Sei sulla pagina 1di 18

1. INTRODUZIONE GENERALE 1.1.

FASE PILOTA
La prima fase della ricerca ha riguardato la somministrazione di un questionario costituito da 9 domande aperte ad un campione di 30 consumatori potenziali o attuali (50% maschi e 50% femmine; et media 28). Lobiettivo del questionario ha permesso lindividuazione degli aspetti maggiormente rilevanti nelle cinque fasi dellesperienza di consumo per il bene oggetto di studio. Nello specifico si indagato sulle variabili che hanno influenzato lintenzione dacquisto, la ricerca di informazioni sul prodotto, i criteri che conducono alla valutazione delle alternative, i fattori che influiscono sulla decisione dacquisto e utilizzo, ed elementi considerati rilevati durante la valutazione post-acquisto. Analizzando le risposte gli aspetti che hanno presentato le frequenze pi alte sono presentati nella tabella 1.1.
Tab. 1.1 Item generati dallindagine pilota Fase Esigenza di consumo Necessit e bisogno Ricerca di informazioni Funzionalit Valutazione alternative Costo Decisione di acquisto e utilizzo Reperibilit del prodotto Disposizioni post-acquisto Rapporto qualit-prezzo

1.2 FASE PRINCIPALE


La fase successiva dello studio si sviluppata mediante la somministrazione del questionario a risposte chiuse ad un campione di 160 soggetti (53% maschi e 47% femmine, et media 34), il quale scaturisce dal processo di wording sulla scala di soddisfazione nel consumo dei beni convenience sulla base dei risultati emersi dalla fase pilota. Tale questionario si compone di 21 item, suddivisi in base alle cinque fasi1 del processo di consumo e ulteriori 4 item2 relativi alla soddisfazione, esperienza e intenzione di riacquisto complessive, attenendosi alla scala di tipo Likert (1932)3 a sette passi.
1

Esigenza di consumo: E1; ricerca di informazioni: R1, R3, R4, R5, R6; valutazione delle alternative: V1, V2, V3, V4; acquisto ed utilizzo del bene: U1, U2, U3, U4, U5; disposizioni post-acquisto: P1, P2, P3, P4, P5, P62 Soddisfazione complessiva: S1; intenzione riacquisto: C1; passaparola positivo: C2; assenza di lamentele: C3. 3 Likert R. (1932) Technique for the measure of attitudes Arch.Psycho., Vol. 22 N. 140. una scala unipolare, in cui i soggetti devono indicare il grado di accordo o disaccordo con ciascuna serie di affermazioni correlate alloggetto della misurazione; le categorie previste sono, in genere, 5 o 7 (da fortemente disaccordo a fortemente daccordo).

2.1 CONTROLLO DI VALIDAZIONE DELLA SCALA


Si procede ad effettuare le tre fasi conclusive della procedura di De Vellis (1991) al fine di misurare laccuratezza della scala adottata per poter estendere i risultati del campione sullintera popolazione; esse riguardano nello specifico: la verifica dellaffidabilit interna in cui si valuta laccuratezza della scala e la coerenza dei diversi item con il costrutto Soddisfazione oggetto danalisi. I test di affidabilit prevedono: lanalisi della correlazione, lanalisi fattoriale, il calcolo degli indici di coerenza interna, la procedura Split-Half Sample, e il test sulle differenze (T-test e ANOVA). la validit del criterio consente di valutare se la misura del fenomeno ottenuta varia in modo coerente con le altre misure alternative chiamate variabili-criterio. A tal fine due sono le analisi che si possono utilizzare: lanalisi di correlazione, lANOVA univariata. la validit del costrutto consente di valutare se la misura del fenomeno indagato e effettivamente associato con misure di aspetti logicamente e/o teoricamente correlati al fenomeno stesso (nel caso in esame C1, C2, C3). Sono due le analisi da condurre e cio: analisi di correlazione, analisi delle differenze.

2.1.1 ANALISI DELLA CORRELAZIONE


La fase di verifica dellaffidabilit interna della scala, finalizzata a valutare e garantire laccuratezza della stessa, trova il suo input nella procedura di analisi della correlazione. Essa pu risultare positiva, negativa o nulla 4. Tale metodo volto a misurare il grado di associazione tra due o pi variabili, mediante il calcolo di appositi indici statistici. Per misurare la correlazione si utilizza il Coefficiente di Pearson (r) 5, indipendente sia dalla dimensione del campione sia dallunit di misura. Nel processo di analisi, tale indice, consente di verificare il grado di associazione di ciascun item con la scala nel suo complesso (item-to-total correlation), permettendo di verificare che ciascuno di essi sia pertinente con il costrutto in esame, ovvero la soddisfazione. Per prassi
4

Si ha correlazione positiva quando a valori alti di una variabile corrispondono tendenzialmente valori alti della seconda; correlazione negativa quando a valori alti della prima corrispondono valori bassi della seconda; infine si ha non correlazione quando le variabili sono associate in maniera diversamente proprorzionale. 5 r ottenuto dividendo la covarianza tra due variabili per una misura della dimensione del campione, quindi dividendo il risultato per le deviazioni standard delle due variabili. Assume valori compresi tra (-1; +1).

