Summary
Præsenteret her er en protokol til at undersøge forbrugernes svar mod masse tilpasning i forbindelse med online detailhandel. Protokollen beskriver online undersøgelsesproceduren, og hvordan man analyserer data ved hjælp af strukturel ligning modellering og gruppe forskelle ved hjælp af latent gennemsnitlige analyser.
Abstract
Som mange lærde og praktikere studerer personalisering og relationsmarkedsføring, er det vigtigt at give personalisering såsom masse tilpasning gennem marketingteknologi. Formålet med denne undersøgelse er at undersøge, hvordan man gennemfører forbruger forskning ved hjælp af en online undersøgelse og analyse af data. Denne undersøgelse undersøger forbrugernes opfattede fordele, mens tilpasse et produkt samt følelsesmæssige produkt vedhæftet fil, holdninger til et tilpasningsprogram, og loyalitet hensigter i forbindelse med online detailhandel. Derudover undersøger denne undersøgelse, hvordan forbrugernes reaktioner er forskellige baseret på individuelle karakteristika såsom mode innovation. En online undersøgelse selskab i Sydkorea rekrutteret 290 kvindelige beklædningsgenstande shoppere, der købte tøj online. For at øge ekstern gyldighed, denne undersøgelse anvendes en eksisterende detail hjemmeside med en veletableret masse tilpasningsprogram. Når du har afsluttet tilpasningsprogrammet, udfylder deltagerne onlinespørgeskemaet. Strukturel ligning modellering (SEM) og latent gennemsnitlige analyser (LMAs) udføres derefter for analyser. Denne undersøgelse understreger betydningen af at afprøve måle invarians for gennemsnitlige sammenligninger. Før SEM og LMA følger denne undersøgelse hierarkiet af invarians tests (configural invarians test, metrisk invarians test og skalar invarians test), som ikke betragtes som traditionelle tilgange som ANOVA. Disse statistiske analyser giver anvendelighed af invarians testprocedurer og LMA til forbrugernes adfærd. Konklusionerne af gennemsnitlige forskelle har integritet og gyldighed, fordi de styres af en sofistikeret statistisk procedure for at sikre måling invarians.
Introduction
Masse tilpasning refererer til en e-detailhandlerens evne til at skræddersy produkter, tjenester og transaktions miljøet til individuelle kunder1. Nutidens forbrugere er ikke tilfredse med standardprodukter, og mange detailhandlere har erkendt dette. Tilbyder en masse tilpasning mulighed er en metode til at opnå kundeloyalitet og konkurrencemæssige fordele2. Masse tilpasning som en markedsføring taktik giver forbrugerne mulighed for at skabe deres egne produkter baseret på særlige behov og dermed giver individualiserede produkter eller tjenester3. For eksempel kan forbrugerne ikke kun købe et par sko, der er masseproduceret, men de kan også oprette et nyt og unikt par sko, der ikke er tilgængelige på almindelige detail-hjemmesider ved at vælge den farve, stof, og andre design komponenter. Som et resultat, forbrugerne kan købe mere gunstige produkter, og deres tilfredshed med det tilpassede produkt samt brand loyalitet stigning4,5.
Med stigende brug af internettet er masse tilpasnings processen blevet hurtigere og mere effektiv med hensyn til at sænke produktionstid og give flere design muligheder med de samme omkostninger. Desuden kan detailhandlere indhente oplysninger om, hvad deres målgruppe foretrækker, og dermed opbygge stærke relationer med dem6,7. Som sådan har mange industrier (dvs. beklædning, sko, biler, og computere) har vedtaget tilpasningsprogrammer. Selvom masse tilpasning gavner både forbrugere og detailhandlere, står nogle detailhandlere over for udfordringer8. Derfor er der behov for at undersøge, hvordan forbrugerne opfatter fordele, og hvordan disse fordele påvirker andre shoppingreaktioner for langsigtet succes.
Tegning på hierarkiet af effekter (HOE) model fra overtalelse teorier9, denne undersøgelse foreslår, at forbrugerne behandle oplysninger baseret på kognition-påvirke-conation sekvens. Specifikt, denne undersøgelse undersøger (efter oprettelse af en masse-skræddersyet produkt), om opfattet forbrugernes fordele (kognition) påvirke loyalitet hensigter (conation) gennem produkt vedhæftet fil og holdningen til en masse tilpasningsprogram (påvirke) . Baseret på motivation teori10, opfattede fordele er opdelt i ydre og iboende fordele11.
Fordelene ved extrinsic vedrører en forbrugers opfattede værdi, der hidrører fra anvendelse af et produkt12 (således tæt i værdi for produktkvalitet11), hvorimod iboende fordele indikerer en behagelig oplevelse, når du bruger et produkt11. I en masse tilpasnings sammenhæng er ydre benefit forbundet med det produkt, en forbruger skaber, og iboende fordel er relateret til tilpasnings oplevelsen, der opfylder de hedoniske og erfarings relaterede behov13,14. Forudgående forskning har konstateret, at forbrugernes opfattede fordele forbedre følelsesmæssige produkt vedhæftet fil15 og positive holdninger til en masse tilpasningsprogram16. Følelsesmæssig produkttilknytning refererer til en følelsesmæssig slips, at forbrugerne forbinder til et produkt17, som positivt påvirker holdninger til tilpasningsprogrammet18 og loyalitet intentioner19. Desuden påvirker holdninger til et tilpasningsprogram positivt loyalitets intentioner20.
