Prvo istraživanje: izradite TAM anketu i pokrenite CFA i SEM

Andrzej Szymkowiak · Posljednji pregled: rujan 2026.

TL;DR: Osnovni upitnik Technology Acceptance Model (TAM) mjeri četiri konstrukta: percipiranu korisnost, percipiranu jednostavnost korištenja, stav prema korištenju i bihevioralnu namjeru korištenja, s po tri ili četiri Likertove čestice na 7 stupnjeva (ovdje 14 čestica). Ovaj vodič izrađuje tu anketu, prikuplja je na Prolificu i pokreće CFA i CB-SEM na istih 521 potpunih odgovora iz simuliranih podataka. CFA je dobro pristajala (CFI = .985, RMSEA = .034), svaki je konstrukt prešao uobičajene granične vrijednosti pouzdanosti i valjanosti, a četiri od pet TAM putanja bile su značajne.

Ovo je potpuni vodič kroz prvo kvantitativno istraživanje, od prazne stranice do prilagođenog strukturnog modela. Izgradit ćemo anketu temeljenu na modelu Technology Acceptance Model (TAM), dodati validirane čestice iz knjižnice, prilagoditi ih, pregledati iskustvo ispitanika, postaviti prikupljanje podataka na Prolificu i završiti s konfirmatornom faktorskom analizom (CFA) i covariance-based structural equation modelingom (CB-SEM), sve u jednom alatu, bez izvoza u zaseban statistički paket. Ako još razrađujete svoje istraživačko pitanje ili strukturu upitnika, prvo pogledajte od istraživačkog pitanja do upitnika.

Brojevi i slike u nastavku potječu iz simuliranog skupa podataka (556 odgovora generiranih iz poznate TAM strukture). Koristimo simulirane podatke kako biste mogli pratiti svaki korak bez trošenja novca na prikupljanje podataka. U stvarnom istraživanju koraci su identični; razlikuju se samo odgovori.

Što je Technology Acceptance Model?

TAM objašnjava zašto ljudi usvajaju novu tehnologiju. U svojem uobičajenom obliku ima četiri konstrukta:

• Perceived Ease of Use (PEOU), koliko tehnologija djeluje jednostavno.
• Perceived Usefulness (PU), koliko vam pomaže u obavljanju posla.
• Attitude Toward Using (ATT), vaša ukupna procjena korištenja.
• Behavioral Intention (BI), koliko je vjerojatno da ćete je koristiti.

Klasične putanje su jednostavne: jednostavnost korištenja hrani korisnost i stav; korisnost i stav hrane namjeru. Svaki se konstrukt mjeri s nekoliko Likertovih čestica, što TAM čini čistim primjerom za CFA i SEM.

Korak 1: Stvorite istraživanje

Otvorite stranicu Studies i kliknite New study. Dajte mu naziv, ovdje Technology Acceptance (TAM), i odaberite jezik. Počinjete od praznog istraživanja.

To je cijelo postavljanje. Nema čarobnjaka za projekt kroz kojeg se treba probijati, odmah dolazite u graditelj.

Korak 2: Dodajte validirane čestice iz knjižnice

Ne morate ručno tipkati svoje TAM čestice. Otvorite odjeljak, kliknite gumb knjižnice i pretražite knjižnicu ljestvica za TAM, Technology Acceptance Model (Davis, 1989). Za konstrukte kojih nema u knjižnici pogledajte kako pronaći validiranu ljestvicu za smjernice o pronalaženju validiranih baterija čestica iz literature.

Ljestvica učitava četiri konstrukta kao 7-stupanjske Likertove matrice, Perceived Usefulness (PU), Perceived Ease of Use (PEOU), Attitude Toward Using (ATT) i Behavioral Intention to Use (BI), svaki s nekoliko čestica i čistim nazivom varijable (PU1, PU2, …). Čestice korisnosti i jednostavnosti korištenja potječu iz Davis (1989). Taj je rad razvio ljestvice korisnosti i jednostavnosti korištenja. Nije imao ljestvicu stava, a ishod mu je bilo samoprocijenjeno i samopredviđeno korištenje. Konstrukti stava i namjere potječu iz Davis, Bagozzi i Warshaw (1989), pa provjerite odakle potječu čestice stava i namjere u vašoj verziji i citirajte taj izvor u odjeljku Metode. Ljestvicu možete nadodati (append) odjeljku ili zamijeniti ono što je već ondje.

