carsharing dst, recorremos à Análise de Modelos de Equações Estruturais (AEE). A AEE é uma técnica de modelação generalizada, utilizada para testar a validade de modelos teóricos que definem relações causais, hipotéticas entre variáveis. Foi desenvolvida na primeira metade do século XX, sendo que na segunda metade do mesmo século o seu uso generalizou-se às ciências sociais e humanas (Marôco, 2010). Esta técnica multivariada combina aspetos da análise fatorial e regressão múltipla, o que permite ao investigador examinar simultaneamente uma série de relações de dependência inter-relacionadas entre variáveis medidas e construtos latentes, bem como entre vários construtos latentes (Hair et al., 2014). Sendo uma extensão dos modelos lineares generalizados, considera de forma explícita os erros de medida associados às variáveis
Página | 93
sob estudo. Esta técnica, ao contrário dos métodos tradicionais de análise estatística, permite lidar com a complexidade dos modelos teóricos que envolvem múltiplas variáveis manifestas e latentes, que envolvem diferenças entre grupos e efeitos hierárquicos, de interação e medição. O modelo de equações estruturais divide-se em dois submodelos de acordo com a estrutura relacional entre as variáveis: submodelo de medida e o submodelo estrutural. O submodelo de medida define a forma como os construtos hipotéticos ou variáveis latentes são operacionalizadas pelas variáveis observadas ou manifestas. O submodelo estrutural define as relações causais ou de associação entre as variáveis latentes (Marôco, 2010).
No caso em estudo, foram seguidas as orientações principais de Hair et al. (2014) e de Marôco (2010) no processo de análise. Recorreu-se à análise de equações estruturais, uma vez que partimos de escalas testadas na literatura, pelo que se pretende confirmar até que ponto o modelo proposto se ajusta aos dados recolhidos. Posto isto, a análise fatorial confirmatória evidencia-se mais relevante do que a análise exploratória, dado que a primeira utiliza uma técnica multivariada para testar (confirmar) uma relação pré-especificada (Hair et al., 2014).
Análise fatorial confirmatória
A análise fatorial é uma técnica de modelação linear geral, que tem por objetivo identificar um conjunto reduzido de variáveis latentes que expliquem a estrutura correlacional observada entre um conjunto de variáveis manifestas (Hair et al., 2014). O princípio básico da análise fatorial é de que a covariância/correlação entre um conjunto de variáveis manifestas é devida à existência de um, ou mais, fatores latentes comuns a essas variáveis manifestas. Pode ser classificado em dois tipos, de acordo com a inexistência ou existência, a priori, de hipóteses sobre a estrutura correlacional: Análise Fatorial Exploratória (AFE) e Análise Fatorial Confirmatória (AFC). A AFC é um método confirmatório que se utiliza quando há informação prévia sobre a estrutura fatorial que é preciso confirmar. É usualmente utilizada para avaliar a qualidade de ajustamento de um modelo de medida teórico à estrutura correlacional observada entre as variáveis (Marôco, 2010). Como foram utilizadas escalas testadas com sucesso na literatura, o objetivo é avaliar a adequação do modelo testado na literatura aos dados gerados no contexto específico que é o dstgroup, de forma a testar as hipóteses formuladas. Uma vez que a avaliação da adequação geral do modelo é uma
Página | 94
parte importante da AFC, recorreu-se ao software AMOS 26 para realizar esta análise. Visto que só se tinham considerado respostas que tivessem respondido a todos os itens do modelo, a amostra mantém 365 observações. Por construto entende-se um conceito que pode ser definido em termos conceituais ainda que não possa ser medido diretamente, sendo medido através de um conjunto de indicadores (itens). Por itens entende-se uma variável que se resume a um valor que é utilizado para medir a variável latente (construto) (Hair et al., 2014).
Para avaliar a qualidade do ajustamento do modelo aos dados, a literatura apresenta diversos índices, destacando-se os seguintes com os respetivos valores de referência na tabela 41.
