출처: 한국방송광고공사 - 광고연구
5. 결과분석
1) 조작화 및 신뢰도 검정
(1) 독립변수의 조작화 검정
본 연구의 독립변수인 메시지 형태와 비교속성 정보량에 대해서는 사전테스트에서 교차집계표(cross-tabulation)를 통해 조작화 검정을 실시하였다. 입증적 메시지와 주장적 메시지, 다속성 정보량과 소속성 정보량 등 2 x 2로 구성된 4종의 실험 광고물을 제시한 후 조작화에 대한 정답률을 응답받았다.
그 결과, <표 4>에서 보는 것처럼 정답률이 대부분 85%를 상회하여 독립변수의 조작이 제대로 이 루어졌음을 알 수 있다.
(2) 종속변수에 대한 신뢰도 검정
앞에서 이미 기술한 대로 본 연구에서는 광고태도, 상표인지, 상표태도, 구매의도 등을 측정하기 위해서 각각의 변인에 대해 2개의 측정변수를 설정하여 총 8개의 변수가 측정변수로 사용되었다. 각각 2개의 변수들에 대해서 상관관계를 분석한 결과를 보면 다음과 같다.
광고의 신뢰성과 광고의 호감도는 0.8293, 제품의 차별성과 제품의 정보성은 0.7506, 상표에 대한 관심/흥미도와 상표에 대한 선호도는 0.6821, 정보탐색과 구매의향은 0.6749로 나타나 높은 상관 관계를 보이고 있어서 비교적 유사한 차원의 측정 도구라고 볼 수 있다.
2) 가설검증 및 분석결과
(1) <가설 1>의 검증
광고에서 입증적인 메시지유형이 주장적인 메시지보다 광고태도, 상표태도, 구매의도 등에서 더욱 효과적일 것이라는 <가설 1>을 검증하기 위해서 분산분석을 실시하였으며 , 집단별 평균값과 분석결과는 각각 <표 5>, <표 6>과 같다.
표에서 보면 알 수 있듯이 광고태도, 상표태도, 구매의도 등에 있어서 입증적 메시지가 주장적 메시지보다 더 효과적이었으며 통계적으로도 유의한 것으로 나타났다. 따라서 <가설 1>은 지지되었다.
(2) <가설 2>의 검증
정보량의 차이에 따라서 정보량이 많은 광고가 적은 광고보다 광고태도, 상표태도, 구매의도에서 더욱 효과적일 것이라는 <가설 2>를 검증하기 위해서 분산분석을 실시하였으며, 집단별 평균값과 분석 결과는 각각 <표 7>, <표 8>과 같다. 이처럼 정보량이 많은 유형이 정보량이 적은 유형보다 광고태도, 상표태도, 구매의도 등에 있어서 더 큰 영향을 미친것으로 나타났으며, 통계적으로도 유의해서 <가설 2>도 채택되었다. 이런 결과를 놓고 볼 때, 관여도가 높은 신규상표를 대상으로 간접비교광고를 실시할 경우, 소비자들은 다른 제품에 비해 더욱 자세한 정보를 원하는 경향이 있는 것으로 추정되므로, 속성정보량을 다소 많이 제시하는 것이 더욱 효과적일 것으로 판단된다.
(3) <가설 3>의 검증
한편 <표 9>에서 보는 것처럼 메시지유형과 정보량 사이에 상호효과가 없으므로, <표 1>에서의 셀 (1) - 입증적 메시지+다속성 정보량 -과 셀(4) -주장적 메시지+소속성 정보량 -의 경우에만(그림 2)와 같이 제안된 모델에 적용하여 공변량 구조분석을 통해 <가설 3>을 검증코자 하였다.
공변량 구조분석의 결과를 해석하기 위해서는 우선 모델에 관한 전반적인 적합도(overall fit)를 측정하는 측정치가 잘 부합하는지를 살펴보아야 한다. 모델에 관한 전반적인 적합도를 측정하기 위한 측정치로는 카이자승값(chi-square value) , 적합도지수(goodness-of-fit index: GFI), 조정적합 지수(adjusted goodness-of-fit index: AGFI), 잔차평균자승근(root mean square residual, RMR) 등 네개의 측정치를 고려하는 것이 가장 일반적이다.
카이자승값(chi-square value)은 어떤 모델에 의해서 재생된 상관행렬(reproduced matrix)이 실제 관찰된 상관행렬(observed matrix:S)과 유의적으로 차이가 나는가의 여부를 나타내어 주는 지수로서, 자유도에 비해서 작을 경우(보통p>0.05 이상) 제안모델이 자료를 적합시키는 것으로 판정한다.
그러나 카이자승값(chi-square value)은 관찰 변인의 다변량 정규분포(multivariate normal distribution)를 가정하고 있고 표본의 수에 민감하기 때문에 GFI, AGFI, RMR등을 함께 고려하여 모델에 대한 전반적인 적합도를 평가하여야 한다.
모델의 적합도지수(GFI)는 최우도 방법 (maximum likelihood estimation)에 의해 모수치를 추정하는 경우, 다음과 같은 공식을 이용하여 계산하게 된다.
즉, GFI는 모델에 의해 설명되는 분산 및 공분산을 동시에 설명해주는 상대적인 크기를 의미하며 , 카이자승값과는 달리 표본의 크기 및 정규성에 크게 제약을 받지 않는다. 일반적으로 GFI가 0.9이상이면 모델이 좋은 것으로 판단하게 된다(Bagozzi & Yi, 1988).
조정적합지수(AFGI)는 1-(k(k +1)/2d) (1- GFI)에 의해서 계산이 되며, 여기서 k는 관측변수의 수이며 d는 자유도를 나타낸다. 이 조정적합지수가 0.9이상이면 모델이 자료를 잘 적합시키는 것으로 평가하게 된다.
마지막으로 잔차평균자승근(RMR)은 분석자료의 매트릭스와 미지수들에 의해서 재생산된 매트릭스간에 원소들이 얼마나 차이가 있는가를 설명해 주는데, 실제 자료를 바탕으로 얻어진 상관계수와 모델에 의해서 예측된 상관계수의 차이인 잔차(residual)를 제곱한 후 이를 모델 내에 포함되는 X와 Y변인의 총 갯수로 나눈 후, 이 값에 평방근을 합한 값이다.
이를 계산식으로 나타내면 다음과 같다.
본 연구의 자료처럼 분석을 위한 입력자료가 상관관계 자료인 경우에는 이 지수의 값이 0이거나 0.05보다 작으면 좋다고 판단하게 된다(Bagozzi & Yi, 1988).
본 연구의 제안된 모델이 전반적으로 주어진 자료에 잘 부합되는지를 평가하기 위한 4가지 결과치는 <표 10>과 같은데, 입증적+다속성 정보량의 경우는 전반적으로 제안된 모델에 잘 부합하였으나, 주장적+소속성 정보량의 경우는 대체로 부합하지 않는 것으로 나타났다. 따라서 주장적+소속성 정보량 유형이 제안된 모델에 잘 부합하지 않음에 따라 <가설 3>은 기각되었다.
한편 모수추정방법은 변수의 매트릭스상 공선성이 존재하지 않음을 사전 분석에서 판별하였기 때문에 Amos에서 기본적으로 모수추정방법으로 선택하는 ML(maximum likelihood method)을 이용하였다. 두 가지 경우에 대한 구조방정식에서 파라미터의 통계적 유의성을 검증할 수 있는 t값과 경로계수는 <표 11>과 같다.
