library(seminr)## Warning: пакет 'seminr' был собран под R версии 4.5.3head(mobi)## CUEX1 CUEX2 CUEX3 CUSA1 CUSA2 CUSA3 CUSCO CUSL1 CUSL2 CUSL3 IMAG1 IMAG2 IMAG3
## 1 7 7 6 6 4 7 7 6 5 6 7 5 5
## 2 10 10 9 10 10 8 10 10 2 10 10 9 10
## 3 7 7 7 8 7 7 6 6 2 7 8 7 6
## 4 7 10 5 10 10 10 5 10 4 10 10 10 5
## 5 8 7 10 10 8 8 5 10 3 8 10 10 5
## 6 10 9 7 8 7 7 8 10 3 10 8 9 10
## IMAG4 IMAG5 PERQ1 PERQ2 PERQ3 PERQ4 PERQ5 PERQ6 PERQ7 PERV1 PERV2
## 1 5 4 7 6 4 7 6 5 5 2 3
## 2 10 9 10 9 10 10 9 10 10 10 10
## 3 4 7 7 8 5 7 8 7 7 7 7
## 4 5 10 8 10 10 8 4 5 8 5 5
## 5 8 9 10 9 8 10 9 9 8 6 6
## 6 8 9 9 10 9 10 8 9 9 10 10measurements <- constructs(
composite("Image", multi_items("IMAG", 1:5), weights = mode_B),
composite("Expectation", multi_items("CUEX", 1:3), weights = regression_weights),
composite("Quality", multi_items("PERQ", 1:7), weights = mode_A),
composite("Value", multi_items("PERV", 1:2), weights = correlation_weights),
reflective("Satisfaction", multi_items("CUSA", 1:3)),
reflective("Complaints", single_item("CUSCO")),
higher_composite("HOC", c("Value", "Satisfaction"), orthogonal, mode_A),
interaction_term(iv = "Image", moderator = "Expectation", method = orthogonal, weights = mode_A),
reflective("Loyalty", multi_items("CUSL", 1:3))
)mobi_sm <- relationships(
paths(from = "Image", to = c("Expectation", "Satisfaction", "Loyalty")),
paths(from = "Expectation", to = c("Quality", "Value", "Satisfaction")),
paths(from = "Quality", to = c("Value", "Satisfaction")),
paths(from = "Value", to = c("Satisfaction")),
paths(from = "Satisfaction", to = c("Complaints", "Loyalty")),
paths(from = "Complaints", to = "Loyalty")
)# Определяем модель измерения
mobi_mm <- constructs(
composite("Image", multi_items("IMAG", 1:5)),
composite("Expectation", multi_items("CUEX", 1:3)),
composite("Value", multi_items("PERV", 1:2)),
composite("Satisfaction", multi_items("CUSA", 1:3)),
interaction_term(iv = "Image", moderator = "Expectation"),
interaction_term(iv = "Image", moderator = "Value")
)
# Определяем структурную модель
mobi_sm <- relationships(
paths(to = "Satisfaction",
from = c("Image", "Expectation", "Value",
"Image*Expectation", "Image*Value"))
)
mobi_pls <- estimate_pls(
data = mobi,
measurement_model = mobi_mm,
structural_model = mobi_sm,
inner_weights = path_weighting
)## Generating the seminr model## All 250 observations are valid.mobi_cfa <- estimate_cfa(
data = mobi,
measurement_model = as.reflective(mobi_mm)
)## Generating the seminr model for CFAmobi_cbsem <- estimate_cbsem(
data = mobi,
measurement_model = as.reflective(mobi_mm),
structural_model = mobi_sm
)## Generating the seminr model for CBSEMsummary(mobi_pls)##
## Results from package seminr (2.4.2)
##
## Path Coefficients:
## Satisfaction
## R^2 0.614
## AdjR^2 0.606
## Image 0.470
## Expectation 0.132
## Value 0.320
## Image*Expectation -0.140
## Image*Value 0.023
##
## Reliability:
## alpha rhoA rhoC AVE
## Image 0.723 0.745 0.818 0.478
## Expectation 0.452 0.462 0.733 0.481
## Value 0.824 0.858 0.918 0.848
## Image*Expectation 0.802 1.000 0.833 0.291
## Image*Value 0.810 1.000 0.918 0.574
## Satisfaction 0.779 0.784 0.871 0.693
##
## Alpha, rhoA, and rhoC should exceed 0.7 while AVE should exceed 0.5Image (0.470) - cамый сильный положительный эффект на удовлетворенность
Value (0.320) второй по силе положительный эффект
Expectation (0.132), слабый положительный эффект
Image×Expectation (-0.140). Отрицательный эффект взаимодействия (модерация)
R² = 0.614. Модель объясняет 61.4% дисперсии удовлетворенности — хороший результат
alpha = 0.452 — для конструкта Expectation ниже порога 0.7 (низкая внутренняя согласованность)
Имидж (Image) — 0.470. Данный конструкт оказывает положительное влияние на удовлетворенность клиентов. Это означает, что восприятие бренда, его репутация и общее впечатление о компании являются ключевым фактором формирования удовлетворенности у потребителей на рынке мобильной связи.
