应用 eMASS 定制计划作为评估消费者权益的研究工具
September 27th, 2019
此处介绍的是一个协议，用于检查消费者对在线零售环境中大规模定制的反应。该协议详细介绍了在线调查过程以及如何使用结构方程建模分析数据，以及如何使用潜在均值分析对数据进行分组分析。
我们的协议要求参与者在参与调查之前体验大规模定制，并使用调查数据来测试消费者响应之间的关系。该协议允许将消费者数据应用于结构方程建模和潜在手段分析，以获得复杂的统计数据，提高研究的有效性。我们的研究将有利于研究零售或营销技术对消费者反应的影响。
尽管测试几种不变性测试（如配置、矩阵和标量不变性）可能很困难，但我们建议耐心一下，并非常小心地遵循此过程，以提高数据的质量。演示这个程序的将是我实验室的A级学生金喜云。使用在线调查招募具有在线服装购物体验的女性消费者。
向符合条件的参与者发送邀请电子邮件，包括有关研究目的的信息以及回复的机密性保证。向同意参加调查的参与者发送指南，以展示如何使用自定义程序创建风衣。同意参加调查的参与者开始调查程序。
他们收到一个链接，连接到一个现有的购物网站eMass定制计划，并被要求想象你足够毛，购买可爱的衣服，必须购买风衣参加一个重要会议。您将想要创建一个独特的风衣。浏览互联网时，您会遇到一个完美的服装网站，有一个大规模的定制程序。
收到方案后 24 小时，激活调查链接，以便已完成风衣并准备参加调查的参与者可以单击调查链接。在调查中，让参与者将创建的风衣的屏幕截图和价格上传到调查的第一页。然后，让学员完成在线调查问卷，了解定制产品的感知优势和情感依恋，以及对定制计划的态度、忠诚度意图和人口问题。
向完成调查的参与者提供金钱奖励。完成所有调查后，将调查数据保存在包含调查参与者所有答复的 SPSS 文件中，并使用清理的数据进行结构方程建模分析。使用中位数分割，总结和平均六项时尚创新的分数，并计算时尚创新的中位数分数。
在转换菜单下，如果平均得分低于中位数，请单击重新编码为不同的变量，为低时尚创新组编码一个。双击时尚创新组变量，按字段将之移动到拆分案例。然后，分配输出文件目录位置，以保存文件作为Data_low创新。
sav 和Data_high时尚创新。sav 在分配的目录中。要确认收敛有效性，请单击"选择数据文件"，Data_TOTAL.sav。
基于研究问题开发测量模型，包括5个潜在变量和17个观测变量。将潜在变量的每个方差设置为 1，然后单击计算估计值。然后，从单个组确认因子分析结果、拟合指数优度、拟合指数调整优度、标准拟合指数、塔克·刘易斯指数、比较拟合指数和近似根均方误差中，对测量模型的拟合指数进行对比。
在这项代表性分析中，对5个潜在变量和17个观测变量进行了单组确认因子分析。因子系数的所有临界比率都显著，这意味着实现了收敛有效性。单个组结构方程建模的拟合指数揭示了一个可接受的拟合。
从单组确认因子分析到多组确认因子分析，到对两组五因子测量模型进行交叉验证，均表明实现了配置不变性，因子系数的所有临界比都显著。为了测试指标不变性，因子系数在两个组中被限制为相同，并进行了另一个多组确认因子分析，表明 14.728 的奇方差不显著，并且指标不变性得到满足。由于公制不变性模型被接受，因此测试了标量不变性。
由于全公制/全标量不变性模型嵌套在全公制不变性模型中，因此进行了奇方差测试，表明 11.18 的奇方差不显著，并且满足了标量不变性。鉴于实现了配置不变性、公制不变性和标量不变性，因此进行了潜在均值分析，确定高创新群体的五个潜在变量为正值，明显高于低时尚创新群体的正值。大规模自定义程序可能看起来很困难，具体取决于个人对任务复杂性的看法。
请记住，为参与者提供足够的时间来适应自定义计划。为了解决潜在变量之间关系的群体差异，可以执行多个组结构方程建模，以比较各组中过去的系数。大多数研究人员使用多组结构方程建模进行组比较。
我们的研究为在社会科学领域进行多组比较提供了另一种方式。
View the full transcript and gain access to thousands of scientific videos
概述
本协议概述了一种检验消费者对在线零售中的大规模定制响应的方法。它详细说明了在线调查程序和使用结构方程模型及潜在均值分析进行数据分析的方法。
关键研究组成部分
科学领域
- 消费者行为
- 在线零售
- 统计建模
背景
- 参与者在完成调查之前体验大规模定制。
- 调查数据用于测试消费者响应之间的关系。
- 该协议增强了研究结果的有效性。
- 推荐使用不变性测试以改善数据质量。
研究目的
- 调查消费者对零售技术的响应。
- 应用复杂的统计方法进行数据分析。
- 提供对大规模定制对消费者行为影响的洞察。
使用的方法
- 在线调查招募有服装购物经验的女性消费者。
- 使用结构方程模型进行数据分析。
- 使用潜在均值分析评估组别差异。
- 进行不变性测试以保证数据质量。
主要结果
- 可以使用所提出的方法有效分析消费者响应。
- 该协议允许复杂的统计洞察。
- 耐心地遵循程序可以提高数据质量。
结论
- 该研究有助于理解在线零售中的消费者行为。
- 它证明了消费者研究中方法学严谨性的重要性。
- 未来的研究可以在这些发现的基础上进一步探索影响。
常见问题
Executive Industry Relevance
This protocol demonstrates how rigorous statistical validation of consumer response data can inform target validation and assay development in biopharma R&D. By applying measurement invariance testing and latent mean analysis, the method supports mechanistic de-risking and predictive confidence in early discovery. The approach enables cross-functional teams to compare biological responses across subpopulations with validated quantitative outputs.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by testing measurement invariance across biological subgroups.
