Summary
ここでは、オンライン小売のコンテキストで大量のカスタマイズに対する消費者の反応を調べるプロトコルです。このプロトコルでは、オンライン調査手順と、潜在平均解析を使用して構造方程式モデリングとグループ差異を使用してデータを分析する方法について詳しく説明します。
Abstract
多くの学者や実務家がパーソナライゼーションとリレーションシップマーケティングを学ぶので、マーケティング技術を通じてマスカスタマイゼーションなどのパーソナライゼーションを提供することが重要です。本研究の目的は、オンライン調査とデータ分析を用いて消費者調査を行う方法を検討することです。この調査では、製品のカスタマイズ、感情的な製品の添付ファイル、カスタマイズ プログラムに対する態度、およびオンライン小売のコンテキストでのロイヤルティの意図をカスタマイズしながら、消費者の知覚された利点を調べます。また、ファッションの革新性など個々の特性に基づいて消費者の反応がどのように異なるかを調べた。韓国のオンライン調査会社は、オンラインでアパレルを購入した290人の女性アパレル買い物客を募集しました。外部の有効性を高めるために、この研究は、確立されたマスカスタマイゼーションプログラムを持つ既存の小売ウェブサイトを使用しました。カスタマイズプログラムを完了したら、参加者はオンラインアンケートに記入します。次に、構造方程式モデリング(SEM)および潜在平均解析(LMA)が解析のために実行されます。本研究では、平均比較に対する測定不変性のテストの重要性を強調する。SEM および LMA の前に、この研究は、ANOVA などの従来のアプローチでは考慮されない不変性検定 (構成不変性検定、メトリック不変性検定、およびスカラー不変性検定) の階層に従います。これらの統計分析は、消費者の行動に不変性試験手順とLMAの適用性を提供します。平均差の結論は、測定の不変性を確保するための高度な統計的手順によって導かれるため、完全性と妥当性を持っています。
Introduction
マスカスタマイゼーションとは、電子小売業者が製品、サービス、およびトランザクション環境を個々の顧客に合わせて調整する機能を指します 1.今日の消費者は標準的な製品に満足しておらず、多くの小売業者はこれを認識しています。マスカスタマイゼーションオプションを提供することは、顧客ロイヤルティと競争上の優位性を得るための1つの方法です2.マーケティング戦術としてのマスカスタマイゼーションは、消費者が特定のニーズに基づいて独自の製品を作成することができ、したがって、個別の製品やサービスを提供します 3.たとえば、消費者は大量生産された靴を購入するだけでなく、色、ファブリック、およびその他のデザインコンポーネントを選択することで、通常の小売サイトでは利用できない新しいユニークな靴を作成することもできます。その結果、消費者はより有利な製品を購入することができ、カスタマイズされた製品だけでなく、ブランドの忠誠心の増加4、5との満足度。
インターネットの使用の増加に伴い、大量のカスタマイズプロセスは、生産時間を削減し、同じコストでより多くの設計オプションを提供するという点で、より迅速かつ効率的になりました。さらに、小売業者はターゲット顧客が好むものに関する情報を取得し、彼らとの強固な関係を築くことができます6,7.そのため、多くの業界(アパレル、靴、車、コンピュータ)がカスタマイズプログラムを採用しています。マスカスタマイゼーションは消費者と小売業者の両方に利益をもたらしますが、一部の小売業者は課題8に直面しています。したがって、消費者が利益をどのように認識し、これらの利点が長期的な成功のために他の買い物の反応にどのように影響するかを調べる必要があります。
本研究では、説得理論9からの効果(HOE)モデルの階層に基づいて、消費者が認知影響協調配列に基づいて情報を処理することを提案する。具体的には、消費者の利益(認知)が製品の添付ファイルを通じてロイヤルティの意図(同化)に影響を与えるかどうか、およびマスカスタマイゼーションプログラムに対する態度(影響)を調べます(質量カスタマイズ製品を作成した後)。.動機付け理論10に基づいて、知覚された利益は、外因性および本質的利益11に分けられる。
外因性の利益は、製品12を使用することから導き出された消費者の知覚値に関する(したがって、製品品質11に値を近づける)が、本質的な利益は、製品11を使用する際に快適な経験を示す。マスカスタマイゼーションコンテキストでは、外因性の利点は消費者が作成する製品に関連付けられており、本質的な利点は、ヘドニックおよび経験的ニーズを満たすカスタマイズエクスペリエンス13,14に関連しています。以前の研究は、消費者の知覚利益が感情的な製品の添付ファイル15と大量カスタマイズプログラム16に対する肯定的な態度を高めることを発見しました。感情的な製品の添付ファイルは、消費者が製品17に接続する感情的な結びつきを指し、これは肯定的にカスタマイズプログラム18と忠誠心の意図19に対する態度に影響を与えます。さらに、カスタマイズプログラムに対する態度は、忠誠心の意図にプラスの影響を与える20.