Endelig undersøges det i undersøgelsen, hvordan en individuel karakteristik (dvs. mode innovativitet) påvirker forbrugernes respons forskelligt. Fashion innovativitet refererer til, i hvilken grad en persons innovative tendens påvirker vedtagelsen af en ny mode punkt21. Forskningsresultater viser, at forbrugere, der ønsker at undgå overensstemmelse (dvs. meget mode innovative forbrugere) er motiveret til at erhverve unikke produkter, hvilket indikerer, at masse tilpasning kan være en effektiv taktik til at differentiere sig fra andre 22. derfor forudsættes det i denne undersøgelse, at der vil blive genereret et større antal positive reaktioner for meget mode innovative forbrugere.
Baseret på tidligere litteratur anmeldelser, denne undersøgelse omhandler følgende forskning hypoteser. H1: opfattede fordele (a: extrinsisk fordel, b: iboende fordel) af en masse tilpasset produkt vil positivt påvirke følelsesmæssige produkt vedhæftet fil; H2: opfattede fordele (a: extrinsisk fordel, b: iboende fordel) af en masse tilpasset produkt vil positivt påvirke holdninger til et masse tilpasningsprogram; H3: følelsesmæssige produkt vedhæftet fil vil positivt påvirke holdninger til et masse tilpasningsprogram; H4: følelsesmæssige produkt vedhæftet fil vil positivt påvirke loyalitet hensigter; H5: holdning til et masse tilpasningsprogram vil have en positiv indflydelse på loyalitets hensigter; og H6: i forhold til lav mode innovation, vil High Fashion innovatorer have mere positive svar på (a) opfattede fordele, (b) følelsesmæssige produkttilknytning, (c) holdninger, og (d) adfærdsmæssige hensigter.
For at øge ekstern gyldighed, denne undersøgelse bruger en eksisterende masse tilpasningsprogram. Potentielle deltagere i Sydkorea rekrutteres til denne undersøgelse og bliver bedt om at oprette deres egne skyttegrav frakker ved hjælp af et program, som om de rent faktisk havde købt produktet. For at udforske deltagernes svar baseret på deres tilpasnings oplevelser, bruger denne undersøgelse en online undersøgelse. Deltagerne kan få adgang til spørgeskemaet umiddelbart efter at have brugt tilpasningsprogrammet online. Efter indsamling af data, undersøgelsen bruger enkelt-gruppe SEM til at undersøge virkningerne af forbrugernes fordele på produkttilknytning, attitude, og loyalitet hensigter. For at undersøge de modererende roller mode innovativitet, undersøgelsen bruger LMAs.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denne forskning blev undtaget fra IRB-undersøgelsen på Ewha Womans University og blev tildelt protokolnummer #143-18.
1. ansættelse af deltagere
- Forbered dig på at gennemføre en online undersøgelse.
Bemærk: En online undersøgelse blev udført ved hjælp af et undersøgelsesfirma i Sydkorea. Forskningsvirksomheden har det største Forbrugerpanel med høje responsrater i Korea. Alders-og kønsfordelingen i panelet afspejler den koreanske befolknings tilstand. Forbrugerpanelet har en høj grad af pålidelighed gennem verifikation af rigtige navne. Da forsknings selskabet administrerer panelet kontinuerligt med forskellige innovative metoder, er panelets loyalitet over for Forskningsvirksomheden høj; Derfor er undersøgelsens resultater opnået af virksomheden kendt for at være yderst pålidelige. - Rekruttere kvindelige forbrugere, der har erfaring shopping for beklædning online.
Bemærk: Kvindelige forbrugere i Korea bruger en høj procentdel af indkomsten på beklædningsgenstande shopping, og shopping adfærd opstår for det meste online23. Derfor er det hensigtsmæssigt at vælge denne gruppe som deltagere i denne undersøgelse. - Send en invitation e-mail til deltagerne, der indeholder oplysninger om formålet med undersøgelsen og sikkerhed for fortroligheden af deres svar.
- Send retningslinjer til dem, der indvilliger i at deltage i undersøgelsen, som viser, hvordan man opretter Trench Coats ved hjælp af tilpasningsprogrammet (Se figur 1).
Bemærk: For at undgå potentielle situationer, hvor deltagerne kan støde på problemer med at bruge tilpasningsprogrammet, har en moderator fra forsknings firmaet sendt retningslinjerne. Desuden kaldte moderatoren deltagerne og forklarede tilpasningsproceduren, mens deltagerne gennemgik retningslinjerne. - Bed deltagerne om at tage et screenshot af den skabte trenchcoat og give en pris for pelsen for at sikre, at de rent faktisk skaber en trenchcoat i tilpasningsprogrammet.
- Send et link, der er forbundet til e-Mass Customization program på en eksisterende shopping hjemmeside, når deltagerne forstår proceduren.
- Giv deltagerne følgende scenarie: "Forestil dig, at du er vellidt nok til at købe sympatisk tøj og er nødt til at købe en Trench coat til at deltage i et vigtigt møde. Du ønsker at skabe en unik Trench coat. Mens du surfer på internettet, du støder på den perfekte beklædning hjemmeside, der har en masse tilpasningsprogram ".
Bemærk: Dette trin er nødvendigt for at øge involvering niveauer og kontrol produkttype og forbrugernes opfattelse af produktets pris. - Tillad deltagerne 24 timer til at oprette en Trench coat efter at have læst scenariet.
