Summary
여기에 제시된 프로토콜은 온라인 소매의 맥락에서 대량 사용자 정의에 대한 소비자의 반응을 검토하는 프로토콜입니다. 이 프로토콜은 온라인 측량 절차와 잠재 평균 분석을 사용하여 구조 방정식 모델링 및 그룹 차이를 사용하여 데이터를 분석하는 방법을 자세히 설명합니다.
Abstract
많은 학자와 실무자가 개인화 및 관계 마케팅을 연구하는 것처럼 마케팅 기술을 통해 대량 맞춤화와 같은 개인화를 제공하는 것이 중요합니다. 이 연구의 목적은 온라인 설문 조사 및 데이터 분석을 사용하여 소비자 조사를 수행하는 방법을 검토하는 것입니다. 이 연구는 소비자의 인식된 이점을 검토하면서 제품을 사용자 정의하고 감정적인 제품 부착, 사용자 지정 프로그램에 대한 태도 및 온라인 소매의 맥락에서 충성도 의도를 조사합니다. 또한 이 연구는 패션 혁신성과 같은 개별적인 특성에 따라 소비자 반응이 어떻게 다른지 조사합니다. 한국의 한 온라인 설문조사 회사에서 온라인으로 의류를 구매한 여성 의류 쇼핑객 290명을 모집했습니다. 외부 타당성을 향상시키기 위해 이 연구는 기존 소매 웹 사이트를 잘 확립된 대량 맞춤 화 프로그램으로 사용했습니다. 사용자 지정 프로그램을 완료한 후 참가자는 온라인 설문지를 작성합니다. 그런 다음 구조 방정식 모델링(SEM) 및 잠재 평균 분석(LMA)을 해석하기 위해 수행됩니다. 이 연구는 평균 비교를 위한 측정 불변성의 중요성을 강조합니다. SEM 및 LMA 전에 이 연구는 ANOVA와 같은 전통적인 접근법에서 고려되지 않는 불변선 테스트(구성 불변 성 테스트, 메트릭 불변선 테스트 및 스칼라 불변성 테스트)의 계층 구조를 따릅니다. 이러한 통계 분석은 소비자 행동에 대한 불변 테스트 절차 및 LMA의 적용 가능성을 제공합니다. 평균 차이의 결론은 측정 불변성을 보장하기 위해 정교한 통계 절차에 의해 유도되기 때문에 무결성과 유효성을 갖습니다.
Introduction
대량 사용자 지정은 전자 소매업체가 개별 고객에게 제품, 서비스 및 거래 환경을 맞춤화하는 기능을 말합니다1. 오늘날의 소비자들은 표준 제품에 만족하지 못하고 있으며, 많은 소매업체들이 이를 인식하고 있습니다. 대량 사용자 정의 옵션을 제공하는 것은 고객 충성도 및 경쟁 우위를 얻을 수있는 한 가지 방법입니다2. 마케팅 전술로 대량 사용자 정의는 소비자가 특정 요구에 따라 자신의 제품을 만들 수 있도록하고 따라서 개별 화된 제품 또는 서비스를 제공3. 예를 들어, 소비자는 대량 생산되는 신발 한 켤레를 구입할 수 있지만 색상, 패브릭 및 기타 디자인 구성 요소를 선택하여 일반 소매 웹 사이트에서 사용할 수없는 새롭고 독특한 신발을 만들 수 있습니다. 그 결과, 소비자는 더 유리한 제품을 구입할 수 있으며, 맞춤형 제품에 대한 만족도뿐만 아니라 브랜드 충성도가4,5증가합니다.
인터넷 사용이 증가함에 따라 대량 사용자 지정 프로세스는 생산 시간을 낮추고 동일한 비용으로 더 많은 설계 옵션을 제공하는 측면에서 더욱 빠르고 효율적이되었습니다. 또한, 소매 업체는 대상 고객이 선호하는 것에 대한 정보를 얻을 수 있으며, 따라서 그들과 강한 관계를 구축6,7. 따라서 많은 산업(예: 의류, 신발, 자동차 및 컴퓨터)이 사용자 지정 프로그램을 채택하고 있습니다. 대량 맞춤화는 소비자와 소매업체 모두에게 이익이 되지만 일부 소매업체는8. 따라서 소비자가 혜택을 인식하는 방법과 이러한 혜택이 장기적인 성공을 위해 다른 쇼핑 반응에 미치는 영향을 조사할 필요가 있습니다.