最後に、本研究では、個々の特性(すなわち、ファッションの革新性)が消費者の反応にどのように影響するかを調べます。ファッションの革新性とは、個人の革新的な傾向が新しいファッションアイテム21の採用に影響を与える程度を指します。調査結果によると、適合を避けたい消費者(すなわち、ファッションの革新的な消費者)は、独自の製品を取得する意欲を持っていることを示しており、大量のカスタマイズは他者との差別化に効果的な戦術である可能性があることを示しています。22.したがって、この研究は、非常にファッションの革新的な消費者のために肯定的な応答のより多くの数が生成されることを前提としています。
これまでの文献レビューに基づき、本研究は以下の研究仮説に取り組む。H1: 大量カスタマイズされた製品の知覚利益(a:外因性の利点、b:本質的な利益)は、感情的な製品の添付ファイルにプラスの影響を与えます。H2: マスカスタマイズされた製品の知覚利益(a:外因性の利点、b:本質的な利益)は、マスカスタマイズプログラムに対する態度にプラスの影響を与えます。H3: 感情的な製品の添付ファイルは、マスカスタマイゼーションプログラムに対する態度にプラスの影響を与えます。H4: 感情的な製品の添付ファイルは、忠誠心の意図にプラスの影響を与えます。H5: マスカスタマイゼーションプログラムに対する態度は、忠誠心の意図にプラスの影響を与えます。とH6:低ファッションの革新性と比較して、ハイファッションイノベーターは、(a)知覚された利益、(b)感情的な製品の添付ファイル、(c)態度、および(d)行動の意図に対してより肯定的な反応を持つことになります。
外部の有効性を高めるために、この研究では、既存のマスカスタマイゼーションプログラムを使用します。韓国の潜在的な参加者は、この研究のために募集され、彼らは実際に製品を購入したかのように、プログラムを使用して独自のトレンチコートを作成するように求められます。この調査では、カスタマイズの経験に基づいて参加者の回答を調べるために、オンライン調査を使用します。参加者は、カスタマイズプログラムをオンラインで使用した直後にアンケートにアクセスできます。データを収集した後、この調査では、単一グループの SEM を使用して、製品の添付ファイル、態度、およびロイヤルティの意図に対する消費者の利益の影響を調査します。この研究では、ファッションの革新性のモデレートの役割を調べるために、LMAを使用しています。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
この研究は、梨花女子大学のIRBレビューから免除され、プロトコル番号#143-18を割り当てられました。
1. 参加者募集
- オンライン調査を実施する準備をします。
注:韓国の調査会社を利用してオンライン調査を実施しました。調査会社は、韓国で高い応答率を持つ最大の消費者パネルを持っています。パネルの年齢と性別の分布は、韓国の人口の状態を反映しています。コンシューマーパネルは、実名の検証を通じて高い信頼性を持っています。研究会社は、様々な革新的な方法でパネルを継続的に管理しているので、研究会社に対するパネルの忠誠心は高いです。したがって、当社が得た調査結果は信頼性が高いであることが知られています。 - アパレルオンラインショッピングの経験を持つ女性消費者を募集します。
注:韓国の女性消費者は、アパレルショッピングに高い収入の割合を費やし、買い物行動は主にオンラインで起こる23.したがって、この研究の参加者としてこのグループを選択するのが適しています。 - 調査の目的と回答の機密性の保証に関する情報を含む招待メールを参加者に送信します。
- カスタマイズ プログラムを使用してトレンチ コートを作成する方法を示すアンケートに参加することに同意する人にガイドラインを送信します (図 1を参照)。
注:参加者がカスタマイズプログラムを使用して困難に遭遇する可能性のある状況を避けるために、調査会社のモデレーターがガイドラインを送信しました。さらに、モデレーターが参加者を呼び出し、カスタマイズ手順を説明し、参加者がガイドラインを見直しました。 - 参加者に作成したトレンチコートのスクリーンショットをキャプチャし、カスタマイズプログラムでトレンチコートを実際に作成できるようにコートの価格を提供してもらいます。
- 参加者が手順を理解したら、既存のショッピング Web サイトで電子マスカスタマイズ プログラムに接続されているリンクを送信します。
- 参加者に次のシナリオを提供します:「 好感度の高い衣類を購入し、重要な会議に出席するためにトレンチコートを購入する必要があることを想像してください。あなたはユニークなトレンチコートを作成したいです。インターネットを閲覧している間、あなたは大量のカスタマイズプログラムを持っている完璧なアパレルのウェブサイトに出くわします。
注:このステップは、関与レベルを高め、製品の種類と製品価格の消費者の認識を制御するために必要とされます。 - 参加者がシナリオを読んだ後にトレンチコートを作成できるようにします。
注:参加者は、彼らが実際にそれを購入する場合に好ましい全体的なスタイル、襟、コートの長さ、袖の長さ、ポケット、ファブリック、およびライニングを選択することにより、トレンチコートを自由に作成することができます。カスタマイズ プログラムでコートの作成に問題がある場合は、24 時間の期間中にいつでもモデレータに電話して問い合わせることができます。 - 24 時間後にアンケートリンクを有効にすると、アンケートを受ける準備ができている参加者(つまり、作成したトレンチコートのスクリーンショットのキャプチャを完了した参加者)がアンケートリンクをクリックできます。
