Za to raziskovalno vprašanje bomo uporabili Faktorsko analizo, s katero bomo lahko določili faktorje, ki vplivajo na zadovoljstvo uporabnikov, zaupanje in zvestobo pri uporabi e-trgovske spletne strani.
Podatki so bili pridobljeni na spletni strani Kaggle:
Website Satisfaction Survey - https://www.kaggle.com/datasets/hayriyigit/website-satisfaction-survey
user_id: Identifikacijska številka uporabnika
Language: Jezik
Platform: Platforma (Namizni računalnik, telefon)
Gender: Spol (Moški, Ženksa)
Age: Starost
Vsi naslednji podatki so merjeni po likertovi lestvici od 1 - 10 (1 - sploh se ne strinjam, 10 - popolnoma se strinjam)
Tipografija
q1: Besedilo na tej spletni strani je enostavno brati z uporabljeno vrsto in velikostjo pisave.
q2: Barva pisave je privlačna na tej spletni strani.
q3: Poravnava besedila in razmik na tem spletnem mestu omogočata enostavno branje besedila.
Barva
q4: Barvna shema te spletne strani je privlačna.
q5: Uporaba barv ali grafike izboljša navigacijo.
Kakovost vsebine/informacije
q6: Vsebina informacij pomaga pri odločitvah o nakupu s primerjavo informacij o izdelkih ali storitvah.
q7: Informacijska vsebina, ki jo ponuja to spletno mesto, ustreza mojim potrebam.
q8: Vsebina in informacijska podpora za branje in spoznavanje nakupnega procesa.
Interaktivnost
q9: To spletno mesto ponuja ustrezne povratne informacije za oceno mojega napredovanja, ko opravim nalogo.
q10: To spletno mesto ponuja prilagajanje.
q11: To spletno mesto ponuja vsestranskost postopka naročanja.
q12: To spletno mesto ponuja vsebino, prilagojeno posamezniku.
q13: Na tej spletni strani je vse skladno.
Navigacija
q14: Navigacijski pripomočki služijo kot logičen načrt za nakup.
q15: Očitnost gumba za nakup in povezav na tem spletnem mestu.
q16: Preprosto je personalizirati ali zožiti nakupni proces.
q17: Spletno mesto se je enostavno naučiti uporabljati.
q18: To spletno mesto podpira reverzibilnost dejanja.
Zadovoljstvo
q19: Na splošno sem zadovoljen z vmesnikom te spletne strani.
q20: Moja trenutna izkušnja s to spletno stranjo je zadovoljiva.
q21: Na splošno. Zadovoljen sem s časom, ki je bil potreben za dokončanje nalog za nakup izdelkov.
q22: Na splošno. Zadovoljen sem s točnostjo tega spletnega mesta v zvezi z nakupnim postopkom.
Zaupanje
q23: Zaupam informacijam na tej spletni strani.
q24: To spletno mesto je zame verodostojno.
Zvestoba
q25: Ponovno bi obiskal to spletno stran.
q26: To spletno mesto bi priporočil svojemu prijatelju.
Izvedemo opisno statistiko.
