Anwenden eines eMASS-Anpassungsprogramms als Forschungstool zur Bewertung der Vorteile der Verbraucher
27. September 2019
Hier wird ein Protokoll vorgestellt, mit dem die Reaktionen der Verbraucher auf Massenanpassungen im Kontext des Online-Handels untersucht werden. Das Protokoll beschreibt das Online-Erhebungsverfahren und wie Daten mittels struktureller Gleichungsmodellierung und Gruppendifferenzen mithilfe latenter Mittelwertanalysen analysiert werden.
Unser Protokoll erfordert, dass die Teilnehmer vor einer Umfrage massenhaft angepasst werden und die Umfragedaten verwenden, um die Beziehungen zwischen den Reaktionen der Verbraucher zu testen. Das Protokoll ermöglicht die Anwendung von Verbraucherdaten auf strukturelle Gleichungsmodellierung und latente Mittelanalyse, um hochentwickelte statistische Daten zu erhalten und die Gültigkeit der Forschung zu erhöhen. Unsere Studie wird der Forschung zugute kommen, die die Auswirkungen von Einzelhandels- oder Marketingtechnologie auf die Reaktionen der Verbraucher untersucht.
Obwohl das Testen mehrerer Invarianztests wie Konfigurale, Matrix und skalare Invarianz schwierig sein kann, raten wir zu Geduld und folgen diesem Verfahren sehr sorgfältig, um die Qualität der Daten zu erhöhen. Demonstriert wird das Verfahren von Hiyun Kim, einem Schüler der Klasse A aus meinem Labor. Nutzen Sie eine Online-Umfrage, um weibliche Verbraucher zu rekrutieren, die ein Online-Bekleidungs-Shopping-Erlebnis haben.
Senden Sie eine Einladungs-E-Mail an qualifizierte Teilnehmer, die Informationen über den Zweck der Studie und die Vertraulichkeit der Antworten enthält. Senden Sie Richtlinien an die Umfrageteilnehmer, die sich bereit erklären, an einer Umfrage teilzunehmen, die zeigt, wie Trenchcoats mithilfe des Anpassungsprogramms erstellt werden. Teilnehmer, die sich bereit erklären, an der Umfrage teilzunehmen, beginnen das Erhebungsverfahren.
Sie erhalten einen Link, der mit dem eMass Customization-Programm in einer bestehenden Shopping-Website verbunden ist, und werden gebeten, sich vorzustellen, dass Es Ihnen gut genug geht, um sympathische Kleidung zu kaufen und einen Trenchcoat kaufen müssen, um an einem wichtigen Meeting teilzunehmen. Sie werden einen einzigartigen Trenchcoat erstellen wollen. Beim Surfen im Internet, Sie stoßen auf die perfekte Bekleidungs-Website, die eine Massenanpassung Stellprogramm hat.
24 Stunden nach Erhalt des Szenarios aktivieren Sie den Umfragelink, damit Teilnehmer, die ihren Trenchcoat beendet haben und bereit sind, an der Umfrage teilzunehmen, auf den Umfragelink klicken können. Lassen Sie die Teilnehmer in der Umfrage den Screenshot und den Preis des Trenchcoats, den sie erstellt haben, auf die erste Seite der Umfrage hochladen. Lassen Sie die Teilnehmer dann den Online-Fragebogen über die wahrgenommenen Vorteile und die emotionale Bindung an das angepasste Produkt und die Einstellung zum Anpassungsprogramm, Treueabsichten und demografischen Fragen ausfüllen.
Geben Sie den Teilnehmern, die die Umfrage abschließen, eine finanzielle Belohnung. Wenn alle Umfragen abgeschlossen sind, speichern Sie die Umfragedaten in einer SPSS-Datei, die alle Antworten der Umfrageteilnehmer enthält, und verwenden Sie die bereinigten Daten, um eine strukturelle Gleichungsmodellierungsanalyse durchzuführen. Unter Verwendung eines Mediansplits, einer Summe und eines Durchschnitts ergebnisse die Ergebnisse von sechs Elementen der Modeinnovation und berechnen Sie den Median der Modeinnovation.
