Conforme indicado por Jaccard e Turrisi (2003), existem basicamente seis tipos de relacionamentos que podem ocorrer em relações causais a saber:
1) efeitos diretos quando uma variável independente X causa uma variável dependente Y;
2) efeitos indiretos também chamados de mediadores quando uma variável independente X causa impacto numa terceira variável Z que sofre influência de uma variável dependente Y;
3) efeito espúrio, quando uma correlação entre duas variáveis deriva de uma causa comum;
4) efeito bidirecional quando duas X e Y influenciam uma a outra; 5) efeitos não analisados;
6) efeitos moderadores, também chamados de efeitos de interação. Ocorrem quando uma variável moderadora influencia a intensidade do efeito direto entre a variável independente X e uma variável dependente Y.
119
A Figura 28 apresenta simbolicamente tais relacionamentos.
Figura 28 – Relacionamentos causais Fonte: Henseler, 2010.
Conforme indicado por Henseler (2010), uma variável moderadora pode ser métrica ou categórica. No presente estudo, uma das hipóteses é que o grau de maximização e o perfil demográfico do indivíduo são moderadores da confusão do consumidor. Nesse sentido, o grau de maximização é um construto, que após sua validação redundará numa variável métrica. Já o perfil demográfico dos indivíduos é composto pelas variáveis gênero, faixa etária, grau de escolaridade e faixa de renda familiar, que são variáveis categóricas.
A inclusão dessas variáveis como moderadoras busca avaliar se elas afetam a direção e/ou a força da relação entre o envolvimento com o produto e a confusão do consumidor. A Figura 29 apresenta tal relacionamento.
120
Figura 29 – Efeito a ser testado do perfil demográfico do indivíduo e o seu grau de maximização
Fonte: Dados da pesquisa
Para estimação do modelo de equações estruturais, a inserção da moderação significa incluir um termo de interação da variável moderadora e a variável. A obtenção desse termo de interação se dá através da multiplicação da variável moderadora com a(s) variável(is) independente(s), conforme apontado por Henseler (2010). Diante disso, as variáveis moderadoras categóricas que tiverem mais de duas categorias devem ser dicotomizadas.
Uma forma alternativa de testar o efeito de variáveis moderadoras categóricas amplamente utilizada, conforme apontado por Rigdon, Schumacker e Wothke (1998), é uma abordagem multiamostra, onde os efeitos da interação se traduzem nas diferenças de estimativas de parâmetros, quando o mesmo modelo é aplicado a diferentes, mas relacionadas, amostras.
Ao se realizar a comparação de grupos conforme supracitado, pode se refletir num resultado de qualidade inferior que modelar variáveis moderadoras contínuas. Deve-se levar em consideração que ao dividir a amostra em grupos, o tamanho resultante da mesma para ajuste do modelo em cada um dos grupos é inferior ao tamanho da amostra total e, dessa forma, as estimativas são mais susceptíveis a erro.
Envolvimento com o Produto Moderação Perfil demográfico Grau de Maximização Confusão do consumidor
121
Por outro lado, ao trabalhar cada variável individualmente, comparando os grupos, não se levaria em conta a interação entre as próprias variáveis de perfil. Por exemplo, seria avaliada a influência do gênero do indivíduo na sua confusão com as opções apresentadas no questionário, mas não se testaria a confusão de mulheres com determinada faixa etária, renda familiar e escolaridade simultaneamente.
Como forma de permitir tal avaliação, o perfil do indivíduo foi obtido através da técnica intitulada GoM (Grade of Membership) na qual foi criada uma tipologia dos indivíduos. Tal tipologia pode ser visualizada em duas etapas: a construção dos perfis extremos e o cálculo dos escores de pertencimento de todos os indivíduos de cada perfil gerado. Os estimadores desses parâmetros para a construção dessa tipologia foram realizados aplicando-se o método Grade of Membership (GoM) com base (grau de inclusão ou grau de pertinência).
A maioria dos métodos estatísticos baseia-se na teoria clássica dos conjuntos. Na teoria clássica, os conjuntos são denominados conjuntos discretos, e um determinado elemento do universo, ou domínio, pertencem ou não a um conjunto específico. Assim, a determinação desse pertencimento pode ser feita sem ambiguidades. Nesse pertencimentototal está implícita a ideia de homogeneidade entre os objetos ou indivíduos dentro de cadaconjunto. Este fator restringe a aplicabilidade da teoria clássica na solução de vários tipos de problemas reais, na medida em que existem muitas classes de objetos e de indivíduos para osquais, dada sua heterogeneidade, não é possível determinar, com exatidão, a pertinência a umconjunto específico. (MANTON; WOODBURY; TOLLEY, 1994).
