本文介绍了一种用于研究消费者对在线零售环境中大规模定制反应的实验方案。该方案详细说明了在线调查的实施步骤，以及如何使用结构方程模型分析数据，并通过潜在均值分析检验组间差异。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
方法文章
应用eMASS定制程序作为研究工具评估消费者获益
* These authors contributed equally
本文内容
摘要
摘要
随着众多学者和从业者对个性化与关系营销展开研究，通过营销技术提供诸如大规模定制等个性化服务显得尤为重要。本研究旨在探讨如何利用在线调查和数据分析开展消费者研究。该研究考察了消费者在定制产品过程中所感知到的利益、对产品的情感依附、对定制项目的态度以及在线零售情境下的忠诚意愿。此外，本研究还探讨了消费者反应如何因个体特征（如时尚创新性）的不同而存在差异。韩国的一家在线调查公司招募了290名曾在线购买服装的女性消费者。为提高外部效度，本研究采用了一个已建立成熟的大规模定制项目的现有零售网站。参与者在完成定制流程后，填写在线问卷。随后采用结构方程模型（SEM）和潜在均值分析（LMA）进行数据解析。本研究强调了在进行均值比较时检验测量不变性的重要性。在实施SEM和LMA之前，本研究遵循了不变性检验的层级顺序（构型不变性检验、度量不变性检验和标量不变性检验），而传统方法（如ANOVA）通常未考虑这些步骤。这些统计分析方法验证了不变性检验程序和LMA在消费者行为研究中的适用性。由于采用了严谨的统计流程以确保测量不变性，因此关于均值差异的结论具有完整性与有效性。
引言
大规模定制是指电子商务零售商根据个体客户的需求定制产品、服务以及交易环境的能力1。如今的消费者对标准化产品不再满足，许多零售商已经认识到这一点。提供大规模定制选项是获得客户忠诚度和竞争优势的一种方法2。作为一种营销策略，大规模定制允许消费者基于特定需求自主设计产品，从而获得个性化的产品或服务3。例如，消费者不仅可以购买批量生产的鞋，还可以通过选择颜色、面料及其他设计元素，定制一双全新且独特的鞋，而这种鞋在普通零售网站上是无法获得的。因此，消费者能够购买到更符合偏好的产品，其对定制产品的满意度以及品牌忠诚度也随之提高4,5。
随着互联网的日益普及，大规模定制流程在缩短生产时间、以相同成本提供更多设计选择方面变得更加迅速和高效。此外，零售商能够获取目标客户偏好的相关信息，从而与客户建立稳固的关系6,7。因此，许多行业（如服装、鞋类、汽车和计算机）已采用定制化项目。尽管大规模定制对消费者和零售商均有益处，但部分零售商仍面临挑战8。因此，有必要深入研究消费者如何感知这些益处，以及这些益处如何影响其他购物行为反应，以实现长期成功。
借鉴说服理论中的效果层级（HOE）模型9，本研究提出消费者依据认知—情感—行为意向的顺序处理信息。具体而言，本研究考察在创建个性化定制产品后，消费者感知到的利益（认知）是否通过产品依恋和对大规模定制项目的积极态度（情感）影响其忠诚意向（行为意向）。根据动机理论10，感知利益被划分为外在利益和内在利益11。
外在利益指消费者在使用产品时所感知到的价值12（因此与产品质量的价值相近11），而内在利益则指使用产品时获得的愉悦体验11。在大规模定制情境下，外在利益与消费者所创造的产品相关，内在利益则与满足享乐性和体验性需求的定制过程体验相关13,14。先前研究表明，消费者感知到的利益能够增强对产品的情感依恋15以及对大规模定制项目的积极态度16。情感依恋是指消费者与产品之间建立的情感联结17，这种联结对定制项目的态度18和忠诚意愿具有积极影响19。此外，对定制项目的态度也会正向影响忠诚意愿20。