Klicken Sie im Transformationsmenü auf Recode in verschiedene Variablen und Code 1 für eine innovative Low-Fashion-Gruppe, wenn der Mittlere Wert niedriger als der Median ist. Doppelklicken Sie auf die Mode-Innovative-Gruppenvariable, um sie nach Feld in die geteilten Anfragen zu verschieben. Weisen Sie dann den Speicherort des Ausgabedateiverzeichnisses zu, um die Dateien als Data_low Mode-Innovation zu speichern.
sav und Data_high Mode-Innovation. sav im zugewiesenen Verzeichnis. Um die konvergente Gültigkeit zu bestätigen, klicken Sie auf Datendateien auswählen, Data_TOTAL.sav.
Entwickeln Sie das Messmodell auf der Grundlage der Forschungsfragen, um fünf latente und 17 beobachtete Variablen einzubeziehen. Legen Sie jede der Varianzen der latenten Variablen als eine Variable fest, und klicken Sie auf Schätzungen berechnen. Überprüfen Sie dann die Anpassungsindizes des Messmodells aus den Ergebnissen der Einzelgruppen-Bestätigungsfaktoranalyse, der Güte des Anpassungsindex, des angepassten Eignungsindex, des Normed Fit Index, des Tucker Lewis Index, des vergleichenden Anpassungsindex und des Stammmittelquadratfehlers der Annäherung.
In dieser repräsentativen Analyse wurde eine Einzelgruppen-Bestätigungsfaktoranalyse mit fünf latenten und 17 beobachteten Variablen durchgeführt. Alle kritischen Verhältnisse der Faktorkoeffizienten waren signifikant, was bedeutet, dass die konvergente Gültigkeit erreicht wurde. Die Anpassungsindizes einer einzelnen Gruppenstrukturgleichungsmodellierung ergaben eine akzeptable Anpassung.
Der Übergang von der Einzelgruppen-Bestätigungsfaktoranalyse zur Multi-Group-Bestätigungsfaktoranalyse zur kreuzvalidierung des Fünf-Faktor-Messmodells für beide Gruppen zeigt, dass eine konfigurale Invarianz erreicht wurde und dass alle kritischen Verhältnisse der Faktorkoeffizienten signifikant waren. Um die Metrikinvarianz zu testen, wurden die Faktorkoeffizienten in zwei Gruppen auf die gleichen Werte beschränkt, und es wurde eine weitere Analyse des Bestätigungsfaktors mit mehreren Gruppen durchgeführt, was darauf hinweist, dass eine Chi-Quadrat-Differenz von 14,728 nicht signifikant war und dass die Metrikinvarianz erfüllt war. Da das metrische Invarianzmodell akzeptiert wurde, wurde die skalare Invarianz getestet.
Da das vollständige metrische/vollständige skalare Invarianzmodell im vollständigen metrischen Invarianzmodell verschachtelt war, wurde ein Chi-Quadrat-Differenztest durchgeführt, der belegte, dass ein Chi-Quadrat-Unterschied von 11,18 nicht signifikant war und dass die skalare Invarianz befriedigt wurde. Da die konfigurale Invarianz, die metrische Invarianz und die skalare Invarianz erreicht wurden, wurde eine latente Mittelwertanalyse durchgeführt und die Mittel von fünf latenten Variablen für die hohen innovativen Gruppen wurden als positive Werte bestimmt, die deutlich höher waren als die werte für die Low-Fashion-Innovationsgruppen. Das Massenanpassungsprogramm kann schwierig erscheinen, abhängig von der Wahrnehmung der Komplexität der Aufgabe durch eine Person.