A teoria dos conjuntos fuzzy é uma generalização da teoria clássica e permite lidar com a heterogeneidade de certos grupos, pois um determinado elemento pode pertencer parcialmente a diferentes conjuntos, assumindo para cada um deles distintos valores denominados grau de pertencimento. O grau de pertencimento de cada elemento aos diversos conjuntos nebulosos varia entre 0 e 1, sendo que 0 indica sua completa exclusão do conjunto e 1 indica pertencimento total. O método Grade of Membership (GoM) ou grau de inclusão ou grau de pertinência, faz uso dessa teoria, o que lhe permite determinar perfis multivariados de características descritivas de um grupo e a medida pela qual cada elemento é descrito pelo perfil. Dessa forma, este método possibilita a representação como um componente explícito do modelo, da heterogeneidade inerente à população em estudo (MANTON; VERTREES, 1984).
122
O delineamento de perfis considera a associação não observada entre as categorias das variáveis no modelo. São delineados dois ou mais perfis, denominados perfis extremos, que correspondem a conjuntos fechados, clássicos, com todas as suas propriedades. A cada indivíduo são atribuídos graus de pertencimento de cada elemento, denotados por gik, aos perfis extremos. Valores entre 0 e 1 indicam que o indivíduo é um membro parcial do perfil extremo.
Cada perfil constitui, portanto, um conjunto nebuloso, o que faz com que a definição dos perfis extremos possa incluir características de um grande número de dimensões. Assim, quanto maior o número de variáveis inseridas no modelo, melhor será a definição do perfil.
É importante lembrar que o número de perfis é estabelecido a partir dos fundamentos teóricos e metodológicos que orientam a pesquisa; por outro lado, foram criados até seis perfis, mas escolhida a classificação com apenas dois. Isso se deu pelo fato de se encontrar uma divisão mais clara dos grupos e também porque o objetivo do estudo não é indicar qual característica de grupo interfere mais ou menos na intensidade da relação entre envolvimento e confusão, mas sim avaliar se existe o efeito moderador ou não.
O procedimento usual para a descrição de cada perfil compara a distribuição marginal observada das variáveis analisadas à distribuição marginal estimada para cada perfil extremo. Esta comparação é efetuada calculando-se a razão entre a proporção estimada de determinada categoria com a proporção para essa categoria observada na amostra. Se tal razão for superior a 1,2, essa categoria é característica desse perfil extremo (SAWYER; LEITE; ALEXANDRINO, 2002). O agrupamento de variáveis demográficas definido pela técnica GoM é apresentada na Tabela 21.
123
Tabela 21 – Grupos de perfis demográficos definidos pela técnica GoM
Variável Descrição Grupos Frequência Razão
k1 k2 Absoluta Relativa k1/Relativa k2/Relativa
G êne ro Masculino 0,0% 100,0% 224 48,9% 0,0% 204,5% Feminino 100,0% 0,0% 234 51,1% 195,7% 0,0% E sc ol a
Primeiro Grau Incompleto 10,4% 0,0% 25 5,5% 189,8% 0,0% Primeiro Grau Completo 3,3% 0,0% 8 1,7% 189,5% 0,0% Segundo Grau Incompleto 6,3% 0,0% 15 3,3% 192,7% 0,0% Segundo Grau Completo 21,3% 0,0% 53 11,6% 184,4% 0,0% Superior Incompleto 16,3% 0,0% 40 8,7% 187,0% 0,0% Superior Completo 34,8% 0,0% 90 19,7% 177,2% 0,0% Pós-graduação Lato Sensu
Incompleto 7,5% 0,0% 18 3,9% 191,6% 0,0%
Pós-graduação Lato Sensu