Bemærk: Deltagerne er frie til at skabe en Trench coat ved at vælge en foretrukken samlet stil, krave, pels længder, ærme længde, lommer, stof, og foring i tilfælde af, at de rent faktisk vil købe det. Hvis de har problemer med at skabe en frakke i tilpasningsprogrammet, de har lov til at ringe og spørge moderator på ethvert tidspunkt i løbet af 24 h periode. - Aktivér undersøgelsens link efter 24 h, så deltagere, der er klar til at tage undersøgelsen (dvs. dem, der er færdig med at fange screenshot af trenchcoat de skabte) kan klikke på undersøgelsens link.
Figur 1: anvisninger for brug af e-Mass tilpasningsprogram. Deltagere i online undersøgelse læse retninger om, hvordan du opretter grøften frakker ved hjælp af tilpasningsprogrammet og følg trin 1 – 8. Venligst klik her for at se en større version af dette tal.
2. undersøgelses procedure
- Bed deltagerne om at uploade skærmbilledet og prisen på trenchcoat, som de oprettede til undersøgelsens første side (Se figur 2).
Bemærk: Kun deltagere, der uploader skærmbilledet, kan få adgang til spørgeskemaet. - Bed deltagerne om at udfylde onlinespørgeskemaet vedrørende opfattede fordele, følelsesmæssig tilknytning til det tilpassede produkt, holdning til tilpasningsprogrammet, loyalitets hensigter og demografiske spørgsmål (Se tabel 1).
- Giv en belønning til dem, der gennemfører undersøgelsen.
Bemærk: Her modtog deltagerne en belønning på ₩10.000 (om os $10) for deltagelse. Deltagere, der afslutter undersøgelsen eller undlader at give screenshot og pris modtaget ₩1.000 (om os $1).
Figur 2: eksempler på grøft frakker oprettet ved hjælp af e-masse tilpasningsprogram. Deltagerne skabte skyttegrav frakker ved at vælge en foretrukken krave, længde, stof, etc., efterfulgt af at uploade et screenshot af Trench coat skabelse. Venligst klik her for at se en større version af dette tal.
| Extrinsisk ydelse (Franke et al., 2009) |
| sammenlignet med standardproduktet ville det tilpassede produkt ___________. |
| 1. bedre opfylde mine krav |
| 2. bedre opfylde mine personlige præferencer |
| 3. mere tilbøjelige til at være den bedste løsning for mig |
| Iboende fordel (Franke og Schreier, 2010) |
| 1. jeg nød denne design aktivitet meget |
| 2. jeg troede at designe produktet var ganske behageligt |
| 3. design af dette produkt var meget interessant |
| Følelsesmæssigt produkt vedhæftet fil (Thomson et al., 2005) |
| Sammenlignet med standardproduktet af dette mærke, min følelse mod sit tilpassede produkt kan være karakteriseret ved ___________. |
| 1. hengivenhed |
| 2. tilslutning |
| 3. passion |
| 4. fængslende |
| Attitude mod et masse tilpasningsprogram (Li et al., 2001) |
| Den masse tilpasningsprogram i denne hjemmeside var ___________. |
| 1. ikke tiltalende e tiltalende |
| 2. ubehagelig e behagelig |
| 3. utiltrækkende e attraktiv |
| 4. usympable e sympatisk |
| Loyalitets intentioner (Kwon og Lennon, 2009) |
| 1. jeg ville købe et tilpasset produkt i denne tilpasning program i den nærmeste fremtid |
| 2. jeg vil anbefale dette tilpasningsprogram til venner eller slægtninge |
| 3. jeg vil vende tilbage til denne hjemmeside og tilpasse et produkt i den nærmeste fremtid |
| Produkt involvering (Zaichkowsky, 1985) |
| For mig er tøj ___________. |
| 1. unvigtigt e vigtigt |
| 2. kedeligt e interessant |
| 3. ikke tiltalende e tiltalende |
| 4. ikke nødvendig e nødvendig |
| 5. uspænd ende e exciting6. Værdiløs e værdifuld |
| Mode innovativitet (Park et al., 2007) |
| 1. generelt er jeg den sidste i min kreds af venner til at kende navnene på den seneste nye mode (R) |
| 2. generelt er jeg blandt de sidste i min kreds af venner til at købe en ny mode element, når det vises (R) |
| 3. sammenlignet med mine venner, jeg ejer nye mode elementer. |
| 4. jeg kender navnene på nye modedesignere, før andre mennesker gør. |
| 5. Hvis jeg hørte, at en ny mode genstand var til rådighed i butikken, ville jeg være interesseret nok til at købe det. |
| 6. jeg vil købe en ny mode element, selvom jeg ikke har set det før. |
| R) omvendt kodet |
Tabel 1: målestok. Denne tabel er blevet brugt tidligere29.
3. forberedelse af data
- Gem undersøgelsesdataene i en SPSS-fil som "Data_TOTAL. sav" (Se figur 3), som indeholder alle svarene fra undersøgelsens deltagere. Slet sager, der indeholder manglende værdier. Brug de rensede data til at foretage en SEM-analyse.
- Adskil de samlede data i to datafiler: høj og lav mode innovative grupper. Brug en median opdeling. Sum og gennemsnit score af seks elementer af mode innovativitet, og beregne median score af mode innovation (med = 4,17).