図1:電子マスカスタマイズプログラムを使用する方法。オンライン調査の参加者は、カスタマイズプログラムを使用してトレンチコートを作成する方法に関する指示を読み、手順1~8に従います。この図のより大きなバージョンを表示するには、ここをクリックしてください。
2. 調査手順
- 参加者に、作成したトレンチコートのスクリーンショットと価格をアンケートの最初のページにアップロードしてもらいます(図2参照)。
注:スクリーンショットをアップロードした参加者のみがアンケートにアクセスできます。 - 知覚された利点、カスタマイズされた製品への感情的な添付ファイル、カスタマイズプログラムに対する態度、ロイヤルティの意図、および人口統計に関する質問に関するオンラインアンケートを参加者に依頼します (表 1を参照)。
- アンケートを完了した人に報酬を与えます。
注:ここでは、参加者に10,000ドル(約10米ドル)の報酬を受け取りました。アンケートを終了した参加者、またはスクリーンショットと価格の提供に失敗した参加者は、1,000ドル(約1米ドル)を受け取りました。
図2:eマスカスタマイズプログラムを用いて作成されたトレンチコートの例。参加者は、好みの襟、長さ、生地などを選択してトレンチコートを作成し、その後、トレンチコート作成のスクリーンショットをアップロードしました。この図のより大きなバージョンを表示するには、ここをクリックしてください。
外因性利益(Franke et al., 2009) |
標準製品と比較すると、カスタマイズされた製品は________________になります。 |
1. 私の要件をより良く満たす |
2.より良い私の個人的な好みを満たす |
3.私にとって最良の解決策になる可能性が高い |
本質的な利益(フランクとシュレイア、2010) |
1. このデザイン活動をとても楽しめました |
2. デザインはとても楽しいと思いました |
3. この製品の設計は非常に興味深いものでした |
感情的な製品の添付ファイル (トムソンら, 2005) |
このブランドの標準的な製品と比較して、カスタマイズされた製品に対する私の気持ちは_______________によって特徴付けることができます。 |
1. 愛情 |
2. 接続 |
3. 情熱 |
4. 魅惑 |
マスカスタマイゼーションプログラムに対する態度(Li et al., 2001) |
このウェブサイトのマスカスタマイゼーションプログラムは_____________でした。 |
1. 魅力的でないeアピール |
2. 不快なe快適 |
3. 魅力的でないe |
4. 好ましくないe好感度 |
忠誠の意図(クォンとレノン、2009) |
1. 近い将来、このカスタマイズプログラムでカスタマイズされた製品を購入します |
2.私は友人や親戚にこのカスタマイズプログラムをお勧めします |
3. 私はこのウェブサイトに戻り、近い将来に製品をカスタマイズします |
製品への関与(ザイチコフスキー、1985) |
私にとって、衣類は________________です。 |
1. 重要でないe重要 |
2. 退屈なe面白い |
3. 魅力的でないeアピール |
4. 不要 |
5. エキサイティングなeエキサイティング6.価値のないe価値 |
ファッションの革新性(Park et al., 2007) |
1.一般的に、私は最新の新しいファッション(R)の名前を知っている友人の私のサークルの最後です |
2.一般的に、私はそれが表示されたときに新しいファッションアイテムを購入する友人の私のサークルの最後の一つ(R) |
3.私の友人と比較して、私は新しいファッションアイテムを所有しています。 |
4.私は他の人が行う前に、新しいファッションデザイナーの名前を知っています。 |
5. 新しいファッションアイテムが店頭で手に入ると聞いたら、買うのに十分興味があります。 |
6.私は前にそれを見たことがない場合でも、私は新しいファッションアイテムを購入します。 |
(R) リバースコード |
表1:測定尺度。このテーブルは以前に29で使用されました。
3. データ準備
- 調査データを SPSS ファイルに "Data_TOTAL.sav" として保存します (図 3を参照)。欠損値を含むケースを削除します。クリーンアップされたデータを使用して、SEM 分析を実行します。
- 合計データを 2 つのデータ ファイルに分けます。中央値分割を使用します。ファッションの革新的性の6項目のスコアを合計して平均し、ファッションの革新的性の中央値スコアを計算します(med = 4.17)。
注:中央値分割は心理学やマーケティングリサーチでよく使用され、連続変数に中央値分割を使用してグループの差異を調べるのは有効です24. - [変換] メニューの [異なる変数に再コード化] をクリックします。平均スコアが中央値よりも低い場合は「1(ローファッション革新的グループ)」をコーディングし、中央値よりも高い場合は「2(ハイファッション革新的グループ)」をコーディングして、新しい変数「ファッション革新的グループ(図)」を作成します(図4参照)。 ).