Completo 0,0% 38,1% 78 17,0% 0,0% 223,8% Mestrado Incompleto 0,0% 16,3% 35 7,6% 0,0% 212,8% Mestrado Completo 0,0% 29,3% 60 13,1% 0,0% 223,3% Doutorado Incompleto 0,0% 10,0% 22 4,8% 0,0% 209,0% Doutorado Completo 0,0% 6,3% 14 3,1% 0,0% 207,1% R end a Até R$962 7,8% 0,0% 18 3,9% 198,5% 0,0% De R$ 963 a R$1.459 22,6% 0,0% 51 11,1% 203,0% 0,0% De R$1.460 a R$2.656 31,0% 0,0% 69 15,1% 205,6% 0,0% De R$2.657 a R$4.754 38,6% 0,0% 85 18,6% 208,1% 0,0% De R$4.755 a R$8.294 0,0% 52,1% 124 27,1% 0,0% 192,3% De R$8.295 a R$11.480 0,0% 15,7% 36 7,9% 0,0% 200,1% Mais de R$11.480 0,0% 32,2% 75 16,4% 0,0% 196,7% Fa ixa E tá ri a Até 25 anos 34,1% 0,0% 75 16,4% 208,0% 0,0% De 26 a 35 anos 33,0% 21,3% 122 26,6% 124,0% 79,8% De 36 a 45 anos 20,5% 39,2% 140 30,6% 67,2% 128,2% De 46 a 55 anos 0,0% 30,9% 73 15,9% 0,0% 194,1% De 56 a 65 anos 7,1% 6,4% 31 6,8% 105,5% 94,7% Mais de 65 anos 5,2% 2,2% 17 3,7% 141,2% 59,0%
Fonte: Dados da pesquisa
As categorias que descrevem cada perfil estão hachuradas nas duas últimas colunas da Tabela 21. O primeiro grupo (k1) pode ser caracterizado como sendo composto de mulheres com escolaridade até pós-graduação incompleta, renda familiar mais baixa (até R$4.754,00) e faixas etárias extremas (até 35 ou acima de 55 anos).
124
É fundamental destacar que o objetivo do agrupamento realizado é de testar a existência de efeito moderador do perfil demográfico sobre a relação do envolvimento com o produto e a confusão do consumidor. Não existiu intenção em buscar o perfil que maximizasse, por exemplo, tal relação.
A outra variável a ser avaliada como moderadora é o nível de maximização do indivíduo, conforme proposto pela escala desenvolvida por Schwartz (2004). As estatísticas descritivas desse construto são apresentadas na Tabela 22. Os itens Q1.4 e Q1.10 apresentam médias mais baixas (inferiores a 5), enquanto que as maiores médias estão relacionadas aos itens Q1.7 e Q1.11 (superiores ou iguais a 6,0).
125
Tabela 22 – Estatística descritivas do construto de maximização
Código Descrição
Intervalo de Confiança de
95% Desvio
Padrão Mínimo Máximo Limite
Inferior Média Superior Limite q1.1 Não importa o quanto esteja feliz com um produto, nada mais natural para mim que
procurar um produto melhor.
5,3 5,7 6,0 3,4 0 10
q1.2
Quando estou ouvindo um rádio (no carro, em casa), sempre procuro outra estação para ver se tem algo melhor, mesmo que esteja
relativamente satisfeito com o que estou ouvindo.
4,4 4,7 5,0 3,3 0 10
q1.3
Quando estou assistindo televisão, mudo de canal a toda hora, e, mesmo enquanto espero para assistir a um programa, fico analisando outras opções.
5,3 5,6 5,9 3,3 0 10
q1.4 Para mim, relacionamento é (ou era) como roupa: preciso experimentar vários antes de
encontrar um que caia bem. 2,5 2,8 3,1 3,2 0 10
q1.5 Acho sempre difícil comprar presentes para os amigos. 5,1 5,4 5,7 3,1 0 10 q1.6 É difícil alugar/escolher filmes. Sempre me esforço para escolher o melhor. 4,8 5,1 5,4 3,2 0 10 q1.7 Sempre que posso, faço comparação entre produtos para obter maior satisfação. 7,3 7,6 7,8 2,4 0 10 q1.8 Quando saio para fazer compras, tenho a maior dificuldade para encontrar uma roupa da qual
goste de verdade.
5,3 5,6 5,9 3,3 0 10
q1.9 Adoro listas que avaliam e classificam as coisas (melhores filmes, melhores cantores, melhores atletas, melhores romances, etc.).
5,4 5,7 6,0 3,1 0 10
q1.10
Para mim, escrever é uma tarefa difícil, mesmo quando se trata de uma simples carta ou email para um amigo – como é duro encontrar as palavras certas! Eu costumo fazer vários rascunhos mesmo dos textos mais simples.