Bemærk: Median split bruges ofte i psykologi og Marketing Research, og ved hjælp af en median split for en kontinuerlig variabel til at undersøge gruppe forskelle er gyldig24. - Klik på "recode i forskellige variabler" i menuen "Transformer". Opret en ny variabel, "Fashion innovative Group (FIG)", ved at kode "1 (lav mode innovativ gruppe)", hvis den gennemsnitlige score er lavere end medianen (f. eks median = 4,17), eller ved at kode "2 (High Fashion innovative Group)", hvis det er højere end median (Se figur 4 ).
- Klik på "Opdel i filer" i menuen "data", dobbeltklik på variablen "Fashion innovative Group (FIG)" for at flytte den til feltet "Opdel sager efter", og Tildel placeringen "output-filmappe" for at gemme filerne (Se figur 5).
- Gem "1. sav" og "2. sav" i den tildelte mappe. Skift filnavne til "Data_low Fashion innovativitet. sav" og "Data_high Fashion innovativitet. sav" for at bruge begge til LMA.
Figur 3: Data_TOTAL. Dataene omfatter svar fra alle deltagere (n = 290), der bruges til SEM-analyse. Venligst klik her for at se en større version af dette tal.
Figur 4: oprettelse af den nye variable "Fashion innovative Group (fig)". Den nye variabel (FIG) blev lavet ved at kode "1 (lav mode innovativ gruppe)" og "2 (høj innovativ gruppe)". Venligst klik her for at se en større version af dette tal.
Figur 5: opdele DataSet i to datafiler. Den samlede datafil, "Data_TOTAL", var opdelt i "Data_low Fashion innovativitet. sav" og "Data_high Fashion innovativitet. sav" filer til efterfølgende brug i en LMA. Venligst klik her for at se en større version af dette tal.
4. kørsel af en bekræftende faktor analyse (CFA)
-
Udfør en enkelt gruppe CFA med fem-faktor måle modellen for at bekræfte konvergerende gyldighed. Klik på "Select data File (s) | Data_TOTAL. sav ". Udvikle måle modellen baseret på forskningsspørgsmålene.
- Måle modellen omfatter fem latente variabler (dvs. ydre fordele, iboende fordele, følelsesmæssig produkttilknytning, holdninger til et masse tilpasningsprogram og loyalitets hensigter) og 17 observerede variabler (tre observerede variabler for ydre fordel, tre for iboende fordel, fire for følelsesmæssige produkt vedhæftet fil, fire for holdninger til en masse tilpasningsprogram, og tre for loyalitet hensigter). Angiv varianser af de latente variabler som "1" (Se figur 6 og figur 7). Klik på "Beregn estimater".
- Kontroller måle modellens fit-indekser fra resultaterne af den enkelt gruppe CFA: god-of-fit Index (GFI), justeret godhed-of-fit Index (agfi), normeret fit Index (NFI), Tucker-Lewis Index (tli), komparativ fit Index (CFI), og Root Mean Square fejl af tilnærmelse (RMSEA).
Figur 6: model specifikation for bekræftende faktor analyse. Venligst klik her for at se en større version af dette tal.
Figur 7: måle model for verifikations faktor analyse. Måle modellen for CFA blev skabt ved hjælp af AMOS-programmet. Variansen af latente variabler blev angivet som "1". Venligst klik her for at se en større version af dette tal.
5. kørsel af en SEM
- For at teste forholdet mellem latente variabler, udføre en SEM. Klik på "Vælg datafil (er) | Data_TOTAL. sav ". Udvikle SEM baseret på forskningsspørgsmål, herunder fem latente variabler og 17 observerede variabler.
- Tegn pile fra "Extrinsic_V" og "Intrinsic_V" til "EP_Attachment" og "Attitude_MP", samt fra "EP_Attachment" og "Attitude_MP" til "loyalitet". Tilføj tre ikkeobserverede variabler, nemlig "Z1" som prædiktor for "EP_Attatchment", "Z2" som prædiktor for "Attitude_MP" og "Z3" som en indikator for "loyalitet" (Se figur 8, figur 9). Klik på "Beregn estimater". Kontroller modellens "estimater" og tilpas indeks.
Figur 8: model specifikation for strukturel ligning modellering. Venligst klik her for at se en større version af dette tal.
Figur 9: strukturel ligningsmodel analyse. Venligst klik her for at se en større version af dette tal.
6. udførelse af invarians tests for LMA
- For at sammenligne de høje og lave mode innovative grupper, udføre en LMA baseret på multi-gruppe bekræftende faktor analyse (MGCFA). Før LMA, test konfigurational invarians, metrisk invarians og skalarinvarians mellem begge grupper25.
- Oprettelse af fler gruppe målings modellen: Opret måle modellen (dvs. modellen for MGCFA) med to grupper med navnet "høj" og "lav" under "Administrer grupper". Vælg datafilerne for grupperne på følgende måde: "Data_low Fashion innovativitet. sav" for den lave mode innovative gruppe og "Data_high Fashion innovativitet. sav" for High Fashion innovative Group (Se figur 10).
Figur 10: valg af datafiler for grupper. Måle modellen for MGCFA blev oprettet, og to datafiler ("Data_low Fashion innovativitet. sav" og "Data_high Fashion innovativitet. sav") blev uploadet. Venligst klik her for at se en større version af dette tal.