Denken Sie daran, genügend Zeit für die Teilnehmer zur Verfügung zu stellen, um sich an das Anpassungsprogramm zu akklimatisieren. Um Gruppenunterschiede in den Beziehungen zwischen latenten Variablen zu beheben, können mehrere Gruppenstrukturgleichungsmodellierungen durchgeführt werden, um vergangene Koeffizienten über die Gruppen hinweg zu vergleichen. Die meisten Forscher haben die Strukturgleichungsmodellierung mehrerer Gruppen für Gruppenvergleiche verwendet.
Unsere Studie bietet eine weitere Möglichkeit für mehrere Gruppenvergleiche in einem sozialwissenschaftlichen Bereich.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Übersicht
Dieses Protokoll beschreibt eine Methode zur Untersuchung der Reaktionen von Verbrauchern auf Mass Customization im Online-Einzelhandel. Es erläutert das Verfahren für die Online-Befragung sowie die Analyse der Daten mithilfe der Strukturgleichungsmodellierung und latenter Mittelwertsanalysen.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Konsumentenverhalten
- Online-Handel
- Statistische Modellierung
Hintergrund
- Die Teilnehmer erleben Mass Customization, bevor sie einen Fragebogen ausfüllen.
- Die Umfragedaten werden verwendet, um Beziehungen zwischen den Antworten der Verbraucher zu testen.
- Das Protokoll erhöht die Gültigkeit der Forschungsergebnisse.
- Invarianztests werden zur Verbesserung der Datenqualität empfohlen.
Zweck der Studie
- Untersuchung der Reaktionen von Verbrauchern auf Einzelhandelstechnologien.
- Anwendung fortschrittlicher statistischer Methoden zur Datenanalyse.
- Gewinnung von Erkenntnissen über die Auswirkungen von Mass Customization auf das Verbraucherverhalten.
Verwendete Methoden
- Online-Befragung zur Rekrutierung weiblicher Konsumentinnen mit Erfahrung im Bekleidungseinkauf.
- Strukturgleichungsmodellierung zur Datenanalyse.
- Latent-Mittelwerts-Analyse zur Bewertung von Gruppenunterschieden.
- Invarianzprüfung zur Sicherstellung der Datenqualität.
Hauptergebnisse
- Die Reaktionen der Verbraucher können mithilfe der vorgeschlagenen Methoden effektiv analysiert werden.
- Das Protokoll ermöglicht anspruchsvolle statistische Erkenntnisse.
- Geduld bei der Durchführung des Verfahrens verbessert die Datenqualität.
Schlussfolgerungen
- Die Studie trägt zum Verständnis des Konsumentenverhaltens im Online-Einzelhandel bei.
- Sie zeigt die Bedeutung methodischer Strenge in der Konsumentenforschung auf.
- Zukünftige Untersuchungen können auf diesen Ergebnissen aufbauen, um weitere Implikationen zu erforschen.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
Dieses Protokoll zeigt, wie eine stringente statistische Validierung von Verbraucherreaktionsdaten die Zielvalidierung und Assay-Entwicklung in der biopharmazeutischen Forschung und Entwicklung unterstützen kann. Durch die Anwendung von Messinvarianz-Tests und latenter Mittelwertanalyse ermöglicht die Methode eine mechanistische Risikominderung und schafft vorhersagebasiertes Vertrauen in der frühen Entdeckungsphase. Der Ansatz erlaubt es fachübergreifenden Teams, biologische Reaktionen zwischen Subpopulationen anhand validierter quantitativer Ergebnisse zu vergleichen.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Wissenschaftlicher Wert: Ermöglicht die Überprüfung therapeutischer Hypothesen durch die Prüfung der Messinvarianz über biologische Untergruppen hinweg.
- Operationaler Wert: Unterstützt die biologische Risikominimierung durch latente Mittelwertanalyse, die signifikante Unterschiede in der Pfadaktivierung quantifiziert.
- Prädiktiver Wert: Verbessert die Portfolio-Priorisierung, indem Zielmechanismen identifiziert werden, die konsistente Ansprechraten über verschiedene Modellvarianten hinweg aufweisen.
