Visuelle elementer

Segundo Pestana & Gageiro (2008, p. 489) “a análise fatorial é um conjunto de técnicas estatísticas que procura explicar a correlação entre as variáveis observáveis, simplificando os dados através da redução do número de variáveis necessárias para os descrever”. Para tal, é necessário um amostra suficientemente grande para que seja garantido que, numa segunda análise, os fatores se mantenham iguais (Pestana & Gageiro, 2008). Sendo este estudo constituído por 29 variáveis, Hill & Hill (2009) definem que o tamanho mínimo da amostra deve ser o quíntuplo do número de variáveis, ou seja, 145 neste caso. Como referido anteriormente, a amostra deste estudo é constituída por 369 indivíduos pelo que este pressuposto é respeitado. Assim, foi realizada uma análise fatorial para as variáveis independentes (dimensões do risco percebido) e outra para a variável dependente (abandono do carrinho de compras), cujos resultados constam no Anexo III.

34 Os métodos de estimação mais utilizados para extração dos fatores são o método das componentes principais e o método da máxima verosimilhança. Este último requer que os dados sigam uma distribuição normal multivariada. Como visto anteriormente, os dados deste estudo não seguem uma distribuição normal, pelo que, será utilizado o método das componentes principais seguido de uma rotação Varimax. O método das componentes principais é um procedimento estatístico multivariado que transforma as variáveis quantitativas originais correlacionadas num menor número de variáveis não correlacionadas (componentes principais) (Pestana & Gageiro, 2008).

O número de fatores a reter foi definido tendo em conta o critério de Kaiser (eigenvalue superior a 1) e o critério da variância extraída, com um mínimo aceitável de 50% da variância total das variáveis originais. São utilizados dois critérios, uma vez que, a utilização de apenas um critério pode levar a uma retenção de fatores não adequada (Marôco, 2014).

Para prosseguir com as análises, é necessário avaliar a qualidade das correlações entre as variáveis visto ser um pressuposto da análise fatorial. Para tal, existem dois procedimentos estatísticos, o Kaiser-Meyer-Olkin (KMO) e o teste de Bartlett. O teste de Bartlett requer que os dados sigam uma distribuição normal multivariada e é muito influenciado pela dimensão da amostra, logo, neste estudo será utilizado o KMO (Pestana & Gageiro, 2008).

O KMO varia entre zero e um e, segundo Pestana & Gageiro (2008), deve avaliar-se as correlações tendo por referência os seguintes intervalos:

KMO Análise fatorial

< 0,5 Inaceitável 0,5 – 0,6 Má 0,6 – 0,7 Razoável 0,7 – 0,8 Média 0.8 – 0,9 Boa 0,9 – 1 Muito boa

Tabela 6 - Qualidade das correlações por intervalos de KMO

Fonte: adaptado de Pestana & Gageiro (2008)

Valores de KMO inferiores a 0,5 são inaceitáveis pelo que deve ser considerada a eliminação dessas variáveis da análise fatorial (Pestana & Gageiro, 2008).

35

5.1. Dimensões do risco percebido

No Anexo III, encontramos os resultados das análises fatoriais realizadas aos itens das dimensões dos riscos percebidos. Na primeira análise, com todos os itens, o valor do teste de KMO é de 0,913 (>0,5) e, assim, pode-se prosseguir com a análise visto que as correlações entre as variáveis são muito boas. Considerando os valores dos factor loadings, conseguimos perceber que, os itens do risco de tempo/conveniência podem ser explicados, em simultâneo, por dois fatores. Este facto não contribui para pressuposto de independência entre os fatores pelo que estes itens serão eliminados da análise (Marôco, 2014).