# Preberemo csv in ga zapišemo v objekt "data"
library(readr)
data <- read.csv("C:/Users/JBVIDIC/Desktop/mtrd/naloga 1/survey.csv", header = TRUE, sep = ",")
library(pastecs)
round(stat.desc(data[-1:-5], basic=FALSE), 2)
## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 q12 q13
## median 9.00 8.00 9.00 8.00 8.00 8.00 8.00 8.00 7.00 6.00 7.00 7.00 8.00
## mean 8.01 7.86 7.82 7.41 7.51 7.64 7.63 7.60 7.07 6.44 7.05 6.86 7.53
## SE.mean 0.26 0.23 0.26 0.24 0.21 0.23 0.23 0.22 0.27 0.27 0.24 0.28 0.23
## CI.mean.0.95 0.51 0.46 0.52 0.48 0.41 0.47 0.46 0.44 0.53 0.54 0.48 0.56 0.46
## var 4.82 3.81 4.98 4.16 3.11 4.01 3.85 3.63 5.20 5.39 4.30 5.70 3.81
## std.dev 2.20 1.95 2.23 2.04 1.76 2.00 1.96 1.91 2.28 2.32 2.07 2.39 1.95
## coef.var 0.27 0.25 0.29 0.28 0.24 0.26 0.26 0.25 0.32 0.36 0.29 0.35 0.26
## q14 q15 q16 q17 q18 q19 q20 q21 q22 q23 q24 q25 q26
## median 8.00 8.00 7.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00
## mean 7.68 7.58 7.04 8.07 7.45 7.47 7.41 7.59 7.81 7.56 7.48 7.56 7.33
## SE.mean 0.22 0.25 0.25 0.24 0.24 0.27 0.25 0.28 0.26 0.29 0.27 0.27 0.27
## CI.mean.0.95 0.43 0.50 0.50 0.48 0.48 0.54 0.51 0.56 0.51 0.58 0.54 0.53 0.54
## var 3.47 4.64 4.60 4.29 4.17 5.28 4.75 5.80 4.80 6.11 5.28 5.19 5.45
## std.dev 1.86 2.15 2.14 2.07 2.04 2.30 2.18 2.41 2.19 2.47 2.30 2.28 2.33
## coef.var 0.24 0.28 0.30 0.26 0.27 0.31 0.29 0.32 0.28 0.33 0.31 0.30 0.32
Preverimo morebitne napake pri vnosu. MIN je lahko najmanj 1 in MAX je lahko največ 10. Odstranimo prvih 5 stolpcev.
sapply(data[-1:-5], FUN = min) #Ocena izbranega parametra za vse spremenljivke hkrat
## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 q12 q13 q14 q15 q16 q17 q18 q19 q20
## 1 1 1 2 2 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1
## q21 q22 q23 q24 q25 q26
## 1 1 1 1 1 1
sapply(data[-1:-5], FUN = max)
## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 q12 q13 q14 q15 q16 q17 q18 q19 q20
## 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
## q21 q22 q23 q24 q25 q26
## 10 10 10 10 10 10
Prikažemo korelacijsko matriko.
podatki_FA <- data[,c(-1:-5)] #Ustvarimo novo tabelo s podatki brez stolpcev od 1-5
R <- cor(podatki_FA) #V objekt R shranimo korelacijsko matriko
library(psych)
corPlot(R) #Grafično prikažemo korelacijsko matriko
Vidimo, da ni problem singularnosti.Tam kjer je barva bolj temna, je večja korelacija. Iz slike vidimo, da vprašanja od 1-4 slabše korelirajo z ostalimi, kot vsa druga.
Preverimo, če so indikatorji med seboj preveč povezani (p>0.00001).
det(R) #Izračunamo determinanto korelacijske matrike
## [1] 7.52179e-12
Vidimo, da je rezultat OK.
Izvedemo Bartlettov preizkus sferičnosti.
library(psych)
cortest.bartlett(R, n=74)
## $chisq
## [1] 1626.439
##
## $p.value
## [1] 8.571282e-172
##
## $df
## [1] 325
H0: P = 1 H1: P != 1
Zavrnemo H0 pri p < 0.001.
Izračunamo KMO in MSA statistike.
library(psych)
KMO(R)
## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = R)
## Overall MSA = 0.87
## MSA for each item =
## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 q12 q13 q14 q15 q16
## 0.75 0.82 0.70 0.77 0.83 0.80 0.87 0.92 0.80 0.88 0.92 0.83 0.91 0.85 0.88 0.85
## q17 q18 q19 q20 q21 q22 q23 q24 q25 q26
## 0.86 0.87 0.88 0.87 0.89 0.92 0.92 0.90 0.93 0.91
MSA = 0.87, kar pomeni da so podatki dobri. Pri vrednosti recimo 0.4, bi morali ta podatek odstraniti. Opazimo tudi (kot smo lahko tudi iz korelacijske matrike videli), da so podatki q1-q5 slabši od ostalih, ampak jih lahko z ostalimi obdržimo.