Čestice dolaze s generičkim rezerviranim mjestom, [the system], pa baterija odgovara svakoj tehnologiji prije nego što je prilagodite:

Nazivi varijabli kasnije su važni: postaju zaglavlja stupaca u vašim podacima i oznake koje analiza koristi za grupiranje čestica u faktore. Nazivi iz knjižnice već slijede konvenciju prefiksa (PU1, PU2, …), koju korak analize čita automatski.

Korak 3: Prilagodite čestice

Knjižnica vam daje polazište, a ne kavez. Prvo što treba učiniti jest zamijeniti rezervirano mjesto [the system] vlastitom tehnologijom, ovdje Explonia, pa, primjerice, PEOU1 sada glasi "Učenje korištenja Explonije bilo bi mi lako." Svaka je čestica uredljiva, pa možete i:

• preformulirati tekst da odgovara vašoj tehnologiji,
• skratiti ili dodati čestice (zadržite barem tri po konstruktu, vidi napomenu niže),
• promijeniti broj stupnjeva ljestvice i oznake sidrišta,
• preimenovati varijable, označiti čestice obaveznima ili dodati logiku prikaza.

Mala, ali korisna navika: držite prefikse konstrukata dosljednima (sve čestice jednostavnosti korištenja počinju s PEOU). To održava podatke urednima i omogućuje analizi da za vas izgradi mjerni model.

Prije pokretanja provjerite tri stvari

• Dodajte kratak zaslon s privolom i uputama na početku. Sudjelovanje treba biti dobrovoljno i anonimno.
• Zadržite barem 3 čestice po konstruktu. Refleksivni latentni faktor treba tri indikatora da bi bio identificiran u CFA-i i SEM-u (s dvama, faktor je sam za sebe pod-identificiran), a treba vam nekoliko čestica za procjenu pouzdanosti (α, CR) i za izbacivanje slabe čestice uz zadržavanje dovoljnog broja. Tri do šest čestica po konstruktu uobičajen je raspon, a TAM baterija ovdje koristi tri ili četiri. Kada razvijate novu ljestvicu, Hinkin (1998) predlaže četiri do šest čestica po konstruktu u konačnoj ljestvici, a na početku otprilike dvostruko više napisanih čestica, kako biste slabe čestice mogli izbaciti.
• Izrežite sve ostalo: izbacite suvišna pitanja i demografiju koju nećete analizirati. Unutar tog ograničenja, kraća anketa daje bolje podatke.

Korak 4: Pregledajte iskustvo ispitanika

Kliknite Draft preview da vidite točno što sudionik vidi. Pregled pokreće stvarni prikaz ispitanika, uključujući provjere obaveznih polja i logiku prikaza. Prebacujte se između Desktop i Mobile, jer mnogi sudionici odgovaraju na telefonu, pa mobilni raspored vrijedi pogledati.

Pregled ne sprema odgovore, pa možete klikati kroz njega koliko god puta želite.

Korak 5: Postavite prikupljanje na Prolificu

Kada je anketa spremna, regrutirate sudionike. Explonia se povezuje s Prolificom iznutra unutar panela, pa ne kopirate poveznice naprijed-natrag. Otvorite karticu Recruitment: svako aktivno istraživanje ima dva gumba, Commission pilot (mali probni krug) i Commission main run (potpun uzorak).

Bilo koji gumb otvara kratak čarobnjak koji traži opis, broj sudionika, nagradu i filtre kvalitete te prije ikakvog naplaćivanja prikazuje ukupni trošak. Za smjernice o tome koliko sudionika ciljati pogledajte veličina uzorka prije prikupljanja podataka. Za vodič korak po korak kroz Prolific postavke i filtre pogledajte regrutiranje sudionika na Prolificu. Čarobnjak završava na sažetku. Možete Create draft, što priprema istraživanje na Prolificu bez naplate. Tek zasebna akcija Publish pokreće plaćenu regrutaciju. Za ovaj tutorial zaustavljamo se na nacrtu.

