제1절. 자료의 점검

비록 본연구의 독립변수들인 소비자의 노력정도, 비용절감 그리고 판매 촉진의 희귀성이 실험설계 단계에서 사전조사를 통해 조작이 이루어졌다고 하여도 이러한 실험 조작이 연구자가 의도하는 대로 제대로 이루어졌는가를 알아보기 위한 조작화의 검증이 실시되어야 한다. 다음에는 우선 본 실험의 피험자들의 기술 통계치를 간략히 살펴본 후 실험에 이용된 변수들의 조작화 검증결과를 기술하였다.

1. 기술통계치

본 연구에서는 각각 40명씩의 8개의 집단으로 구분되는 총 320명의 표본을 대상으로 하여 실험을 진행하였으며 이중 219명의 응답이 회수되었다. 이들 가운데 실험조작을 정확하게 인지하치 뭇한 피험자와 설문문항에 대해 불완전하게 응답한 피험자를 제외한 총 213명의 응답을 대상으로 하여 분석을 진행하였다. 이 결과 각 집단별로 25-29명의 표본을 대상으로 분석이 진행되었다.

2. 독립변수조작의 검정

가. 소비자의 노력

소비자의 노력 정도에 대한 조작 점검은 1개의 질문으로 이루어졌다. 즉, '나는 컴퓨터를 잘 구입하기 위해 많은 노력을 들였다.'의 질문에 어느 정도 동의하는지를 7점 척도(-3:전적으로 반대한다 ~ +3:전적으로 동의한다.)를 이용하여 측정하였다.

소비자의 노력 정도별로 t-test를 실시한 결과 소비자의 노력정도가 작은 경우와 큰 경우의 차이는 유의적으로 나타났다. 이하의 <표 5-1> 는 소비자의 노력 조작에 대한 t-test결과이다.

나. 비용절감

비용절감의 정도에 대한 조작 점검은 2개의 질문으로 측정되었다. 즉, '나는 컴퓨터를 구입하면서 많은 비용절감을 했다.'와 '다른 사람들에 비해 나는 그 컴퓨터를 싸게 구입했다.'의 두 가지 질문에 어느 정도 등의 하는지를 7점 척도(-3:전적으로 반대한다 ~ +3:전적으로 동의한다.)를 이용하여 측정하였다. 두 항목의 상관관계는 0.864(P<0.01)로 매우 만족스러운 수준이었다.

그래서 두 질문들의 평균을 이용하여 비용절감의 수준별로, 1-test 테스트를 실시한 결과 두집단의 차이는 유의적인 결과를 보여 비용절감에 대한 실험 조작은 성공적인 것으로 나타났다.

다. 판매촉진의 희귀성

판매촉진의 희귀성에 대한 조작의 검증은 '내가 받은 가격할인은 나에게 만 특별히 주어진 기회였다', '내가 받은 가격할인은 드문 기회였다', '나랑 같은 시기에 동일한 컴퓨터를 구입한 소비자들 중 소수만이 그 조건에 구입했을 것이다.'의 세 설문항목에 대해 어느 정도 동의하는지를 7점 척도(-3:전적으로 반대한다 ~ +3:전적으로 동의한다.)를 이용하여 측정하였다. 세 항목의 상관관계는 0.888(p<0.001)로 만족스러운 수준이었다. 이 세 항목들의 평균을 이용하여 희귀성의 수준별로, t-test 테스트를 실시한 결과 두 집단의 차이는 유의적인 결과를 보여 판매촉진의 희귀성에 대한 실험 조작은 성공적인 것으로 나타났다.