si ritengono accettabili tutti quei valori di r maggiori di 0,30 0,35, se risultano inferiori al limite di accettabilit, gli item corrispondenti devono essere esclusi dalla scala. Unulteriore conferma dellaffidabilit data dal calcolo del Coefficiente di Cronbach che fornisce una misura della correlazione media tra gli item6. Nel caso in esame soddisfazione delluso del rasoio Bic, lanalisi condotta con il software SPSS ha generato una serie di tabelle, tra queste vengono riportate le pi significative ai fini della ricerca. In particolare, nella Tabella 2.1 si riporta il coefficiente di Cronbach, calcolato sulla scala complessiva a 21 item.
Tab. 2.1 Calcolo del coefficiente di Cronbach
Alfa di Cronbach ,944 N di item 21

Il valore di riportato nella Tabella 2.1 (supra) indica un soddisfacente grado di correlazione tra gli item poich esso si attesta prossimo ad 1 e quindi superiore alla soglia di accettabilit fissata a 0,60-0,70. Nella Tabella 2.2 - Statistiche di correlazione tra gli item e la scala complessiva (infra) sono riportati nelle righe gli item della scala e, nelle colonne, i valori di un insieme (una serie) di indici che permettono di valutare se il corrispondente item coerente con la scala. In particolare, i valori pi indicativi si riscontrano nella quarta e quinta colonna, in cui vengono indicati rispettivamente il valore dellindice item-to-total correlation e il valore del coefficiente di Cronbach calcolato, di volta in volta, sulla scala epurata dallitem corrispondente. Il valore dellitem-to-total correlation viene riportato in tabella nella forma corretta, quindi calcolato su tutta la scala escludendo litem considerato. Analizzando questa colonna si evince che i valori del coefficiente di Pearson sono tutti superiori alla soglia di accettabilit (0,30-0,35), indicando una buona correlazione tra il singolo item e la scala nel suo complesso. Nellultima colonna vi il valore del coefficiente di Cronbach calcolato sul totale della scala escluso litem corrispondente. Questo, non ha una soglia assoluta di accettabilit, piuttosto la sua interpretazione deve essere effettuata confrontando il valore del coefficiente di Cronbach calcolato sul totale della scala (nel caso in esame pari a 0,944) con il valore del medesimo indice relativo allitem escluso. Si devono eliminare gli item in cui l
6

Da un punto di vista statistico, indica la porzione di varianza condivisa dagli item che attribuibile al fenomeno rilevato. RIFERIMENTO A SPLIT HALF DELLA SCALA

corrispondente superiore all calcolato sul totale della scala in quanto significherebbe che esso non sufficientemente coerente con il resto della scala. Se avviene il contrario, come in questo caso di studio, non va eliminato alcun item in quanto la scala cosi com e coerente con il costrutto.
Tab. 2.2 Statistiche di correlazione tra gli item e la scala complessiva
Scala varianza Scala media se litem escluso E2 R1 R3 R4 R5 R6 V1 V2 V3 V4 U1 U2 U3 U4 U5 P1 P2 P3 P4 P5 P6 86,5063 87,0000 87,2063 87,4312 87,1313 86,7563 86,6062 86,9937 86,1375 86,7000 86,2250 86,7125 85,9000 86,3000 85,6313 86,4250 86,6875 86,5500 87,0500 86,1125 86,5625 se litem escluso 550,541 552,579 545,083 565,442 554,630 548,701 549,070 555,101 559,742 547,218 560,767 571,904 580,468 558,111 567,719 549,567 551,600 549,809 559,721 567,421 551,807 Correlazione del Alfa di Cronbach totale item corretta ,732 ,696 ,687 ,513 ,621 ,737 ,755 ,765 ,603 ,728 ,619 ,486 ,390 ,654 ,534 ,764 ,758 ,741 ,544 ,535 ,740 se litem escluso ,940 ,940 ,940 ,943 ,941 ,940 ,939 ,939 ,942 ,940 ,941 ,943 ,945 ,941 ,943 ,939 ,939 ,939 ,943 ,943 ,940

2.1.2 ANALISI FATTORIALE


Lanalisi fattoriale comprende un insieme di tecniche statistiche in grado di raggruppare i dati relativi a pi variabili, in un insieme di fattori o componenti in genere diversi dalle variabili iniziali. Obiettivo primario, quindi, quello di ridurre il numero di variabili, perdendo il minimo dellinformazione e rendendo cos pi accessibile la consultazione e lanalisi complessiva dei dati. Tale tecnica, inoltre, consente di isolare i fattori sottostanti la massa dei dati raccolti, denominati variabili latenti, in grado di definire le caratteristiche del campione. 4

Ai fini dellanalisi di validit interna della scala, essa consente di comprendere se possibile estrarre un solo fattore, ci svelerebbe che gli item variano allo stesso modo. I risultati non associati ad uno stesso fattore devono essere perci scartati perch misurano aspetti non conformi agli altri item. Tra gli strumenti disponibili, il Metodo delle componenti principali risulta il pi idoneo ad affinare la scala assegnata. Tale metodo permette di creare delle variabili artificiali, dette fattori7, tra loro ortogonali cio indipendenti e con correlazione nulla cosicch essi non trasportino informazioni tra loro collegabili. Tra le modalit di individuazione del numero di fattori da estrarre vi sono: la Regola degli autovalori maggiori di 1, in cui si considerano solo quei fattori con autovalore8 maggiore dellunit; e il Metodo grafico dello scree-plot (o del grafico decrescente degli autovalori), in cui si sceglie sulla base della rappresentazione cartesiana degli autovalori rispetto al numero dei fattori in ordine di estrazione (Guido, Bassi, Peluso, 2010). La Tabella 2.3 Varianza totale spiegata (infra) fornisce una descrizione sintetica della percentuale di varianza 9 (D. Posa, S. de Iaco) spiegata dai vari fattori.
Tab. 2.3 Varianza totale spiegata
Componente