- [データ] メニューの [ファイルに分割] をクリックし、変数の "ファッション革新的グループ (FIG)" をダブルクリックして [ケースを分割] フィールドに移動し、[出力ファイル ディレクトリ] の場所を割り当ててファイルを保存します (図 5参照)。
- 割り当てられたディレクトリに"1.sav"と"2.sav"を保存します。ファイル名を"Data_low ファッションの革新的性.sav"と"Data_high ファッションの革新的性.sav"に変更して、LMA の両方を使用します。
図 3: データ_TOTAL.データには、SEM 分析に使用されるすべての参加者 (n = 290) の応答が含まれます。この図のより大きなバージョンを表示するには、ここをクリックしてください。
図4:新しい変数「ファッション革新的グループ(FIG)」の作成新しい変数(FIG)は、「1(低ファッション革新的グループ)」と「2(高い革新的なグループ)」をコーディングすることによって作られました。この図のより大きなバージョンを表示するには、ここをクリックしてください。
図 5: データセットを 2 つのデータ ファイルに分割します。合計データファイル「Data_TOTAL」は、LMAで後続の使用のために「Data_lowファッションの革新的性.sav」と「Data_highファッションの革新的性.sav」ファイルに分割されました。この図のより大きなバージョンを表示するには、ここをクリックしてください。
4. 確認因子分析(CFA)の実行
-
収束の妥当性を確認するために、5因子測定モデルを用いた単一のグループCFAを実施します。[データ ファイルの選択] をクリックします |データ_TOTAL.sav".研究の質問に基づいて測定モデルを開発します。
- 測定モデルには、5つの潜在変数(すなわち、外因性利益、固有の利益、感情的な製品の添付、質量カスタマイズプログラムに対する態度、およびロイヤルティの意図)と17の観測変数(3つの観測された変数)が含まれています。外因的な利益、本質的な利益のための3つ、感情的な製品の添付のための4つ、大量のカスタマイズプログラムに対する態度のための4つ、および忠誠心の意図のための3つ。潜在変数の分散を "1" として設定します (図6および図 7を参照)。[見積もりを計算する] をクリックします。
- 単一グループCFAの結果から測定モデルの適合指数を確認してください:適合性指数(GFI)、調整された適合指数(AGFI)、規範適合指数(NFI)、タッカールイス指数(TLI)、比較適合指数(CFI)、およびルート平均平方誤差近似 (RMSEA)
図6:確認因子解析のモデル仕様。この図のより大きなバージョンを表示するには、ここをクリックしてください。
図7:確認因子分析の測定モデル。CFAの測定モデルは、AMOSプログラムを使用して作成されました。潜在変数の分散は「1」として設定されました。この図のより大きなバージョンを表示するには、ここをクリックしてください。
5. SEM の実行
- 潜在変数間の関係をテストするには、SEM を実行します。データ_TOTAL.sav".5つの潜在変数と17の観測変数を含む研究の質問に基づいてSEMを開発します。
- "Extrinsic_V" と "組み込み"から "EP_添付ファイル" と "Attitude_MP" に、"EP_添付ファイル" と "Attitude_MP" から "ロイヤルティ" まで矢印を描画します。「EP_Attatchment」の予測変数として「z1」、"Attitude_MP"の予測変数として「z2」、"z3"を「ロイヤルティ」の予測変数として3つの観測されていない変数を追加します(図8、図9参照)。[見積もりを計算する] をクリックします。「推定値」を確認し、モデルのインデックスを適合します。
図 8: 構造方程式モデリングのモデル仕様。この図のより大きなバージョンを表示するには、ここをクリックしてください。
図 9: 構造方程式モデリング解析。この図のより大きなバージョンを表示するには、ここをクリックしてください。
6. LMAの不変性試験の実施
- ハイファッションとローファッションの革新的なグループを比較するために、多集合確認因子分析(MGCFA)に基づいてLMAを実施します。LMA の前に、両方のグループ間の構成不変性、メトリック不変性、およびスカラー不変性をテストします 25.