3. 종속변수 척도의 신뢰성 분석

신뢰성은 측정된 결과치의 일관성, 정확성, 의존가능성, 예측가능성 등과 관련된 개념으로 신뢰성을 평가하는 방법으로는 첫째, 동일 측정도구 2 회 측정 상관도(test-retest reliability), 둘째, 동등한 두 가지 측정도구에 의한 측정치의 상관도(alternative-form reliability), 셋째, 항목 분할 측정치의 상관도(split-half reliability), 넷째, 내적 일관도(internal consistency reliability) 등이 가장 일반적으로 사용되고 있다. (채서일, 1995)

본 연구에서는 속성별로 측정한 측정변수인 속성별 기대, 속성별 성과, 속성별 불일치문항들의 신뢰성을 검증하기 위해, 내적 일관도 방법을 사용하였다. 이 방법은 동일한 개념을 측정하고자 다수의 항목을 이용하는 경우, 신뢰도를 저해하는 항목을 찾아 척도에서 제외시킴으로써 신뢰도를 높이는 것으로 Cronbach's Alpha계수를 사용한다.

일반적으로 Cronbach's Alpha계수의 값이 0.5-0.6 수준을 충족시키면 비교적 신뢰도가 높다고 할 수 있는데, 본 연구에 이용된 3개의 종속 변수들(즉, 1) 판매촉진의 혜택에 대한 책임 귀인, 2) Smart Shopper Feeling, 3)소비자 만족)을 측정하기 위해 사용된 항목들의 Cronbach's Alpha계수 값은 0.9이상으로 높게 나타나서 비교적 높은 내적 일관도를 보였다.

제2절. 가설의 검증

1. 측정변수들의 상관관계

LISREL분석에 앞서, 측정변수 상호간 상관관계 매트릭스를 살펴봄으로 써 변수들간의 상호관계를 사전에 어느 정도 파악할 수 있는데, 컴퓨터에 대한 측정변수들의 평균과 상관관계 매트릭스는 각각 다음 <표 5-5>, <표 5-6>과 같다.

2. 공변량구조모형의 검증결과

상관관계 매트릭스는 PRECLS통해 구해졌다. 수집된 자료는 다변량정규분포의 가정을 위반하지 않는 것으로 나타나서 제안된 모델의 모수 추정은 LISREL의 최대우도법(ML법)으로 이루어졌다. 다음 <표 5-7>에서는 모형의 전반적인 부합도를 평가할 수 있는 부합도 지수들이 본 연구에서 제시된 가설 모형과 기초모형(null model)의 비교를 통해 제시되고 있다. 여기서 기초모형(null model)이란 이론변수간 전혀 상호 관계가 없는 것을 가정하는 상호독립모델을 말한다. 따라서 기초 모델은 최악의 모델 적합도를 나타내 주는 상태이며, 이를 기준으로 이론 변수간 가설초 제시한 가설 모델과 적합도의 증가분의 유의성을 판단하는 기초자료가 된다.

가. 카이자승치

먼저 연구 모델의 전반적 부합도중 카이자승치를 살펴보면, X² = 338.25(df.=109), p= 0.00으로 유의도(p)가 0.05보다 작아서 모델이 자료에 유의한 부합도를 갖지는 않는 것으로 나타났다. 한편, 이는 기초 모델의 카이자승치 <X² = 3469.06(df.=181) , p= 0.00> 와 비교해 볼 때는 매우 우수한 상태임을 알 수 있다.

카이자승치는 현실적 제약조건이 반영된 표본자료의 모델과 현실적 제약조건이 전혀 고려되치 않은 이론모델을 대체모델로 하는 카이자승 검정에 의해 모형의 적합도를 평가하는 지수로서 이 χ²값은 모델의 적합도가 높을수록 자유도와 비교하여 상대적으로 작은 값을 가진다. 따라서 자유도와 비교하여 상대적으로 χ²값이 크다는 것은 제약조건이 반영 된 표본자료모델과 이론모델과의 적합도가 낮은 것으로 해석한 수 있다. 대체로 χ²에 의한 모델의 적합도는 p값이 0.05이상 일 때 만족스러운 것으로 판단하고 있다. χ²같은 모델의 적합도 지수중 유일하게 통계적 분포를 고려하는 지표이기는 하나 이 검정의 검정력이 표본의 크기에 매우 민감하다는 문제를 안고 있다. 또한 자기의 주장을 대립가설로 두는 일반적인 통계적 검정에서와 달리 주장하는바, 즉 제시된 모델이 진실된 것이라는 가설을 귀무가설로 놓음으로써 검정력의 타당성에 의문이 제기되기도 한다.