U stvarnom istraživanju, nakon objave, odgovori se automatski vraćaju u Exploniju, označeni svojim Prolific ID-jevima i statusom odobrenja. Za ovaj vodič koristimo simulirani skup od 556 odgovora kako bismo mogli prijeći ravno na analizu.

Korak 6: Odlučite koji odgovori ulaze u analizu

Prije nego što se pokrene ijedan model, riješite jedno pitanje: koji se redci broje? Explonia sprema svaki odgovor sa statusom. U ovom skupu podataka 556 odgovora dijeli se ovako.

Kartica Sample u svakoj analizi nosi ovaj filtar i po zadanome zadržava samo potpune odgovore. To daje N = 521 za ovo istraživanje. Postavite ga jednom i ostavite na miru, jer se filtar primjenjuje na svaki model koji pokrenete na tom skupu podataka.

To je važnije nego što izgleda. Ako mjerni model pokrenete na jednom skupu redaka, a strukturni model na drugom, dva skupa fit indeksa više nisu usporediva, a recenzent koji zbroji vaše brojeve to će primijetiti. Provjerite N ispisan na kartici svake analize i uvjerite se da se slažu. Primijetite i da ovdje nijedna od 14 TAM čestica nema nedostajući odgovor, pa listwise deletion ne uklanja ništa; 35 isključenih redaka isključeno je zbog svojeg statusa, a ne zbog nedostajućih podataka. U stvarnom istraživanju s nedostajućim podacima na razini čestica vidjeli biste drugi, manji pad, i trebali biste izvijestiti oba broja.

Korak 7: Konfirmatorna faktorska analiza (CFA)

S riješenim uzorkom otvorite Analyses i stvorite novu analizu. Na kartici CFA kliknite Suggest from names: graditelj čita prefikse vaših varijabli i predlaže četverofaktorski mjerni model (PEOU1-4 → PEOU, PU1-4 → PU, ATT1-3 → ATT, BI1-3 → BI). Prilagodite po potrebi, zatim Run CFA.

Analiza se pokreće u vašem pregledniku. Na 521 potpunom odgovoru mjerni je model dobro pristajao: χ²(71) = 114.94, p < .001.

Standardizirana faktorska zasićenja kretala su se od .66 do .79, pa se svaka čestica jasno zasićivala na svojem namijenjenom konstruktu.

Broj koji je najvažniji jest standardizirano zasićenje (β), koje govori koliko snažno svaka čestica odražava svoj konstrukt. Evo ga za svih 14 čestica; svako procijenjeno zasićenje statistički je značajno (svi p < .001). Jedna čestica po konstruktu (PEOU1, PU1, ATT1, BI1) referentni je indikator koji fiksira ljestvicu konstrukta, pa za nju nema standardne pogreške ni p-vrijednosti:

Referentni indikator: nestandardizirano zasićenje fiksirano je na 1.000, pa se za njega ne procjenjuje standardna pogreška ni p-vrijednost; standardizirana zasićenja navedena su za sve čestice.

Tablica pouzdanosti i valjanosti računa se istodobno:

McDonald's ω i CR ovdje su jednaki jer se oba izračunavaju iz istih CFA opterećenja. Izvijestite ω ili CR uz α, jer α pretpostavlja da sve čestice jednako dobro opterećuju faktor.

Svi su konstrukti prešli uobičajene granične vrijednosti: Cronbach's α, McDonald's ω i composite reliability (CR) iznad .70, average variance extracted (AVE) iznad .50. Vrijedila je i diskriminantna valjanost, jer je svaki HTMT omjer bio ispod .85. Izvijestite najviši umjesto golog "svi ispod .85": ovdje je to .82, za stav s namjerom. To je unutar granice, ali dovoljno blizu da recenzent može pitati jesu li ta dva konstrukta doista različita, pa recite što mislite i zašto.