- 複数グループ測定モデルの作成: 「グループの管理」の下に「高」と「低」という2つのグループを持つ測定モデル(MGCFAのモデル)を作成します。低ファッションの革新的なグループの「Data_low ファッションの革新的性.sav」とハイファッションの革新的なグループの「Data_high ファッションの革新的性.sav」のデータファイルを次のように選択します(図10参照)。
図 10: グループのデータ ファイルを選択します。MGCFAの測定モデルを作成し、2つのデータファイル(「Data_lowファッションの革新的性.sav」と「Data_highファッションの革新的性.sav」)をアップロードしました。この図のより大きなバージョンを表示するには、ここをクリックしてください。
-
コンフィギュレーション不変性のテスト
注:両方のグループの測定モデルの構造が同じ形式(つまり、固定値と非固定値の同じ寸法と同じパターン)を持つ場合、構成不変性は満たされます(図 11参照)。測定モデルの適合性が満足できる場合は、メトリック不変性26を確認するための次のステップに進みます。- 各グループに対して、以前に提案された5因子測定モデルでCFAを実行します。[見積もりを計算する] をクリックします。「見積もり」を確認し、両方のモデルのインデックスを適合します。両方のモデルの適合性が十分で、因子係数が有意な場合は、次のステップに進みます。
- 5因子測定モデルをベースラインモデルとしてMGCFAを実施します。各潜在変数から最初に観測された変数までの因子係数の「1」を修正し、他の因子係数を解放します。[見積もりを計算する] をクリックします。
- 2つのグループの「推定値」を確認し、モデルのインデックスを適合します。モデルの適合性が十分で、因子係数が有意な場合は、設定不変性が満たされます。次に、メトリック不変テストを含む次の手順に進みます。
図 11: 2 つのグループにわたる測定モデルの等しい寸法と形式。(A)ハイファッション革新的グループのモデルと低ファッション革新的グループのための(B)モデル。この図のより大きなバージョンを表示するには、ここをクリックしてください。
-
メトリック不変のテスト
注:メトリック不変の検定では、潜在変数と観測変数をリンクする因子係数がグループ間で等しいかどうかを評価します。- メトリック不変性の検定では、グループ間の因子係数を修正します。グループ間で同じ係数に同じ名前を入力します (Extrinsic_V の場合は "a" など) |E2, EP_添付ファイルの "j" |EA4、図12を参照)。[見積もりを計算する] をクリックします。2つのグループの「推定値」を確認し、モデルのインデックスを適合します。
- 完全なメトリック不変モデル(つまり、グループ間で固定因子係数を持つモデル)と構成不変モデル(すなわち、グループ全体の自由率係数を持つモデル)を比較することにより、カイ二乗差検定を実施します。カイ二乗差が有意でない場合、メトリック不変性は満たされます。次に、スカラー不変性検定25、26、27を含む次のステップに進みます。
図 12: グループ間の因子係数を固定する。グループ間で同じ係数に同じ名前を入力することで、因子係数は抑制されました。この図のより大きなバージョンを表示するには、ここをクリックしてください。
-
スカラー不変性のテスト
注:スカラー不変性とは、1) 潜在構造の同じ値が観測変数の同じ値に関連付けられ、2) 観測変数の平均差が潜在変数の平均差から導き出されます。スカラー不変性をテストするには、観測された変数の切片を制限して、グループ28間で等しくなります。- [表示] メニューの [分析プロパティ] をクリックします。[見積もり] タブをクリックし、「推定手段と切片」を確認します。観測された各変数を右クリックし、「オブジェクトプロパティ」を選択します。「パラメータ」タブを選択し、切片テキストボックスに"int_e1"や"int_ea1"などのパラメータ名を入力します(図13参照)。
- 完全なメトリック/フルスカラー不変モデル(すなわち、観測された変数の固定迎撃とグループ間の固定因子係数を持つモデル)を完全なメトリック不変モデル(すなわち、モデルと比較して)を行います。グループ間の固定因子係数)。カイ二乗差が有意でない場合は、完全なメトリック/完全スカラー不変変性が満たされます。
注:ここでは、特定の階層(構成不変検定、メトリック不変検定、スカラー不変性検定)が使用される。各不変検定が満たされたら、最終的に選択したモデル(すなわち、完全なメトリック/フルスカラー変変性モデル)を使用してLMAを実施します。
図 13: 切片テキスト ボックスにパラメーター名を入力します。
この図のより大きなバージョンを表示するには、ここをクリックしてください。
7. LMA の実行
- 完全なスカラー/フルメトリック不変性モデル27,28を利用して LMA を実行します。潜在変数の平均を比較するには、一方のグループの潜在変数の平均を修正し、もう一方のグループに自由にします。
- 参照グループの平均値の 1 つをゼロに固定し、もう一方のグループの平均値を推定することで、グループ間の平均差を推定します。したがって、低ファッションの革新的なグループ内のすべての潜在変数の手段をゼロに固定します。ハイファッションの革新的なグループの潜在変数の平均が自由であり、両方のグループの差異が自由であることを確認することが重要です(図14参照)。
- [見積もりを計算する] をクリックします。2つのグループの「推定値」を確認し、モデルのインデックスを適合します。
- 「テキストを表示」をクリックし、「見積もり」の下にあるハイファッションの革新的なグループの潜在変数の平均を確認します(図15参照)。