Autovalori iniziali Totale % di varianza 48,202 7,997 5,784 4,908 3,894 3,697 3,111 2,717 ,607 % cumulata 48,202 56,199 61,947 66,855 70,749 74,446 77,557 80,274 100,00 Totale 10,123 1,679 1,207 1,031 10,123 1,679 1,207 1,031 ,818 ,776 ,653 ,570 ,127

Pesi dei fattori non ruotati % di varianza 48,202 7,997 5,784 4,908 % cumulata 48,202 56,199 61,947 66,855

1 2 3 4 5 6 7 8 21

Nota: Metodo di estrazione: analisi componenti principali

Combinazioni lineari delle variabili sperimentali ottenute dalla somma dei prodotti delle singole variabili, ottenute moltiplicando i valori delle variabili standardizzate (ovvero con media 0 e varianza 1) per gli opportuni coefficienti. Il segno di tali coefficienti indica come il singolo fattore sia legato alle diverse variabili sperimentali. 8 Quantit di varianza di un fattore che viene trasportata detta anche comunalit, poich raggruppa gli aspetti comuni degli item di partenza. 9 La varianza di una variabile aleatoria rappresenta una misura della dispersione delle possibili realizzazioni della variabile intorno al valore atteso (media delle realizzazioni di una variabile aleatoria)

Come si evince dalla tabella 2.3 (supra), lanalisi ha portato allestrazione di quattro fattori, con autovalore maggiore di 1, che cumulativamente spiegano una quantit di varianza pari a circa il 67%, superiore al limite considerato accettabile equivalente al 60%. Il primo fattore estratto in grado di spiegare una quantit di varianza pari circa al 48%, ci vuol dire che esso racchiude gran parte dellinformazione comune di tutta la scala. Si osserva che i successivi fattori spiegano una percentuale di varianza sempre minore che minima in corrispondenza del quarto e ultimo fattore estratto (circa il 5%).
Fig. 2.1 Grafico decrescente degli autovalori (scree-plot)

Nella Figura 2.1 - Grafico decrescente degli auto valori (supra), in cui vengono rappresentati sullasse delle ordinate gli autovalori corrispondenti ad ogni item e sullasse delle ascisse la totalit di essi, troviamo conferma di quanto si appena ricavato dalla Tabella 2.3 - Varianza totale spiegata (supra). Analizzando il grafico si evince come il primo fattore si distingua rispetto agli altri per la capacit di spiegare il costrutto. La Tabella 2.4 - Matrice delle componenti (infra) nelle righe sono indicate le variabili osservate e nelle colonne i fattori comuni, ovvero quelli estratti dallanalisi suddetta. Allincrocio delle caselle vi sono i coefficienti (factor loadings)10 che indicano quanto e come il singolo fattore sia correlato alle diverse variabili sperimentali; ovvero, tale valore dimostra
10

I factor loadings sono usati per esprimere una variabile standardizzata come una combinazione lineare dei fattori e varia tra -1 e 1. Fattori vicini a 1 in valore assoluto sono strettamente legati alla variabile stessa: il segno da invece la direzione di questa correlazione.

quanto linformazione che ciascun fattore raggruppa in se sia distribuita tra i vari item di partenza. Esaminando la matrice si pu osservare come tutti gli item saturino il primo fattore estratto indicando una buona validit interna della scala. Tabella 2.4 Matrice delle componenti
1 ,805 ,804 ,800 ,791 ,780 ,777 ,776 ,772 ,768 ,741 ,724 ,694 ,658 ,649 ,646 ,597 ,568 ,567 ,513 ,414 ,550 ,480 ,369 ,443 ,691 -,566 ,533 ,499 ,364 ,402 ,440 -,357 Componente 2 3 4

V2 P1 V1 P2 P3 V4 R6 P6 E2 R1 R3 U4 R5 V3 U1 P4 U5 P5 U2 U3 R4

Nota: Metodo di estrazione: Analisi componenti principali.

2.1.3 ANALISI DI COERENZA INTERNA


La procedura di valutazione del grado di affidabilit interna della scala, prosegue con il calcolo di specifici indici di coerenza interna che forniscono una misura del grado di correlazione tra gli item. Gli indici pi utili per questa fase di studio sono: coefficiente di Cronbach, split-half R, Spearman-Brown Y e lindice G di Guttman. LAlfa di Cronbach fornisce una misura della correlazione media tra gli item della scala e, statisticamente, indica la proporzione di varianza condivisa tra essi e attribuibile al fenomeno 7

