De tre kvalitetskriterierna replikerbarhet, reliabilitet och validitet är centrala för
företagsekonomisk forskning (Bryman & Bell, 2017). Replikerbarhet innebär att studiens tillvägagångssätt beskrivs detaljerat i sådan utsträckning att undersökningen är möjlig att återskapas av andra forskare (Bryman & Bell, 2017). Reliabilitet är av samma karaktär som replikerbarhet, däremot handlar reliabilitet om tillförlitlighet till att undersökningens resultat blir detsamma vid ett nytt genomförande, eller om tillfälliga och slumpmässiga betingelser har en påverkan (Bryman & Bell, 2017). Denna studie har därför utformat konstrukt utifrån samtliga frågor, även kallat items, och testat samtligas interna reliabilitet som enligt Bryman och Bell (2017) beräknas utifrån Cronbach’s Alpha. Därmed presenteras detta under rubriken
3.6.1 Intern reliabilitet.
Validitet innefattar mätningens relevans, alltså i vilken utsträckning studien mäter det som avses att mätas (Bryman & Bell, 2017). Studiens interna validitet har tagits i beaktande vilket
enligt Bryman och Bell (2017) handlar om slutsatsens giltighet av förhållandet mellan två eller flera variabler. Detta har säkerställts genom ett test för multikollinearitet mellan de oberoende variablerna för att verifiera att olika variablers effekter inte mäter samma sak. Inom kvantitativ forskning är begreppsvaliditet vitalt då detta visar om måttet på ett begrepp reflekterar det som begreppet anses betyda (Bryman & Bell, 2017). För att uppnå begreppsvaliditet anses det enligt Bryman och Bell (2017) vara fördelaktigt att enkäten genomförs av utomstående personer för att bekräfta om måtten på begreppen mäter det som avses att mätas. I denna studie har måtten på begreppen hämtats ur tidigare forskning då Bryman och Bell (2017) menar att enkätfrågor som använts av tidigare forskare anses vara av hög kvalitet. Detta innebär att den interna validiteten så kallade face validity, har säkerställts av de tidigare forskarna (Bryman & Bell, 2017).
3.6 Analysmetod
Studiens enkät utformades genom verktyget Google Formulär där resultatet överfördes till en Excel-fil för att koda samtliga enkätfrågor. Kodning innebär att informationen omvandlas till siffror för att möjliggöra en kvantitativ analys (Bryman & Bell, 2017). Därefter analyserades datan i det statistiska mjukvaruprogrammet IBM SPSS-Statistics som enligt Bryman och Bell (2017) är det mest använda mjukvaruprogrammet vid analysering av kvantitativa data inom samhällsvetenskaplig forskning. Bryman och Bell (2017) menar att ordinalvariabler är de variabler som kan kategoriseras och rangordnas. I denna studie har kategorierna kodats utifrån en likertskala 1–7, där värdet av 7 antas vara högre än värdet av 1. För att besvara studiens frågeställning har samtliga frågor utformat konstrukter som sedan har analyserats genom en korrelations- och regressionsanalys.
3.6.1 Intern reliabilitet
Denna studie har konstruerat enkätfrågor med tillhörande begrepp till sex olika konstrukt. Dessa konstrukt benämns som Kundlojalitet, Förtroende, Leveranstrovärdighet, Leveranstid,
Hållbar leverans samt Leveranskostnad, som sedan har testats för respektives interna
reliabilitet. Den interna reliabiliteten innefattar att de indelade frågorna i konstrukten är relaterade till varandra och mäter samma sak (Bryman & Bell, 2017). För att mäta den interna reliabiliteten och säkerställa frågornas pålitlighet, mäts detta med Cronbach’s Alpha där den acceptabla nivån ämnar att uppnå värdet 0,8 (Bryman & Bell, 2017). Vid ett Cronbach’s Alpha test presenteras även den tillhörande Corrected Item-Total Correlation för respektive item
(fråga) som då enligt Cronk (2017) bör överstiga 0,3 för att anses vara stark och öka den interna reliabiliteten. Denna studie har följt dessa riktlinjer och testat samtliga konstrukters interna reliabilitet med Cronbach’s Alpha för att uppnå hög reliabilitet i undersökningen. I denna studie har även respektive konstrukts aritmetiska medelvärde beräknats som enligt Bryman och Bell (2017) innebär att alla värden summeras för att sedan divideras med antalet värden. Detta har utförts för att identifiera hur studiens samtliga respondenter i genomsnitt har besvarat frågorna för konstrukten.
3.6.2 Korrelationsanalys
SPSS möjliggör analysering av samband mellan variabler i en korrelationsanalys med Spearman’s rho (Bryman & Bell, 2017). Spearman’s rho är den metod som framför ett samband, även benämnt korrelation, mellan två variabler som varierar mellan värdet 1 och 0 i koefficients, men även mellan positivt (+) samt negativt (-) (Bryman & Bell, 2017). Det perfekta sambandet i en koefficients är 1, ju närmare värdet är 1 desto starkare är sambandet (Bryman & Bell, 2017). Däremot kan det även visa saknaden av ett samband vilket identifieras med värdet 0, som då speglar ett svagt samband (Bryman & Bell, 2017). Denna studie har utfört en korrelationsanalys med Spearman’s rho i syfte av att säkerställa att konstrukterna har relationer till varandra. Detta har då utförts genom att testa om de oberoende variablerna har ett samband med den beroende variabeln. För att säkerställa att sambandet mellan variablerna inte sker av en slump, visualiseras därför ett tillförlitligt samband mellan variabler med asterisker (*) som identifierar en hög signifikansnivå mellan variablerna (Bryman & Bell, 2017). Den accepterade felaktiga signifikansnivån betecknas enligt Bryman och Bell (2017) som “p <0,05”, där “p” representerar sannolikhet. Detta innebär att den högsta accepterade risknivån för felaktig slutsats anses vara fem fall av 100 fall, alltså att samband är maximalt accepterad att förekomma i fem stickprov av 100 stycken (Bryman & Bell, 2017). Därav kommer detta att gå i linje med denna studie och applicera “<0,05” som den accepterade risknivån.