図14:潜在変数の平均値と分散を設定する。(A)ハイファッション革新的グループと(B)ローファッション革新的グループ。この図のより大きなバージョンを表示するには、ここをクリックしてください。
図15:潜在性の出力は分析を意味する。この図のより大きなバージョンを表示するには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
周波数統計は、サンプルの特性を提供しました。合計290人の女性オンライン消費者が、電子マスカスタマイズプログラムを使用してショッピングプロセスを完了しました。サンプルの人口統計学的特性は均等に分布した。年齢層では、23.1%が20代、30代が28.3%、40代が26.6%、50代が22.1%でした。婚姻状況では58.3%が既婚で、40%が独身であった。職業別では、45.2%がオフィスワーカー、22.8%が主婦、10.3%が専門職、9.3%が学生、5.5%がサービス業でした(表2)。
単一のグループCFAは、5つの潜伏変数(「Extrinsic_V」、「組み込み_V」、「EP_添付ファイル」、「姿勢_MP」、「ロイヤルティ」)と17の観測変数で行われました。5因子測定モデルの適合度を評価した。カイ二乗統計量は有意でしたが(カイ二乗 = 179.63、df = 109、p = 0.000)、カイ二乗統計量は大きなサンプルサイズ(n = 209)に敏感です。他の適合指数の値は、良好な全体的なモデルフィットを示しました(GFI = 0.93、AGFI = 0.91、NFI = 0.97、TLI = 0.98、CFI = 0.99、および RMSEA = 0.05)。因子係数のすべての臨界比(CR)は有意であり(p< 0.001)、収束妥当性が達成されたことを示唆している(図16)。
年齢グループ | ||
周波数 | パーセント | |
20代 | 67 | 23.1 |
30代 | 82 | 28.3 |
40代 | 77 | 26.6 |
50代~ | 64 | 22.1 |
職業 | ||
周波数 | パーセント | |
学生 | 27 | 9.3 |
オフィスワーカー | 131 | 45.2 |
生産 | 1 | 0.3 |
サービス | 16 | 5.5 |
専門家 | 30 | 10.3 |
ビジネス | 12 | 4.1 |
主婦 | 66 | 22.8 |
他 | 7 | 2.4 |
合計 | 290 | 100.0 |
配偶者の有無 | ||
周波数 | パーセント | |
シグル | 116 | 40.0 |
結婚 | 169 | 58.3 |
他 | 5 | 1.7 |
合計 | 290 | 100.0 |
表 2: サンプル特性:
図 16: 確認因子分析の出力。この図のより大きなバージョンを表示するには、ここをクリックしてください。
単一のグループSEMが行われた。測定モデルの適合指数は許容適合を明らかにしました(GFI = 0.93、AGFI = 0.91、NFI = 0.97、TLI = 0.98、CFI = 0.99、RMSEA = 0.05)。パス係数の CR 値は有意であり、(1) "Extrinsic_V" (ベータ = 0.431、CR = 6.661、p < 0.001) および "組み込み_V" (ベータ = 0.339、 CR = 6.848、 p < 0.001)(2) "Extrinsic_V" (ベータ = 0.159, CR = 2.581, p < 0.05) と "組み込み_V" (ベータ = 0.378, CR = 6.688, p < 0.001) "Attitude_MP";(3) "EP_添付ファイル" の "Attitude_MP" に対する肯定的な効果 (ベータ = 0.328, CR = 4.905, p < 0.001);(4)「ロイヤルティ」に対する「態度_MP」の肯定的な効果(ベータ= 0.846、CR = 6.932、p < 0.001)。「ロイヤルティ」に対する「EP_添付ファイル」の効果は有意ではありませんでした(ベータ = 0.078、CR = 0.696、p = 0.486;表3参照)。
パス係数 | 推定 | 標準化された見積もりe | 東南。 | C. R. | P |
"Extrinsic_V" --> "EP_添付ファイル" | 0.431 | 0.437 | 0.065 | 6.661 | *** |
"組み込み"--> "EP_添付ファイル" | 0.399 | 0.439 | 0.058 | 6.848 | *** |
"エクストリンシック_V" --> "姿勢_MP" | 0.159 | 0.166 | 0.061 | 2.581 | 0.01 |
"組み込み_V" --> "態度_MP" | 0.378 | 0.429 | 0.056 | 6.688 | *** |
"EP_添付ファイル" -->"姿勢_MP" | 0.328 | 0.338 | 0.067 | 4.905 | *** |
"EP_添付ファイル" --> "忠誠心" | 0.078 | 0.062 | 0.113 | 0.696 | 0.486 |
"態度_MP" --> "忠誠心" | 0.846 | 0.645 | 0.122 | 6.932 | *** |
p値 < 0.001 |
表3:単一群構造方程式モデリングの結果このテーブルは、以前のパブリケーション29から変更されています。
中央値分割(med = 4.17)を利用することで、データは低ファッション革新的グループとハイファッション革新的グループの2つのグループに分けられました。t-test を実施し、ハイファッションとローファッションの革新的なグループ間のファッションの革新性の有意な平均差を明らかにしました (Mhigh = 5.03 > M低 = 3.50;SD高= 0.72、SD低= 0.68;N高= 141、N低= 149;t = 18.53、 df = 288、p < 0.001)。