rilevato. Ci comporta che quanto pi il valore del coefficiente vicino a uno, tanto pi gli indicatori della scala varieranno uniformemente in ragione della diversa intensit del fenomeno osservato. Per prassi, valori di superiori a 0,60-0,70 sono considerati indicativi di un adeguato livello di coerenza interna dello strumento di misurazione (cfr. De Vellis 1991; Hair et al. 2006). Per proseguire la descrizione degli indici occorre, a questo punto, chiarire che gli indici splithalf R, Spearman-Brown Y e G di Guttman seguono una logica differente rispetto a quella che caratterizza il Coefficiente di Cronbach. Mentre questultimo considera simultaneamente gli item nel loro complesso, R, G e Y utilizzano la tecnica dello split-half. Tale metodo consente di suddividere linsieme degli item in due gruppi omogenei, utilizzati come scale distinte relative allo stesso fenomeno. Il principio-guida, in questo caso che, se vero che tutti gli item di uno strumento di misurazione rilevano aspetti affini del medesimo fenomeno, allora gruppi distinti di item ottenuti dividendo in due la scala di partenza devono fornire misure non troppo diverse e strettamente correlate del costrutto (cfr. Guido 1999a). Gli indici basati sul metodo dello split-half forniscono una misura di correlazione tra i punteggi ottenuti su due sottoinsiemi di item generati dalla divisione a met della scala originaria. Pi in particolare: lo split-half R
11

coincide con il coefficiente di correlazione tra i punteggi


12

complessivi ottenuti sui due sottoinsiemi di indicatori; lindice di Spearman-Brown Y

analogamente a R esprime una misura della correlazione tra i punteggi complessivi ottenuti sulle sotto-scale di item, ma in questo caso il calcolo avviene anche tenendo conto della numerosit dei due sottoinsiemi di item; lindice G di Guttman, costituisce un adattamento dellindice di Spearman-Brown, tuttavia, il coefficiente G in genere pi robusto e meno suscettibile a eventuali distorsioni nei dati. Nel caso di studio in esame il calcolo del coefficiente di Cronbach attribuibile alla scala complessiva, gi effettuato nellanalisi di correlazione, si pu considerare trascurabile poich i risultati relativi alla prima fase di analisi di coerenza interna, hanno portato alla conferma della scala di partenza, non escludendo alcun item, pertanto il valore di resta invariato anche in questa fase (nel nostro caso pari a 0,944). I valori degli indici sopra elencati, relativi al caso di studio, sono riportati di seguito nella Tabella 2.5 - Indici di coerenza interna basati sul metodo dello split-half.
11

R varia tra -1 e + 1; -1 indica correlazione perfetta e inversa; 1 correlazione perfetta e diretta in corrispondenza dello zero la correlazione nulla. 12 Y varia tra 0 e 1: valori prossimi a 1 indicano un buon livello di affidabilit interna della scala.

Tab. 2.5 Indici di coerenza interna basati sul metodo dello split-half
Parte 1 Alfa di Cronbach Parte 2 Valore N di item Valore N di item ,917 11a ,880 10b 21 ,824 ,903 ,904 ,893

Numero di item totale Correlazione fra forme Coefficiente di Spearman-Brown Divisione a meta di Guttman Lunghezza uguale Lunghezza diversa

Note: a. gli item sono: E2, R1, R3, R4, R5, R6, V1, V2, V3, V4, U1, b. gli item sono: U2, U3, U4, U5, P1, P2, P3, P4, P5, P6.

La parte superiore della Tabella riporta il valore del coefficiente di Cronbach in corrispondenza delle due sotto-scale di (generate in automatico dal software) di item in cui stata suddivisa la scala, costituite rispettivamente da 11 e da 10 item. Si pu facilmente osservare che i due valori sono tendenzialmente in linea. Il lieve scostamento riscontrabile, pari a 0,037, riferibile probabilmente alla differente grandezza dei due sotto-insiemi di item. Nella parte inferiore della medesima tabella, vengono indicati i valori degli indici split-half R, Spearman-Brown Y e G di Guttman, pari rispettivamente a 0,824, 0,903-0,904, 0,893. Tali risultati mostrano una soddisfacente correlazione tra i sotto-insiemi di item, considerando che si ha perfetta correlazione in corrispondenza del valore 1. In relazione allindice di SpearmanBrown Y, la tabella presenta unulteriore specificazione relativa alla numerosit di item di ciascuna sotto-scala. Tale indice, a seconda che i sottoinsiemi confrontati siano uguali o meno, viene calcolato seguendo differenti procedimenti (algoritmi) che generalmente portano a risultati analoghi. Nel caso specifico i valori ottenuti mostrano una differenza marginale di 0,001, avendo riscontrato valori di Y pari a 0,903 (lunghezza uguale) e 0,904(lunghezze diverse).

2.1.4 PROCEDURA SPLIT-HALF SAMPLE


Per procedere alla verifica di affidabilit interna della scala, si pu ricorrere ad una procedura complementare alle precedenti
13