Nadaljujemo s paralelno analizo.
library(psych)
fa.parallel(podatki_FA, #Izvedemo paralelno analizo
sim = FALSE, #Izključimo simulacijo
fa = "fa") #FA (fa = factor analysis)
## Parallel analysis suggests that the number of factors = 2 and the number of components = NA
Analiza predlaga, da obrdžimo 2 faktorja. Opazimo, da se zlom zgodi pri 2.
Pripravimo faktorsko analizo.
library(psych) #Aktiviramo knjižnico
library(GPArotation) #Aktiviramo knjižnico
##
## Attaching package: 'GPArotation'
## The following objects are masked from 'package:psych':
##
## equamax, varimin
faktorska <- fa(podatki_FA, #Tabela s podatki
covar = FALSE, #Standardizacija (izvedba na korelacijski matriki)
nfactors = 2, #Število faktorjev, na podlagi paralelne analize
fm = "minres", #Metoda (privzeta faktorska metoda je minres (minimum residual method))
rotate = "oblimin", #Faktorska rotacija - poševna rotacija
impute = "mean") #V primeru manjkajočih vrednosti so te nadomeščene s povprečjem
Naredimo faktorsko analizo.
print.psych(faktorska,
cut = 0.3, #Skrijemo faktorske uteži, nižje od 0,3
sort = TRUE) #Faktorske uteži razporedimo po velikosti
## Factor Analysis using method = minres
## Call: fa(r = podatki_FA, nfactors = 2, rotate = "oblimin", covar = FALSE,
## impute = "mean", fm = "minres")
## Standardized loadings (pattern matrix) based upon correlation matrix
## item MR1 MR2 h2 u2 com
## q23 23 0.83 0.62 0.38 1.0
## q22 22 0.83 0.78 0.22 1.0
## q16 16 0.82 0.58 0.42 1.1
## q26 26 0.82 0.62 0.38 1.0
## q11 11 0.77 0.65 0.35 1.0
## q24 24 0.77 0.55 0.45 1.0
## q10 10 0.77 0.50 0.50 1.1
## q25 25 0.77 0.62 0.38 1.0
## q13 13 0.76 0.57 0.43 1.0
## q20 20 0.76 0.77 0.23 1.2
## q19 19 0.76 0.64 0.36 1.0
## q12 12 0.73 0.46 0.54 1.1
## q17 17 0.73 0.65 0.35 1.1
## q9 9 0.71 0.43 0.57 1.1
## q14 14 0.67 0.54 0.46 1.1
## q6 6 0.61 0.43 0.57 1.0
## q15 15 0.61 0.52 0.48 1.2
## q8 8 0.59 0.53 0.47 1.3
## q7 7 0.59 0.49 0.51 1.2
## q18 18 0.57 0.39 0.61 1.1
## q21 21 0.52 0.39 0.60 0.40 1.9
## q1 1 0.84 0.68 0.32 1.0
## q2 2 0.79 0.69 0.31 1.0
## q4 4 0.78 0.61 0.39 1.0
## q3 3 0.75 0.56 0.44 1.0
## q5 5 0.60 0.59 0.41 1.4
##
## MR1 MR2
## SS loadings 11.30 3.76
## Proportion Var 0.43 0.14
## Cumulative Var 0.43 0.58
## Proportion Explained 0.75 0.25
## Cumulative Proportion 0.75 1.00
##
## With factor correlations of
## MR1 MR2
## MR1 1.00 0.44
## MR2 0.44 1.00
##
## Mean item complexity = 1.1
## Test of the hypothesis that 2 factors are sufficient.