Consequentemente, foi realizada uma nova análise fatorial sem os itens do risco de tempo/conveniência. Sendo o teste de KMO igual a 0,901 (>0,5), prosseguiu-se com a análise. Através da matriz das comunalidade, conseguimos conhecer a proporção de variância das variáveis que os fatores explicam. Os valores das comunalidades variam entre 0 e 1, em que, 0 corresponde à situação em que os fatores não explicam nenhuma variância e 1 à situação em que os fatores explicam toda a variância. Quanto maior o valor das comunalidades maior é a correlação entre cada variável e o fator (Pestana & Gageiro, 2008). Devem, assim, apresentar valores superiores a 0,5, ou seja, os fatores comuns necessitam de explicar mais de 50% da variância de cada variável (Marôco, 2014).

Nesta nova análise, a matriz das comunalidades revela valores superiores a 0,5, com a exceção de RFIN1 (0,467), RFIS1 (0,436) e RDISP1 (0,466). Como os valores das comunalidades de RFIN1 e RDISP se encontram próximos de 0,5, optou-se pela sua retenção. No entanto, o item RFIS1 será eliminado da análise.

Na terceira análise fatorial realizada, o valor de KMO é de 0,900 (>0,5) pelo que se poderá continuar com a análise. Após a eliminação do item RFIS1, os valores das comunalidades apresentam valores superiores a 0,5 em todos os itens à exceção de RFIN1, RFIS2 e RDISP1. Como os valores se encontram próximos de 0,5, estes itens foram mantidos na análise. Na Tabela 7, encontram-se sumariados os resultados da análise fatorial após eliminação dos itens do risco de tempo e do item RFIS1.

O primeiro fator apresenta factor loadings elevados nos itens do risco financeiro, risco de desempenho e risco de privacidade e explica, aproximadamente, 44% da variância total. No segundo fator os itens que evidenciam factor loadings mais altos estão relacionados com o risco físico, o risco social e o risco psicológico, explicando cerca de 15% da variância total. Por último, o terceiro fator regista valores elevados no risco relacionado com o

36 dispositivo/tecnologia e explica 11% da variância total. No global, os três fatores juntos explicam, aproximadamente, 70% da variância total.

Fator Item 1 2 3 Comunalidades RFIN1 0,590 0,329 0,105 0,468 RFIN2 0,750 0,195 0,240 0,658 RFIN3 0,710 0,321 0,091 0,616 RDES1 0,814 0,154 0,081 0,692 RDES2 0,831 0,235 0,087 0,753 RDES3 0,843 0,230 0,106 0,775 RFIS2 0,306 0,561 0,296 0,496 RSOC1 0,067 0,848 0,152 0,746 RSOC2 0,087 0,890 0,143 0,820 RSOC3 0,121 0,854 0,141 0,764 RPSI1 0,230 0,800 0,119 0,707 RPSI2 0,216 0,792 0,099 0,684 RPSI3 0,229 0,796 0,166 0,713 RPRIV1 0,776 0,077 0,317 0,709 RPRIV2 0,778 0,043 0,335 0,719 RPRIV3 0,724 -0,045 0,367 0,661 RDISP1 0,311 0,095 0,601 0,467 RDISP2 0,223 0,135 0,876 0,836 RDISP3 0,204 0,171 0,883 0,850 RDISP4 0,164 0,224 0,850 0,799 RDISP5 0,147 0,271 0,844 0,807 Eigenvalue 9,294 3,116 2,329 AVE 44,257 14,837 11,089

Tabela 7 - Análise fatorial das dimensões do risco percebido

Fonte: extraído do SPSS

Brooker (1984) concluiu no seu estudo, através da análise fatorial, que os riscos se podiam agregar em dois fatores. Os quais designados de riscos não pessoais (financeiro, performance, físico e tempo) e os riscos pessoais (psicológico e social) (Brooker, 1984). No entanto, para além dos riscos incluídos por Brooker (1984), este estudo englobou ainda o risco de privacidade e o risco do dispositivo/tecnologia.