13

, che consente di suddividere casualmente il

Si confrontino i paragrafi precedenti relativi allanalisi di correlazione, analisi fattoriale, indici di coerenza interna impiegate per la valutazione del grado di accuratezza

campione osservato in due gruppi omogenei di rispondenti. Tale procedura non si deve confondere con il metodo dello split-half della scala che, invece, suddivide gli item di partenza in due sotto-scale omogenee. Lo split-half sample permette di verificare se la scala coerente al variare del campione nellambito della popolazione osservata. Anche per questa fase la procedura prevede il calcolo di specifici indici statistici strumentali alla ricerca: coefficiente di Cronbach, split-half R, Spearman-Brown Y e G di Guttman. Occorre chiarire che gli indici R,Y e G anche nello split-half sample mantengono la stessa logica della fase precedente, ovvero seguono il metodo dello split-half che presuppone la suddivisione a met della scala degli item. Nel procedimento pratico, la prima operazione da svolgere, riguarda la suddivisione a met del campione osservato. Si possono seguire due differenti procedure ai fini della ripartizione: possibile suddividere il campione utilizzando la specifica funzione fornita dal software SPSS che, produrr due sotto-gruppi omogenei in maniera casuale; oppure si pu procedere manualmente alla suddivisione della popolazione considerando per il primo sotto-campione i primi ottanta rispondenti, per il secondo sottocampione i restanti soggetti. Una volta che il campione stato suddiviso, si proseguir con il calcolo degli indici di coerenza interna, sopra elencati, gi utilizzati, in precedenza, nella fase dello split-half della scala. Questa fase analitica consente di verificare se i valori di tali coefficienti, a livello dei due sotto-campioni, risultano confrontabili Nel caso di studio specifico, per la suddivisione della popolazione, costituita da 160 soggetti, nei due sottocampioni, stata utilizzata la funzione fornita dal software SPSS, che ha permesso una ripartizione assolutamente casuale del campione osservato, in due sotto-gruppi di 80 soggetti ciascuno. Il primo risultato numerico generato dallanalisi, il coefficiente di Cronbach della scala complessiva, relativo ai due sotto-campioni. Tale indice assume valori pari a 0,959 in corrispondenza del sotto-campione A e, pari a 0,923 in corrispondenza del sotto-campione B. Entrambi i coefficienti si attestano in prossimit dell1, con un valore di leggermente pi alto in corrispondenza del primo sotto-campione. I valori osservati, indicano che per entrambi i sotto-gruppi, di 80 soggetti ciascuno, la correlazione media tra gli item soddisfacente; inoltre, tali valori consentono di affermare che la scala conserva un adeguato livello di coerenza interna, pur effettuando la suddivisione campionaria. Le Tabelle 2.6 - Indici di coerenza interna basati sul metodo dello split-half della scala calcolati sul Sotto-campione A e 2-7 - Indici di coerenza interna basati sul metodo dello

10

split-half

della scala calcolati sul

Sotto-campione B, riassumono i risultati prodotti

dallanalisi in relazione ai due sottocampioni.


Tab. 2.6 Indici di coerenza interna basati sul metodo dello split-half della scala calcolati sul Sotto-campione A
Parte 1 Alfa di Cronbach Parte 2 Valore N di item Valore N di item ,932 11a ,917 10b 21 ,874 ,933 ,933 ,925

Numero di item totale Correlazione fra forme Coefficiente di Spearman-Brown Divisione a meta di Guttman Lunghezza uguale Lunghezza diversa

Note: a. gli item sono: E2, R1, R3, R4, R5, R6, V1, V2, V3, V4, U1, b. gli item sono: U2, U3, U4, U5, P1, P2, P3, P4, P5, P6.

Tab. 2.7 Indici di coerenza interna basati sul metodo dello split-half della scala calcolati sul Sotto-campione B
Parte 1 Alfa di Cronbach Parte 2 Valore N di item Valore N di item ,900 11a ,828 10b 21 ,757 ,862 ,862 ,847

Numero di item totale Correlazione fra forme Coefficiente di Spearman-Brown Divisione a meta di Guttman Lunghezza uguale Lunghezza diversa

Note: a. gli item sono: E2, R1, R3, R4, R5, R6, V1, V2, V3, V4, U1, b. gli item sono: U2, U3, U4, U5, P1, P2, P3, P4, P5, P6.

Osservando il coefficiente di Cronbach situato nella parte superiore delle tabelle sopra riportate e calcolato in corrispondenza dei due sotto-campioni, possibile verificare che i valori corrispondenti sono tutti prossimi allunit, con una lieve preponderanza in corrispondenza del sotto-campione A attribuibile alle diverse intensit del fenomeno osservato nei due sottocampioni. I valori di , essendo per entrambi i campioni prossimi a 1, permettono di affermare che la scala dotata di un adeguato livello di coerenza interna. I valori degli indici split-half R, 11

Spearman-Brown Y e G di Guttman, nel sotto-campione A si attestano in prossimit dell1, mostrando valori pari a. R 0,874, Y 0,933 G 0,925. Anche il sotto-campione B presenta valori vicini a 1, ancora una volta, per, tali indici mostrano lievi differenze con i valori relativi al sottocampione A. Ci potrebbe significare che il sotto-gruppo B sia pi suscettibile alla diversa intensit del fenomeno osservato, rispetto al sotto-campione A. Tale eventualit, comunque, non influenza la valutazione del grado di affidabilit della scala poich tutti i valori osservati nei sottocampioni o raggiungono il limite minimo di accettabilit nel caso del coefficiente di Cronbach, oppure sono compresi nellintervallo (0;1) stabilito per gli indici R,Y e G. Pertanto possibile concludere che la scala assegnata resta coerente, anche, al variare del campione nella popolazione.

2.1.5 TEST SULLE DIFFERENZE


Attraverso la procedura split-half sample possibile estendere lanalisi di comparabilit ai singoli item, al fine di verificarne la coerenza con i due sottocampioni o leventuale incoerenza di uno di essi o della scala in generale. Tale analisi viene realizzata attraverso specifici test statistici denominati Test sulle Differenze. Tali test sono finalizzati a verificare se gli scarti tra due o pi valori medi siano statisticamente significativi. I due tipi di test, realizzabili attraverso dati di tipo numerico, sono il T-Test e lAnalisi della Varianza (ANOVA)14.