最后，本研究探讨个体特征（即时尚创新性）如何对消费者反应产生不同的影响。时尚创新性是指个体的创新倾向在多大程度上影响其对新时尚产品的采纳21。研究结果表明，希望避免从众行为的消费者（即具有较高时尚创新性的消费者）更倾向于获取独特的产品，这表明大规模定制可能是一种有效策略，用以实现与他人的差异化22。因此，本研究假设，对于时尚创新性较高的消费者，会产生更多的积极反应。
根据以往的文献综述，本研究探讨以下研究假设：H1：大规模定制产品所感知的利益（a：外在利益，b：内在利益）将对产品情感依恋产生正向影响；H2：大规模定制产品所感知的利益（a：外在利益，b：内在利益）将对大规模定制项目的态度产生正向影响；H3：产品情感依恋将对大规模定制项目的态度产生正向影响；H4：产品情感依恋将对忠诚意愿产生正向影响；H5：对大规模定制项目的态度将对忠诚意愿产生正向影响；以及 H6：与低时尚创新性个体相比，高时尚创新性个体对（a）感知利益、（b）产品情感依恋、（c）态度和（d）行为意愿的反应更为积极。
为了提高外部效度，本研究采用了一个现有的大规模定制项目。研究招募了韩国的潜在参与者，要求他们使用该项目在线设计属于自己的风衣，如同实际购买该产品一样。为了探究参与者基于其定制体验所产生的反应，本研究采用在线问卷调查的方式。参与者在使用在线定制程序后可立即访问问卷。数据收集完成后，研究采用单一群组结构方程模型（SEM）来分析消费者获益对产品依恋、态度及忠诚意愿的影响。为检验时尚创新性在其中的调节作用，研究使用了多组分析方法（LMAs）。
访问受限。请登录或开始试用以查看此内容。
方案
本研究已获梨花女子大学机构审查委员会豁免，并被分配方案编号 #143-18。
1. 受试者招募
- 准备开展一项在线调查。
注意：本研究通过韩国的一家调查公司开展在线调查。该研究公司拥有韩国规模最大的消费者样本库，且应答率较高。样本库中参与者的年龄和性别分布反映了韩国人口的整体状况。该消费者样本库通过实名验证，具有高度可靠性。由于研究公司持续采用多种创新方法管理样本库，参与者对该公司的忠诚度较高，因此该公司获得的调查结果被认为具有高度可靠性。 - 招募有在线购买服装经验的女性消费者。
注意：韩国女性消费者在服装购物上的支出占其收入的较大比例，且购物行为主要在线上进行23。因此，选择该群体作为本研究的参与者是合适的。 - 向参与者发送邀请邮件，内容包括研究目的以及对其回答保密性的保证。
- 向同意参与调查的人员发送指导说明，介绍如何使用定制程序设计风衣（见图1）。
注意：为避免参与者在使用定制程序时可能遇到困难，研究公司的主持人负责发送指导说明。此外，主持人还会电话联系参与者，在其查阅指导说明的同时，讲解定制流程。 - 要求参与者截取所设计风衣的屏幕图像，并为该风衣设定一个价格，以确保其确实在定制程序中实际创建了一件风衣。
- 当参与者理解操作流程后，向其发送链接，连接至现有购物网站中的电子大规模定制程序。
- 向参与者提供以下情景描述：“请设想您经济宽裕，能够购买自己喜欢的服装，并需要购买一件风衣以参加一场重要会议。您希望设计一件独特的风衣。在浏览互联网时，您偶然发现了一个理想的服装网站，该网站提供大规模定制服务”。
注意：此步骤旨在提高参与者的投入程度，并控制产品类型及消费者对产品价格的感知。 - 在参与者阅读情景描述后，给予其24小时时间设计一件风衣。
注意：参与者可自由选择整体款式、领型、衣长、袖长、口袋、面料和里料来设计风衣，前提是他们确实有购买意愿。若在24小时内使用定制程序设计风衣时遇到问题，可随时致电主持人寻求帮助。 - 24小时后激活调查链接，使准备就绪的参与者（即已完成所设计风衣截图者）可点击进入调查链接。
图1：使用e-mass定制程序的说明。 在线调查的参与者阅读有关如何使用定制程序制作风衣的说明，并按照步骤1–8进行操作。请点击此处查看此图的放大版本。
2. 调查程序
- 请参与者将他们设计的风衣的截图和价格上传至问卷的第一页（参见 图2).