Построенная модель подтверждает, что ключевыми драйверами удовлетворенности клиентов на рынке мобильной связи являются имидж компании и воспринимаемая ценность услуг
model_summary <- summary(mobi_pls)
model_summary$descriptives$statistics$items## No. Missing Mean Median Min Max Std.Dev. Kurtosis Skewness
## IMAG1 1.000 0.000 7.640 8.000 1.000 10.000 1.700 4.726 -0.907
## IMAG2 2.000 0.000 7.780 8.000 1.000 10.000 1.687 3.994 -0.798
## IMAG3 3.000 0.000 6.744 7.000 1.000 10.000 2.132 3.687 -0.798
## IMAG4 4.000 0.000 7.588 8.000 1.000 10.000 1.842 4.356 -0.929
## IMAG5 5.000 0.000 7.932 8.000 1.000 10.000 1.557 5.727 -1.076
## CUEX1 6.000 0.000 7.580 8.000 1.000 10.000 1.622 3.860 -0.667
## CUEX2 7.000 0.000 7.532 8.000 1.000 10.000 1.793 4.483 -0.804
## CUEX3 8.000 0.000 7.424 8.000 1.000 10.000 2.103 3.645 -0.854
## PERV1 9.000 0.000 6.156 6.000 1.000 10.000 2.183 2.808 -0.400
## PERV2 10.000 0.000 6.916 7.000 1.000 10.000 1.842 4.003 -0.648
## CUSA1 11.000 0.000 7.988 8.000 4.000 10.000 1.234 3.178 -0.222
## CUSA2 12.000 0.000 7.128 7.000 1.000 10.000 1.765 3.587 -0.550
## CUSA3 13.000 0.000 7.316 7.000 1.000 10.000 1.747 3.993 -0.671Средние значения большинства переменных находятся в диапазоне 7–8 баллов, что говорит о в целом положительном восприятии бренда/услуг.
Имидж 6.74 – 7.93 Высокие оценки, особенно IMAG5 (7.93)
Асимметрия (Skewness) Все значения отрицательные (от -0.222 до -1.076)
Это указывает на левостороннюю асимметрию (смещение вправо): большинство респондентов дают высокие оценки (7–10 баллов), а низкие оценки встречаются редко.
Эксцесс (Kurtosis) Все значения положительные
Положительный эксцесс указывает на островершинное распределение (более крутой пик, чем у нормального распределения).