ハイファッションとローファッションの革新的なグループの間の潜在手段を比較する前に、不変性検定の階層が実行されました。まず、提案された5因子測定モデルを用いたCFAは、低ファッションの革新的でハイファッションの革新的なグループに対して別々に実施されました。その結果、低ファッション革新的グループ(NFI = 0.96、TLI = 0.99、CFI = 0.99、RMSEA = 0.04)とハイファッション革新的グループ(NFI = 0.93、TLI = 0.97、CFI = 0.97、およびRMSEA = 0.07)に最適なモデルが明らかになりました。すべての因子係数は有意であり、5因子モデルが両方のグループに受け入れられることを意味する。
次のステップは、単一グループCFAからMGCFAに移行し、両方のグループの5因子測定モデルをクロス検証することです。モデル1(構成不変モデル)を試験し、提案された構造が低ファッションおよびハイファッションの革新的なグループ間で同じであるかどうかを確認した。その結果、モデルの適合性は満足のいくものであった。他の適合指数の値は、良好な全体的なモデルフィットを示しました (NFI = 0.94, TLI = 0.98, CFI = 0.98, RMSEA = 0.04;表 4参照)これにより、構成不変性が達成された。因子係数のすべての一部は有意であった(p < 0.001)。モデル 1 はベースライン モデルと見なされました。
メトリック不変性をテストするために、因子係数は2つのグループ間で同じに制限され、別のMGCFAが実行されました(モデル2)。モデル2はモデル1にネストされたため、カイ二乗差検定を実施した。その結果、カイ二乗差が14.728(df = 12)は有意ではなく(p = 0.257)、メトリック不変性が満たされたことが明らかになった(表4参照)。カイ二乗差検定の例は次のとおりです: カイ二乗(モデル2) - カイ四角形(モデル1) = 323.492 - 308.764 = 14.728;df の違い: df (モデル 3) - df (モデル 2) = 230-218 = 12;カイ二乗 (df = 12) = 14.728、p 値 = 0.256649。
メトリック不変モデル(モデル2)が受け入れられたので、スカラー不変性がテストされました。5つの潜在変数の迎撃は2つのグループにわたって等しくなると制約され、最後のMGCFAが実行されました(モデル3)。モデル2では、完全なメートル/フルスカラー変変性モデル(モデル3)がネストされたため、カイ二乗差検定が行われました。その結果、カイ二乗差が11.18(対0=12)は有意ではなく(p= 0.514)、スカラー不変性が満たされたことが明らかになった(表4参照)。カイ二乗差検定の例は次のとおりです: カイ二乗(モデル3) - カイ四角形(モデル2) = 334.672 – 323.492 = 11.18;df の違い: df (モデル 3) - df (モデル 2) = 242-230 = 12;カイ二乗 (df = 12) = 11.18、p 値 = 0.513559。
カイ 二乗 | Df | RMSEA | NFI | Tli | Cfi | |
コンフィギュレーション不変性(ベースライン モデル): モデル 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
完全なメトリック不変性: モデル 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
完全なメトリック/フル スカラーの不変性: モデル 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
カイ二乗差 | df の違い | P | 決定 | |||
完全なメトリック不変性の検定 (モデル 1 とモデル 2) | 14.728 | 12 | 0.256649 | 受け入れる | ||
完全スカラー不変性の検定(モデル1対モデル2) | 11.18 | 12 | 0.513559 | 受け入れる |
表 4: LMA の不変検定のインデックスを適合します。このテーブルは、以前のパブリケーション29から変更されています。
設定不変、メトリック不変、およびスカラー不変性が達成されたことを考えると、LMA が実行されました。低ファッション革新的グループは参照グループとして使用され、潜在変数の平均値はゼロに固定され、ハイファッション革新的グループの潜在平均値が推定された。LMAの結果は、ハイファッションの革新的なグループのための5つの潜在変数(「Extrinsic_V」、「本質的な_V」、「EP_添付ファイル」、「態度_MP」、「ロイヤルティ」)の平均が正の値であり、低い場合よりも有意に高かいことを明らかにしました。ファッションの革新的なグループ(表5を参照)。
構築 | 低 | 高 | Se | Cr |
"エクストリンシック_V" | 0 | 0.590 | 0.134 | 4.393*** |
"組み込み"" | 0 | 0.690 | 0.141 | 4.878*** |
"EP_添付ファイル" | 0 | 0.527 | 0.134 | 3.926*** |
"態度_MP" | 0 | 0.521 | 0.127 | 4.084*** |
「忠誠心」 | 0 | 0.980 | 0.169 | 5.796*** |
p値<0.001 |
表 5: LMA の結果。このテーブルは、以前のパブリケーション29から変更されています。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