Tabela 41 - Estatísticas e índices de qualidade de ajustamento com valores de referência (Marôco, 2010)
Índices Explicação Estatística Valores de referência
Absolutos
Avaliam a qualidade geral do modelo, sem comparação com outros modelos. É uma medida que avalia diretamente o quão bem o modelo (teoria) se ajusta aos dados recolhidos.
χ2 e p-value Quanto menor, melhor; p>0.05 χ2/gl
> 5 – ajustamento mau ]2; 5] – ajustamento sofrível ]1; 2] – ajustamento bom ~1 – ajustamento muito bom
Relativos
Avaliam a qualidade do modelo sob teste relativamente ao modelo com pior
ajustamento possível e/ou ao modelo com melhor ajustamento possível.
CFI < 0.8 – ajustamento mau
[0.8; 0.9[ – ajustamento sofrível [0.9; 0.95[ – ajustamento bom ≥ 0.95 – ajustamento muito bom NFI de parcimónia
Correção dos índices relativos com um fator de penalização associado à complexidade do modelo. Tem por objetivo compensar a melhoria “artificial” do modelo.
PCFI
< 0.6 – ajustamento mau [0.6; 0.8[ – ajustamento bom ≥ 0.8 - ajustamento muito bom
PGFI
de
discrepância populacional
Compara o ajustamento do modelo obtido com os momentos amostrais relativamente ao ajustamento do modelo que se obteria com os momentos populacionais.
RMSEA (I.C. 90%) p-value (H0: rmsea≤0.05) > 0.10 – ajustamento inaceitável ]0.05; 0.10] – ajustamento bom ≤ 0.05 – ajustamento muito bom p-value ≥ 0.05
Existem múltiplos índices para avaliar a qualidade do ajustamento do modelo aos dados, sendo que alguns deles são repetitivos ou apresentam limitações que foram melhoradas com novos índices. Os índices utilizados são os expostos na tabela acima, uma vez que são referidos na literatura como utilizados com maior frequência em aplicações de AEE (Bagozzi & Yi, 2012; Marôco, 2010).
Página | 95
O submodelo de medição inicial era constituído por nove construtos (atitude, norma subjetiva, controlo percebido, intenção, benefícios económicos, utilidade percebida, benefícios sociais, estatuto social e benefícios ambientais) e por 38 itens (figura 15). Os índices de ajustamento do submodelo de medição revelam uma qualidade de ajustamento sofrível: χ2 (629)
= 2623,918; p ≤ 0.001; χ2/df = 4.172; CFI = 0.808; NFI = 0.763; PCFI = 0.723; PGFI = 0.615;
RMSEA = 0.093; p(rmsea ≤ .05) = 0.000. Face a estes valores, foram realizados vários ajustamentos gradualmente de forma a verificar se resultaria num melhor ajustamento do submodelo sem comprometer os pressupostos teóricos subjacentes ao modelo.
Figura 15 - Submodelo de medida inicial
Assim, procedeu-se à eliminação de itens potencialmente problemáticos, cujos pesos fatoriais estandardizados (factor loadings) eram inferiores ao valor de referência 0,5 (λ ≤ 0.5) (Hair et al., 2014) e à adição de trajetórias que ligassem erros correlacionados dentro do mesmo construto. Neste processo eliminaram-se seis itens sem que se desvirtua-se o modelo: NS_3 – "A administração do dstgroup espera que eu participe no programa carsharing"; NS_4 – "Os meus superiores querem que eu participe no programa carsharing"; CP_4 – "Participar no programa
Página | 96
carsharing do dstgroup é uma decisão inteiramente minha"; IN_1 – "É provável que eu participe no programa carsharing do dstgroup num futuro próximo"; UP_4 – "A partilha de carro permite viajar com um horário mais flexível"; e BS_5 – "A partilha de carro é empolgante". Foram também adicionadas as trajetórias entre os erros: e23 e e25 do construto utilidade percebida; e e32 e e33 do constructo benefícios ambientais.