注意： 仅上传截图的参与者方可访问问卷。 - 请参与者完成关于感知收益、对定制产品的情感依恋、对定制项目的态度、忠诚意愿以及人口统计学信息的在线问卷（参见 表1).
- 向完成问卷调查的人员发放奖励。
注意： 在此，参与者获得了奖励 ₩10,000（约合10美元）作为参与报酬。中途退出调查或未能提供截图和价格信息的参与者将无法获得报酬 ₩1,000（约1美元）。
图2：使用电子化大规模定制程序设计的风衣示例。 参与者通过选择偏好的领型、长度、面料等选项，设计出个性化风衣，随后上传风衣设计的截图。请点击此处查看该图的放大版本。
| 外在利益（Franke 等，2009） |
| 与标准产品相比，定制化产品会___________。 |
| 1. 更好地满足我的需求 |
| 2. 更好地符合我的个人偏好 |
| 3. 更有可能成为最适合我的解决方案 |
| 内在利益（Franke 和 Schreier，2010） |
| 1. 我非常享受此次设计活动 |
| 2. 我认为设计该产品非常有趣 |
| 3. 设计该产品非常吸引人 |
| 情感性产品依附（Thomson 等，2005） |
| 与该品牌的标准产品相比，我对该品牌的定制化产品的情感可被描述为___________。 |
| 1. 喜爱 |
| 2. 关联感 |
| 3. 激情 |
| 4. 着迷 |
| 对大规模定制项目的总体态度（Li 等，2001） |
| 本网站的大规模定制项目是___________。 |
| 1. 无吸引力 e 有吸引力 |
| 2. 令人不悦 e 令人愉悦 |
| 3. 无吸引力 e 有吸引力 |
| 4. 令人反感 e 令人喜欢 |
| 忠诚意愿（Kwon 和 Lennon，2009） |
| 1. 我近期会在此定制项目中购买定制化产品 |
| 2. 我会向朋友或亲属推荐此定制项目 |
| 3. 我近期会再次访问该网站并定制产品 |
| 产品涉入度（Zaichkowsky，1985） |
| 对我来说，服装是___________。 |
| 1. 不重要 e 重要 |
| 2. 无趣 e 有趣 |
| 3. 无吸引力 e 有吸引力 |
| 4. 不需要 e 需要 |
| 5. 无趣 e 令人兴奋 6. 无价值 e 有价值 |
| 时尚创新性（Park 等，2007） |
| 1. 通常情况下，在我的朋友圈中，我是最后一个知道最新时尚名称的人（R） |
| 2. 通常情况下，在我的朋友圈中，我是最后一个在新品上市时购买新时尚单品的人（R） |
| 3. 与我的朋友相比，我拥有新的时尚单品。 |
| 4. 我比其他人更早知道新时尚设计师的名字。 |
| 5. 如果我听说商店有新的时尚单品上市，我会产生足够的兴趣去购买。 |
| 6. 即使我之前从未见过，我也会购买新的时尚单品。 |
| （R）反向计分 |
表1：测量量表。 本表格此前已被使用过29。
3. 数据准备
- 将调查数据保存为 SPSS 文件，命名为“Data_TOTAL.sav”（见图3），该文件包含所有调查参与者的回答。删除包含缺失值的个案，使用清理后的数据进行结构方程模型（SEM）分析。
- 将总数据分为两个数据文件：高时尚创新组和低时尚创新组。采用中位数分割法，对时尚创新性的六个题项得分进行加总并计算平均值，得出时尚创新性的中位数得分（中位数 = 4.17）。
注意：中位数分割法在心理学和市场营销研究中被广泛使用，对连续变量采用中位数分割以检验组间差异是有效的24。 - 在“转换”菜单下点击“重新编码为不同变量”，创建一个新变量“时尚创新组（FIG）”：若平均得分低于中位数（例如，中位数 = 4.17），则编码为“1（低时尚创新组）”；若高于中位数，则编码为“2（高时尚创新组）”（见图4）。
- 在“数据”菜单下点击“拆分为文件”，双击变量“时尚创新组（FIG）”将其移至“个案分组依据”字段，并指定“输出文件目录”位置以保存文件（见图5）。
- 在指定目录中保存“1.sav”和“2.sav”文件，并将文件名更改为“Data_low fashion innovativeness.sav”和“Data_high fashion innovativeness.sav”，以便用于局部多重中介分析（LMA）。
图3：总数据集 。该数据包含用于结构方程模型（SEM）分析的全部受试者（n = 290）的应答结果。请点击此处查看该图的放大版本。