따라서 LISREL에서는 χ²검정의 P값이 0.O1이하라고 해서 모델 전체의 적합도가 낮아진다고 확정적인 결론을 내리기보다는 다른 적합도 지수들을 고려해서 판단을 내리는 것이 일반적이다. (임종원, 1996) 그러므로 다음에서는 다른 적합도 지수들을 살펴보고자 한다.

나. 적합도 지수

(1) 기초부합치(GFI: Goodness-of-Fit Index)

기초부할치(GFI:Goodness-of-Fit Index)는 다중회귀분석에서의 R²와 같은 의미로, 자료에 변량, 공변량 가운데 예측된 변량, 공변량(제안된 모델)에 의해 설명되는 부분의 비율을 나타낸다. 이 지수는 1에서 전체변량분의 오차분량의 값을 빼는 방법으로 계산된다. 보통 0과 1사이에 있는 기초부합치는 이론적으로 음수가 될 수도 있는데, Silva(1988)는 표본크기가 200 이상에서 기초부합치가 적어도 0.9 이상이라야 모델에 "큰 문제가 없다"고 할 수 있고, 0.95 이상이면 "좋은" 모델이라고 했다. 이 기초부합치는 카이자승치와는 달리, 표본크기의 변화나 다변량 정규 분포의 위반에 별 영향받지 않고 모델의 자료에의 적·부를 잘 나타내준다. 하지만 GFI에 관한 통계적 분포가 없어 확률적으로 말할 수는 없다. (Joreskog & Sorbom, 1984)

본 연구 모형의 GFI는 0.84로 나타나 자료에 변량, 공변량 가운데 예측된 변량, 공변량(제안된 모델)에 의해 설명되는 부분의 비율이 84%임을 알 수 있다. 이 결과로 보면 본 연구 모형이 좋은 모델이라고는 말할 수 없지만 졸은 모델에 매우 근접해 있는 모델임을 알 수 있다.

(2) 조정 부합치(AGFI: adjusted goodness-of-fit index)

조정부합치치는 기초부합치를 자유도에 대해 수정한 것으로 수정결과 GFI보다는 작은 숫자가 산출된다. 이 지수는 표본의 상관관계 매트릭스가 평가하려는 모델에서 유추된 상관관계 매트릭스와 얼마나 차이가 있느냐에 기본을 두고 개발된 지수이다. 이 지수는 최적의 모델에서는 1을 최악의 모델에서는 0의 수를 가치는 것으로 알려져 있다. 본 연구 모형의 AGFI지수는 0.78로 만족스럽지는 않지만 그다지 나쁘지는 않은 모델인 것으로 나타나고 있다.

(3) 원소간 평균차이(RMSR : Root Mean Square Residual)

원소간 평균차이(RMSR : Root Mean Square Residual)는 분석자료의 매트릭스와 모수들에 의해 재생산된 매트릭스간에 원소들이 얼마나 차이가 있는가를 보여준다. 컴퓨터 내에서 미지수의 계산은, 관계방정식의 좌변에 표본자료에 의한 변량/공변량 매트릭스를 놓고 우변에는 모델의 여덟 개의 특징수 매트릭스를 놓고 풀어냄으로써 수행된다. 이렇게 계산된 미지수의 값들을 관계방정식의 우변에 다시 대입시키면 좌변에 변량/공변량매트릭스가 재생산된다. 이 재생산된 공변량은 모델에 의하여 뒷받침되는 공변량자료를 표시한다. 따라서 이 재생산공변량이 분석 자료의 공변량과 큰 차이가 없으면 모델과 현실 사이에 큰 차이가 없다고 해석되고 그 모델은 잘 맞는 모델로 판정된다. (이순묵, 1989) 극히 잘 맞는 모델이라면 "0"에 가까울 것이고, 잘 안 맞는 모델일수록 점점 더 큰 양의 수가 된다. RMSR은 쉽게 말해서 잔차들의 평균으로 분극자료 가 상관자료이면 대략 0.05 이하의 값을 보일 때 충분한 부합도가 있는 것으로 본다. 본 연구모형의 R班SR지수는 0.056으로 나타나 어느 정도의 부합도가 있는 모형임이 밝혀졌다.