Ako želite pozadinu bilo čega od ovoga, pogledajte naše bilješke o konfirmatornoj faktorskoj analizi, pouzdanosti (α, CR, AVE) i HTMT diskriminantnoj valjanosti.

Korak 8: CB-SEM, strukturni model

CFA vam govori da čestice mjere ono što bi trebale. CB-SEM testira kako se konstrukti odnose. Na kartici CB-SEM zadržite isti mjerni model i nacrtajte strukturne putanje: PEOU → PU, PEOU → ATT, PU → ATT, PU → BI i ATT → BI. Dijagram putanja je interaktivan, a možete ga izvesti kao PNG, JPG, SVG ili PDF za rukopis.

Uzorak je istih 521 odgovora, a čestica je istih 14. To je namjerno i upravo to čini dva skupa brojeva usporedivima:

Čitajte tu tablicu kao provjeru, a ne samo kao rezultat. Strukturni model koristi iste čestice i ista četiri faktora kao CFA, a samo zamjenjuje slobodne korelacije među faktorima manjim skupom usmjerenih putanja. Drugim riječima, ugniježđen je u CFA-i: može potrošiti manje parametara, nikad više. Zato njegov χ² može samo rasti i njegov df može samo rasti, a strukturni model koji pristaje očito bolje od svojeg vlastitog mjernog modela znak je da se nešto razlikuje između dva pokretanja, obično uzorak ili popis čestica. Ovdje je razlika jedan stupanj slobode i Δχ²(1) = 0.63, p = .43, pa izbacivanje izravne putanje PEOU → BI ništa ne košta, a dva se retka slažu na tri decimale. Tako izgleda zdrav par.

Četiri od pet putanja su značajne. Model je objasnio značajnu varijancu u svakom nizvodnom konstruktu: R² = .37 za korisnost, .56 za stav i .67 za namjeru.

Jedna putanja koja nije dosegla značajnost zaslužuje vlastitu rečenicu, jer je to zanimljiv dio. Izravan učinak korisnosti na namjeru mali je i neznačajan (β = .081, p = .298), dok je neizravan učinak preko stava velik i značajan (β = .441, p < .001), što daje ukupan učinak .521. Korisnost i dalje potiče namjeru, ali to čini preko stava, a ne mimo njega. Neznačajna izravna putanja pokraj snažne neizravne dokaz je medijacije, a ne dokaz da prediktor nije važan, i napisati to tako točnije je nego izbrisati putanju i praviti se da je nikad niste nacrtali.

Korak 9: Article description

Svaki analitički zaslon nosi i okvir Article description. Explonia piše nacrt odlomka s rezultatima u APA stilu, koristeći vaše stvarne brojeve: fit indekse, značajne putanje, veličine efekta. Kopirate ga, uređujete da odgovara vašem glasu i zadržavate kao vlastiti:

A covariance-based SEM was estimated by maximum likelihood (N = 521). The model showed the following fit: χ²(72) = 115.564, p < .001; CFI = .985; TLI = .981; RMSEA = .034 [90% CI .022, .045]; SRMR = .028. Significant structural paths: Ease of Use → Usefulness (β = .608, p < .001); Ease of Use → Attitude (β = .231, p < .001); Usefulness → Attitude (β = .582, p < .001); Attitude → Intention (β = .757, p < .001).

To je nacrt, ne konačni odlomak. Navodi putanje koje su dosegle značajnost, pa neznačajnu dodajte sami, zajedno s medijacijskim očitanjem odozgo, prije nego što ovo priđe rukopisu.

Što staviti u poglavlje Metoda

Za istraživanje poput ovoga, poglavlje Metoda izvijestilo bi:

• Uzorak i prikupljanje: 556 odgovora prikupljenih putem Prolifica; 521 potpun odgovor analiziran nakon isključenja 18 djelomičnih i 17 u triaži isključenih odgovora; dobrovoljno, anonimno sudjelovanje.
• Mjere: četiri TAM konstrukta (PEOU, PU, ATT, BI) na 7-stupanjskim Likertovim ljestvicama; čestice iz validirane baterije.
• Analiza: CFA i CB-SEM s maximum likelihood procjenom na istih 521 slučaju; pouzdanost putem α i CR; konvergentna valjanost putem AVE; diskriminantna valjanost putem HTMT; pristajanje modela putem CFI, TLI, RMSEA i SRMR.