##
## df null model = 325 with the objective function = 25.61 with Chi Square = 1600.83
## df of the model are 274 and the objective function was 7.83
##
## The root mean square of the residuals (RMSR) is 0.06
## The df corrected root mean square of the residuals is 0.07
##
## The harmonic n.obs is 73 with the empirical chi square 194.8 with prob < 1
## The total n.obs was 73 with Likelihood Chi Square = 479.07 with prob < 2.3e-13
##
## Tucker Lewis Index of factoring reliability = 0.804
## RMSEA index = 0.1 and the 90 % confidence intervals are 0.087 0.117
## BIC = -696.52
## Fit based upon off diagonal values = 0.98
## Measures of factor score adequacy
## MR1 MR2
## Correlation of (regression) scores with factors 0.98 0.95
## Multiple R square of scores with factors 0.97 0.91
## Minimum correlation of possible factor scores 0.93 0.81
Razvrstili smo podatke po faktorskih utežeh, MR so za nas faktorji. Faktorske uteži razlagamo kot tip korelacije, npr. q23 in F1 sta povezana pozitivno in močno.
S pomočjo analize lahko preverimo ali imamo kakšnega kandidata za odstranitev iz analize. Preverimo podatek com - hoffmanov indeks kompleksnosti. Mora biti čimbližje 1, če je več ko 2, ga odstranimo. Preverimo tudi komunaliteto, če ima kakšen podatek nizko, ga odstranimo.
V našem primeru nismo potrebovali odstraniti nobenega podatka, kar je super za nas.
Opazimo tudi, da je povprečen indeks kompleksnosti 1.1. Tukaj želimo, da je povprečje čimbližje 1.
Vidimo, da so podatki q23 “Zaupam informacijam, predstavljenim na tej spletni strani.”, q22 “Zadovoljen sem s točnostjo tega spletnega mesta v zvezi z nakupnim postopkom.”, q16 “Preprosto je personalizirati ali zožiti nakupni proces.”, q26 “To spletno mesto bi priporočil svojemu prijatelju.” najbolj pomembni.
Naredimo še grafičen prikaz modela.
library(psych)
fa.diagram(faktorska) #Grafičen prikaz faktorskega modela
Sedaj pa preverimo, kako dobro se faktorski model prilega podatkom.
Ostanki <- faktorska$residual #V objekt shranimo ostanke modela
Ostanki <- as.matrix(Ostanki[upper.tri(Ostanki)]) #Shranimo samo zgornji del matrike z ostanki (nad glavno diagonalo), saj bi drugače vsak ostanek šteli dvakrat (simetričnost matrike)
VisokiOstanki <- abs(Ostanki) > 0.05 #Logični test za preverbo visokih ostankov
sum(VisokiOstanki)/nrow(Ostanki) #Izračun deleža visokih ostankov
## [1] 0.3969231
61% ostankov je nižjih od 0.05 po absolutni vrednosti, kar ni najboljše. Najboljše bi bilo, če bi bili vsi ostanki nižji od 0.05.
Prikažemo faktorske vrednosti za prvih 6 oseb.
head(faktorska$scores, 6)
## MR1 MR2
## [1,] -1.4453462 -0.2473052
## [2,] 1.4415051 1.1201105
## [3,] 1.0610253 1.2621002
## [4,] 0.2583948 -1.1985466
## [5,] 0.5088819 0.6603107
## [6,] -0.4311888 0.4171352
Podatke lahko tudi opisno interpretiramo.