No processo de ajustamento do modelo, analisou-se ainda a distância de Mahalanobis ao quadrado (D2) que indica a distância em unidades de desvio padrão entre um conjunto de
resultados para um caso individual e as médias amostrais para todas as variáveis, corrigindo as inter-correlações (Marôco, 2010). Foram detetados 9 outliers, que após eliminação gradual percebeu-se não impactarem significativamente os resultados, pelo que dada a importância das observações em análise se manteve a amostra de 365 unidades.
Também foi avaliada a normalidade dos dados, tendo-se verificado que a assimetria (sk) apresenta um valor mínimo de -2.27 e um máximo de 1.564, enquanto que o achatamento univariado (ku) apresenta um mínimo de -1.267 e um máximo de 4.79. Segundo Kline (2011), estes desvios são aceitáveis, uma vez que se encontram abaixo dos valores absolutos da simetria considerados como “violação” do pressuposto na normalidade, isto é, sk > 3 e ku > 10. O achatamento multivariado obteve os valores 411,182 e 71,238, o que suscita possíveis problemas de distribuição não normal dos dados.
Uma forma de contornar este problema é realizando bootstraping, que é uma abordagem para estimar variações de amostragem, intervalos de confiança e outras propriedades estatísticas. Esta técnica utiliza inúmeras amostras retiradas das observações iniciais, o que requer menos suposições e oferece maior precisão e discernimento do que os métodos padrão. É útil nos casos em que os dados não exibem normalidade multivariada, pois ao multiplicar as amostras o resultado tende a ser uma curva normal (que é uma suposição associada ao método da máxima verosimilhança) o que permite verificar se as estimativas estão dentro do intervalo de confiança (Stine, 1989). Tendo isto em consideração realizou-se bootstraping com um número de amostras de 500 e nível de confiança de 95%. As estimativas resultantes do bootstraping encontram-se dentro dos limites estabelecidos pelo intervalo de confiança, o que significa que as estimativas se mantêm mesmo com a existência de uma distribuição não normal dos dados.
Deste modo, chegou-se ao modelo apresentado na figura 16, com nove construtos e 32 itens.
Página | 97 Figura 16 - Submodelo de medida final
Tendo por base os valores de referência apresentados na tabela 41, verificamos que o modelo final apresenta uma qualidade de ajustamento aos dados aceitável: χ2 (426) = 925.102;
p ≤ 0.001; χ2/df = 2.172; CFI = 0.939; NFI = 0.893; PCFI = 0.806; PGFI = 0.697; RMSEA =
0.057; p(rmsea ≤ 0.05) = 0.014. Apesar do p value significativo do χ2 poder indicar a presença de um modelo mau, esta estimativa deve ser analisada em contexto, uma vez que ela é muito sensível à dimensão da amostra, indicando por norma a rejeição do modelo quando são usadas amostras grandes (Bentler & Bonett, 1980).
Fiabilidade e validade do modelo
Para além da avaliação do ajustamento do modelo aos dados, é também importante atestar a fiabilidade e validade dos construtos que compõem o modelo, isto é, importa avaliar a fiabilidade, a validade convergente e a validade discriminante.
Página | 98
A fiabilidade de um construto revela a consistência e reprodutividade de uma medição, podendo ser avaliada por diferentes meios. A consistência interna é uma medida de fiabilidade e avalia-se pelo Alpha de Cronbach e pela Fiabilidade Compósita (Composite Reliability – CR), os quais devem ser superior a 0.7 (CR > 0.7), de forma a indicar uma consistência interna adequada (Hair et al., 2014). A fiabilidade compósita estima a consistência interna dos itens reflexivos do construto, indicando o grau em que estes itens são, consistentemente, manifestações do fator latente (Marôco, 2010).