37 Por conseguinte, será feita uma nova conceptualização tendo em consideração os itens presentes em casa dimensão do risco. O primeiro fator, que inclui os riscos financeiros, de desempenho e de privacidade, corresponderá à nova variável de riscos relacionados com a transação e objeto de consumo. O segundo fator, que engloba os riscos físicos, psicológicos e sociais, será designado de riscos intrínsecos ao consumidor. Por último, como o terceiro fator inclui unicamente os riscos relacionados com o dispositivo/tecnologia, a designação será a mesma. Assim, estes três fatores levaram à criação de três novas variáveis independentes (Tabela 8).

Variável CR Alpha de Cronbach

Riscos relacionados com a transação e objeto de consumo 0,924 0,929 Riscos intrínsecos ao consumidor 0,923 0,921 Risco dispositivo/tecnologia 0,908 0,907

Tabela 8 - Análise da fiabilidade

Fonte: extraído do SPSS

Posto isto, é necessário avaliar a fiabilidade destas novas variáveis que será analisada através das medidas de consistência interna coeficiente Alpha de Cronbach e Composite Reliability. O coeficiente de Alpha de Cronbach pode variar entre 0 e 1, sendo que, segundo Pestana & Gageiro (2008), podemos avaliar a consistência interna tendo por referência os intervalos apresentados na Tabela 9.

Como podemos ver na Tabela 8, os valores do alpha das variáveis encontram-se em valores superiores a 0,9 o que comprova uma consistência interna muito boa.

O coeficiente Composite Reliability (CR) deve apresentar valores superiores a 0,7 para haver consistência interna (Hair, Black, Babin, & Anderson, 2014). E, mais uma vez, os valores deste estudo comprovam a fiabilidade dos resultados, visto que, os valores de CR são superiores a 0,7 (ver Tabela 8).

38

Alpha de Cronbach Consistência Interna

< 0,6 Inadmissível

0,6 – 0,7 Fraca

0,7 – 0,8 Razoável

0,8 – 0,9 Boa

> 0,9 Muito boa

Tabela 9 - Consistência interna por intervalos de alpha de Cronbach

Fonte: adaptado de Pestana & Gageiro (2008)

Com os resultados desta análise fatorial, é necessário redefinir as hipóteses de estudo, que serão apenas três, como podemos ver na Tabela 10.

H1 Os riscos relacionados com a transação e o objeto de consumo percebidos pelo consumidor na compra mobile, influenciam positivamente o abandono do carrinho de compras mobile.

H2 Os riscos intrínsecos percebidos ao consumidor, influenciam positivamente o abandono do carrinho de compras mobile.

H3 O risco do dispositivo/tecnologia percebido pelo consumidor na compra mobile, influencia positivamente o abandono do carrinho de compras mobile.

Tabela 10 - Hipóteses de estudo redefinidas após a análise fatorial

5.2. Abandono do carrinho de compras mobile

Os itens do abandono do carrinho de compras mobile foram submetidos, separadamente, a uma análise fatorial cujos resultados se encontram no Anexo IV. Com o valor do teste de KMO de 0,800 (>0,5), é possível prosseguir com a análise (Pestana & Gageiro, 2008).

No que respeita à matriz das comunalidades, todos os valores são superiores a 0,5, pelo que, não é necessário eliminar nenhuma variável da análise (Marôco, 2014). Desta forma, na Tabela 11encontramos sumariados os resultados da análise fatorial.

Da análise, é retirado apenas um fator que explica, aproximadamente, 77% da variância total e todos os factor loadings apresentam valores elevados pelo que não se elimina

39 nenhum dos itens. No que respeita à fiabilidade, esta é assegurada uma vez que, os valores dos coeficientes de alpha e de CR comprovam a existência de uma consistência interna muito boa (Hair et al., 2014; Pestana & Gageiro, 2008).

Fator Item 1 ABAND1 0,892 ABAND2 0,861 ABAND3 0,873 ABAND4 0,888 Eigenvalue 3,089 AVE 77,213 Alpha de Cronbach 0,902 CR 0,931

Tabela 11 - Análise fatorial da dimensão do abandono do carrinho mobile

Fonte: extraído do SPSS