3,4 3,7 4,0 3,3 0 10
q1.11
Não importa o que eu esteja fazendo, sempre me pauto (tomo por base) pelos padrões mais
elevados. 6,0 6,2 6,5 2,7 0 10
q1.12 Só me contento com o melhor. 5,4 5,6 5,9 2,7 0 10
q1.13 Fico pensando, muitas vezes, que minha vida poderia ser bem diferente. 5,2 5,5 5,8 3,2 0 10
q1.14
Sempre que me vejo diante de uma escolha, tento imaginar quais são todas as outras possibilidades (as possibilidades que mais me satisfazerem), mesmo as que não estão disponíveis no momento.
5,9 6,2 6,4 3,0 0 10
126
De maneira a avaliar a dimensionalidade dos itens dentro desse construto, foi realizada uma análise fatorial exploratória. Conforme indicado por Mesquita (2010), uma análise fatorial identifica a relação de variáveis observáveis e uma variável latente. Ainda segundo o autor, a dimensionalidade está relacionada ao número de conceitos ou dimensões subjacentes a um fator.
Através do método Principal Axis Factoring (PAF), com rotações varimax e cargas fatoriais iguais ou superiores a 0,300, foram extraídos quatro fatores (Tabela 23). Optou-se por tal método, pelo fato de ele não exigir normalidade multivariada dos dados (Gorsuch, 1983).
127
Tabela 23 – Escala de Maximização de Schwartz (2004) - Cargas fatoriais
Código Descrição Fatores
F1 F2 F3 F4
q1.1 Não importa o quanto esteja feliz com um produto, nada mais natural para mim que
procurar um produto melhor. 0,521
q1.2 Quando estou ouvindo um rádio (no carro, em casa), sempre procuro outra estação para ver se tem algo melhor, mesmo que esteja
relativamente satisfeito com o que estou ouvindo.
0,743
q1.3 Quando estou assistindo televisão, mudo de canal a toda hora e, mesmo enquanto espero para assistir a um programa, fico analisando outras opções.
0,492
q1.4 Para mim, relacionamento é (ou era) como roupa: preciso experimentar vários antes de
encontrar um que caia bem. 0,307
q1.5 Acho sempre difícil comprar presentes para os
amigos. 0,570
q1.6 É difícil alugar/escolher filmes. Sempre me
esforço para escolher o melhor. 0,550
q1.7 Sempre que posso, faço comparação entre
produtos para obter maior satisfação. 0,763 q1.8 Quando saio para fazer compras, tenho a maior
dificuldade para encontrar uma roupa da qual
goste de verdade. 0,484
Q1.9 Adoro listas que avaliam e classificam as coisas (melhores filmes, melhores cantores,
melhores atletas, melhores romances, etc.). - - - - Q1.10 Para mim, escrever é uma tarefa difícil, mesmo
quando se trata de uma simples carta ou email para um amigo – como é duro encontrar as palavras certas! Eu costumo fazer vários rascunhos mesmo dos textos mais simples.
0,343
q1.11 Não importa o que eu esteja fazendo, sempre me pauto (tomo por base) nos padrões mais
elevados. 0,721
q1.12 Só me contento com o melhor 0,742
Q1.13 Fico pensando, muitas vezes, que minha vida
poderia ser bem diferente. 0,407
Q1.14 Sempre que me vejo diante de uma escolha, tento imaginar quais são todas as outras possibilidades, (as possibilidades que mais me satisfazerem) mesmo as que não estão disponíveis no momento.
0,317 0,323
128
Ao avaliar os resultados, observou-se que o item q1.9 apresentou baixa carga fatorial (abaixo de 0,3) para todos os fatores. Tal item foi eliminado e, com isso, novamente foram extraídos fatores com as variáveis restantes, em que os itens q1.10, q1.13 e q1.14 apresentaram cargas fatoriais abaixo de 0,4. Optou-se, então, por trabalhar apenas com os itens com carga fatorial superior a tal patamar, e a divisão resultante da análise fatorial exploratória é apresentada na Tabela 24.
Tabela 24 – Escala de Maximização de Schwartz (2004) - Cargas fatoriais finais
Fatores
F1 F2 F3
q1.1 Não importa o quanto esteja feliz com um produto, nada mais natural para mim que procurar um produto melhor.
0,651
q1.2
Quando estou ouvindo um rádio (no carro, em casa), sempre procuro outra estação para ver se tem algo melhor, mesmo que esteja
relativamente satisfeito com o que estou ouvindo.
0,783
q1.3
Quando estou assistindo televisão, mudo de canal a toda hora e, mesmo enquanto espero para assistir um programa, fico analisando outras opções.