A validade indica a qualidade da escala para medir o construto que se pretende avaliar (Marôco, 2010). A validade convergente consiste no quão bem os itens explicam o construto ao qual correspondem, apresentando correlações positivas e elevadas entre si. É medida através da Variância Média Extraída (Average Variance Extracted – AVE) que deve ser superior a 0.5, de forma a obter-se uma adequada validade convergente (Hair et al., 2014). A validade discriminante ocorre quando os diferentes construtos estudados não se correlacionam de forma significativa entre si, avaliando se os itens que refletem um fator não estão correlacionados com outros fatores (Marôco, 2010). Segundo Fornell e Larcker (1981), a validade discriminante é medida através da variância máxima partilhada (Maximum Shared Variance – MSV) que deve ser inferior ao valor da AVE (MSV < AVE), isto é, a raiz quadrada da AVE deve ser maior do que as correlações entre os fatores.
Na tabela 42 são apresentados os valores de fiabilidade dos construtos, sendo possível observar que o Alpha de Cronbach para todos os construtos é superior a 0.7 (0.791 < α < 0.946), atestando-se a consistência interna dos construtos. Adicionalmente, observa-se que os construtos também apresentam fiabilidade compósita acima do valor de referência de 0.7 (0.818 < CR < 0.949).
A avaliação da validade convergente, medida pela AVE revela valores superiores ao valor de referência de 0.50 para todos os construtos (0.525 < AVE < 0.822), indicando que os itens que compõem o construto têm correlações positivas e elevadas entre si (Marôco, 2010). Quanto à validade discriminante, medida pela raiz quadrada da AVE, apresenta na diagonal a negrito da tabela valores superiores à correlação entre os construtos como é recomendado, o que significa que os fatores definidos por cada conjunto de itens são distintos como esperado.
Página | 99
Tabela 42 - Fiabilidade e validade dos construtos do submodelo de medição final
α CR AVE BA AT NS CP IN BE UP ES BS BA 0,892 0,889 0,669 0,818 AT 0,946 0,949 0,822 0,611*** 0,907 NS 0,904 0,916 0,789 0,313*** 0,433*** 0,888 CP 0,837 0,841 0,639 0,233*** 0,374*** 0,339*** 0,800 IN 0,811 0,860 0,683 0,367*** 0,563*** 0,469*** 0,507*** 0,826 BE 0,791 0,818 0,605 0,460*** 0,530*** 0,290*** 0,149* 0,314*** 0,778 UP 0,828 0,826 0,549 0,408*** 0,400*** 0,332*** 0,285*** 0,303*** 0,409*** 0,741 ES 0,815 0,830 0,552 0,037ns 0,077ns 0,13* 0,060ns 0,014ns -0,012ns 0,038ns 0,743 BS 0,865 0,868 0,623 0,456*** 0,516*** 0,401*** 0,309*** 0,397*** 0,463*** 0,516*** 0,112ns 0,789
Na diagonal a negrito estão expressos os valores da raiz quadrada da AVE e na matriz as correlações entre os construtos; ***p≤0.001; **p≤0.01; *p≤0.05; ns – não significativo; α – Cronbach’s Alpha; CR - Composite Reliability; AVE - Average Variance Extracted; BA – benefícios ambientais; AT – atitude; NS – norma subjetiva; CP – controlo percebido; IN – intenção; BE – benefícios económicos; UP – utilidade percebida; ES – estatuto social; BS – benefícios sociais
Submodelo estrutural
O submodelo estrutural define as relações causais ou de associação entre as variáveis latentes, permitindo testar as hipóteses formuladas e o respetivo modelo (Marôco, 2010). O submodelo estrutural presente na figura 17, tem por objetivo principal testar as hipóteses formuladas nos capítulos anteriores que exprimem relações diretas entre as variáveis latentes. O submodelo estrutural tem como variáveis independentes os benefícios económicos, a utilidade percebida, os benefícios sociais, o estatuto social e os benefícios ambientais que se acredita influenciarem a variável dependente atitude. Depois, a atitude, a norma subjetiva e o controlo percebido são variáveis independentes e a intenção de adoção, a variável dependente. Este submodelo é composto por nove construtos e 32 itens e apresenta um ajustamento dos dados aceitável: χ2 (433) = 955.743; p ≤ 0.001; χ2/df = 2.207; CFI = 0.936; NFI = 0.889; PCFI = 0.817;
Página | 100 Figura 17 - Submodelo estrutural
Os resultados da análise da relação estrutural e do teste das hipóteses estão apresentados na tabela 43. A leitura da figura 17 e da tabela 43 indicam que a variância da variável atitude é explicada em 50% (R2 = 0.50) pelas variáveis independentes benefícios económicos, utilidade
percebida, benefícios sociais, estatuto social e benefícios ambientais. E a variável intenção é explicada em 43% (R2 = 0.43) pelas variáveis independentes atitude, norma subjetiva e controlo
percebido. Os dois valores são relevantes tendo em consideração o estudo ser realizado no âmbito das ciências sociais (Marôco, 2010).
