متغیر
ضریب آلفای کرونباخ
تعداد سوال
۱
نگرش به تبلیغات اینترنتی
۰٫۹۲
۴
۲
اعتماد به تبلیغات اینترنتی
۰٫۹۸
۲۰
۳
کلیک تبلیغات
۱
۱
۴
خرید اینترنتی
۱
۱
با توجه به اینکه حداقل ضریب پایایی لازم، ۰٫۷ توصیه شده است. همانطور که مقادیر جدول بالا برای سازه های مورد بررسی نشان میدهد ابزار پژوهش، از پایایی قابل قبولی برخوردار است.
- روشهای تجزیه و تحلیل داده ها
برای تجزیه و تحلیل داده های تحقیق از روشهای آمار توصیفی و استنباطی استفاده می شود. در آمار توصیفی، پژوهشگر در واقع با جمع آوری و خلاصه کردن اطلاعات کمی حاصل از نمونه ها، مشخصات نمونه مورد مطالعه را توصیف می نماید. در آمار استنباطی، پژوهشگر از مطالعه و بررسی یک یا چند نمونه و با بهره گرفتن از روشها و مدلهای آماری، از شاخص های نمونه و یا از ویژگیهای نمونه به ترتیب پارامترها و ویژگیهای کل جامعه را استنباط می نماید. به عبارت دیگر، با بهره گرفتن از آمار استنباطی، نتایج نمونه به کل جامعه آماری تعمیم داده می شود و پژوهش بدون آن فاقد اعتبار علمی است (میرزایی اهرنجانی، ۱۳۷۱). برای بررسی فرضیه های پژوهش از مدلیابی معادله ساختاری بهره گرفته می شود. مدلیابی معادله ساختاری[۲۳۷](SEM) یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیره است که به صورت ترکیبی از تحلیل عاملی و تحلیل مسیر بیان می شود و به بیان دقیقتر بسط مدل خطی کلی است که به پژوهشگر امکان میدهد، مجموعه ای از معادلات رگرسیون را به صورت هم زمان مورد آزمون قرار دهد (صادقپور و مردای، ۱۳۹۲). در این پژوهش مدلیابی معادلات ساختاری توسط نرمافزار Warp PLS 3 و مقایسه میانگین متغیرهای پژوهش و تحلیل عامل اکتشافی ابعاد متغیر اعتماد به تبلیغات اینترنتی در نرمافزار SPSS16 صورت میپذیرد.
به طور کلی، روشها و تکنیکهای آماری که در این تحقیق برای تجزیه و تحلیل داده ها مورد استفاده قرار میگیرد به شرح زیر است:
-
- آمار توصیفی، به منظور طبقه بندی و بررسی ویژگیهای پاسخ دهندگان و جامعه آماری
-
- آزمون آلفای کرونباخ برای بررسی پایایی پرسشنامه
-
- آزمون کولموگروف اسمیرنوف برای تعیین نرمال بودن داده ها
-
- تحلیل عامل اکتشافی برای ابعاد متغیر اعتماد به تبلیغات اینترنتی
-
- تکنیکهای معادلات ساختاری، تحلیل مسیر برای آزمون فرضیه های تحقیق
- تحلیل عامل اکتشافی
تحلیل عاملی، یکی از تکنیکهای تقلیل داده ها است که تعداد زیادی متغیر را به مجموعه کوچکتری از عاملهای مهم تبدیل می کند، به طوری که اطلاعات ضروری موجود در متغیرها را خلاصه می کند. اکثر اوقات، زمانی که محقق بخواهد ساختار مجموعه ای از متغیرها را خلاصه کند، تحلیل عاملی به عنوان یک تکنیک اکتشافی به کار میرود. با این حال، برای آزمودن یک نظریه در مورد ساختار یک حوزه خاص، تحلیل عامل تاییدی مناسب است. وقتی هدف محقق انجام یک آزمون معتبر است، تحلیل عاملی ابزاری است مناسب، برای تعیین اینکه آیا آیتمها در ساختمان مشابهی قرار می گیرند یا نه.