-
Test af invarians for konfigurationel
Bemærk: hvis måle modellernes struktur i begge grupper har samme form (dvs. samme dimensioner og samme mønster af faste og ikke-faste værdier), er variansen for konfigurering opfyldt (Se Figur 11). Hvis måle modellens pasform er tilfredsstillende, skal du gå videre til næste trin for at kontrollere metrisk invarians26.- Udføre CFA med den tidligere foreslåede fem-faktor måle model for hver gruppe. Klik på "Beregn estimater". Tjek "estimater" og fit indekser af begge modeller. Hvis begge modellers pasform er tilfredsstillende, og faktor koefficienterne er betydelige, skal du gå videre til næste trin.
- Gennemføre MGCFA med fem-faktor måle model som en baseline model. Fix "1" for faktor koefficienten fra hver latent variabel til den første observerede variabel og lad de andre faktor koefficienter. Klik på "Beregn estimater".
- Kontroller "estimater" af de to grupper og fit indekser af modellen. Hvis modellens pasform er tilfredsstillende, og faktor koefficienterne er betydelige, er konfigurational invarians opfyldt. Fortsæt derefter til næste trin, der involverer metrisk invarians testen.
Figur 11: måle modellernes lige dimensioner og former på tværs af to grupper. (A) model for High Fashion innovative Group og (B) model for den lave mode innovative gruppe. Venligst klik her for at se en større version af dette tal.
-
Test af metrisk invarians
Bemærk: testen af metrisk invarians evaluerer, om faktor koefficienterne, der knytter latente variabler til observerede variabler, er ens på tværs af grupper.- For testen af metrisk invarians kan du rette faktor koefficienterne på tværs af grupper. Angiv det samme navn for de samme koefficienter på tværs af grupper (f. eks. "a" for Extrinsic_V | E2, "j" for EP_Attachment | EA4, se figur 12). Klik på "Beregn estimater". Kontroller "estimater" af de to grupper og fit indekser af modellen.
- Udfør en Chi-firkantet forskel test ved at sammenligne den fulde metrisk invarians model (dvs. modellen med faste faktor koefficienter på tværs af grupper) med configural invarians model (dvs. modellen med frifaktor koefficienter på tværs af gruppen). Hvis den Chi-kvadratiske forskel er ikke-signifikant, er metrisk invarians opfyldt. Fortsæt derefter til næste trin, der involverer skalarinvarians testen25,26,27.
Figur 12: fastsættelse af faktor koefficienterne på tværs af grupperne. Ved at indtaste samme navn for de samme koefficienter på tværs af grupper, var faktor koefficienterne tilbageholdende. Venligst klik her for at se en større version af dette tal.
-
Test af invarians for skalar
Bemærk: skalarinvarians betyder, at 1) de samme værdier på den latente konstruktion er forbundet med de samme værdier på den observerede variabel og 2) forskellene i de observerede variablers midler er afledt af de gennemsnitlige forskelle i de latente variabler. Hvis du vil teste skalarvariansen, skal du begrænse opfanger af observerede variabler, så de er ens på tværs af grupper28.- Klik på "analyseegenskaber" undermenuen "Vis". Klik på "estimerings" fanen og tjek "estimat betyder og aflyter". Højreklik på hver observeret variabel, og vælg "objektegenskaber". Vælg fanen "parametre", og Indtast parameternavnene som "int_e1" og "int_ea1" i tekstboksene til skæring (Se Figur 13).
- Gennemføre en Chi-firkantet forskel test ved at sammenligne den fulde metrisk/Full skalar invarians model (dvs. modellen med faste aflyter af observerede variabler og faste faktor koefficienter på tværs af grupper) med den fulde metrisk invarians model (dvs. modellen med faste faktor koefficienter på tværs af gruppen). Hvis den Chi-kvadratiske forskel er ikke-signifikant, er den fulde metriske/fulde skalarinafvigelse opfyldt.
Bemærk: Her bruges et specifikt hierarki (variant-invarians test, metrisk invarians test, skalarvarians test). Når hver invarians test er opfyldt, gennemfører LMA ved hjælp af den endeligt valgte model (dvs. den fulde Metric/fuld skalarinvarians model).
Figur 13: indtastning af parameternavne i tekstboksen skæring.
Venligst klik her for at se en større version af dette tal.
7. kørsel af en LMA
- Gennemføre en LMA ved at udnytte den fulde Scalar/fuld metrisk invarians model27,28. At sammenligne midlerne til latente variabler, fastsætte midlerne til latente variabler i en gruppe og lad dem være fri i den anden gruppe.
- Anslå de gennemsnitlige forskelle på tværs af grupper ved at fastsætte et af midlerne til nul for en referencegruppe og derefter anslå middelværdien for den anden gruppe. Således fastsætte midlerne til alle de latente variabler i Low Fashion innovative gruppe på nul. Det er vigtigt at sikre, at de latente variabler i den højt mode innovative gruppe er frie, og at deres afvigelser i begge grupper er gratis (Se fig. 14).
- Klik på "Beregn estimater". Kontroller "estimater" af de to grupper og fit indekser af modellen.
- Klik på "Vis tekst", og kontroller de latente variabler i den højt mode innovative gruppe under "skøn" (Se Figur 15).
Figur 14: indstilling af de latente variable midler og afvigelser. (A) High Fashion innovative Group og (B) lav mode innovativ gruppe. Venligst klik her for at se en større version af dette tal.