2.1.5.1 t-test (a campioni indipendenti) Il t-test pu essere sviluppato in tre forme in base alle finalit richieste: t-test a campionamento; t-test a campioni appaiati; t-test a campioni indipendenti;

14

LANOVA una estensione del T-test e si realizza nel momento in cui i valori medi assunti dagli item vengono confrontati con pi di 2 gruppi.

12

Dovendo verificare la coerenza di ogni singolo item o della scala allinterno di sotto-gruppi diversi, la tipologia di t-test pi appropriata risulta essere quella a campioni indipendenti che permette di verificare lesistenza di uno scostamento rilevante tra i valori medi di una variabile calcolati su campioni distinti. Il t-test preceduto dal Test di Levene15 (1960) che attesta lesistenza o meno di omogeneit della varianza tra i due sotto-gruppi. Per prassi, si considera il Test di Levene significativo per valori di p inferiori a 0,05 (varianze non uguali) nel caso contrario bisogna procedere allulteriori analisi con il t-test vero e proprio confrontando nuovamente i valori di p con la soglia precedentemente indicata. Se i valori del test risultassero non significativi, ci confermerebbe che gli item della scala si comportano in modo omogeneo nei due sotto-campioni, supportando ulteriormente la validit dello strumento. Il t-test pu essere condotto anche sulla scala aggregata, dopo aver calcolato la variabile SODD16 che verr considerata lunica variabile originaria. La validit della scala sar dimostrata dalla presenza di punteggi analoghi sui gruppi individuati, appartenenti al medesimo campione di rispondenti. I risultati dei Test sulle Differenze sono sintetizzati nella tabella 2.8 Risultati del t-test per campioni indipendenti di seguito riportata.
Tab. 2.8 Risultati del t-test per campioni indipendenti
Test di Levene di uguaglianza delle varianze F Sig. t df t-test di uguaglianza delle medie Sig. (2-code) Diff. fra medie Diff. errore standard E1 R1 R3 R4 R5 R6 V1 V2 V3 Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali ,019 ,257 ,288 ,444 ,892 ,613 ,592 ,506 1,428 1,883 ,412 ,005 1,665 ,234 ,172 ,522 ,945 ,199 ,092 ,092 ,409 ,409 -,639 -,639 -,176 -,176 ,851 ,851 ,540 ,540 ,926 ,926 ,000 ,000 ,136 ,136 158 156,328 158 157,096 158 157,979 158 157,978 158 156,231 158 157,997 158 157,785 158 157,833 158 157,598 ,927 ,927 ,683 ,683 ,523 ,523 ,860 ,860 ,396 ,396 ,590 ,590 ,356 ,356 1,000 1,000 ,892 ,892 ,02500 ,02500 ,11250 ,11250 -,20000 -,20000 -,05000 -,05000 ,25000 ,25000 ,15000 ,15000 ,25000 ,25000 ,.00000 ,00000 ,03750 ,03750 ,27185 ,27185 ,27494 ,27494 ,31278 ,31278 ,28404 ,28404 ,29368 ,29368 ,27793 ,27793 ,26996 ,26996 ,24175 ,24175 ,27563 ,27563 Inferiore -,51194 -,51198 -,43053 -,43055 -,81777 -,81777 -,61101 -,61101 -,33005 -33010 -,39894 -,39894 -,28320 -,28321 -,47749 -,47749 -,50689 -,50690 Superiore ,56194 ,56198 ,65553 ,65555 ,41777 ,41777 ,51101 ,51101 ,83005 ,83010 ,69894 ,69894 ,78320 ,78321 ,47749 ,47749 ,58189 ,58190 Intervallo di conf. per la differenza al 95%

15

Levene, Howard (1960). "Robust tests for equality of variances". in Ingram Olkin, Harold Hotelling et al. Contributions to Probability and Statistics: Essays in Honor of Harold Hotelling. Stanford University Press. pp. 278292. 16 Sodd Sommatoria dei punteggi dei item. Rif..

13

V4 U1 U2 U3 U4 U5 P1 P2 P3 P4 P5 P6

Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali Assumi var. uguali Non assumere var. uguali

1,052 2,248 1,882 ,254 1,526 ,327 ,103 ,079 ,992 2,518 ,543 ,433

,307 ,136 ,172 ,615 ,219 ,568 ,749 ,779 ,321 ,115 ,462 ,512

,914 ,914 -1,188 -1,188 -1,710 -1,710 -,151 -,151 1,477 1,477 ,575 ,575 ,707 ,707 ,726 ,726 -,414 -,414 ,207 ,207 ,907 ,907 ,617 ,617

158 157,569 158 155,600 158 153,564 158 157,446 158 156,668 158 157,901 158 157,839 158 157,971 158 156,359 158 155,587 158 157,877 158 157,716

,362 ,362 ,237 ,237 ,080 ,089 ,880 ,880 ,142 ,142 ,566 ,566 ,481 ,481 ,469 469 ,680 ,680 ,836 ,836 ,366 ,366 ,538 ,538