- پیش شرطهای تحلیل عامل اکتشافی
همانند تمامی آزمونها، قبل از انجام تحلیل عاملی نیز یکسری شرایط میبایستی برقرار باشد که این شرایط برای PAF و PC به صورت زیر است:
-
- اندازه نمونه: حداقل باید ۵ آزمودنی به ازای هر متغیر وجود داشته باشد. نمونه ای با حجم ۱۰۰ قابل قبول است، ولی نمونه ای با بیش از ۲۰۰ آزمودنی بهتر است.
-
- نرمال بودن: تحلیل عاملی در برابر فرض نرمال بودن نیرومند است. با این حال اگر متغیرها نرمال باشند، خروجی بهتری داریم.
-
- خطی بودن: چون تحلیل عاملی بر اساس همبستگیهاست، خطی بودن رابطهها مهم است. اگر این فرض برقرار نباشد، خروجی خوبی نخواهیم داشت.
-
- نقاط پرت میان مشاهدات: تحلیل عاملی نسبت به نقاط پرت حساس است. این مشاهدات را میبایستی بیابید و حذف کنید و یا با تبدیلی دوباره کدگذاری کنید.
-
- چند هم خطی و تکینی: این شرط مربوط به تحلیل مؤلفه های اصلی(PC) نیست. در مورد PAF اگر مربع هر همبستگی چندگانه دقیقا برابر با ۱ باشد، تکینی و اگر نزدیک به ۱ باشد، چند هم خطی را می توان مشخص کرد. متغیرهایی که دارای تکینی و یا چند هم خطی هستند، لازم است تجدید نظر شوند.
-
- مناسب بودن ماتریس همبستگی: ماتریسی برای تحلیل عاملی مناسب است که دارای همبستگیهای بزرگ باشد. ماتریس همبستگی را برای یافتن همبستگیهای بیش از ۰٫۳ نگاه میکنیم، اگر هیچ موردی پیدا نکردیم در استفاده از PAF تجدید نظر میکنیم. پادتصویر ماتریس همبستگی برای تعیین کفایت نمونه گیری هر متغیر به کار میرود. اندازه های کفایت نمونه گیری در قطر پادتصویر ماتریس همبستگی نشان داده میشوند. متغیرهایی که دارای اندازه دقت نمونه گیری کمتر از ۰٫۵ هستند را باید از تحلیل حذف کرد. دو آزمون کرویت Bartlett و اندازه کفایت نمونه گیری Kaiser-Meyer-Olkin برای این منظور به کار میروند. اگر آزمون Bartlett بزرگ و معنادار باشد و اگر اندازه Kaiser-Meyer-Olkin بزرگتر از ۰٫۶ باشد، آنگاه این فرض برقرار است.
- متغیر پرت در میان متغیرها: متغیری با مربع همبستگی چندگانهی پایین با سایر متغیرهای دیگر و همبستگیهای پایین با تمام عاملهای مهم، به عنوان یک متغیر پرت شناخته می شود و لازم است از تحلیل حذف شود (صادقپور و همکاران، ۱۳۹۲).
- مدل سازی معادلات ساختاری
مدل سازی معادلات ساختاری، یکی از فنون مدل سازی آماری میباشد که در سالهای اخیر از حوزه رفتاری وارد حوزه مدیریت، سازمان و اقتصاد شده است. این پوشش، فن مدل سازی آماری است که فنون دیگری مانند رگرسیون چند متغیره، تجزیه تحلیل عاملی و تجزیه تحلیل مسیر[۲۳۸] را دربرمیگیرد و تمرکز اصلی آن بر روی متغیّرهای پنهان است که توسّط شاخص های اندازهپذیر و متغیّرهای آشکار، تعریف میگردد. با بهره گرفتن از این روش، میتوان روابط علّی و معلولی میان متغیرهایی که به طور مستقیم قابل مشاهده نیستند را با توجه به خطاها استنتاج نمود و میزان همبستگی و شدّت اثرگذاری هر یک را بر دیگری، مورد تجزیه و تحلیل قرار داد. به همین دلیل، مدل سازی معادلات ساختاری با عنوان تجزیه و تحلیل متغیّرهای پنهان با مدل سازی علّی نیز شناخته شده است. در این روش مانند رگرسیون، کمّی سازی روابط میان متغیّرهای مستقل و وابسته صورت میگیرد. البته برخلاف پارامترهای رگرسیون که همبستگی های تجربی را نشان می دهند پارامترهای ساختاری، همبستگی های علّی را تبیین میکنند.