설득 이론9에서효과 (HOE) 모델의 계층 구조를 그리기, 이 연구는 소비자가 인식 - 영향 - 코네이션 서열에 따라 정보를 처리 제안. 구체적으로, 본 연구는 인식된 소비자 혜택(인식)이 제품 부착을 통해 충성도 의도(conation)에 영향을 미치는지 여부와 대량 맞춤화 프로그램에 대한 태도(영향)를 조사합니다. . 동기 부여 이론10에기초하여, 인식 된 혜택은 외인성 및 본질적 혜택11로나뉩니다.
외적 이익은 제품12(따라서, 제품품질에가까운 값)를 사용하여 파생된 소비자의 인식 가치와 관련된 반면, 본질적인 혜택은 제품11을사용할 때 즐거운 경험을 나타낸다. 대량 사용자 정의 컨텍스트에서, 외적 혜택은 소비자가 만드는 제품과 연관되고, 본질적인 혜택은 hedonic 및 체험 요구를 만족시키는 사용자 정의 경험과 관련이있다 13,14. 선행 연구에 따르면 소비자의 인식된 혜택은 감성적인 제품 부착15및 대량 맞춤화 프로그램에 대한 긍정적인 태도를 향상시킨다는 것을 발견했습니다16. 감성적인 제품 애착은 소비자가 제품17에연결하는 감정적 인 넥타이를 말하며, 이는 사용자 정의 프로그램18 및 충성도 의도19에대한 태도에 긍정적 인 영향을 미칩니다. 또한, 사용자 정의 프로그램에 대한 태도는 충성도 의도20에긍정적 인 영향을 미칩니다.
마지막으로, 이 연구는 개인의 특성(즉, 패션 혁신성)이 소비자 반응에 어떻게 다른 영향을 미치는지 살펴봅니다. 패션 혁신성은 개인의 혁신적인 경향이 새로운 패션 아이템21의채택에 영향을 미치는 정도를 말합니다. 연구 결과에 따르면 적합성을 피하려는 소비자(즉, 패션이 매우 혁신적인 소비자)는 고유한 제품을 획득하도록 동기를 부여하며, 이는 대량 맞춤화가 다른 제품과 차별화하는 효과적인 전술일 수 있음을 나타냅니다. 22. 따라서,이 연구는 매우 패션 혁신적인 소비자를 위해 긍정적 인 응답의 더 많은 숫자가 생성 될 것이라고 가정합니다.
이전 문헌 리뷰에 따라, 이 연구는 다음과 같은 연구 가설을 해결. H1: 대량 맞춤 제품의 인식된 혜택(a: 외인성 혜택, b: 본질적인 이점)은 감정적인 제품 부착에 긍정적인 영향을 미칩니다. H2: 대량 맞춤 제품의 인식된 혜택(a: 외인적 이점, b: 본질적인 이점)은 대량 맞춤화 프로그램에 대한 태도에 긍정적인 영향을 미칩니다. H3: 감정적인 제품 첨부 파일은 대량 사용자 정의 프로그램에 대한 태도에 긍정적 인 영향을 미칠 것입니다. H4: 감정적인 제품 첨부파일은 충성도 의도에 긍정적인 영향을 미칩니다. H5: 대량 맞춤 화 프로그램에 대한 태도는 충성도 의도에 긍정적 인 영향을 미칠 것입니다. H6: 낮은 패션 혁신성에 비해, 하이 패션 혁신가들은 (a) 인식된 이점, (b) 감정적인 제품 부착, (c) 태도 및 (d) 행동 의도에 대해 더 긍정적인 반응을 보태게 될 것입니다.
