application de cette « façon de voir » à la psychologie a favorisé le développement d’un courant de recherche très actif, la psychométrie de réseau (Network Psychometrics), qui renouvelle l’étude des échelles de mesure et des attitudes en s’appuyant notamment sur des graphes parcimonieux. L’objectif de cet article est de montrer la valeur ajoutée de cette approche dans le champ du comportement organisationnel, lorsqu’elle est utilisée comme outil exploratoire. Nous verrons que les MGG peuvent offrir un point de vue complémentaire lorsqu’il s’agit d’analyser des systèmes d’interactions entre variables et comment ils peuvent s’articuler avec les approches confirmatoires par méthodes d’équations structurelles, plus couramment employées pour ce type d’analyse. Les enjeux de cette articulation seront illustrés par l’exploration de la version française d’une mesure récente de l’implication au travail.