data$F1 <- faktorska$scores[ , 1] #V tabelo s podatki shranimo faktorske vrednosti
data$F2 <- faktorska$scores[ , 2]
head(data[, c("user_id", "F1", "F2")], 10) #Prikažemo podatke za prvih 10 oseb
## user_id F1 F2
## 1 080c468b-27c0-455c-aa63-b8f807f2e3d7 -1.4453462 -0.2473052
## 2 0b0379c7-04db-4c85-84bd-a2bd55329e29 1.4415051 1.1201105
## 3 0e623280-b28b-4d4a-8eea-0732f09ed497 1.0610253 1.2621002
## 4 045dc0f3-a730-4d03-a615-f51814e5b04f 0.2583948 -1.1985466
## 5 092f2ee7-5281-4a09-9bce-e5523b95b53b 0.5088819 0.6603107
## 6 19c0851c-cbb1-45b5-9e78-884b761802ac -0.4311888 0.4171352
## 7 1a386158-d08c-40b1-9365-e758927d3352 -0.5902132 -0.3988590
## 8 78e234a7-c15a-49e5-b38c-7fb47b294ca8 0.7241640 0.2761273
## 9 1331586c-ee72-4fc1-b622-812f54a49f6c 0.5641506 0.6162078
## 10 35913db6-2e1e-4028-a631-473241be215c -0.1260960 -0.4679488
Za uporabnika 1 je bolj pomembno F1. Za uporabnika 5 pa F2. Uporabniku 1 je pa pomembna F1. Potrebno je preveriti predznake (pozitivno, negativno) in prebrat trditve.
Lahko preverimo uporabnika 1 in vidimo njegove odgovore. V F1 so odgovori od q1 - q5, v F2 pa ostali.
data[1, -1:-5]
## q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 q12 q13 q14 q15 q16 q17 q18 q19 q20 q21
## 1 9 7 6 6 7 7 6 6 5 5 5 3 6 4 5 4 8 4 6 5 6
## q22 q23 q24 q25 q26 F1 F2
## 1 6 5 2 5 3 -1.445346 -0.2473052
Vidimo, da je F1 boljše ocenjen, kot F2.
TipoBarva <- data[, c("q1", "q2", "q3", "q4", "q5")] #Izberemo samo tiste indikatorje, ki merijo faktor Blagovna znamke
library(psych)
alpha(TipoBarva, #Tabela s podatki z ustreznimi indikatorji
check.keys = TRUE) #Obrnjene indikatorje avtomatično obrne
##
## Reliability analysis
## Call: alpha(x = TipoBarva, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.89 0.89 0.88 0.63 8.4 0.02 7.7 1.7 0.6
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.85 0.89 0.93
## Duhachek 0.85 0.89 0.93
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## q1 0.87 0.87 0.84 0.63 6.7 0.025 0.0042 0.61
## q2 0.85 0.85 0.82 0.59 5.9 0.028 0.0011 0.60
## q3 0.88 0.88 0.86 0.64 7.3 0.023 0.0054 0.62
## q4 0.86 0.87 0.84 0.62 6.5 0.026 0.0037 0.60
## q5 0.88 0.88 0.86 0.65 7.3 0.024 0.0055 0.62
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## q1 73 0.84 0.84 0.79 0.74 8.0 2.2
## q2 73 0.88 0.88 0.86 0.81 7.9 2.0
## q3 73 0.82 0.81 0.74 0.70 7.8 2.2
## q4 73 0.85 0.85 0.81 0.75 7.4 2.0
## q5 73 0.79 0.81 0.73 0.69 7.5 1.8
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 8 9 10 miss
## q1 0.04 0.00 0.01 0.03 0.03 0.07 0.10 0.21 0.25 0.27 0
## q2 0.01 0.01 0.01 0.03 0.04 0.08 0.12 0.25 0.25 0.19 0
## q3 0.01 0.03 0.01 0.04 0.07 0.08 0.08 0.15 0.27 0.25 0
## q4 0.00 0.01 0.04 0.05 0.04 0.18 0.14 0.15 0.23 0.15 0
## q5 0.00 0.03 0.00 0.01 0.08 0.12 0.19 0.29 0.14 0.14 0
Merski model je zanesljiv, ker je std_alpha (0.89) > 0.7
Če podatek q1 odstranimo bi bila alfa 0.87.