(4) 비표준부합치(NNFI : Non-Normed Fit Index)

이는 Bentler & Bonnets의 rho라 불리워지는 것으로 상호독립모델(mutual independence model)을 상정한 최악의 모델인 기초모델(null modles)의 χ²값과 현재모델의 χ²값을 비교할 수 있도록 하여 모델의 전 반적 평가를 가능케 하는 방법이다. 이는 다음과 같이 정의된다.

ρ= (X₀²/df₀ - X_k² dfk) / (X₀²/df₀ - 1)

위의 공식에서 X₀² 및 df₀는 기초모델의 카이자승치와 자유도를 의미한다. 한편 X_k² 및 df_k는 연구자가 설정한 모델이 가치는 카이자승치와 자유도를 나타낸다.

위의 공식의 분모는 연구자가 설정할 수 있는 가장 조악한 모델의 카이자승치와 자유도의 비율에서 1(연구자가 정확한 모델을 설정했을 경우 카이자승치와 자유도의 비율은 대략 1이 된다.)을 감한 값으로 이는 가장 안 맞는 모델과 가장 잘 맞는 모델사이의 일종의 "거리"를 의미한다. NNFI의 분자는 연구자가 설정한 모델이 가장 안 맞는 모델에서 얼마나 멀리 떨어져 있는가를 보여주는 또 하나의 '거리'를 의미한다.

즉, 연구자의 모델이 가장 잘 맞는 모델에 가까울수록 분자에서의 '거리'는 분모에서의 '거리'와 거의 같아지게 된다. 따라서 NNFI는 보통 0과 1 사이에 있으며, 드물게 1을 넘을 수도 있지만 보통 0.9보다 크면 잘 맞는 모델이라고 할 수 있다.(Bentler & Bonnet, 1980) Silvia(1988)의 연구에서 이 NNFI는, 나쁜 모델을 잘 기각하며 표본크기에 제일 영향을 안 받는 좋은 부합지수 증 하나로 보고되었다. (이순묵, 1989)

본 연구 모형의 NNFI지수는 0.93으로 나타났다. 따라서 본 연구의 모형은 기초모형과의 거리가 멀리 떨어져있는 것으로 밝혀졌으며 이 NNFI 지수에 따르면 본 연구의 모형은 잘 맞는 좋은 모형이라는 결론이 나온다.

(5) 표준부합치(NFI: Normed Fit Index)

NNFI가 1을 넘을 수 있는 반면 NFI는 그 값이 반드시 0과 1사이에서만 존재하므로 "표준"이라는 접두사가 붙었다. 공식은 다음과 같다.

NFI = F₀ - F_k / F₀

F₀ 는 기초모델이 자료에 적용되었을 경우의 부합함수(fitting function) 의 최소치를 의미하며, F_K는 연구자가 설정한 모델이 적용될 때의 부합 함수의 최소치를 말한다. 모델이 나쁠수록 이 최소치는 커진다. 최악의 모델인 기초모델과 같은 모델이 설정되었을 경우 NFI값은 0에 가깝고 최적의 모델의 경우의 NFI값은 1에 가깝다. NFI는 0.91보다 크면 "잘 맞는 또는 부합하는" 모델로 해석한다. (이순묵, 1989)

본 연구 모형의 NFI는 0.91로 본 연구의 연구모형은 NFI지수에 따르면 잘 부합하는 모델이라고 말할 수 있다.