Воспринимаемая ценность: PERV1 (среднее = 6.16) и PERV2 (6.92) имеют самые низкие оценки
Сильная сторона — Имидж и Удовлетворенность:
Высокие оценки по IMAG5 (7.93) и CUSA1 (7.99)
Клиенты в целом довольны брендом и услугами, несмотря на вопросы к ценности
model_summary$descriptives$correlations$items## IMAG1 IMAG2 IMAG3 IMAG4 IMAG5 CUEX1 CUEX2 CUEX3 PERV1
## IMAG1 1.000 0.390 0.263 0.445 0.429 0.242 0.277 0.209 0.345
## IMAG2 0.390 1.000 0.131 0.298 0.295 0.286 0.203 0.301 0.221
## IMAG3 0.263 0.131 1.000 0.414 0.337 0.220 0.249 0.117 0.275
## IMAG4 0.445 0.298 0.414 1.000 0.427 0.223 0.304 0.248 0.343
## IMAG5 0.429 0.295 0.337 0.427 1.000 0.257 0.364 0.120 0.187
## CUEX1 0.242 0.286 0.220 0.223 0.257 1.000 0.326 0.214 0.265
## CUEX2 0.277 0.203 0.249 0.304 0.364 0.326 1.000 0.107 0.136
## CUEX3 0.209 0.301 0.117 0.248 0.120 0.214 0.107 1.000 0.244
## PERV1 0.345 0.221 0.275 0.343 0.187 0.265 0.136 0.244 1.000
## PERV2 0.383 0.280 0.342 0.516 0.300 0.277 0.190 0.261 0.700
## CUSA1 0.452 0.406 0.219 0.440 0.443 0.325 0.370 0.332 0.329
## CUSA2 0.381 0.271 0.320 0.434 0.387 0.299 0.270 0.255 0.387
## CUSA3 0.528 0.367 0.287 0.491 0.451 0.306 0.279 0.221 0.487
## IMAG1*CUEX1 0.113 0.021 0.056 -0.030 -0.067 -0.125 -0.021 -0.002 0.094
## IMAG1*CUEX2 0.077 0.019 0.045 -0.051 -0.016 -0.019 -0.146 0.019 0.055
## IMAG1*CUEX3 0.167 0.088 0.038 -0.016 0.034 -0.002 0.021 -0.098 0.029
## IMAG2*CUEX1 0.021 0.108 -0.079 -0.044 -0.013 -0.085 0.024 -0.086 -0.010
## IMAG2*CUEX2 0.019 0.011 -0.051 -0.153 0.049 0.022 -0.020 0.046 -0.012
## IMAG2*CUEX3 0.094 0.025 -0.052 -0.063 -0.066 -0.094 0.055 -0.101 -0.048
## IMAG3*CUEX1 0.049 -0.069 -0.027 -0.031 -0.142 -0.160 -0.075 -0.023 -0.017
## IMAG3*CUEX2 0.052 -0.059 0.056 0.095 0.058 -0.091 -0.045 0.099 0.005
## IMAG3*CUEX3 0.035 -0.045 -0.010 0.032 -0.003 -0.025 0.089 -0.206 -0.089
## IMAG4*CUEX1 -0.030 -0.044 -0.035 0.108 -0.063 -0.050 -0.072 0.001 0.035
## IMAG4*CUEX2 -0.051 -0.153 0.083 0.053 -0.019 -0.066 -0.147 0.061 -0.060
## IMAG4*CUEX3 -0.017 -0.061 0.036 0.009 -0.072 0.001 0.070 -0.192 -0.043
## IMAG5*CUEX1 -0.070 -0.013 -0.170 -0.065 -0.112 0.051 -0.024 0.064 0.095
## IMAG5*CUEX2 -0.021 0.061 0.063 -0.024 -0.029 -0.027 0.088 0.164 -0.032
## IMAG5*CUEX3 0.039 -0.072 -0.004 -0.080 0.200 0.074 0.170 0.088 -0.014
## IMAG1*PERV1 -0.119 -0.002 0.028 -0.132 0.130 0.091 0.057 0.027 -0.059
## IMAG1*PERV2 -0.103 0.089 -0.086 -0.206 0.057 0.018 0.031 -0.044 -0.093
## IMAG2*PERV1 -0.002 -0.197 0.162 0.040 0.001 -0.010 -0.013 -0.044 0.127
## IMAG2*PERV2 0.098 -0.114 0.104 -0.002 -0.084 -0.098 -0.062 -0.081 0.083
## IMAG3*PERV1 0.029 0.159 -0.178 -0.119 0.055 -0.020 0.005 -0.094 -0.066
## IMAG3*PERV2 -0.096 0.105 -0.092 -0.130 0.062 0.026 0.017 -0.072 -0.158
## IMAG4*PERV1 -0.134 0.039 -0.117 -0.207 -0.046 0.034 -0.063 -0.040 -0.080
## IMAG4*PERV2 -0.227 -0.002 -0.128 -0.253 0.011 0.018 0.059 -0.034 -0.235
## IMAG5*PERV1 0.130 0.001 0.053 -0.045 -0.071 0.088 -0.027 -0.011 0.119
## IMAG5*PERV2 0.066 -0.087 0.064 0.011 -0.062 0.020 -0.001 -0.049 0.023
## PERV2 CUSA1 CUSA2 CUSA3 IMAG1*CUEX1 IMAG1*CUEX2 IMAG1*CUEX3
## IMAG1 0.383 0.452 0.381 0.528 0.113 0.077 0.167
## IMAG2 0.280 0.406 0.271 0.367 0.021 0.019 0.088
## IMAG3 0.342 0.219 0.320 0.287 0.056 0.045 0.038
## IMAG4 0.516 0.440 0.434 0.491 -0.030 -0.051 -0.016
## IMAG5 0.300 0.443 0.387 0.451 -0.067 -0.016 0.034
## CUEX1 0.277 0.325 0.299 0.306 -0.125 -0.019 -0.002
## CUEX2 0.190 0.370 0.270 0.279 -0.021 -0.146 0.021
## CUEX3 0.261 0.332 0.255 0.221 -0.002 0.019 -0.098
## PERV1 0.700 0.329 0.387 0.487 0.094 0.055 0.029
## PERV2 1.000 0.420 0.507 0.605 0.022 0.034 -0.055
## CUSA1 0.420 1.000 0.539 0.490 -0.087 -0.071 -0.123
## CUSA2 0.507 0.539 1.000 0.592 -0.075 -0.054 -0.101
## CUSA3 0.605 0.490 0.592 1.000 -0.053 -0.013 -0.037
## IMAG1*CUEX1 0.022 -0.087 -0.075 -0.053 1.000 0.590 0.453
## IMAG1*CUEX2 0.034 -0.071 -0.054 -0.013 0.590 1.000 0.281
## IMAG1*CUEX3 -0.055 -0.123 -0.101 -0.037 0.453 0.281 1.000
## IMAG2*CUEX1 -0.109 -0.060 -0.119 -0.149 0.392 0.358 0.287
## IMAG2*CUEX2 -0.063 0.039 -0.030 -0.015 0.378 0.472 0.229
## IMAG2*CUEX3 -0.099 -0.015 -0.027 -0.101 0.296 0.214 0.310
## IMAG3*CUEX1 0.024 -0.118 -0.056 -0.081 0.259 0.182 0.046
## IMAG3*CUEX2 0.019 -0.008 -0.023 0.048 0.240 0.345 0.024
## IMAG3*CUEX3 -0.074 -0.000 -0.018 -0.047 0.061 0.032 0.303
## IMAG4*CUEX1 0.020 -0.047 -0.002 -0.061 0.500 0.264 0.216
## IMAG4*CUEX2 0.061 -0.070 -0.034 0.009 0.256 0.538 0.115
## IMAG4*CUEX3 -0.040 -0.136 -0.016 -0.023 0.212 0.115 0.531
## IMAG5*CUEX1 0.022 -0.005 0.058 0.019 0.389 0.157 0.143
## IMAG5*CUEX2 -0.001 0.054 0.090 0.100 0.175 0.388 0.044
## IMAG5*CUEX3 -0.062 0.067 0.009 -0.003 0.184 0.077 0.395
## IMAG1*PERV1 -0.109 0.040 0.048 -0.037 0.097 0.105 0.153
## IMAG1*PERV2 -0.189 -0.029 -0.071 -0.126 0.230 0.243 0.307
## IMAG2*PERV1 0.093 -0.056 0.063 0.043 0.164 0.165 0.072
## IMAG2*PERV2 0.065 -0.094 -0.014 0.028 0.394 0.380 0.304
## IMAG3*PERV1 -0.171 0.014 -0.004 -0.098 0.052 0.084 0.129
## IMAG3*PERV2 -0.173 0.005 -0.042 -0.104 -0.165 -0.011 0.029
## IMAG4*PERV1 -0.255 -0.087 -0.065 -0.127 -0.030 0.091 0.045
## IMAG4*PERV2 -0.272 -0.053 -0.134 -0.184 -0.037 0.067 0.046
## IMAG5*PERV1 0.023 -0.146 0.025 -0.014 0.353 0.334 0.181
## IMAG5*PERV2 0.086 -0.100 -0.011 -0.063 0.323 0.290 0.234
## IMAG2*CUEX1 IMAG2*CUEX2 IMAG2*CUEX3 IMAG3*CUEX1 IMAG3*CUEX2