Figur 15: output for latent betyder analyse. Venligst klik her for at se en større version af dette tal.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Hyppigheds statistikker, der tilbydes stikprøvens karakteristika. I alt 290 kvindelige online forbrugere afsluttede indkøbsprocessen ved hjælp af e-masse tilpasningsprogram. Stikprøvens demografiske karakteristika var jævnt fordelt. Efter aldersgruppe var 23,1% i tyverne, 28,3% i tredobbelte, 26,6% i deres firties og 22,1% i halvtredserne. Ved ægteskabelig status var 58,3% gift, mens 40% var enlige. Ved besættelse var 45,2% kontor arbejdere, 22,8% var husmødre, 10,3% var professionelle, 9,3% var studerende, og 5,5% var i servicesektoren (tabel 2).
En enkelt gruppe CFA blev gennemført med fem latente variabler ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" og "loyalitet") og 17 observerede variabler. Den fem-faktor-måle model blev evalueret. Selvom den Chi-kvadratiske statistik var signifikant (Chi-square = 179,63, DF = 109, p = 0,000), er den Chi-kvadratiske statistik følsom over for store stikprøvestørrelser (n = 209). Værdierne for andre fit-indekser indikerede en god overordnet model pasform (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99 og RMSEA = 0,05). Alle kritiske nøgletal (CRs) for faktor koefficienter var signifikante (p < 0,001), hvilket indebar, at den konvergerende gyldighed blev opnået (Figur 16).
| Aldersgruppe | ||
| Frekvens | Procent | |
| 20 's | 67 | 23,1 |
| 30 's | 82 | 28,3 |
| 40 's | 77 | 26,6 |
| 50 's ~ | 64 | 22,1 |
| Besættelse | ||
| Frekvens | Procent | |
| Studerende | 27 | 9,3 |
| kontor arbejdere | 131 | 45,2 |
| Produktion | 1 | 0,3 |
| Service | 16 | 5,5 |
| Fagfolk | 30 | 10,3 |
| Business | 12 | 4,1 |
| Husmødre | 66 | 22,8 |
| Andre | 7 | 2,4 |
| Samlede | 290 | 100,0 |
| Civilstand | ||
| Frekvens | Procent | |
| Sigle | 116 | 40,0 |
| Gift | 169 | 58,3 |
| Andre | 5 | 1,7 |
| Samlede | 290 | 100,0 |
Tabel 2: prøve karakteristikaene.
Figur 16: output for bekræftende faktor analyse. Venligst klik her for at se en større version af dette tal.
En enkelt gruppe SEM blev gennemført. Fit-indeks for måle modellen afslørede en acceptabel pasform (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99 og RMSEA = 0,05). CR-værdierne for kurve koefficienter var signifikante og afslørede følgende: (1) positive virkninger af "Extrinsic_V" (Beta = 0,431, CR = 6,661, p < 0,001) og "Intrinsic_V" (Beta = 0,339, CR = 6,848, p < 0,001) på "EP_Attachment"; (2) positive virkninger af "Extrinsic_V" (Beta = 0,159, CR = 2,581, p < 0,05) og "Intrinsic_V" (Beta = 0,378, CR = 6,688, p < 0,001) på "Attitude_MP"; (3) positive virkninger af "EP_Attachment" på "Attitude_MP" (Beta = 0,328, CR = 4,905, p < 0,001); og (4) positive virkninger af "Attitude_MP" på "loyalitet" (Beta = 0,846, CR = 6,932, p < 0,001). Effekten af "EP_Attachment" på "loyalitet" var ikke signifikant (Beta = 0,078, CR = 0,696, p = 0,486; Se tabel 3).
| Kurve koefficient | Skøn | Standardiseret estimate | S.e. | C.r. | P |
| "Extrinsic_V"--> "EP_Attachment" | 0,431 | 0,437 | 0,065 | 6,661 | *** |
| "Intrinsic_V"--> "EP_Attachment" | 0,399 | 0,439 | 0,058 | 6,848 | *** |
| "Extrinsic_V"--> "Attitude_MP" | 0,159 | 0,166 | 0,061 | 2,581 | 0,01 |
| "Intrinsic_V"--> "Attitude_MP" | 0,378 | 0,429 | 0,056 | 6,688 | *** |
| "EP_Attachment"--> "Attitude_MP" | 0,328 | 0,338 | 0,067 | 4,905 | *** |
| "EP_Attachment"-> "loyalitet" | 0,078 | 0,062 | 0,113 | 0,696 | 0,486 |
| "Attitude_MP"-> "loyalitet" | 0,846 | 0,645 | 0,122 | 6,932 | *** |
| p-værdi < 0,001 | |||||
Tabel 3: resultater af enkelt gruppe strukturel ligning modellering. Denne tabel er blevet ændret fra en tidligere publikation29.
Ved at udnytte en median Split (med = 4,17), blev dataene opdelt i to grupper: Low Fashion innovativ gruppe og High Fashion innovative Group. En t-test blev gennemført og afslørede betydelige forskelle i mode innovativitet mellem high og low Fashion innovative grupper (Mhøj = 5,03 > Mlav = 3,50; SDhøj = 0,72, SDlav = 0,68; Nhøj = 141, nlav = 149; t = 18,53, DF = 288, p < 0,001).