- Operational Value: Supports biological de-risking through latent mean analysis that quantifies significant differences in pathway activation.
- Predictive Value: Enhances portfolio triage by identifying which target mechanisms show consistent response patterns across variant models.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by confirming measurement equivalence.
- Operational Value: Addresses assay standardization and reproducibility through configural, metric, and scalar invariance testing.
- Scalability: Highlights screening readiness by ensuring quantitative outputs are comparable across experimental conditions.
Translational & Preclinical Research
- Translational Continuity: Describes how invariant measurement supports alignment with translational biomarkers across discovery and preclinical stages.
- Risk-Adjusted Decisions: Enables continuity from discovery through preclinical validation by confirming construct stability.
- Mechanistic De-risking: Focuses on predictive value when assessing target engagement across disease-relevant systems.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing to lead identification, particularly when comparing biological responses across variant models.
- Discovery Biology: Supports hypothesis testing and pathway clarification by validating measurement models before comparing latent constructs.
- Screening: Describes assay readiness through validated measurement models that ensure reproducible quantitative outputs.
- Analytics: Highlights structural equation modeling and latent mean analysis as statistical outputs that enable comparison of biological conditions.
- Translational Research: Connects method to preclinical continuity by confirming measurement invariance, a prerequisite for valid biomarker alignment.
- Enterprise Reuse: Frames the invariance testing procedure as a reusable capability for standardizing cross-study comparisons.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity through validated measurement models.
- Operational Value: Standardization, reproducibility, and scalability of biological assays via invariance testing.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk by ensuring measurement equivalence.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions based on latent mean differences with validated scales.
Implementation Considerations
- Required scientific expertise in structural equation modeling and confirmatory factor analysis.
- Instrumentation and analytical infrastructure needs for multivariate statistical software (e.g., SPSS, AMOS).
- Cross-team standardization requirements for defining latent variables and observed indicators.
- Adaptation considerations across model systems when translating invariance testing protocols.
- Practical limitations include sample size requirements for multi-group analysis and complexity of longitudinal invariance testing.