## IMAG1 0.021 0.019 0.094 0.049 0.052
## IMAG2 0.108 0.011 0.025 -0.069 -0.059
## IMAG3 -0.079 -0.051 -0.052 -0.027 0.056
## IMAG4 -0.044 -0.153 -0.063 -0.031 0.095
## IMAG5 -0.013 0.049 -0.066 -0.142 0.058
## CUEX1 -0.085 0.022 -0.094 -0.160 -0.091
## CUEX2 0.024 -0.020 0.055 -0.075 -0.045
## CUEX3 -0.086 0.046 -0.101 -0.023 0.099
## PERV1 -0.010 -0.012 -0.048 -0.017 0.005
## PERV2 -0.109 -0.063 -0.099 0.024 0.019
## CUSA1 -0.060 0.039 -0.015 -0.118 -0.008
## CUSA2 -0.119 -0.030 -0.027 -0.056 -0.023
## CUSA3 -0.149 -0.015 -0.101 -0.081 0.048
## IMAG1*CUEX1 0.392 0.378 0.296 0.259 0.240
## IMAG1*CUEX2 0.358 0.472 0.214 0.182 0.345
## IMAG1*CUEX3 0.287 0.229 0.310 0.046 0.024
## IMAG2*CUEX1 1.000 0.378 0.466 0.237 0.002
## IMAG2*CUEX2 0.378 1.000 0.180 0.018 0.204
## IMAG2*CUEX3 0.466 0.180 1.000 0.160 -0.106
## IMAG3*CUEX1 0.237 0.018 0.160 1.000 0.411
## IMAG3*CUEX2 0.002 0.204 -0.106 0.411 1.000
## IMAG3*CUEX3 0.183 -0.046 0.059 0.129 0.063
## IMAG4*CUEX1 0.276 0.171 0.064 0.469 0.296
## IMAG4*CUEX2 0.143 0.459 -0.003 0.218 0.515
## IMAG4*CUEX3 0.059 0.027 0.204 0.135 0.021
## IMAG5*CUEX1 0.224 0.194 0.051 0.468 0.168
## IMAG5*CUEX2 0.190 0.286 0.074 0.143 0.344
## IMAG5*CUEX3 0.092 0.135 0.327 0.003 0.005
## IMAG1*PERV1 0.124 0.151 0.027 0.037 0.085
## IMAG1*PERV2 0.334 0.346 0.258 -0.129 -0.011
## IMAG2*PERV1 0.265 0.126 0.352 0.301 0.116
## IMAG2*PERV2 0.456 0.304 0.514 0.264 0.024
## IMAG3*PERV1 0.321 0.099 0.113 0.209 0.057
## IMAG3*PERV2 0.286 0.021 0.094 0.236 0.071
## IMAG4*PERV1 0.223 0.187 0.142 0.056 0.019
## IMAG4*PERV2 0.193 0.239 0.173 -0.030 -0.021
## IMAG5*PERV1 0.168 0.064 0.180 0.238 0.145
## IMAG5*PERV2 0.126 0.074 0.173 0.173 0.205
## IMAG3*CUEX3 IMAG4*CUEX1 IMAG4*CUEX2 IMAG4*CUEX3 IMAG5*CUEX1
## IMAG1 0.035 -0.030 -0.051 -0.017 -0.070
## IMAG2 -0.045 -0.044 -0.153 -0.061 -0.013
## IMAG3 -0.010 -0.035 0.083 0.036 -0.170
## IMAG4 0.032 0.108 0.053 0.009 -0.065
## IMAG5 -0.003 -0.063 -0.019 -0.072 -0.112
## CUEX1 -0.025 -0.050 -0.066 0.001 0.051
## CUEX2 0.089 -0.072 -0.147 0.070 -0.024
## CUEX3 -0.206 0.001 0.061 -0.192 0.064
## PERV1 -0.089 0.035 -0.060 -0.043 0.095
## PERV2 -0.074 0.020 0.061 -0.040 0.022
## CUSA1 -0.000 -0.047 -0.070 -0.136 -0.005
## CUSA2 -0.018 -0.002 -0.034 -0.016 0.058
## CUSA3 -0.047 -0.061 0.009 -0.023 0.019
## IMAG1*CUEX1 0.061 0.500 0.256 0.212 0.389
## IMAG1*CUEX2 0.032 0.264 0.538 0.115 0.157
## IMAG1*CUEX3 0.303 0.216 0.115 0.531 0.143
## IMAG2*CUEX1 0.183 0.276 0.143 0.059 0.224
## IMAG2*CUEX2 -0.046 0.171 0.459 0.027 0.194
## IMAG2*CUEX3 0.059 0.064 -0.003 0.204 0.051
## IMAG3*CUEX1 0.129 0.469 0.218 0.135 0.468
## IMAG3*CUEX2 0.063 0.296 0.515 0.021 0.168
