虚拟名人特征如何驱动购买意愿：基于刺激-有机体-反应框架的结构方程模型检验

本研究分析虚拟名人的属性如何影响消费者满意度、忠诚度、购买意愿，以及个性化如何增强由满意度驱动的忠诚度。现有研究指出了替代性手段和可信度，但对过程结果的解释尚不充分。本研究通过SOR框架、中介作用、个性化及调节作用，阐明了其中的作用机制。

首先，为偏最小二乘结构方程模型（PLS-SEM）定义结构模型。为内生构念指定最多六个预测变量，包括三个虚拟名人的特征和三个控制变量。设定统计参数，例如中等效应量、显著性水平以及用于功效分析的统计检验力。

现在，运行功效分析以估算所需的最小样本量。通过在线研究小组，采用目的性非概率抽样方式招募参与者。仅限年龄在18岁及以上的个体参与。

在调查中插入筛选问题和注意力检测项目，以验证受访者的资格和回答质量。审查调查结果，并删除未通过筛选或注意力检测标准的记录。当达到预设的目标样本量时，停止数据收集。

首先给出虚拟名人的定义，将其描述为通过数字技术创建的视听形象，具有稳定的视觉身份、声音特征以及持续更新的叙事内容。指导参与者根据其与这类虚拟名人实际互动的经历回答调查问题。设计问卷时应包含多个调查部分，涵盖形象、声音、内容质量、满意度、忠诚度、个性化程度、购买意愿以及人口统计学信息。

使用7点李克特量表测量所有构念，其中1表示强烈不同意，7表示强烈同意。通过平台控制设置防止重复提交。将收集到的响应以逗号分隔值（CSV）格式导出，并将清理后的数据集导入PLS-SEM软件中。

在进行测量和结构模型评估时，应将所有构念指定为反射性构念。使用 Cronbach's alpha 和组合信度（composite reliability，CR）评估信度，要求其值大于或等于 0.7。通过平均方差提取量（average variance extracted，AVE）评估收敛效度，要求其值大于或等于 0.5。

使用 Fornell-Larcker 准则和异质-单质比（HTMT 比值）评估区分效度，并确保其小于 0.9。根据概念模型设定结构路径，并通过方差膨胀因子（VIF）值评估多重共线性，VIF 值应低于 5。采用 5,000 个子样本进行自举法（bootstrapping）分析，以估计路径系数、T 值、置信区间和效应量。

使用5,000个子样本和95%置信区间进行自举法（bootstrapping）分析，检验从虚拟名人的特征到满意度、满意度到忠诚度、忠诚度到购买意愿的序列中介效应。构建交互项以检验个性化程度的调节作用。采用自举法估计调节效应系数及效应量大小。

生成交互作用图以可视化条件效应。在预测性能评估后，将Q²预测值、均方根误差和平均绝对误差与线性基准模型进行比较。当Q²预测值大于零且偏最小二乘法（PLS）误差低于基准模型时，确认模型具有预测相关性。

信度和聚合效度检验结果表明，所有构念均超过推荐阈值，证实所采用的测量工具具有良好的信度和效度。通过 Fornell-Larcker 准则和异质-单质比率（Heterotrait-Monotrait ratio）评估的区分效度，进一步证实所有构念在实证上具有可区分性。结构模型评估结果显示模型具有中等解释力和可接受的预测性能。

通过Q平方预测值（范围为0.280至0.485）确认了模型的预测相关性。PLS-SEM模型的预测性能与线性回归基准进行了比较。均方根误差和平均绝对误差值越低，表明预测准确性越高。

统计分析可确定模型中哪些假设得到数据支持。外观、声音和内容质量显著影响客户满意度。满意度提升忠诚度，进而导致更高的购买意愿。

中介分析表明，满意度通过忠诚度对购买意愿产生间接影响。个性化增强了满意度与忠诚度之间的关系，但对购买意愿没有影响。该方案有助于通过问卷调查和结构模型分析虚拟名人的特征如何影响满意度、忠诚度和购买意愿。

本方案中的关键挑战包括招募虚拟名人参与者，以及澄清先前研究中满意度与购买意愿报告之间存在的不一致关系。本研究有助于未来在文化差异背景下开展关于新兴人工智能技术的研究，以及个性化和虚拟名人特质的长期影响研究。