Ostalo <- data[, c("q6","q7","q8","q9","q10","q11","q12","q13","q14","q15" ,"q16","q17","q18","q19","q20","q21","q22","q23","q24","q25","q26")]
library(psych)
alpha(Ostalo,
check.keys=TRUE)
##
## Reliability analysis
## Call: alpha(x = Ostalo, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.96 0.96 0.98 0.54 25 0.0066 7.4 1.6 0.54
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.95 0.96 0.97
## Duhachek 0.95 0.96 0.97
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## q6 0.96 0.96 0.98 0.55 24 0.0068 0.011 0.54
## q7 0.96 0.96 0.98 0.55 24 0.0068 0.011 0.54
## q8 0.96 0.96 0.98 0.54 24 0.0069 0.012 0.54
## q9 0.96 0.96 0.98 0.55 25 0.0067 0.011 0.55
## q10 0.96 0.96 0.98 0.55 24 0.0068 0.011 0.54
## q11 0.96 0.96 0.98 0.54 23 0.0071 0.011 0.53
## q12 0.96 0.96 0.98 0.55 24 0.0067 0.011 0.55
## q13 0.96 0.96 0.98 0.54 24 0.0070 0.011 0.54
## q14 0.96 0.96 0.98 0.54 24 0.0069 0.012 0.54
## q15 0.96 0.96 0.98 0.54 24 0.0069 0.012 0.54
## q16 0.96 0.96 0.98 0.54 24 0.0069 0.011 0.54
## q17 0.96 0.96 0.98 0.54 23 0.0071 0.011 0.53
## q18 0.96 0.96 0.98 0.55 25 0.0068 0.011 0.55
## q19 0.96 0.96 0.97 0.54 23 0.0071 0.011 0.53
## q20 0.96 0.96 0.97 0.53 23 0.0072 0.010 0.53
## q21 0.96 0.96 0.98 0.54 24 0.0069 0.011 0.54
## q22 0.96 0.96 0.97 0.53 23 0.0072 0.010 0.53
## q23 0.96 0.96 0.98 0.54 24 0.0070 0.011 0.54
## q24 0.96 0.96 0.98 0.54 24 0.0069 0.011 0.54
## q25 0.96 0.96 0.98 0.54 23 0.0070 0.011 0.53
## q26 0.96 0.96 0.98 0.54 23 0.0070 0.011 0.54
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## q6 73 0.68 0.68 0.67 0.64 7.6 2.0
## q7 73 0.70 0.71 0.70 0.67 7.6 2.0
## q8 73 0.73 0.73 0.72 0.70 7.6 1.9
## q9 73 0.66 0.66 0.64 0.62 7.1 2.3
## q10 73 0.70 0.69 0.68 0.66 6.4 2.3
## q11 73 0.81 0.81 0.80 0.79 7.1 2.1
## q12 73 0.68 0.67 0.66 0.64 6.9 2.4
## q13 73 0.76 0.76 0.75 0.73 7.5 2.0
## q14 73 0.74 0.75 0.74 0.72 7.7 1.9
## q15 73 0.73 0.73 0.72 0.69 7.6 2.2
## q16 73 0.74 0.74 0.73 0.71 7.0 2.1
## q17 73 0.81 0.81 0.80 0.78 8.1 2.1
## q18 73 0.65 0.65 0.63 0.61 7.5 2.0
## q19 73 0.81 0.81 0.80 0.78 7.5 2.3
## q20 73 0.87 0.86 0.87 0.85 7.4 2.2
## q21 73 0.73 0.73 0.72 0.69 7.6 2.4
## q22 73 0.88 0.88 0.89 0.87 7.8 2.2
## q23 73 0.78 0.77 0.77 0.75 7.6 2.5
## q24 73 0.75 0.74 0.74 0.72 7.5 2.3
## q25 73 0.80 0.79 0.78 0.77 7.6 2.3
## q26 73 0.79 0.79 0.78 0.76 7.3 2.3
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 8 9 10 miss