图4：创建新变量“时尚创新群体（FIG）”。 新变量（FIG）通过编码生成，“1（低时尚创新群体）”和“2（高时尚创新群体）”。请点击此处查看该图的放大版本。
图5：将数据集拆分为两个数据文件。 总数据文件“Data_TOTAL”被划分为“Data_low fashion innovativeness.sav” 和“Data_high fashion innovativeness.sav” 两个文件，供后续在LMA中使用。请点击此处查看该图的放大版本。
4. 进行验证性因子分析（CFA）
- 使用五因子测量模型进行单组验证性因子分析（CFA），以验证聚合效度。点击“选择数据文件 | Data_TOTAL.sav”。根据研究问题构建测量模型。
- 该测量模型包含五个潜在变量（即外在利益、内在利益、情感性产品依恋、对大规模定制项目的态度以及忠诚意愿）和17个观测变量（外在利益包含三个观测变量，内在利益三个，情感性产品依恋四个，对大规模定制项目的态度四个，忠诚意愿三个）。将潜在变量的方差设为“1”（见图6和图7）。点击“计算估计值”。
- 查看单组CFA结果中测量模型的拟合指数：拟合优度指数（GFI）、调整后的拟合优度指数（AGFI）、规范拟合指数（NFI）、Tucker-Lewis指数（TLI）、比较拟合指数（CFI）以及近似误差均方根（RMSEA）。
图6：验证性因子分析的模型设定。 请点击此处查看该图的放大版本。
图7：验证性因子分析的测量模型。 使用 AMOS 程序构建了 CFA 的测量模型。潜变量的方差被设定为“1”。请点击此处查看该图的放大版本。
5. 运行扫描电子显微镜（SEM）
- 为了检验潜变量之间的关系，进行结构方程模型分析（SEM）。点击“选择数据文件 | Data_TOTAL.sav”。根据研究问题构建结构方程模型，包含五个潜变量和17个观测变量。
- 从“Extrinsic_V”和“Intrinsic_V”分别绘制箭头指向“EP_Attachment”和“Attitude_MP”，再从“EP_Attachment”和“Attitude_MP”绘制箭头指向“Loyalty”。添加三个未观测变量，即“z1”作为“EP_Attachment”的预测变量，“z2”作为“Attitude_MP”的预测变量，“z3”作为“Loyalty”的预测变量（见图8、图9）。点击“计算估计值”，查看模型的“估计值”及拟合指数。
图8：结构方程模型的模型设定。 请点击此处查看此图的放大版本。
图9：结构方程模型分析。 请点击此处查看此图的放大版本。
6. 进行LMA的不变性检验
- 为比较高时尚创新性与低时尚创新性群体，基于多组验证性因子分析（MGCFA）进行潜变量均值分析（LMA）。在进行LMA之前，需检验两组之间的结构不变性、度量不变性和标量不变性25。
- 构建多组测量模型：在“管理组”（Manage Groups）下创建包含“高”组和“低”组的测量模型（即MGCFA模型）。以如下方式为各组选择数据文件：“Data_low fashion innovativeness.sav”用于低时尚创新性群体，“Data_high fashion innovativeness.sav”用于高时尚创新性群体（见图10）。
图10：为组别选择数据文件。 已建立MGCFA的测量模型，并上传了两个数据文件（“Data_low fashion innovativeness.sav”和“Data_high fashion innovativeness.sav”）。请点击此处查看该图的放大版本。
- 检验构型不变性
注意：如果两个组的测量模型结构具有相同的形式（即相同的维度以及固定值与非固定值的相同模式），则构型不变性成立（见图11）。如果测量模型的拟合效果良好，则继续下一步，检验度量不变性26。- 对每个组使用先前提出的五因子测量模型进行验证性因子分析（CFA）。点击“Calculate estimates”（计算估计值），查看两个模型的“Estimates”（估计值）和拟合指标。如果两个模型的拟合效果均良好且因子系数显著，则进入下一步。
- 以五因子测量模型作为基线模型进行多组验证性因子分析（MGCFA）。将每个潜变量指向第一个观测变量的因子系数固定为“1”，其余因子系数设为自由估计。点击“Calculate estimates”（计算估计值）。