Za granične vrijednosti i konvencije izvještavanja pogledajte kako izvijestiti o rezultatima CFA-a u APA-i i izvještavanje o SEM fit indeksima. Budući da sva četiri konstrukta dolaze iz istog upitnika, recenzenti mogu također pitati o common method biasu, pa planirajte taj odgovor već u fazi dizajna: common method bias: prevencija je bolja od detekcije →.

Zaključak

Jedan alat odveo nas je od praznog istraživanja do prilagođenog strukturnog modela: izradite s validiranim česticama, pregledajte, regrutirajte na Prolificu i pokrenite CFA i CB-SEM na istom zaslonu i na istom uzorku. Mjerni je model bio pouzdan i valjan, a strukturne su putanje uglavnom odgovarale TAM teoriji, pri čemu korisnost doseže namjeru preko stava. Budući da se analiza pokreće u vašem pregledniku, vaši podaci o odgovorima ne šalju se na poslužitelj radi analize. Sami se odgovori sigurno pohranjuju u EU.

Zapamtite: skup podataka ovdje simuliran je za poučavanje. Vaši će se stvarni rezultati razlikovati, ali tijek rada i izlaz spreman za objavu bit će isti.

Česte pogreške koje treba izbjeći

• Pokretanje CFA-e i SEM-a na različitim uzorcima. Različiti filtri odgovora daju različit N, i tada se fit indeksi ne mogu usporediti. Postavite filtar jednom i ispišite N na oba.
• Izvještavanje o strukturnom modelu koji pristaje bolje od vlastite CFA-e. Strukturni je model ugniježđen u mjernom modelu, pa se to na jednom uzorku ne može dogoditi. Ako to vidite, dva se pokretanja negdje razlikuju.
• Miješanje isključenog odgovora s nedostajućim odgovorom. Izbacivanje djelomičnih ili u triaži isključenih redaka odluka je o uzorku. Listwise deletion odluka je o nedostajućim podacima. To su različiti brojevi i oba pripadaju u Metodu.
• Nazivanje neznačajne izravne putanje neuspjehom. Prvo provjerite neizravan učinak. Potpuna medijacija izgleda upravo ovako.
• Napisati "svi HTMT ispod .85" i stati. Navedite najvišu vrijednost. Omjer .82 unutar je granice i i dalje vrijedi komentara.
• Tretiranje presječnih TAM putanja kao uzročnih. Nacrt podupire povezanost, pa pišite "u skladu s" umjesto "uzrokuje".

Često postavljana pitanja

References

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008

Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982-1003. https://doi.org/10.1287/mnsc.35.8.982

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104-121. https://doi.org/10.1177/109442819800100106

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1-55. https://doi.org/10.1080/10705519909540118

Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23-44. https://doi.org/10.1037/1082-989X.12.1.23

Kako Explonia to radi za vas

Explonia drži odluku o uzorku na jednom mjestu: kartica Sample postavlja filtar odgovora, a svaki model na tom skupu podataka nasljeđuje ga, pa vaša CFA i vaš CB-SEM ne mogu slučajno odlutati na različit N. Okvir Article description zatim piše nacrt APA odlomka iz brojeva koji su doista procijenjeni, a vi ostajete autor svake rečenice koju zadržite. Kada želite provjeriti procjene drugdje, podaci se izvoze u SPSS (.sav), R i AMOS, a model se izvozi kao R skripta za lavaan. Naša stranica validacije pokazuje kako se izlaz motora uspoređuje s R-om.

Želite pokrenuti vlastito istraživanje od početka do kraja? Izgradite ga, prikupite i pokrenite stvarnu CFA-u i SEM na vlastitim podacima, s nacrtom APA odlomka koji možete urediti. Započnite besplatno →