A variável benefícios ambientais é a que apresenta maior capacidade explicativa na atitude relativamente a serviços de partilha (β = 0.389, t = 7.245, p ≤ 0.001), seguida da variável benefícios económicos (β = 0.237, t = 4.147, p ≤ 0.001) e da variável benefícios sociais (β = 0.215, t = 3.705, p ≤ 0.001). Estes resultados suportam as hipóteses 4a, 5 e 6 que afirmam a influência positiva das variáveis independentes benefícios económicos, benefícios sociais e benefícios ambientais na variável dependente atitude.
As variáveis utilidade percebida e estatuto social têm baixa capacidade explicativa em relação à variável atitude (β = 0.237, t = 0.685, p > 0.05 e β = 0.215, t = 0.952, p > 0.05,
Página | 101
respetivamente). A fraca relação observada não é estatisticamente significativa, pelo que as hipóteses 4b e 7, que afirmam a influência positiva da variável independente utilidade percebida e negativa da variável independente estatuto social na variável dependente atitude, não são suportadas.
A variável atitude é a que apresenta maior capacidade explicativa com a intenção de aderir a serviços de partilha (β = 0.373, t = 7.877, p ≤ 0.001). A variável com segunda maior capacidade explicativa da intenção é o controlo percebido (β = 0.309, t = 6.031, p ≤ 0.001). E por fim, a variável norma subjetiva apresenta capacidade explicativa mais baixa (β = 0.218, t = 4.418, p ≤ 0.001). Todas estas relações são positivas e estatisticamente significativas, permitindo suportar as hipóteses 1, 2 e 3 que afirmam a influência positiva das variáveis independentes atitude, norma subjetiva e controlo percebido na variável dependente intenção.
Tabela 43 - Teste das hipóteses
Hipóteses b SE β T-value Teste Hipótese
H1: Atitude → Intenção 0.483 0.061 0.373 7.877*** Suportada H2: Norma Subjetiva → Intenção 0.261 0.059 0.218 4.418*** Suportada H3: Controlo percebido → Intenção 0.294 0.049 0.309 6.031*** Suportada H4a: Benefícios económicos → Atitude 0.446 0.108 0.237 4.147*** Suportada H4b: Utilidade Percebida → Atitude 0.036 0.053 0.037 0.685 ns Não Suportada H5: Benefícios sociais → Atitude 0.219 0.059 0.215 3.705*** Suportada H6: Benefícios ambientais → Atitude 0.496 0.068 0.389 7.245*** Suportada H7: Estatuto social → Atitude 0.039 0.410 0.042 0.952 ns Não Suportada
R² atitude = 0.50; R² intenção = 0.43
b = standardized regression weights; SE - Standard Error; β = unstandardized regression weights; T-value - Critical Ratio; *** p≤0.001; ns - non significant.