## q6 0.00 0.01 0.07 0.01 0.03 0.10 0.16 0.21 0.26 0.15 0
## q7 0.03 0.01 0.01 0.00 0.03 0.14 0.16 0.27 0.19 0.15 0
## q8 0.00 0.03 0.03 0.00 0.08 0.08 0.19 0.23 0.21 0.15 0
## q9 0.01 0.03 0.07 0.03 0.10 0.08 0.23 0.14 0.16 0.15 0
## q10 0.01 0.03 0.10 0.05 0.16 0.15 0.15 0.12 0.10 0.12 0
## q11 0.03 0.00 0.01 0.07 0.11 0.12 0.21 0.23 0.07 0.15 0
## q12 0.04 0.00 0.07 0.04 0.14 0.11 0.14 0.19 0.12 0.15 0
## q13 0.03 0.00 0.00 0.01 0.07 0.18 0.18 0.21 0.14 0.19 0
## q14 0.01 0.00 0.00 0.04 0.08 0.08 0.22 0.15 0.25 0.16 0
## q15 0.03 0.03 0.00 0.01 0.10 0.07 0.12 0.32 0.12 0.21 0
## q16 0.03 0.01 0.01 0.04 0.12 0.18 0.15 0.14 0.21 0.11 0
## q17 0.03 0.01 0.01 0.00 0.04 0.04 0.16 0.21 0.21 0.29 0
## q18 0.01 0.00 0.01 0.07 0.12 0.04 0.18 0.21 0.19 0.16 0
## q19 0.04 0.01 0.03 0.01 0.05 0.11 0.16 0.21 0.16 0.21 0
## q20 0.03 0.01 0.03 0.04 0.07 0.08 0.15 0.21 0.26 0.12 0
## q21 0.05 0.01 0.03 0.03 0.04 0.04 0.10 0.27 0.25 0.18 0
## q22 0.05 0.00 0.01 0.00 0.03 0.08 0.12 0.27 0.22 0.21 0
## q23 0.04 0.03 0.01 0.01 0.10 0.08 0.15 0.12 0.16 0.29 0
## q24 0.03 0.04 0.01 0.03 0.03 0.11 0.16 0.26 0.10 0.23 0
## q25 0.03 0.00 0.07 0.03 0.04 0.08 0.10 0.29 0.15 0.22 0
## q26 0.04 0.00 0.07 0.01 0.07 0.08 0.11 0.29 0.16 0.16 0
Merski model je zanesljiv, ker je std_alpha (0.96) > 0.7
Pridemo do zaključka, da sta oba merska modela zanesljiva.
S Faktorsko analizo smo uspeli identificirati dva ključna faktorja, ki vpivata na zadovoljstvo uporabnikov, zaupanje in zvestobo.
Prvi faktor je močno povezan z zaupanjem v informacije in zadovoljstvom z nakupnim procesom. Prikazuje, da so uporabniki zadovoljni s točnostjo informacij na spletni strani. Hkrati prikazuje tudi pomen personalizacije in uporabnikove pripravljenosti za priporočanje spletnega mesta.
q23 “Zaupam informacijam, predstavljenim na tej spletni strani.”, q22 “Zadovoljen sem s točnostjo tega spletnega mesta v zvezi z nakupnim postopkom.”, q16 “Preprosto je personalizirati ali zožiti nakupni proces.”, q26 “To spletno mesto bi priporočil svojemu prijatelju.” najbolj pomembni.
Drugi faktor je identificiral podatke, povezane z vizualno privlačnostjo in uporabnostjo spletnega mesta, kot so tipografija in barva, ki so bistveni za prijetno uporabniško izkušnjo.
Dva faktorja odražata kompleksnost spletnega zadovoljstva in kažeta, da mora spletno mesto za e-trgovino posvetiti pozornost vsebinskim in vizualnim vidikom, da bi izboljšala uporabniško izkušnjo ter spodbudila zvestobo strank.