Før man sammenlignede de latente midler mellem high og low Fashion innovative grupper, blev der udført et hierarki af invarians tests. For det første blev CFAs med den foreslåede femfaktor målings model gennemført separat for innovative og High Fashion innovative grupper med lav mode. Resultaterne afslørede en glimrende model egnet til den lave mode innovative gruppe (NFI = 0,96, TLI = 0,99, CFI = 0,99, og RMSEA = 0,04) og High Fashion innovative Group (NFI = 0,93, TLI = 0,97, CFI = 0,97, og RMSEA = 0,07). Alle faktor koefficienter var betydelige, hvilket indebar, at femfaktor modellen blev accepteret for begge grupper.
Det næste skridt var at flytte fra den enkelt gruppe CFA til MGCFA for at kryds validere 5-faktor målings modellen for begge grupper. Model 1 (model for configural invarians) blev testet for at bekræfte, om den foreslåede struktur ville være den samme på tværs af lave og High Fashion innovative grupper. Resultaterne viste, at modellens pasform var tilfredsstillende. Værdierne for andre fit-indekser indikerede den gode overordnede model pasform (NFI = 0,94, TLI = 0,98, CFI = 0,98 og RMSEA = 0,04; Se tabel 4). Således blev configural invarians opnået. Alle CRs-faktor koefficienter var signifikante (p < 0,001). Model 1 blev betragtet som en baseline model.
For at teste metrisk invarians blev faktor koefficienterne begrænset til at være de samme på tværs af to grupper, og en anden MGCFA blev udført (model 2). Da model 2 var indlejret i model 1, blev der udført en Chi-firkantet difference test. Resultatet viste, at en Chi-firkantet forskel på 14,728 (DF = 12) ikke var signifikant (p = 0,257), og metrisk inafvigelse var opfyldt (Se tabel 4). Et eksempel på den Chi-kvadratiske forskel test er som følger: Chi-Square (model 2)-Chi-Square (model 1) = 323,492-308,764 = 14,728; DF-forskel: DF (model 3)-DF (model 2) = 230-218 = 12; Chi-firkant (DF = 12) = 14,728, p-værdi = 0,256649.
Da den metriske invarians model (model 2) blev accepteret, blev skalarinvariansen testet. Aflyter af fem latente variabler var begrænset til at være lige på tværs af to grupper, og den sidste MGCFA blev udført (model 3). Da fuld metrisk/Full skalar invarians model (model 3) var indlejret i model 2, blev der udført en Chi-firkantet difference test. Resultaterne viste, at en Chi-kvadratisk forskel på 11,18 (DF = 12) ikke var signifikant (p = 0,514), og at skalarinvariansen var tilfredsstillende (Se tabel 4). Et eksempel på den Chi-kvadratiske difference test er som følger: Chi-Square (model 3)-Chi-firkant (model 2) = 334,672 – 323,492 = 11,18; DF-forskel: DF (model 3)-DF (model 2) = 242-230 = 12; Chi-firkant (DF = 12) = 11,18, p-værdi = 0,513559.
| Chi-Square | Df | RMSEA | NFI | TLI | Cfi | |
| Konfigural invarians (Oprindelig model): model 1 | 308,764 | 218 | 0,038 | 0,94 | 0,98 | 0,98 |
| Fuld metrisk invarians: model 2 | 323,492 | 230 | 0,038 | 0,94 | 0,98 | 0,98 |
| Fuld Metric/fuld skalarinafvigelse: model 3 | 334,672 | 242 | 0,036 | 0,94 | 0,98 | 0,98 |
| Chi-firkantet forskel | DF-forskel | P | Beslutning | |||
| Test af fuld metrisk invarians (model 1 vs. model 2) | 14,728 | 12 | 0,256649 | Acceptere | ||
| Test af fuld skalarinafvigelse (model 1 vs. model 2) | 11,18 | 12 | 0,513559 | Acceptere | ||
Tabel 4: Tilpas indekser for invarians tests for LMA. Denne tabel er blevet ændret fra en tidligere publikation29.
Da variansen i konfigurationen, metrisk invariansen og skalarinvariansen blev opnået, blev LMA udført. Den lave mode innovative gruppe blev brugt som referencegruppe, med dens midler af latente variabler fastsat til nul, mens latent middelværdier for High Fashion innovative gruppe blev anslået. Resultaterne af LMA afslørede, at midlerne til fem latente variabler ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" og "loyalitet") for High Fashion innovative grupper var positive værdier og var betydeligt højere end for lav mode innovative grupper (Se tabel 5).
| Konstruere | Lav | Høj | SE | Cr |
| "Extrinsic_V" | 0 | 0,590 | 0,134 | 4,393 * * * |
| "Intrinsic_V" | 0 | 0,690 | 0,141 | 4,878 * * * |
| "EP_Attachment" | 0 | 0,527 | 0,134 | 3,926 * * * |
| "Attitude_MP" | 0 | 0,521 | 0,127 | 4,084 * * * |
| Loyalitet | 0 | 0,980 | 0,169 | 5,796 * * * |
| p-værdi < 0,001 | ||||
Tabel 5: resultater af LMA. Denne tabel er blevet ændret fra en tidligere publikation29.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Følgerne af resultaterne
Resultaterne af denne undersøgelse afslører, at forbrugernes ydre og iboende fordele afledt af at skabe en masse skræddersyet produkt hjælpe væksten af følelsesmæssige tilknytning til produktet, skabelse af positive holdninger til tilpasningsprogrammet, og øgede loyalitets hensigter. Resultaterne om de modererende virkninger af mode innovativitet afslører, at når man sammenlignes med forbrugerne i en lav mode innovativitet gruppe, dem i en High Fashion innovativitet gruppe opfatter større fordele, har større vedhæftede filer, form mere gunstige holdninger til programmet, og har større loyalitet hensigter. Disse resultater giver teoretisk og praktisk indsigt, som understøtter HOE-modellen.