0,681
q1.4 Para mim, relacionamento é (ou era) como roupa: preciso experimentar vários antes de
encontrar um que caia bem. 0,535
q1.5 Acho sempre difícil comprar presentes para os amigos. 0,674 q1.6 É difícil alugar/escolher filmes. Sempre me esforço para escolher o melhor. 0,632 q1.7 Sempre que posso, faço comparação entre produtos para obter maior satisfação. 0,608 q1.8 Quando saio para fazer compras, tenho a maior dificuldade para encontrar uma roupa da qual
goste de verdade. 0,738
q1.11
Não importa o que esteja fazendo, sempre me pauto (tomo por base) pelos padrões mais
elevados. 0,875
q1.12 Só me contento com o melhor. 0,833
129
O primeiro fator foi denominado busca de alternativas, o segundo, dificuldade de decisão e o terceiro, padrões elevados. Diante de tal divisão, foi realizada uma análise fatorial confirmatória (Figura 30), utilizando o SmartPls 2.0. Todos os coeficientes se mostraram significativos (valores t superiores a 1,96) e a variância extraída encontrada foi 0,476 para o construto volume de busca, 0,462 para dificuldade de escolha e 0,784 para nível de exigência. A confiabilidade composto foi superior a 0,77. A validade discriminante já se deu através da análise fatorial exploratória. Os coeficientes ajustados para tal escala são apresentados na Figura 30.
Figura 30 – Escala de maximização de Schwartz (2002) ajustada aos dados da pesquisa Fonte: Dados da pesquisa
Diante dos resultados apresentados para a escala de maximização, esta foi, então, definida como uma variável latente de segunda ordem (lembrando que uma variável latente de segunda ordem é aquela formada por outras variáveis latentes); com isso, a interação poderia ser feita conforme proposto por Chin, Marcolin e Newsted (2003), em que é realizada a multiplicação de cada indicador da variável moderadora pelos indicadores das demais variáveis independentes/moderadoras. Isso, porém, acarretaria um número excessivo de variáveis moderadoras, visto que existiriam dezenas de combinações. Por outro lado, conforme proposto por Joreskog (1996), um indicador de produto é o suficiente para estimar o efeito moderador, sem necessitar, então, construir todas as combinações. Nesse sentido, foi
130
utilizado como indicador de nível de maximização a constituir o fator de interação a própria variável latente de segunda ordem.
Com isso, existiram duas variáveis moderadoras medidas em escala contínua, permitindo a inserção das mesmas no modelo de equações estruturais estimado. O modelo completo é apresentado na Figura 31.
Figura 31 – Modelo estimado com efeito dos moderadores Fonte: Dados da pesquisa
Para avaliação da significância dos coeficientes para as variáveis moderadoras, foram estimadas estatísticas t utilizando o método bootstrap com um tamanho de amostra igual a 458 respondentes (o mesmo tamanho da amostra original). Os resultados encontrados são apresentados na Figura 32.
131
Figura 32 – Estatísticas T para modelo completo utilizando o método bootstrap Fonte: Dados da pesquisa
Como pode ser observado, a variável moderadora perfil demográfico se mostrou significativa no modelo (valor t superior a 1,96) enquanto o grau de maximização não (valor t igual a 0,767). Todavia, o grau de maximização se mostra significativo como preditor da confusão do consumidor, atuando como efeito direto, fato verificado pelo valor t de tal relação (2,912). Um fato importante a ser observado é que com a inserção das variáveis moderadoras, o envolvimento, representado no modelo pela dimensão probabilidade de risco, passou a apresentar um coeficiente não significativo, passando de 0,449 para 0,309 com uma estatística t para o teste de significância igual a 1,756, ou seja, inferior a 1,96.
Todavia, conforme indicado por Montegomery (2009), se o efeito da interação de duas variáveis é significativo, então o efeito principal deve ser mantido no modelo, independentemente de sua significância. Outro aspecto a ser salientado é que como a inclusão da variável moderadora tornou não significativo o efeito da dimensão do envolvimento do produto (probabilidade de risco), sua permanência é necessária, pois em outros agrupamentos de perfil demográfico, o efeito pode ser significativo. Destaca-se, entretanto, que ao se reestimar o modelo sem a moderação não significativa do grau de maximização do indivíduo,
132
encontrou-se novamente o coeficiente significativo da dimensão probabilidade de risco (Figura 33).