- 检查两个组的“Estimates”（估计值）以及模型的拟合指标。如果模型拟合效果良好且因子系数显著，则构型不变性成立。随后进入下一步，进行度量不变性检验。
图11：两个组间测量模型具有相等的维度与结构。 (A) 高时尚创新组的模型，(B) 低时尚创新组的模型。请点击此处查看该图的放大版本。
- 检验度量不变性
注意： 度量不变性检验用于评估潜变量与观测变量之间的因子系数在不同组间是否相等。- 进行度量不变性检验时，需在各组间固定因子系数。相同系数在不同组中使用相同的标签（例如，Extrinsic_V | E2 标记为“a”，EP_Attachment | EA4 标记为“j”，参见 图12）。点击“Calculate estimates”（计算估计值），检查两组的“Estimates”（估计值）以及模型的拟合指标。
- 通过比较完全度量不变性模型（即各组因子系数固定的模型）与构型不变性模型（即各组因子系数自由估计的模型）进行卡方差异检验。若卡方差异无统计学意义，则满足度量不变性。随后，继续进行下一步的标量不变性检验25,26,27。
图12：跨组固定因子系数。 通过对各组中相同的系数输入相同的名称，实现对因子系数的约束。 请点击此处查看该图的放大版本。
- 检验标量不变性
注意：标量不变性意味着：1）潜变量上的相同数值与观测变量上的相同数值相关联；2）观测变量均值的差异源于潜变量均值的差异。为了检验标量不变性，需限制观测变量的截距，使其在各组之间相等28。- 在“View”菜单下点击“Analysis properties”，点击“Estimation”选项卡，并勾选“Estimate means and intercepts”。右键点击每个观测变量，选择“Object Properties”，进入“Parameters”选项卡，在截距文本框中输入参数名称，例如“int_e1”和“int_ea1”（见图13）。
- 通过比较完全度量/完全标量不变性模型（即在各组间固定观测变量截距和因子系数的模型）与完全度量不变性模型（即仅在各组间固定因子系数的模型）进行卡方差异检验。如果卡方差异无统计学意义，则满足完全度量/完全标量不变性。
注意：此处采用特定的层级顺序（构型不变性检验、度量不变性检验、标量不变性检验）。一旦每一级不变性检验均获满足，即使用最终选定的模型（即完全度量/完全标量不变性模型）进行LMA分析。
图13：在截距文本框中输入参数名称。
请点击此处查看此图的放大版本。
7. 运行LMA
- 采用全纯量/全度量不变性模型进行潜在均值分析（LMA）27,28。为了比较潜变量的均值，需在一个组中固定潜变量的均值，而在另一组中使其自由估计。
- 通过将一个组的均值固定为零作为参照组，来估计各组间均值的差异，进而估计另一组的均值。因此，将低时尚创新组中所有潜变量的均值固定为零。需确保高时尚创新组中潜变量的均值自由估计，且两组中潜变量的方差均自由估计（见图14）。
- 点击“计算估计值”。检查两组的“估计值”以及模型的拟合指标。
- 点击“查看文本”，在“估计值”中检查高时尚创新组潜变量的均值（见图15）。
图14：设定潜变量的均值与方差。 （A）高时尚创新组与（B）低时尚创新组。请点击此处查看此图的放大版本。
图15：潜变量均值分析结果。 请点击此处查看该图的放大版本。
访问受限。请登录或开始试用以查看此内容。
结果
频率统计提供了样本的特征信息。共有290名女性在线消费者使用电子大规模定制程序完成了购物过程。样本的人口统计学特征分布较为均衡。按年龄组划分，23.1% 在二十多岁，28.3% 在三十多岁，26.6% 在四十多岁，22.1% 在五十多岁。按婚姻状况划分，58.3% 已婚，40% 未婚。按职业划分，45.2% 为办公室职员，22.8% 为家庭主妇，10.3% 为专业人士，9.3% 为学生，5.5% 从事服务行业（表2）。
采用单组验证性因子分析（CFA），包含五个潜在变量（“外在动机_V”、“内在动机_V”、“EP依恋”、“对MP的态度”和“忠诚度”）以及17个观测变量，对五因子测量模型的拟合度进行了评估。尽管卡方统计值显著（卡方 = 179.63，df = 109，p = 0.000），但由于样本量较大（n = 209），卡方统计量通常较为敏感。其他拟合指数的数值表明模型整体拟合良好（GFI = 0.93，AGFI = 0.91，NFI = 0.97，TLI = 0.98，CFI = 0.99，RMSEA = 0.05）。所有因子载荷的临界比值（C...