Konsekvenser af online undersøgelsesmetodologi
Denne undersøgelse foretaget en online undersøgelse ved hjælp af en undersøgelse selskab i Sydkorea. Forskningsvirksomheden har det største Forbrugerpanel med høje responsrater i Korea. Alders-og kønsfordelingen i panelet afspejler den koreanske befolknings tilstand. Forbrugerpanelet har en høj grad af pålidelighed gennem verifikation af rigtige navne. Da forsknings selskabet administrerer panelet kontinuerligt med forskellige innovative metoder, er panelets loyalitet over for Forskningsvirksomheden høj; derfor betragtes undersøgelsens resultater opnået af virksomheden som yderst pålidelige.
Brugen af en eksisterende masse tilpasningsprogram har fordele i forhold til traditionelle eksperimentelle undersøgelser. Deltagerne kan prøve et masse tilpasningsprogram i en naturlig og realistisk indstilling, snarere end en, der forsætligt manipuleres til studiet. Selv om deltagerne forstår, at de deltager i en undersøgelse, de ikke udnytter masse tilpasningsprogram under undersøgelse. Reaktiviteteffekter kan fjernes, og deres svar på det masse tilpassede produkt er mere lig deres faktiske adfærd, når du opretter et tilpasset produkt. Derfor besidder denne undersøgelse fordelen ved felt forskning baseret på naturalisme30, hvorved der opretholdes en høj grad af ekstern gyldighed. Desuden svarer deltagernes svar til de medlemmer af befolkningen, som de blev udvalgt fra. Denne undersøgelse opnår generaliserbarhed af resultater for denne særlige betingelse (dvs., kvindelige online beklædning shoppere i Sydkorea).
Denne undersøgelse giver et scenarie til deltagere, der ønsker at oprette et produkt i et tilpasningsprogram. En kritik af scenarie-baserede undersøgelser er deres eksterne gyldighed. Deltagerne er mere tilbøjelige til at være involveret i kognitive evalueringer end følelsesmæssige dem på grund af den kunstige karakter af scenariet31. Men, fund afslører, at forbrugerne, der opfatter fordele fra det tilpassede produkt viser større følelsesmæssige tilknytning til produktet, hvilket indikerer, at de kan evaluere både kognitive og følelsesmæssige aspekter af oplevelsen. Denne undersøgelse simulerer en Real-Life købsoplevelse ved hjælp af det beskrevne scenario. Som følge heraf viser deltagerne en højere grad af involvering i indkøbssituationen, hvilket yderligere forbedrer den eksterne gyldighed.
Konsekvenser af SEM og LMA
Denne undersøgelse anvender SEM til at teste forholdet mellem latente variabler, og det udnytter LMA med MGCFA til at sammenligne midlerne til latente variabler på tværs af to forbrugergrupper (lav og High Fashion innovative grupper). LMA kræver hierarkiet af invarians tests, som følger de kritiske trin i en (1) configural invarians test, (2) metrisk invarians test og (3) skalarvarians test. Det er blevet understreget, at forskning af høj kvalitet bør anvende invarians tests før afprøvning af SEM og LMA, fordi invarians tests kan korrigere og vurdere målefejl inden for hver latent variabel, anslå konstruktions gyldighed og evaluere måling invarians på tværs af grupper13. Resultaterne af gennemsnitlige sammenligninger kan variere i henhold til de anvendte dataanalyser, såsom ANOVA og MGCFA. Hvis måle invariansen ikke holder, bliver statistiske resultater af gennemsnitlige forskelle fra ANOVA og MGCFA forskellige og ugyldige32.
Denne undersøgelse understreger betydningen af at afprøve måle invarians for gennemsnitlige sammenligninger og giver oplysninger om anvendeligheden af uafvigelses testprocedurer og LMA vedrørende forskning i forbrugeradfærd. Læserne bør være i stand til at udføre deres egne analyser nemt. Hvis det er nødvendigt, er antagelser vedrørende måle invariansen ikke opfyldt, og de gennemsnitlige sammenligninger af latente variabler må ikke fortolkes. Forsknings konklusionerne af gennemsnitlige forskelle kan have gyldighed, fordi de styres af en sofistikeret statistisk procedure for at sikre måle invarians. Forskerne har brug for at anslå måling invarians og gennemføre gennemsnitlige sammenligninger for at sikre integriteten af fremtidige undersøgelser.
Selv om denne undersøgelse fokuserer på flere gruppe sammenligninger, er sammenligninger begrænset til at undersøge latente gennemsnitlige forskelle og ikke adressere gruppe forskelle i forholdet mellem latente variabler. En alternativ tilgang til flere gruppe sammenligninger er at anvende MGSEM multiple Group strukturel Equation Modeling (MGSEM) og sammenligne kurve koefficienterne på tværs af grupper. For at gøre dette, er måling invarians tests påkrævet, og hierarkiet af invarians tests vil derefter gælde for yderligere forskning.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Dataene er blevet ændret fra Park og Yoo s studie29. Dette arbejde blev støttet af Republikken Koreas undervisningsministerium og KOREAS nationale forskningsfond (NRF = 2016S1A5A2A03927809).
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).