3.6.3 Regressionsanalys
Syftet med studien var att undersöka vilka leveransdimensioner som i förhållande till förtroende påverkar kundlojaliteten mot ett onlineföretag, som då möjliggörs genom en multivariat regressionsanalys i SPSS. En multivariat analys anses nyttjas vid avancerade samband då det skapar förutsättningarna att analysera tre eller fler variabler samtidigt, till skillnad från en bivariat regressionsanalys som endast analyserar samband mellan två variabler (Bryman & Bell, 2017). Vidare blir en multivariat analys aktuell vid undersökning av skenbara
samband och en mellanliggande variabel (Bryman & Bell, 2017). Ett skenbart samband mellan två variabler innebär att sambandet är falskt och därför bör testas med en kontrollvariabel (Bryman & Bell, 2017). För att undersöka skenbara samband mellan de oberoende variablerna, leveransdimensionerna, och den beroende variabel, kundlojalitet, har ålder nyttjats som en kontrollvariabel i regressionsanalysen då den är konstant. Sambandet visades inte vara skenbart och testades därefter med en mellanliggande variabel, förtroende, för att undersöka hur
sambandet mellan leveransdimensionerna och kundlojaliteten påverkas. När ett samband mellan den beroende och oberoende variabeln inte är skenbart, bör det ifrågasättas och därför testas med en mellanliggande variabel (Bryman & Bell, 2017). Detta eftersom sambandet mellan den beroende och de oberoende variablerna inte alltid är direkt (Bryman & Bell, 2017). Detta har även förespråkats av Cotarelo et al. (2021) som menade att leveransföretagets
prestationer inte har en direkt påverkan på kundlojaliteten. Därför nyttjades förtroende som en mellanliggande variabel då tidigare forskning av Veloutsou (2015) hävdat att förtroende har en viktig påverkan på kundlojaliteten.
Vid genomförande av en regressionsanalys har denna studie fokuserat på T-värde, signifikans, beta (β), justerat R-square (R2 ), F-värde och Se (Standard Error of the Estimate). T-värdet
visas i en regressionstabell för den enskilda oberoende variabeln som då beräknar signifikansvärdet (sannolikheten) “p” (Statistics Solutions, u.å). Likväl som i en korrelationsanalys kommer denna studie nyttja den acceptabla risknivån med ett signifikansvärde “p <0,05” i regressionsanalysen. Följaktligen innefattar beta styrkan i
relationen mellan variabler som då varierar från 0 till 1, eller 0 till -1 (Statistics Solutions, u.å). Detta visualiserar effekten av de oberoende variablerna på den beroende variabeln (Sundell, 2010a). För att möjliggöra regressionens förklaringskraft över hur mycket den oberoende variabeln kan förklara den beroende variabeln presenteras detta som justerat R2 (Sundell,
2010a). Detta kan tolkas i procent vilket innebär att ju högre justerat R2 -värde, desto högre
förklaringskraft har den oberoende variabeln på den beroende variabeln (Sundell, 2010a). Se visualiserar en siffra mellan 0 och ∞, vilket då innebär att ju närmare siffran är 0 desto högre trovärdighet representeras i modellen (Jaggia & Kelly, 2019). För att visa urvalsvariationen i regressionsmodellen presenteras detta med joint significance (F), vilket då innebär att ju högre F-värde desto mer användbar är modellen (Jaggia & Kelly, 2019).
För att minimera felaktiga slutsatser och identifiera att effekterna mellan de oberoende
i regressionsanalyserna. Multikollinearitet upptäcks när två eller fler oberoende variabler korrelerar högt med varandra vid utförande av en regressionsanalys (Sundell, 2010b). Genom att identifiera Tolerance (toleransvärde) och Variance Inflation Factor (VIF-värde) i
regressionsanalysen säkerställer detta utebliven multikollinearitet där de oberoende variablerna inte mäter samma sak mot den beroende variabeln (Sundell, 2010b). Enligt Sundell (2010b) rekommenderas att toleransvärdet ska representera ett så högt värde som möjligt där värdet 1 är max. Dessutom anses att VIF-värdet inte ska överstiga den acceptabla nivån av 4, detta ska utgöras av ett lågt värde där 1 är minimum (Sundell, 2010b). Denna studie har utgått ifrån dessa riktlinjer där analyserna har visat att ingen multikollinearitet har framkommit mellan de oberoende variablerna (se Bilaga 7).
4. Empiriskt resultat
I detta kapitel redogörs studiens empiriska resultat som behandlar intern reliabilitet, medelvärde, korrelation- och regressionsanalys som då grundlägger studiens analys samt diskussion.