(6) 다중상관자승치

다중상관자승치(SMC : squared multiple correlation)는 회귀분석에서의 R²와 비슷한 개념으로 측정변수의 다중상관자승치가 높으면 그것이 이 변수에 대한 좋은 측정임을 나타낸다. 또한 이론변수들간에 있어서는 하나의 내생변수의 변량이 예측변수들에 의해 설명되는 정도를 나타내는 것이다. 아래의 <표 5-8>은 본 현구에서의 이론모델에서의 다중상관 자승치를 보여주고 있다. 제안된 모델은 판매촉진혜택에 대한 책임귀인 총변량의 66%, Smart Shopper Feeling 총변량의 78%, 만족 총변량의 76%(SMC지수)를 설명하는 것으로 나타났다. 따라서 본 연구에서의 내생변수들의 변량은 예측변수들에 의해서 충분한 정도가 설명되어지는 것을 알 수 있다.

이상으로 모형의 부합도 평가를 위해 카이자승치를 비롯한 여러 지수들을 자세히 살펴보았다 그 결과 NFI와 NNFI 그리고 이론모델의 다중상관자승치는 모델의 전반적인 부합도가 좋은 것으로 나타났다. 반면에 카이자승치와 GFI, AGFI, RMR의 지수들의 경우에서는 도출된 지수들이 좋은 모델의 조건에는 조금은 미흡하지만 전반적으로 양호한 지수들이 도출되었다. 결과적으로 본 연구의 연구모형은 좋은 모형일 가능성이 있으며 몇몇 지수의 부족한 결과는 보다 엄밀한 실험조치와 보다 신뢰성 있는 측정항목들의 개발로 개선되어 질 수 있을 것이라 생각된다.

3. 측정변수와 이론변수간의 경로계수

다음의 <표 5-9>는 모형의 내생변수와 그 측정변수(Y)간의 매트직스인 LAMDA-LISREL 추정치를 보여주고 있고 <표 5-10>은 모형의 외생변수와 그 측정변수(X)간의 매트릭스인 LAMDA-X의 LISREL 추정치를 보여주고 있다. 이들의 경로계수와 각각의 T값을 살펴보면 모두 양의 값을 보이고 있고 T값은 모두 유의적인 것으로 나타나 각각의 이론변수들에 대한 측정변수들의 효과는 모두 유의적인 것으로 나타났다.

4. 가설검증 결과

이론모델에서 설정한 변수들간의 인과관계에 대한 가설을 검증하기 위해 경로계수들을 살펴본 결과는 다음과 같다. 다음의 <그림 7>은 자료에 대한 LISREL분석결과를 나타내고 있는데, 제안된 모델에서 설정한 변수들간의 인과관계에 대한 경로계수들이 제시되어있다.

가. 가설 1, 2의 검증

내생변수와 내생변수간의 관계를 보여주는 BETA 매트릭스에서의 LISREL추정치는 <표 5-11>에 보여지고 있다.

우선 가설 1은 책임귀인과 Smart Shopper Feeling간의 관계에 관한 것으로 내생변수들간의 관계를 보여주는 BETA매트릭스의 LISHEL 추정치를 살펴보면 소비자의 판매촉진의 혜택에 대한 책임 귀인은 Smart Shopper Feeling과 정의 영향( β_2l = 0.67)을 가치는 것으로 나타났고, T 같은 6,35로 나타나 이는 1.96보다 높은 수치를 보여 해당 미지수의 값이 0이란 가설이 기각되어 두 변수간의 추정치가 유의적인 결과로 해석 될 수 있음을 알 수 있다. 그러므로 소비자의 판매촉진의 혜택에 대한 책임 귀인은 Smart Shopper Feeling에 직접적이고 긍정적인 영향을 미칠것이다라는 가설 1은 지지되었다.