Figura 33 – Estatísticas T para modelo final utilizando o método bootstrap Fonte: Dados da pesquisa
Tendo todos os coeficientes significativos (valores t superiores a 1,96, apresentados na Equação 4), o modelo final estimado é, então, o apresentado na Figura 34.
133
Figura 34 – Modelo final estimado Fonte: Dados da pesquisa
O efeito moderador pode ser avaliado comparando a percentagem da variância explicada da variável dependente (R2) com a variável moderadora e sem ela. Nesse sentido, o valor de R2 com a moderação é igual a 0,269 e sem a moderação (com o grau de maximização como preditor) é igual a 0,244. A medida a ser utilizada foi a medida �� proposta por Cohen
(1988).
�� � ������� ��� ���������� � ������� ��� ����������
1 � ������� ��� ����������
Equação 4 – Cálculo do efeito da variável moderadora Fonte: Henseler (2009)
Henseler (2009) apregoa que valores de f� inferiores a 0,02 indicam um efeito que
pode ser considerado fraco, efeitos com magnitude de 0.15 como moderados e acima de 0.35 como fortes. O efeito encontrado foi de 0,0342 e pode ser considerado fraco. Chin, Marcolin e Newsted (2003), todavia, alertam que, mesmo pequenos efeitos de interação não podem ser
134
desprezados, pois podem ser significativos em condições extremas. Nesse sentido, deve ser destacado que outros agrupamentos das variáveis de perfil podem redundar em efeitos moderadores diferentes. Além desse fato, uma das hipóteses deste estudo (expressa na hipótese H5) era atestar a existência de efeito moderador, sem, contudo, avaliar a extensão de sua magnitude.
Para avaliação completa do modelo ajustado, não existe um índice geral de ajuste apresentado pelo SmartPls 2.0 assim como o apresentado pelo Lisrel. Diante disso, Tenenhaus e Vinzi (2005), citados por Zwicker, Souza e Bido (2008) propôs um índice intitulado GoF (Goodness of Fit), que é composto Basicamente pela média geométrica entre a média dos R2 (adequação do modelo estrutural) e a AVE média (adequação do modelo de mensuração), conforme fórmula expressa na Equação 5 – Fórmula de cálculo do Goodness of Fit
��� � ������ ∗ ���� ������
Equação 5 – Fórmula de cálculo do Goodness of Fit Fonte: Bido (2008)
Tabela 25 – Medidas de ajuste do modelo final
AVE R Square Confusão 0,497 0,269 Busca de alternativas 0,476 0,637 Dificuldade de Decisão 0,462 0,542 Padrões Elevados 0,785 0,366 Estratégias 0,521 0,465 Intenção de Compra 0,416 0,166 Ambiguidade 0,558 0,870 Similaridade 0,571 0,742 Sobrecarga 0,721 0,855 Média 0,556 0,546
Fonte: Dados da pesquisa
Com base nas medidas de ajuste apresentadas na Tabela 25, foi encontrado o índice do GoF. Tal medida varia de 0 a 1 e pode ser interpretada como um R2 da regressão. O GoF pode ser interpretado segundo 3 categorias, em que 0.1 é baixa, 0.25, média e 0.36, alta (WETZELS; ODEKERKEN-SCHRODER; VAN OPPEN, 2009).
135
��� � �0,556 ∗ 0,546 � 0,551
Figura 35 – Fórmula de cálculo do Goodness of Fit Fonte: Dados da pesquisa
Com base nessa escala, o valor encontrado de qualidade de ajuste encontrado (0.551 – Figura 35) pode ser considerado alto.
4.6.1 Avaliação das hipóteses relacionadas aos efeitos moderadores dos antecedentes e a confusão do consumidor
A hipótese H5 se relaciona ao papel de moderação do perfil demográfico na relação entre o envolvimento com o produto (aqui representado pela probabilidade de risco) e a confusão do consumidor. Constatou-se que tal papel de fato existe (Figura 34). Tal resultado era esperado visto que, como preconizado por Blackwell (2005), o envolvimento é afetado por aspectos demográficos. Da maneira como foi tratado o construto perfil demográfico, não se pode fazer qualquer inferência acerca do tipo de moderação existente, visto que a união entre perfis diferentes e os prospectos apresentados podem alterar a magnitude e o sentido da moderação (positivo ou negativo).
Já o grau de maximização, composto por três dimensões, não apresentou efeito moderador, sendo, todavia, um antecedente da confusão. O resultado positivo dessa relação