Na tabela 44, é possível observar que para as relações da atitude, norma subjetiva e controlo percebido com a intenção a estimativa obtida está dentro do intervalo positivo de confiança de 95%, o que significa que com o bootstraping o resultado é aceite com p ≤ 0.01. Para as relações dos benefícios económicos, benefícios sociais e benefícios ambientais com a atitude os valores estão dentro do intervalo positivo de confiança de 95%, pelo que com o bootstraping o resultado é aceite com p ≤ 0.05. As relações da utilidade percebida e estatuto social com a atitude não são aceites, uma vez que o intervalo da estimativa compreende 0 e os resultados não são significantes.
Página | 102
Tabela 44 - Resultados do bootstraping
Hipóteses β Lower Upper p
H1: Atitude → Intenção 0.373 0.227 0.495 0.006 H2: Norma Subjetiva → Intenção 0.218 0.112 0.346 0.002 H3: Controlo percebido → Intenção 0.309 0.187 0.418 0.005 H4a: Benefícios económicos → Atitude 0.237 0.076 0.404 0.008 H4b: Utilidade Percebida → Atitude 0.037 -0.073 0.158 0.415 H5: Benefícios sociais → Atitude 0.215 0.083 0.334 0.006 H6: Benefícios ambientais → Atitude 0.389 0.252 0.495 0.006 H7: Estatuto social → Atitude 0.042 -0.049 0.126 0.336
Relativamente ao construto utilidade percebida verifica-se que a sua relação positiva com a atitude é muito baixa e não é estatisticamente significativa. Na literatura, observou-se a existência de diferentes abordagens e resultados, sendo que em alguns casos, esta variável é considera como independente da variável benefícios económicos (Arteaga-Sánchez et al., 2018; Möhlmann, 2015), enquanto para outros autores os itens económicos e de utilidade são apresentados em conjunto para operacionalizar a variável latente benefícios económicos (Hamari et al., 2015). Tendo em conta esta dualidade na literatura e também o resultado do teste de hipóteses, testou-se a criação de um constructo de segunda ordem que integra as variáveis latentes benefícios económicos e benefícios de utilidade, que se designou de benefícios pessoais. O submodelo estrutural resultante é apresentado na figura 18.
O novo submodelo estrutural apresenta indicadores de qualidade de ajustamento próximos do submodelo estrutural só com fatores de primeira ordem correspondentes ao nosso modelo de base conceptual: χ2 (443) = 1125.308; p ≤ 0.001; χ2/df = 2.540; CFI = 0.916; NFI =
0.870; PCFI = 0.818; PGFI = 0.707; RMSEA = 0.065; p(rmsea ≤ 0.05) = 0.000. A nova variável benefícios pessoais evidencia capacidade explicativa na atitude relativamente a serviços de partilha (β = 0.317, t = 3.01, p ≤ 0.01) assim como as restantes variáveis, à exceção do estatuto social que continua a não ter uma relação significativa. Para além disto, a capacidade de explicação da variação da atitude diminuiu de 50% para 44% (R2 = 0.44), o mesmo acontece à capacidade
Página | 103
Figura 18 - Submodelo estrutural com construto de segunda ordem benefícios pessoais
Modelo estrutural final
Tendo em consideração que as hipóteses H4b e H7, respeitantes às relações das variáveis utilidade percebida e estatuto social com o construto atitude, não foram suportadas e que o submodelo estrutural com construto de segunda ordem não apresentou melhorias significativas ao modelo, testou-se um modelo mais parcimonioso, em que se exclui as variáveis latentes benefícios de utilidade e estatuto social (figura 19).
O submodelo resultante apresenta valores de ajustamento ligeiramente melhores: χ2 (235)
= 1125,3; p ≤ 0.001; χ2/df = 2.696; CFI = 0.941; NFI = 0.911; PCFI = 0.802; PGFI = 0.685;
RMSEA = 0.068; p(rmsea ≤ 0.05) = 0.000. Como se pode observar na tabela 45 em que são comparados os valores de ajustamento dos diversos modelos testados.