访问受限。请登录或开始试用以查看此内容。
讨论
研究意义
本研究结果表明，消费者通过创造大规模定制产品所获得的外在和内在利益，有助于增强对产品的情感依恋、形成对定制项目积极的态度，并提升忠诚度意愿。关于时尚创新性的调节效应分析结果显示，与低时尚创新性群体的消费者相比，高时尚创新性群体的消费者感知到更多利益，情感依恋更强，对定制项目的态度更为积极，且具有更高的忠诚度意愿。这些结果为HOE模型提供了理论和实践层面的支持。
在线调查方法的意义
本研究通过韩国的一家调查公司开展了一项在线调查。该调查公司拥有韩国规模最大的消费者调查面板，且具有较高的应答率。该面板的年龄和性别分布反映了韩国人口的整体状况。通过实名制验证，该消费者面板具有高度的可靠性。由于该调查公司长期采用多种创新方法管理该面板，面板成员对该公司的忠诚度较高，因此该公司所获得的调查结果被认为具有很高的可靠性。
使用现有的大规模定制项目相较于传统实验研究具有优势。参与者可以在自然且真实的情境下体验大规模定制项目，而非在为研究而刻意...
访问受限。请登录或开始试用以查看此内容。
披露
作者无任何利益冲突需要披露。
致谢
数据经改编自 Park 和 Yoo 的研究29。本工作由大韩民国教育部和韩国国家研究基金会（NRF = 2016S1A5A2A03927809）资助。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| SPSS AMOS 22 | IBM Corporation, Data Solution Inc. | 用于验证性因子分析、结构方程模型分析和潜在均值分析 |
参考文献
- Srinivasan, S. S., Anderson, R., Ponnavolu, K. Customer loyalty in e-commerce: an exploration of its antecedents and consequences. Journal of Retailing. 78 (1), 41-50 (2002).
- Mouw, R. Biggest challenges of mass customization and tips for addressing these challenges. Manufacturing Tomorrow. , Available from: http://www.manufacturingtomorrow.com/article/2016/05/biggest-challenges-of-mass-customization-and-tips-for-addressing-these-challenges-/8047 (2005).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Pine, B. J., Gilmore, J. H. The Experience Economy: Work is Theater and Every Business a Stage. , Harvard Business School Press. Boston, MA. (1999).
- Yoo, J., Park, M. The effects of e-mass customization on consumer perceived value, satisfaction, and loyalty toward luxury brands. Journal of Business Research. 69 (12), 5775-5784 (2016).
- Endo, S., Kincade, D. H. Mass customization for long-term relationship development: why consumers purchase mass customized products again. Qualitative Market Research: An International Journal. 11 (3), 275-294 (2008).
- Spiegel, E. How the U.S. can be a leader in the factory of the future. , Available from: http://blogs.wsj.com/experts/2015/06/04/how-the-u-s-can-be-a-leader-in-the-factory-of-the-future (2015).
- Franke, N., Piller, F. T. Value creation by toolkits for user innovation and design: the case of the watch market. The Journal of Product Innovation Management. 21 (6), 401-415 (2004).
