Cómo las características de las celebridades virtuales impulsan la intención de compra: Probando el marco estímulo-organismo-respuesta con modelado de ecuaciones estructurales

Este estudio analiza cómo los atributos de la celebridad virtual influyen en la satisfacción del consumidor, la regalía, la intención de compra y cómo la personalización fortalece la realeza basada en la satisfacción. Los estudios existentes identifican medios alternativos y la credibilidad, pero no explican adecuadamente los resultados del proceso. Este estudio aclara los mecanismos mediante el marco SOR, la mediación, la personalización y la moderación.

Para empezar, define el modelo estructural para el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales, o PLS-SEM. Especificar un máximo de seis predictores para los constructos endógenos, incluyendo tres características de celebridad virtual y tres variables de control. Establece los parámetros estadísticos, como tamaño medio del efecto, nivel de significación y potencia estadística para el análisis de potencia.

Ahora, ejecuta el análisis de potencia para estimar el tamaño mínimo de muestra requerido. Recluta participantes a través de un panel de investigación en línea utilizando muestreo no probabilístico intencionado. Restringir la elegibilidad a personas de 18 años o más.

Inserta preguntas de selección y puntos de atención en la encuesta para verificar la elegibilidad y la calidad de las respuestas. Revisa las respuestas de las encuestas y elimina las entradas que no superen los criterios de selección o de atención. Detener la recogida de datos una vez alcanzado el tamaño objetivo predeterminado de la muestra.

Empieza presentando una definición que describa a las celebridades virtuales como personas audiovisuales creadas digitalmente con identidad visual estable, voz y contenido narrativo recurrente. Instruye a los participantes a responder preguntas de encuestas basadas en sus experiencias reales con estas celebridades virtuales. Desarrolla el cuestionario incluyendo secciones de encuestas que cubran apariencia, voz, calidad del contenido, satisfacción, lealtad, personalización, intención de compra y demografía.

Mide todos los constructos usando escalas de Likert de 7 puntos, donde uno indica un fuerte desacuerdo y el siete indica un fuerte acuerdo. Evita envíos duplicados mediante la configuración de control de plataforma. Exporta las respuestas recogidas en valores separados por comas o en formato CSV e importa el conjunto de datos limpio al software PLS-SEM.

Para la medición y la evaluación de modelos estructurales, especifica todos los constructos como constructos reflectivos. Evalúa la fiabilidad usando la fiabilidad alfa y compuesta de Cronbach o CR mayor o igual a 0,7. Evalúa la validez convergente utilizando la varianza media extraída o AVE mayor o igual a 0,5.

Evalúa la validez discriminante usando el criterio de Fornell-Larcker y la relación Heterorasgo-Monorasgo o MTT y asegúrate de que sea inferior a 0,9. Especifique los caminos estructurales según el modelo conceptual y evalúe la multicolinealidad utilizando el factor de inflación de la varianza o valores de VIF inferiores a cinco. Ejecuta bootstrapping con 5.000 submuestras para estimar coeficientes de camino, valores T, intervalos de confianza y tamaños de efecto.

Estimar los efectos indirectos usando bootstrapping con 5.000 submuestras e intervalos de confianza del 95% para probar la mediación secuencial desde atributos de celebridades virtuales hasta satisfacción, satisfacción a lealtad y lealtad a intención de compra. Crea términos de interacción para probar los efectos moderadores de la personalización. Estima los coeficientes de moderación y afecta los tamaños usando bootstrapping.

Genera gráficos de interacción para visualizar efectos condicionales. Tras la evaluación predictiva del rendimiento, compara los valores predictivos Q-cuadrados, el error cuadrático medio raíz y el error absoluto medio con un modelo de referencia lineal. Confirma la relevancia predictiva cuando los valores predichos Q-cuadrado superan cero y los errores PLS son inferiores al índice de referencia.

Las pruebas de fiabilidad y validez convergente mostraron que todos los constructos superaban los umbrales recomendados, confirmando que las medidas son tanto fiables como válidas. La validez discriminante evaluada usando el criterio de Fornell-Larcker y la proporción de heterorasgos-monorasgos confirma que todos los constructos son empíricamente distintos. La evaluación del modelo estructural indica un poder explicativo moderado y un rendimiento predictivo aceptable.

La relevancia predictiva se confirma con valores predictivos Q-cuadrados que oscilan entre 0,280 y 0,485. El rendimiento predictivo del modelo PLS-SEM se compara con un benchmark de regresión lineal. Los valores de error cuadrático medio y absoluto de raíz inferior indican mejor precisión en la predicción.

El análisis estadístico identifica qué hipótesis del modelo están respaldadas por los datos. La apariencia, la voz y la calidad del contenido influyen significativamente en la satisfacción del cliente. La satisfacción aumenta la lealtad, lo que a su vez conduce a una mayor intención de compra.

El análisis de mediación indica que la satisfacción afecta indirectamente a la intención de compra a través de la lealtad. La personalización fortalece la relación entre satisfacción y lealtad, pero no afecta a la intención de compra. El protocolo puede ayudar a medir cómo los atributos de las celebridades virtuales afectan a la satisfacción, la lealtad y la intención de compra mediante encuestas y modelado estructural.

En este protocolo, los principales retos incluyeron reclutar a los participantes para celebridades virtuales y aclarar las relaciones inconsistentes entre los informes de satisfacción e intención de compra en estudios previos. Esta investigación facilita futuros estudios sobre tecnologías emergentes de IA a través de diferencias culturales y el efecto a largo plazo de la personalización y el rasgo de la celebridad virtual.