,26250 ,26250 -,31250 -,31250 -,43750 -,43750 -,03750 -,03750 ,38750 ,38750 ,15000 ,15000 ,18750 ,18750 ,18750 ,18750 -,11250 -,11250 ,06250 ,06250 ,23750 ,23750 ,16250 ,16250

,28731 ,28731 ,26304 ,26304 ,25585 ,25585 ,24866 ,24866 ,26242 ,26242 ,26105 ,26105 ,26523 ,26523 ,25843 ,25843 ,27190 ,27190 ,30205 ,30205 ,26190 ,26190 ,26331 ,26331

-,30496 -,30497 -,83203 -,83209 -,94282 -,94293 -,52863 -,52865 -,13081 -,13085 -,36560 -,36561 -,33635 -,33635 -,32292 -,32292 -,64953 -,64957 -,53407 -,53414 -,27977 -,27977 -,35757 -,35757

,82996 ,82997 ,20703 ,20709 ,06782 ,06793 ,45363 ,45365 ,90581 ,90585 ,66560 ,66561 ,71135 ,71135 ,69792 ,69792 ,42453 ,42457 ,65907 ,65914 ,75477 ,75477 ,68257 ,68257

I primi valori da osservare sono quelli relativi al Test di Levene. Si osserva che questi risultano non significativi poich i relativi valori di p (nella tabella si veda la voce Sig.) sono superiori alla soglia limite di 0,05, condizione necessaria ma non sufficiente. Si procede, pertanto, al confronto dei valori di p risultanti dal T-test, con la medesima soglia. I risultati di p si presentano nuovamente superiori alla soglia limite, quindi, il t-test non significativo attestando che gli item della scala sono omogenei ai sottocampioni, derivanti dalla procedura split-half sample. La validit della scala aggregata verificata dai risultati del t-test tenendo conto di SODD come unica variabile. Si riportano i risultati relativi al test nella tabella 2.9 Risultati t-test per campioni indipendenti. Tab. 2.9 Risultati t-test per campioni indipendenti
Test di Levene di uguaglianza delle varianze F Sig. T df Sig. (2-code) t-test di uguaglianza delle medie Diff. fra medie Diff. errore standard Inferiore SODD Assumi var. uguali Non assumere var. uguali 2,307 ,131 ,335 ,335 158 153,274 ,738 ,738 1,31250 1,31250 3,92367 3,92367 -6,43710 -6,43894 Superiore 9,06210 9,06394 Intervallo di conf- per la differenza al 95%

Ancora una volta i valori di p risultano superiori alla soglia limite dello 0,05; inoltre questi nel t-test sui due campioni coincidono. Gli estremi dellintervallo di confidenza visibili nella tabella 2.9 (supra) sono molto simili. Lanalisi permette di verificare con maggiore certezza il grado di validit della scala.

14

2.1.2 ANALISI DELLA VARIANZA (ANOVA) Lanalisi della varianza (ANOVA) altro non che una generalizzazione del t-test a campioni indipendenti. Obiettivo dellanalisi verificare differenze significative tra due o pi valori medi della variabile dipendente ( Soddisfazione) su altrettanti gruppi di soggetti definiti in base a una o pi variabili indipendenti (variabili fattore) misurate su scale nominali od ordinabili. Allinterno delle scale sono collocati i livelli sperimentali cio le specifiche caratteristiche o i gradi di un fenomeno della variabile fattore. I soggetti che presentano la medesima caratteristica o lo stesso grado rientreranno in uno stesso gruppo sperimentale.17 LANOVA in base al numero delle variabili fattore analizzate per verificarne gli effetti sulla variabile dipendente si distingue in ANOVA Univariata e ANOVA Fattoriale. In entrambi i casi lobiettivo rimane quello di verificare se le variabili fattori influenzano la variabile dipendente tanto da determinare degli scostamenti significativi allinterno dei diversi gruppi sperimentali. Da un punto di vista statistico lANOVA si basa sulla scomposizione della varianza della variabile dipendente (soddisfazione) in varianza tra i gruppi e varianza fra i gruppi18. Il loro rapporto determina il calcolo del indice F di Fisher 19 che quanto maggiore si presenta tanto pi le differenze allinterno del campione complessivo sono dovute allappartenenza ad un gruppo sperimentale piuttosto che ad un altro (il test risulta significativo quindi i valori di p sono inferiori a 0,05).

2.2 VERIFICA DELLA VALIDITA DEL CRITERIO 2.2.1 ANALISI DI CORRELAZIONE


Tab. 2.10 Matrice di correlazione
Correlazione di Pearson SODD S1 Sig. (2-code) N Correlazione di Pearson Sig. (2-code)
17

SODD 1 160 ,823** ,000

S1 ,823** ,000 160 1

Un classico esempio di variabile fattore su scala nominale il sesso. I soggetti verranno divisi in base a due livelli sperimentali M (maschi) e F (femmine) generando cos due gruppi sperimentali estraibili da un campione complessivo. Un ulteriore esempio di variabile fattore su scala ordinale invece il livello di soddisfazione basata su tre livelli sperimentali Alta -Media-Bassa. 18 Donato Posa (2004) Fondamenti di Statistica Descrittiva La variabilit cap.4 . 19 Fisher, I. (1922), The Making of Index Numbers.

15

N Note: ** = p 0,01 (2-code).