Página | 104 Figura 19 - Modelo estrutural final
Tabela 45 - Avaliação do ajustamento dos submodelos
Modelo medição inicial Modelo medição final Modelo estrutural Modelo final
χ2 2623,9; p=0.000 925,1; p=0.000 955,7; p=0.000 633,5; p=0.000 χ2/df 4.172 2.172 2.207 2.696 CFI 0.808 0.939 0.936 0.941 NFI 0.763 0.893 0.880 0.911 PCFI 0.723 0.806 0.817 0.802 PGFI 0.615 0.697 0.705 0.685 RMSEA 0.093; p=0.000 0.057; p=0.014 0.058; p=0.006 0.068; p=0.000
χ 2 – Qui-quadrado; p – probabilidade de significância; χ 2/df – rácio entre o qui-quadrado e os graus de liberdade; CFI – Comparative Fit Index; NFI – Normed Fit Index; PCFI – Parsimony Comparative Fit Index; PGFI – Parsimony goodness of Fit Index; RMSEA – Root Mean Square Error of Approximation; P(rmsea) – força do RMSEA
Como é observável na tabela 46 as estimativas obtidas estão dentro do intervalo positivo de confiança de 95%, o que significa que com o bootstraping o resultado é aceite com p ≤ 0.01. As variáveis benefícios económicos, benefícios sociais e benefícios ambientais contribuem para explicar 50% da variação da atitude (R2 = 0.50). Sendo que a variável que apresenta maior
Página | 105
capacidade explicativa na atitude relativamente à participação em serviços de partilha, nomeadamente carsharing é os benefícios ambientais (β = 0.395, t = 7.441, p ≤ 0.001). Os restantes antecedentes da atitude, os benefícios económicos e sociais, influenciam a variável latente na mesma proporção (β = 0.239, t = 4.241, p ≤ 0.001 e β = 0.239, t = 4.472, p ≤ 0.001, respetivamente).
As variáveis atitude, norma subjetiva e controlo percebido contribuem em 43% (R2 = 0.43)
para a explicação da intenção de aderir ao programa carsharing do dstgroup, e por extensão a serviços de partilha carsharing. O determinante com mais influência, tal como referido na literatura, é a atitude (β = 0.374, t = 7.897, p ≤ 0.001), seguido do controlo percebido (β = 0.310 t = 6.040, p ≤ 0.001) e da norma subjetiva (β = 0.218, t = 4.408, p ≤ 0.001).
Tabela 46 – Modelo estrutural final
Hipóteses b SE β Lower Upper p T-value
H1: Atitude → Intenção 0.483 0.061 0.374 0.227 0.493 0.007 7.897*** H2: Norma Subjetiva → Intenção 0.261 0.059 0.218 0.112 0.347 0.002 4.408*** H3: Controlo percebido → Intenção 0.293 0.048 0.310 0.190 0.418 0.005 6.040*** H4a: Benefícios económicos → Atitude 0.450 0.106 0.239 0.078 0.390 0.006 4.241*** H5: Benefícios sociais → Atitude 0.242 0.054 0.239 0.110 0.356 0.005 4.472*** H6: Benefícios ambientais → Atitude 0.503 0.068 0.395 0.260 0.506 0.005 7.441***
R² atitude = 0.50; R² intenção = 0.43
b = standardized regression weights; SE - Standard Error; β = unstandardized regression weights; T-value - Critical Ratio; *** p≤0.001.
Desta forma, podemos concluir que o modelo final é um importante contributo para a literatura, dada a sua capacidade explicativa aceitável tendo em consideração o âmbito e complexidade do fenómeno em estudo. Evidenciou-se, mais uma vez, que a Teoria do Comportamento Planeado é relevante na previsão da intenção de comportamento dos consumidores. Para além disto, a extensão realizada à teoria com a introdução das motivações como antecedentes da atitude comprovou-se como relevante, visto que se estas tivessem sido