## IMAG3*CUEX3 1.000 0.159 0.033 0.453 0.000
## IMAG4*CUEX1 0.159 1.000 0.419 0.344 0.473
## IMAG4*CUEX2 0.033 0.419 1.000 0.163 0.045
## IMAG4*CUEX3 0.453 0.344 0.163 1.000 0.100
## IMAG5*CUEX1 0.000 0.473 0.045 0.100 1.000
## IMAG5*CUEX2 -0.006 0.052 0.423 -0.042 0.284
## IMAG5*CUEX3 0.279 0.142 0.006 0.315 0.112
## IMAG1*PERV1 0.127 -0.025 0.082 0.035 0.334
## IMAG1*PERV2 0.039 -0.009 0.076 0.052 0.274
## IMAG2*PERV1 0.140 0.267 0.195 0.180 0.180
## IMAG2*PERV2 0.124 0.251 0.252 0.229 0.134
## IMAG3*PERV1 0.278 0.077 0.018 0.146 0.271
## IMAG3*PERV2 0.322 -0.009 -0.003 0.070 0.184
## IMAG4*PERV1 0.147 0.208 0.137 0.265 0.134
## IMAG4*PERV2 0.077 0.112 0.137 0.181 0.194
## IMAG5*PERV1 0.019 0.161 0.135 0.099 0.295
## IMAG5*PERV2 0.038 0.244 0.257 0.164 0.259
## IMAG5*CUEX2 IMAG5*CUEX3 IMAG1*PERV1 IMAG1*PERV2 IMAG2*PERV1
## IMAG1 -0.021 0.039 -0.119 -0.103 -0.002
## IMAG2 0.061 -0.072 -0.002 0.089 -0.197
## IMAG3 0.063 -0.004 0.028 -0.086 0.162
## IMAG4 -0.024 -0.080 -0.132 -0.206 0.040
## IMAG5 -0.029 0.200 0.130 0.057 0.001
## CUEX1 -0.027 0.074 0.091 0.018 -0.010
## CUEX2 0.088 0.170 0.057 0.031 -0.013
## CUEX3 0.164 0.088 0.027 -0.044 -0.044
## PERV1 -0.032 -0.014 -0.059 -0.093 0.127
## PERV2 -0.001 -0.062 -0.109 -0.189 0.093
## CUSA1 0.054 0.067 0.040 -0.029 -0.056
## CUSA2 0.090 0.009 0.048 -0.071 0.063
## CUSA3 0.100 -0.003 -0.037 -0.126 0.043
## IMAG1*CUEX1 0.175 0.184 0.097 0.230 0.164
## IMAG1*CUEX2 0.388 0.077 0.105 0.243 0.165
## IMAG1*CUEX3 0.044 0.395 0.153 0.307 0.072
## IMAG2*CUEX1 0.190 0.092 0.124 0.334 0.265
## IMAG2*CUEX2 0.286 0.135 0.151 0.346 0.126
## IMAG2*CUEX3 0.074 0.327 0.027 0.258 0.352
## IMAG3*CUEX1 0.143 0.003 0.037 -0.129 0.301
## IMAG3*CUEX2 0.344 0.005 0.085 -0.011 0.116
## IMAG3*CUEX3 -0.006 0.279 0.127 0.039 0.140
## IMAG4*CUEX1 0.052 0.142 -0.025 -0.009 0.267
## IMAG4*CUEX2 0.423 0.006 0.082 0.076 0.195
## IMAG4*CUEX3 -0.042 0.315 0.035 0.052 0.180
## IMAG5*CUEX1 0.284 0.112 0.334 0.274 0.180
## IMAG5*CUEX2 1.000 0.061 0.358 0.275 0.047
## IMAG5*CUEX3 0.061 1.000 0.209 0.249 0.233
## IMAG1*PERV1 0.358 0.209 1.000 0.735 0.102
## IMAG1*PERV2 0.275 0.249 0.735 1.000 0.026
## IMAG2*PERV1 0.047 0.233 0.102 0.026 1.000
## IMAG2*PERV2 0.056 0.226 0.020 0.199 0.704
## IMAG3*PERV1 0.119 0.015 0.414 0.435 0.051
## IMAG3*PERV2 0.179 0.042 0.461 0.390 0.024
## IMAG4*PERV1 0.114 0.118 0.413 0.466 0.074
## IMAG4*PERV2 0.231 0.186 0.472 0.626 0.017
## IMAG5*PERV1 0.149 0.205 0.280 0.212 0.327
## IMAG5*PERV2 0.234 0.257 0.223 0.272 0.270
## IMAG2*PERV2 IMAG3*PERV1 IMAG3*PERV2 IMAG4*PERV1 IMAG4*PERV2
## IMAG1 0.098 0.029 -0.096 -0.134 -0.227
## IMAG2 -0.114 0.159 0.105 0.039 -0.002
## IMAG3 0.104 -0.178 -0.092 -0.117 -0.128
## IMAG4 -0.002 -0.119 -0.130 -0.207 -0.253
## IMAG5 -0.084 0.055 0.062 -0.046 0.011
## CUEX1 -0.098 -0.020 0.026 0.034 0.018
## CUEX2 -0.062 0.005 0.017 -0.063 0.059
## CUEX3 -0.081 -0.094 -0.072 -0.040 -0.034
## PERV1 0.083 -0.066 -0.158 -0.080 -0.235
## PERV2 0.065 -0.171 -0.173 -0.255 -0.272
## CUSA1 -0.094 0.014 0.005 -0.087 -0.053
## CUSA2 -0.014 -0.004 -0.042 -0.065 -0.134
## CUSA3 0.028 -0.098 -0.104 -0.127 -0.184
## IMAG1*CUEX1 0.394 0.052 -0.165 -0.030 -0.037
## IMAG1*CUEX2 0.380 0.084 -0.011 0.091 0.067
## IMAG1*CUEX3 0.304 0.129 0.029 0.045 0.046
## IMAG2*CUEX1 0.456 0.321 0.286 0.223 0.193
## IMAG2*CUEX2 0.304 0.099 0.021 0.187 0.239
## IMAG2*CUEX3 0.514 0.113 0.094 0.142 0.173
## IMAG3*CUEX1 0.264 0.209 0.236 0.056 -0.030
## IMAG3*CUEX2 0.024 0.057 0.071 0.019 -0.021
## IMAG3*CUEX3 0.124 0.278 0.322 0.147 0.077
## IMAG4*CUEX1 0.251 0.077 -0.009 0.208 0.112
## IMAG4*CUEX2 0.252 0.018 -0.003 0.137 0.137
## IMAG4*CUEX3 0.229 0.146 0.070 0.265 0.181
## IMAG5*CUEX1 0.134 0.271 0.184 0.134 0.194
## IMAG5*CUEX2 0.056 0.119 0.179 0.114 0.231
## IMAG5*CUEX3 0.226 0.015 0.042 0.118 0.186
## IMAG1*PERV1 0.020 0.414 0.461 0.413 0.472
## IMAG1*PERV2 0.199 0.435 0.390 0.466 0.626
## IMAG2*PERV1 0.704 0.051 0.024 0.074 0.017
## IMAG2*PERV2 1.000 0.023 -0.030 0.028 -0.011
## IMAG3*PERV1 0.023 1.000 0.779 0.599 0.533
## IMAG3*PERV2 -0.030 0.779 1.000 0.550 0.564
## IMAG4*PERV1 0.028 0.599 0.550 1.000 0.784
## IMAG4*PERV2 -0.011 0.533 0.564 0.784 1.000
## IMAG5*PERV1 0.253 0.286 0.133 0.178 0.060
## IMAG5*PERV2 0.267 0.129 0.090 0.060 0.189
## IMAG5*PERV1 IMAG5*PERV2
## IMAG1 0.130 0.066
## IMAG2 0.001 -0.087
## IMAG3 0.053 0.064
## IMAG4 -0.045 0.011
## IMAG5 -0.071 -0.062
## CUEX1 0.088 0.020
## CUEX2 -0.027 -0.001
## CUEX3 -0.011 -0.049
## PERV1 0.119 0.023
## PERV2 0.023 0.086
## CUSA1 -0.146 -0.100
## CUSA2 0.025 -0.011
## CUSA3 -0.014 -0.063
## IMAG1*CUEX1 0.353 0.323
## IMAG1*CUEX2 0.334 0.290
## IMAG1*CUEX3 0.181 0.234
## IMAG2*CUEX1 0.168 0.126
## IMAG2*CUEX2 0.064 0.074
## IMAG2*CUEX3 0.180 0.173
## IMAG3*CUEX1 0.238 0.173
## IMAG3*CUEX2 0.145 0.205
## IMAG3*CUEX3 0.019 0.038
## IMAG4*CUEX1 0.161 0.244
## IMAG4*CUEX2 0.135 0.257
## IMAG4*CUEX3 0.099 0.164
## IMAG5*CUEX1 0.295 0.259
## IMAG5*CUEX2 0.149 0.234
## IMAG5*CUEX3 0.205 0.257
## IMAG1*PERV1 0.280 0.223
## IMAG1*PERV2 0.212 0.272
## IMAG2*PERV1 0.327 0.270
## IMAG2*PERV2 0.253 0.267
## IMAG3*PERV1 0.286 0.129
## IMAG3*PERV2 0.133 0.090
## IMAG4*PERV1 0.178 0.060
## IMAG4*PERV2 0.060 0.189
## IMAG5*PERV1 1.000 0.747
## IMAG5*PERV2 0.747 1.000Имидж умеренно коррелирует с удовлетворенностью (r = 0.27–0.53), что подтверждает структурную связь.