調査結果の意味
この研究の結果は、大量のカスタマイズされた製品を作成することから得られる消費者の外因性および本質的な利益が、製品への感情的な愛着の成長、カスタマイズプログラムに対する肯定的な態度の作成を助けることを明らかにし、忠誠心の意図を高めました。ファッションの革新性の緩和効果に関する調査結果は、低ファッションの革新的性グループの消費者と比較すると、高いファッションの革新的性グループの人々がより大きな利益を知覚し、より大きな愛着を持ち、より有利な形を形成することを明らかにするプログラムに対する態度を持ち、より大きな忠誠心を持っています。これらの結果は、HOEモデルをサポートする理論的および実用的な洞察を提供する。
オンライン調査方法論の意義
本調査は、韓国の調査会社を利用してオンライン調査を実施した。調査会社は、韓国で高い応答率を持つ最大の消費者パネルを持っています。パネルの年齢と性別の分布は、韓国の人口の状態を反映しています。コンシューマーパネルは、実名の検証を通じて高い信頼性を持っています。研究会社は、様々な革新的な方法でパネルを継続的に管理しているので、研究会社に対するパネルの忠誠心は高いです。そのため、同社が得た調査結果は信頼性が高いと見なされます。
既存のマスカスタマイゼーションプログラムの使用は、従来の実験研究よりも優れた利点があります。参加者は、研究のために意図的に操作されるのではなく、自然で現実的な設定でマスカスタマイゼーションプログラムを試すことができます。参加者は研究に参加していることを理解していますが、調査中のマスカスタマイゼーションプログラムは利用していません。リラクティビティ効果を除去することができ、一括カスタマイズされた製品に対する反応は、カスタマイズされた製品を作成する際の実際の動作に似ています。したがって、本研究は、自然主義30に基づくフィールドリサーチの利点を持ち、したがって、外部の妥当性の高さを維持する。さらに、参加者の回答は、選択された母集団のメンバーに似ています。本研究は、この特定の条件(すなわち、韓国の女性オンラインアパレル買い物客)に関する調査結果の一般化性を得る。
この調査では、カスタマイズ プログラムで製品を作成する参加者にシナリオを提供します。シナリオベースの研究に対する批判は、その外部の妥当性である。参加者は、シナリオ31の人工的な性質のために感情的なものよりも認知評価に関与する可能性が高い。しかし、調査結果は、カスタマイズされた製品の恩恵を受ける消費者が製品に対してより大きな感情的な愛着を示し、彼らが経験の認知的側面と感情的な側面の両方を評価できることを示しています。この調査では、説明したシナリオを使用して、実際の購買体験をシミュレートします。その結果、参加者は購買状況への関与度が高く、外部の有効性がさらに高まりました。
SEMとLMAの影響
本研究では、潜在変数間の関係をテストするためにSEMを適用し、MGCFAとのLMAを利用して、2つの消費者グループ(低および高ファッションの革新的なグループ)間で潜在変数の平均を比較します。LMA には、(1) 構成不変テスト、(2)メトリック不変性検定、および (3) スカラー不変性検定の重要な手順に従う不変性検定の階層が必要です。不変性検定は各潜在変数内の測定誤差を修正および評価し、構築妥当性を推定し、測定を評価できるため、高品質の研究はSEMおよびLMAをテストする前に不変性試験を適用する必要があることが強調されています。グループ間の不変性 13.平均比較の結果は、ANOVA や MGCFA などの適用されたデータ分析によって異なる場合があります。測定不変性が保持されない場合、ANOVA と MGCFA との平均差の統計的結果は異なり、無効な 32になります。
本研究では、平均比較に対する測定不変性のテストの重要性を強調し、消費者行動に関する研究に関する不変性試験手順とLMAの適用性に関する情報を提供する。読者は、自分の分析を簡単に実行できる必要があります。必要に応じて、測定不変に関する仮定は満たされず、潜在変数の平均比較は解釈されない場合があります。平均差の研究結論は、測定の不変性を確保するための高度な統計的手順によって導かれるため、妥当性を持つことができます。研究者は、将来の研究の完全性を確保するために、測定不変性を推定し、平均比較を行う必要があります。
本研究では、複数のグループ比較に焦点を当てていますが、比較は潜在平均差を調べるには限定され、潜在変数間の関係のグループの違いには対処しません。複数のグループ比較の別のアプローチは、MGSEM 複数グループ構造方程式モデリング (MGSEM) を適用し、グループ間のパス係数を比較することです。これを行うには、測定不変性検定が必要であり、不変性検定の階層がさらなる研究に適用されます。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者は何も開示していない。
Acknowledgments
データは、パークとヨーの研究29から変更されています.この研究は、韓国教育省と韓国国立研究財団(NRF=2016S1A5A2A03927809)の支援を受けています。
Materials
Name | Company | Catalog Number | Comments |
SPSS AMOS 22 | IBM Corporation, Data Solution Inc. | used for confirmatory factor analyses, structural equation modeling analyses, and latent means analyses |
References
- 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).