160

160

2.2.2 ANOVA UNIVARIATA


Tab. 2.11 Statistiche descrittive relative alla variabile SODD
Intervallo di confidenza N 1 2 3 4 5 6 7 Totale 8 10 23 35 39 27 18 160 Media 49,0000 57,3000 70,4783 83,4286 98,3590 114,0000 118,2778 90,9313 Deviazione std. 15,13747 16,74017 11,22849 10,83916 11,49940 20,07869 15,36920 24,74604 Errore std. 5,35190 5,29371 2,34130 1,83215 1,84138 3,86415 3,62256 1,95635 95% la media Limite Limite inferiore 36,3448 45,3248 65,6227 79,7052 94,6313 106,0571 110,6349 87,0675 superiore 61,6552 69,2752 75,3338 87,1520 102,0866 121,9429 125,9207 94,7950 Minimo 32,00 31,00 48,00 61,00 70,00 41,00 81,00 31,00 Massimo 71,00 89,00 98,00 106,00 123,00 137,00 133,00 137,00

Tab. 2.12 Risultati dellANOVA univariata


Somma dei Fra gruppi Entro gruppi Totale quadrati 66949,248 30416,996 97366,244 df 6 153 159 Media dei quadrati 11158,208 198,804 F 56,127 Sig. ,000

2.3 VERIFICA DELLA VALIDITA DEL COSTRUTTO 2.3.1 ANALISI DI CORRELAZIONE


Tab. 2.13 Matrice di correlazione
Correlazione di Pearson SODD Sig. (2-code) N Correlazione di Pearson C1 Sig. (2-code) N Correlazione di Pearson C2 C3 Sig. (2-code) N Correlazione di Pearson 160 ,638** ,000 160 ,681** ,000 160 ,631** 160 ,788** ,000 160 ,644** 160 ,608** SODD 1 C1 ,638** ,000 160 1 C2 ,681** ,000 160 ,788** ,000 160 1 C3 ,631** ,000 160 ,644** ,000 160 ,608** ,000 160 1

16

Sig. (2-code) N Note: ** = p 0,01 (2-code).

,000 160

,000 160

,000 160 160

2.3.2 ANALISI DELLE DIFFERENZE (ANOVA UNIVARIATA E POSTHOC)


Tab. 2.14 Risultati dellANOVA univariata sulle variabili C1, C2 e C3
Somma dei C1 Fra gruppi Entro gruppi C2 Totale Fra gruppi Entro gruppi C3 Totale Fra gruppi Entro gruppi Totale quadrati 252,106 363,338 615,444 273,900 296,500 570,400 245,113 341,663 586,775 df 2 157 159 2 157 159 2 15 159 Madia dei quadrati 126,053 2,314 136,950 1,889 122,556 2,176 56,317 ,000 72,517 ,000 F 54,468 Sig. ,000

Tab. 2.15 Risultati del post-hoc test sulle variabili C1, C2 e C3


Variabile dipendente C1 (I) LSODD 1 2 3 C2 1 2 3 C3 1 2 3 Note: = p 0,05.
*

(J) LSODD 2 3 1 3 1 2 2 3 1 3 1 2 2 3 1 3 1 2

Differenza fra medie (I-J) -1,73750* -3,55000* 1,73750* -1,81250* 3,55000* 1,81250* -1,80000* -3,70000* 1,80000* 1,90000* 3,70000* 1,90000* -2,03750* -3,47500* 2,03750* -1,43750* 3,47500* 1,43750*

Errore std. ,29459 ,34017 ,29459 ,29259 ,34017 ,29459 ,26612 ,30729 ,26612 ,26612 ,30729 ,26612 ,28567 ,32986 ,28567 ,28567 ,32986 ,28567

Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000

Intervallo di confidenza 95% Limite Limite inferiore -2,3194 -4,2219 1,1556 -2,3944 2,8781 1,2306 -2,3256 -4,3070 1,2744 -2,4256 3,0930 1,3744 -2,6018 -4,1265 1,4732 -2,0018 2,8235 ,8732 superiore -1,1556 -2,8781 2,3194 -1,2306 4,2219 2,3944 -1,2744 -3,0930 2,3256 -1,3744 4,3070 2,4256 -1,4732 -2,8235 2,6018 -,8732 4,1265 2,0018

17

3 INFLUENZA DELLA SODDISFAZIONE SULLINTENZIONE DACQUISTO 3.1 ANALISI DI REGRESSIONE (+ facoltativo con C1 e SODD)
Tab. 3.1 Riepilogo del modello
Modello R R-quadrato R-quadrato corretto ,482 Deviazione std. Errore della stima 1,41633

1 ,706 ,498 Note: Predittori: (Costante), POST, UTIL, ESIG, INFO, ALTE.

Tab. 3.2 Coefficienti


Coefficienti non standardizzati B std. Errore Modello 1 (Costante) ,145 ,486 ESIG ,459 ,097 INFO -,003 ,027 ALTE ,051 ,034 UTIL -,024 ,028 POST ,073 ,026 Note: Variabile dipendente: C1. Coefficienti Standardizzati Beta ,400 -,012 ,149 -,072 ,298 t ,299 4,720 -,123 1,485 -,865 2,815 Sig. ,765 ,000 ,902 ,140 ,388 ,006

3.2 STATISTICHE DESCRITTIVE


Tab. 3.3 Statistiche descrittive
E2 Validi (listwise) N 160 160 Minimo 1,00 Massimo 7,00 Media 4,4250 Deviazione std. 1,71398

18