- Lavidge, R. J., Steiner, G. A. A model for predictive measurements of advertising effectiveness. Journal of Marketing. 25, 59-62 (1961).
- Deci, E. L. Intrinsic Motivation. , Plenum Press. New York, NY. (1975).
- Kim, H. W., Chan, H. C., Gupta, S. Value-based adoption of mobile internet: an empirical investigation. Decision Support System. 43 (1), 111-126 (2007).
- Rogers, E. M. Diffusion of Innovations, 4th Edition. , The Free Press. New York, NY. (1995).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Franke, N., Piller, F. T. Key research issues in user interaction with configuration toolkits in a mass customization system. International Journal of Technology Management. 26 (5/6), 578-599 (2003).
- Grisaffe, D. B., Nguyen, H. P. Antecedents of emotional attachment to brands. Journal of Business Research. 64 (10), 1052-1059 (2011).
- Lee, M. Factors influencing the adoption of internet banking: an integration of TAM and TPB with perceived risk and perceived benefit. Electronic Commerce Research and Applications. 8 (3), 130-141 (2009).
- Pedeliento, G., Andreini, D., Bergamaschi, M., Salo, J. Brand and product attachment in an industrial context: the effects on brand loyalty. Industrial Marketing Management. 53, 194-206 (2016).
- Ilicic, J., Webster, C. M. Effects of multiple endorsements and consumer celebrity attachment on attitude and purchase intention. Australasian Marketing Journal. 19 (4), 230-237 (2011).
- Koo, G. Y., Hardin, R. Difference in interrelationship between spectators’ motives and behavioral intentions based on emotional attachment. Sport Marketing Quarterly. 17 (1), (2008).
- Kang, J. M., Kim, E. e-Mass customization apparel shopping: effects of desire for unique consumer products and perceived risk on purchase intentions. International Journal of Fashion Design, Technology and Education. 5 (2), 91-103 (2012).
- Kim, J. B., Rhee, D. The relationship between psychic distance and foreign direct investment decisions: a Korean study. International Journal of Management. 18 (3), 286-293 (2001).
- Simonson, I. Determinants of customers' responses to customized offers: conceptual framework and research propositions. Journal of Marketing. 69 (1), 32-45 (2005).
- Consumer behavior study reveals South Korean online shopping habits. FedEx. , Available from: http://about.van.fedex.com/newsroom/asia-english/consumer-behavior-study-reveals-south-korean-online-shopping-habits/ (2015).
- Iacobucci, D., Posavac, S. S., Kardes, F. R., Schneider, M. J., Popovich, D. L. Toward a more nuanced understanding of the statistical properties of a median split. Journal of Consumer Psychology. 25 (4), 652-665 (2015).
- Steenkamp, J. B. E. M., Baumgartner, H. Assessing measurement invariance in cross-national consumer research. Journal of Consumer Research. 25 (1), 78-90 (1998).
- Bollen, K. A. Structural Equation with Latent Variables. , Wiley. New York, NY. (1989).
- Sass, D. A. Testing measurement invariance and comparing latent factor means within a confirmatory factor analysis framework. Journal of Psychoeducational Assessment. 29 (4), 347-363 (2011).
- Hong, S., Malik, M. L., Lee, M. K. Testing configural, metric, scalar, and latent mean invariance across genders in sociotropy and autonomy using a non-western sample. Educational and Psychological Measurement. 63 (4), 636-654 (2003).
- Park, M., Yoo, J. Benefits of mass customized products: moderating role of product involvement and fashion innovativeness. Heliyon. 4, 00537(2018).
- Neuman, W. L. Social Research Methods: Qualitative and Quantitative Approaches, 6th Edition. , Allyn and Bacon. Boston, MA. (2006).
- Kim, J. H., Jang, S. A scenario-based experiment and a field study: a comparative examination for service failure and recovery. International Journal of Hospitality Management. 41, 125-132 (2014).
- Hancock, G. R., Lawrence, F. R., Nevitt, J. Type I error and power of latent mean methods and MANOVA in factorial invariant and noninvariant latent variable systems. Structural Equation Modeling. 7 (4), 534-556 (2000).
访问受限。请登录或开始试用以查看此内容。
重印与许可
