Wie virtuelle Promi-Eigenschaften die Kaufintention steuern: Testen des Stimulus-Organismus-Response-Rahmens mit struktureller Gleichungsmodellierung

Diese Studie analysiert, wie virtuelle Promi-Attribute die Verbraucherzufriedenheit, Tantiemen, Kaufabsicht beeinflussen und wie Personalisierung die zufriedenheitsgetriebene Royalty stärkt. Bestehende Studien identifizieren alternative Mittel und deren Glaubwürdigkeit, erklären jedoch die Prozessergebnisse unzureichend. Diese Studie klärt die Mechanismen über das SOR-Framework, Mediation, Personalisierung und Moderation.

Zu Beginn definieren Sie das Strukturmodell für Partial Least Squares Structural Equation Modeling, oder PLS-SEM. Spezifizieren Sie maximal sechs Prädiktoren für die endogenen Konstrukte, darunter drei virtuelle Prominentenmerkmale und drei Kontrollvariablen. Stellen Sie die statistischen Parameter wie mittlere Effektgröße, Signifikanzniveau und statistische Stärke für die Leistungsanalyse fest.

Führen Sie nun die Leistungsanalyse durch, um die minimal erforderliche Stichprobengröße abzuschätzen. Rekrutieren Sie Teilnehmer über ein Online-Forschungspanel mit gezielter nicht-wahrscheinlicher Stichprobe. Beschränken Sie die Berechtigung auf Personen ab 18 Jahren.

Fügen Sie Screening-Fragen und Aufmerksamkeitsprüfungspunkte in die Umfrage ein, um die Berechtigung und Antwortqualität zu überprüfen. Überprüfen Sie Umfrageantworten und entfernen Sie Einträge, die die Screening- oder Aufmerksamkeitsprüfungskriterien nicht bestehen. Die Datenerhebung wird eingestellt, sobald die vorgegebene Zielstichprobengröße erreicht ist.

Beginnen Sie damit, eine Definition zu präsentieren, die virtuelle Prominente als digital geschaffene audiovisuelle Personas mit stabiler visueller Identität, Stimme und wiederkehrenden narrativen Inhalten beschreibt. Weisen Sie die Teilnehmer an, Umfragefragen basierend auf ihren tatsächlichen Erfahrungen mit solchen virtuellen Prominenten zu beantworten. Entwickeln Sie den Fragebogen, indem Sie Umfrageabschnitte mit Aussehen, Sprache, Inhaltsqualität, Zufriedenheit, Loyalität, Personalisierung, Kaufabsicht und Demografie abdecken.

Misse alle Konstrukte mit 7-Punkt-Likert-Skalen, wobei eine stark abweichend und sieben stark übereinstimmen. Verhindern Sie doppelte Einreichungen über die Plattformsteuerungseinstellungen. Exportieren Sie die gesammelten Antworten in kommagetrennten Werten oder CSV-Format und importieren Sie den bereinigten Datensatz in die PLS-SEM-Software.

Für die Bewertung von Mess- und Strukturmodellen werden alle Konstrukte als reflektierende Konstrukte angegeben. Bewerten Sie die Zuverlässigkeit mit Cronbachs Alpha- und Composite-Zuverlässigkeit oder CR größer oder gleich 0,7. Beurteile die konvergente Validität anhand der extrahierten durchschnittlichen Varianz oder AVE, die größer oder gleich 0,5 ist.

Bewertung der Diskriminantenvalidität anhand des Fornell-Larcker-Kriteriums und des Heterotrait-Monotrait-Monotrait- oder HTM-Verhältnisses und der Sicherstellung, dass es weniger als 0,9 ist. Spezifizieren Sie die strukturellen Wege gemäß dem konzeptionellen Modell und bewerten Sie die Multikollinearität anhand des Varianzinflationsfaktors oder der VIK-Werte unter fünf Werten. Führen Sie Bootstrapping mit 5.000 Unterstichproben durch, um Pfadkoeffizienten, T-Werte, Konfidenzintervalle und Effektgrößen zu schätzen.

Schätzung der indirekten Effekte mit Bootstrapping mit 5.000 Unterstichproben und 95%-Konfidenzintervallen, um die sequentielle Vermittlung von virtuellen Promi-Eigenschaften zu Zufriedenheit, Zufriedenheit zu Loyalität und Loyalität zu Kaufintention zu testen. Erstellen Sie Interaktionsbegriffe, um die moderierenden Effekte der Personalisierung zu testen. Schätzen Sie Moderationskoeffizienten und Effektgrößen mithilfe von Bootstrapping.

Generiere Interaktionsdiagramme, um bedingte Effekte zu visualisieren. Nach der prädiktiven Leistungsbewertung werden Q-quadratische Vorhersagewerte, der Wurzelmittler-Quadratfehler und der mittlere absolute Fehler mit einem linearen Benchmark-Modell verglichen. Bestätigen Sie die prädiktive Relevanz, wenn Q-quadratische Vorhersagswerte null überschreiten und die PLS-Fehler niedriger als die Benchmark sind.

Zuverlässigkeits- und konvergente Validitätstests zeigten, dass alle Konstrukte die empfohlenen Schwellenwerte überschritten, was bestätigte, dass die Messgrößen sowohl zuverlässig als auch valide sind. Die mit dem Fornell-Larcker-Kriterium und dem Heterotrait-Monotrait-Verhältnis bewertete Discriminantvalidität bestätigt, dass alle Konstrukte empirisch unterschiedlich sind. Die Bewertung struktureller Modelle zeigt moderate Erklärungskraft und akzeptable prädiktive Leistung.

Die prädiktive Relevanz wird mit Q-Quadrat-Prädiktionswerten von 0,280 bis 0,485 bestätigt. Die prädiktive Leistung des PLS-SEM-Modells wird mit einem linearen Regressions-Benchmark verglichen. Niedrigere Wurzel-Mittler-Quadrat-Fehler und mittlere absolute Fehlerwerte deuten auf eine bessere Vorhersagegenauigkeit hin.

Die statistische Analyse identifiziert, welche Hypothesen im Modell von den Daten unterstützt werden. Aussehen, Stimme und Inhaltsqualität haben einen erheblichen Einfluss auf die Kundenzufriedenheit. Zufriedenheit erhöht die Loyalität, was wiederum zu einer höheren Kaufintention führt.

Mediationsanalysen zeigen, dass Zufriedenheit die Kaufintention indirekt durch Loyalität beeinflusst. Personalisierung stärkt die Beziehung zwischen Zufriedenheit und Loyalität, beeinflusst jedoch nicht die Kaufintention. Das Protokoll kann mithilfe von Umfragen und struktureller Modellierung messen, wie virtuelle Prominentenattribute die Zufriedenheit, Loyalität und Kaufabsicht beeinflussen.

In diesem Protokoll waren die wichtigsten Herausforderungen die Rekrutierung von Teilnehmern virtueller Prominenter und die Klärung inkonsistenter Beziehungen zwischen Zufriedenheits- und Kaufintentionsberichten in früheren Studien. Diese Forschung erleichtert zukünftige Studien zu aufkommenden KI-Technologien über kulturelle Unterschiede hinweg sowie zu den langfristigen Auswirkungen von Personalisierung und virtueller Promi-Eigenschaften.