가설 2는 Smart Shopper Feeling과 만족에 관한 가설로 이 두변수들 간의 BETA매트럭스의 LISREL 추정치를 살펴보면 Smart Shopper Feeling은 만족에 정의 영향(β₃₂ = 0.62)을 미치는 것으로 나타났고 T값은 6.87로 유의적인 것으로 나타났다. 따라서 Smart Shopper Feeling은 만족에 직접적이고 긍정적인 영향을 미칠 것이다라는 가설 2 또한 검증되었다.

나. 가설 3, 4, 5, 6의 검증

외생변수와 내생변수간의 관계를 보여주는 GAMMA 매트릭스에서의 LISREL추정치는 <표 5-12>에 보여지고 있다.

가설3은 소비자의 노력정도와 소비자의 판매촉진의 혜택에 대한 책임귀인의 관계에 관한 것으로 외생변수와 내생변수간의 관계를 보여주는 <표 5-12>의 GAMMA 패트릭스에서의 LISREL추정치를 살펴보면 소비자의 노력정도는 소비자의 판매촉진의 혜택에 대한 책임 귀인에 정의 영향( Υ₁₁=0.81)을 가지는 것으로 나타났고 T값은 7.67로 추정치는 유의적인 것으로 나타났다. 따라서 소비자의 노력정도는 소비자의 판매촉진의 혜택에 대한 책임 귀인에 직접적이고 긍정적인 영향을 미칠것이다라는 가설 3은 검증되었다.

가설4는 판매촉진의 희귀성과 Smart Shopper Feeling의 관계에 관한 잣으로 GAMMA 매트릭스에서의 해당 LISREL추정치를 살펴보면 판매 촉진의 회귀성은 Smart Shopper Feeling( Υ²² = 0.51)에 정의 영향을 미치는 것으로 나타났고 T값은 7.39로 나타나 추정치는 유의적인 것으로 나타났다 따라서 판매촉진의 희귀성은 Smart Shopper Feeling에 직접적이고 긍정적인 영향을 미칠 것이다라는 가설 4는 지지되었다.

가설 5는 판매촉진의 희귀성과 만족에 관한 가설로 해당 추정치를 살펴보면 판매촉진의 희귀성은 만족에 정의 영향( Υ₃₂ = 0.15)을 미치는 것으로 나타났고 T값은 2.42로 나타나 추정치는 유의적인 것으로 나타났다. 따라서 소비자가 인지하는 판매촉진의 희귀성은 만족에 직접적이고 긍정적인 영향을 미칠 것이다라는 가설 5는 지지되었다.

가설 6은 소비자가 인지하는 비용절감정도와 만족간의 관계에 관한 것이다. <표 5-12>의 GAMMA매트릭스의 LISREL추정치를 살펴보면 소비자가 인지하는 비용절감정도는 만족에 정의 영향( Υ₃₃ = 0.23)을 미치는 것으로 나타났고 T값은 3.11로 나타나 추정치는 유의적인 것을 알 수 있다. 따라서 소비자가 인지하는 이용절감정도는 만족에 직접적이고 긍정적인 영향을 미칠

다. 가설 7, 8의 검증

외생변수들간의 관계를 보여주는 PHI매트릭스의 LISREL추정치는 다음의 <표 5-13>에 나타나 있다. 가설 7은 외생변수인 소비자의 노력정도와 또 다른 외생변수인 소비자가 인지하는 판매촉진의 희귀성에 관한 것으로 이들간의 관계에 관한 추정치를 살펴보면 소비자의 노력정도는 소비자가 인지하는 판촉의 희귀성에도 정의 관계(Φ₂₁ = 0.12)를 가치는 것으로 나타났지 T값은 1.84로 나타나 1.96(95% 신뢰수준)보다 작은 수치를 보여 추정치는 비유의적인 것으로 나타났다. 따라서 소비자의 노력정도는 소비자가 인지하는 판매촉진의 희귀성에 직접적이고 긍정적인 상관관계가 존재할 것이 다라는 가설 7은 기각되었다 한편 1.84의 T값은 신뢰수준 90%(t> |1.645| )에서는 유의적인 수치이다.