Screening und Assay-Entwicklung
- Wissenschaftlicher Wert: Bereitet validierte biologische Systeme für nachgeschaltete Workflows vor, indem die Messäquivalenz bestätigt wird.
- Operationaler Wert: Löst Probleme der Assay-Standardisierung und Reproduzierbarkeit durch die Überprüfung der konfiguralen, metrischen und skalaren Invarianz.
- Skalierbarkeit: Unterstreicht die Eignung für die Durchführung von Screenings, indem sichergestellt wird, dass quantitative Ergebnisse über verschiedene experimentelle Bedingungen hinweg vergleichbar sind.
Translationale und präklinische Forschung
- Translationale Kontinuität: Beschreibt, wie eine invariante Messung die Abstimmung mit translationalen Biomarkern über die Entdeckungs- und präklinischen Phasen hinweg unterstützt.
- Risikoadjustierte Entscheidungen: Ermöglicht Kontinuität von der Entdeckung bis zur präklinischen Validierung, indem die Konstruktstabilität bestätigt wird.
- Mechanistische Risikominderung: Konzentriert sich auf den Vorhersagewert bei der Beurteilung der Zielinteraktion über krankheitsrelevante Systeme hinweg.
Pipeline- und Workflow-Integration
Die Methode fügt sich in den Entdeckungsprozess von der Hypothesenprüfung bis zur Identifizierung von Leitstrukturen ein, insbesondere beim Vergleich biologischer Reaktionen über verschiedene Modelle hinweg.
- Entdeckungsbiologie: Unterstützt die Hypothesenprüfung und Klärung von Wirkwegen, indem Messmodelle validiert werden, bevor latente Konstrukte verglichen werden.
- Screening: Beschreibt die Bereitschaft von Assays anhand validierter Messmodelle, die reproduzierbare quantitative Ergebnisse sicherstellen.
- Analysen: Betont strukturelle Gleichungsmodellierung und latente Mittelwertsanalyse als statistische Ausgaben, die den Vergleich biologischer Bedingungen ermöglichen.
- Translationale Forschung: Verbindet die Methode mit der präklinischen Kontinuität, indem die Messinvarianz bestätigt wird, eine Voraussetzung für die valide Zuordnung von Biomarkern.
- Unternehmensweite Wiederverwendung: Stellt das Verfahren zum Testen der Invarianz als wiederverwendbare Fähigkeit zur Standardisierung von vergleichenden Studien dar.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Vorhersagegenauigkeit, Zielvalidierung und Verringerung mechanistischer Mehrdeutigkeit durch validierte Messmodelle.
- Operationaler Wert: Standardisierung, Reproduzierbarkeit und Skalierbarkeit biologischer Assays mittels Invarianztests.
- Strategischer Wert: Bessere Go/No-Go-Entscheidungen, Kapitaleffizienz und geringeres biologisches Risiko in späteren Phasen durch Sicherstellung der Messäquivalenz.
- Portfolio-Wirkung: Risikoadjustierte Priorisierungs- und Fortschrittsentscheidungen basierend auf latenten Mittelwertunterschieden mit validierten Skalen.
Durchführungsaspekte
- Notwendige wissenschaftliche Fachkenntnisse in struktureller Gleichungsmodellierung und konfirmatorischer Faktoranalyse.
- Instrumentelle und analytische Infrastruktur-Anforderungen für multivariate Statistiksoftware (z. B. SPSS, AMOS).
- Anforderungen an die Standardisierung zwischen Teams bei der Definition latenter Variablen und beobachteter Indikatoren.
- Erwägungen zur Anpassung über verschiedene Modellsysteme hinweg beim Übertragen von Invarianztestprotokollen.
- Zu den praktischen Einschränkungen gehören Stichprobengrößenanforderungen für multigruppige Analysen und die Komplexität von Längsschnitt-Invarianztests.