Ценность сильно коррелирует с удовлетворенностью, особенно PERV2 с CUSA3 (r = 0.605).
Ожидания (CUEX) слабо/умеренно коррелируют с удовлетворенностью (r ≈ 0.27–0.31).
Имидж и ценность умеренно связаны (особенно IMAG4 с PERV2: r = 0.516).
Слабые связи внутри CUEX CUEX2–CUEX3 0.107. Низкая альфа Кронбаха
Слабые связи внутри IMAG IMAG2–IMAG3 0.131
IMAG1×CUEX1 коррелирует с CUSA3: r = -0.053 (очень слабая отрицательная)
IMAG4×CUEX2 коррелирует с CUSA1: r = -0.070
IMAG5×CUEX1 коррелирует с CUSA2: r = 0.058
имеют очень слабые корреляции с переменной CUSA, что объясняет их небольшой вклад в модель.
model_summary$descriptives$statistics$constructs## No. Missing Mean Median Min Max Std.Dev. Kurtosis
## Image 1.000 0.000 -0.000 0.041 -3.484 1.944 1.000 3.283
## Expectation 2.000 0.000 -0.000 -0.018 -3.295 1.976 1.000 3.191
## Value 3.000 0.000 -0.000 0.212 -3.073 1.855 1.000 3.593
## Image*Expectation 4.000 0.000 0.000 -0.174 -6.262 8.226 1.160 20.472
## Image*Value 5.000 0.000 0.000 -0.354 -3.800 8.815 1.240 15.344
## Satisfaction 6.000 0.000 -0.000 0.078 -3.109 1.915 1.000 3.210
## Skewness
## Image -0.413
## Expectation -0.168
## Value -0.578
## Image*Expectation 1.125
## Image*Value 2.404
## Satisfaction -0.447Асимметрия левосторонняя — больше высоких оценок
Эксцесс - островершинное распределение
model_summary$descriptives$correlations$constructs## Image Expectation Value Image*Expectation Image*Value
## Image 1.000 0.506 0.511 0.007 -0.129
## Expectation 0.506 1.000 0.358 -0.167 -0.014
## Value 0.511 0.358 1.000 -0.029 -0.207
## Image*Expectation 0.007 -0.167 -0.029 1.000 0.266
## Image*Value -0.129 -0.014 -0.207 0.266 1.000
## Satisfaction 0.696 0.511 0.606 -0.183 -0.144
## Satisfaction
## Image 0.696
## Expectation 0.511
## Value 0.606
## Image*Expectation -0.183
## Image*Value -0.144
## Satisfaction 1.000Имидж — важнейший фактор удовлетворенности (r = 0.696)
Ценность — второй по значимости фактор (r = 0.606)
Мультиколлинеарность отсутствует — модель устойчива
plot(mobi_pls, title = "PLS Model")library(rsvg)## Warning: пакет 'rsvg' был собран под R версии 4.5.3## Linking to librsvg 2.61.0save_plot("myfigure.png")Прямые эффекты на Удовлетворенность:
Имидж: β = 0.470 — основной драйвер
Ценность: β = 0.320 — второй по значимости
Ожидания: β = 0.132 — слабый эффект
Модерация:
Имидж × Ожидания: β = -0.140 — отрицательный эффект взаимодействия
Имидж × Ценность: β = 0.023 — статистически и практически незначим
Основные выводы по связям валидны: Имидж и Ценность — ключевые предикторы удовлетворенности.