외부 타당성을 향상시키기 위해 이 연구는 기존 질량 맞춤 화 프로그램을 사용합니다. 한국의 잠재적 인 참가자는이 연구를 위해 모집하고 실제로 제품을 구입 한 것처럼 프로그램을 사용하여 자신의 트렌치 코트를 만들 도록 요청받습니다. 이 연구는 사용자 지정 경험을 기반으로 참가자의 응답을 탐색하기 위해 온라인 설문조사를 사용합니다. 참가자는 온라인으로 사용자 지정 프로그램을 사용한 직후 설문지에 액세스할 수 있습니다. 데이터를 수집한 후 단일 그룹 SEM을 사용하여 제품 부착, 태도 및 충성도 의도에 대한 소비자 혜택의 영향을 조사합니다. 이 연구는 패션 혁신성의 적당한 역할을 검토하기 위해 LMA를 사용합니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
이 연구는 이화여자대학교 IRB 리뷰에서 면제되었으며 프로토콜 번호 #143-18로 지정되었습니다.
1. 참가자 모집
- 온라인 설문조사를 실시할 준비를 합니다.
참고: 한국의 한 설문조사회사를 이용한 온라인 설문조사가 실시되었습니다. 이 리서치 회사는 국내 에서 가장 높은 응답률을 가진 소비자 패널을 보유하고 있습니다. 패널의 연령과 성별 분포는 한국 인구의 상태를 반영합니다. 소비자 패널은 실명 검증을 통해 높은 수준의 신뢰성을 가지고 있습니다. 연구 회사는 다양한 혁신적인 방법으로 패널을 지속적으로 관리하기 때문에 연구 회사에 대한 패널의 충성도가 높습니다. 따라서 회사가 얻은 설문 조사 결과는 매우 신뢰할 수있는 것으로 알려져 있습니다. - 온라인 의류 쇼핑 경험이 있는 여성 소비자를 모집합니다.
참고: 한국의 여성 소비자는 의류 쇼핑에 대한 수입의 높은 비율을 지출하고, 쇼핑 행동은 주로 온라인23발생. 따라서 이 그룹을 이 연구의 참가자로 선택하는 것이 적합합니다. - 연구 목적과 응답의 기밀 유지에 관한 정보가 포함된 초대 이메일을 참가자에게 보냅니다.
- 사용자 지정 프로그램을 사용하여 트렌치코트를 만드는 방법을 보여주는 설문 조사에 참여하는 데 동의하는 사람들에게 지침을 보냅니다(그림 1참조).
참고: 참가자가 사용자 지정 프로그램을 사용하는 데 어려움을 겪을 수 있는 잠재적 상황을 피하기 위해 연구 회사의 중재자가 지침을 보냈습니다. 또한 진행자는 참가자들에게 전화를 걸어 사용자 지정 절차를 설명하고 참가자들은 지침을 검토했습니다. - 참가자들에게 제작된 트렌치코트의 스크린샷을 캡처하고 코트 가격을 제공하여 커스터마이징 프로그램에서 트렌치코트를 실제로 제작하도록 요청하세요.
- 참가자가 절차를 이해할 때 기존 쇼핑 웹 사이트의 e-mass 사용자 지정 프로그램에 연결된 링크를 보냅니다.
- 참가자들에게 다음과 같은 시나리오를 제공하십시오: "마음에 드는 옷을 구입하고 중요한 모임에 참석하기 위해 트렌치코트를 구입해야 할 정도로 잘 떨어져 있다고 상상해 보십시오. 당신은 독특한 트렌치 코트를 만들고 싶어. 인터넷을 검색하는 동안, 당신은 대량 사용자 정의 프로그램이 완벽한 의류 웹 사이트를 건너".
참고: 이 단계는 참여 수준을 높이고 제품 유형 및 제품 가격에 대한 소비자 인식을 제어하는 데 필요합니다. - 참가자들이 시나리오를 읽은 후 트렌치코트를 만들 수 있도록 24시간 동안 허용한다.
참고: 참가자들은 선호하는 전체 스타일, 칼라, 코트 길이, 소매 길이, 포켓, 패브릭 및 안감을 선택하여 트렌치코트를 자유롭게 제작할 수 있습니다. 사용자 지정 프로그램에서 코트를 만드는 데 문제가 있는 경우 24시간 동안 언제든지 중재자에게 전화하여 요청할 수 있습니다. - 24시간 후에 설문조사 링크를 활성화하여 설문조사에 참여할 준비가 된 참가자(예: 자신이 만든 트렌치코트의 스크린샷 캡처를 완료한 참가자)가 설문조사 링크를 클릭할 수 있도록 합니다.
그림 1: e-질량 사용자 지정 프로그램 사용에 대한 지침입니다. 온라인 설문 조사 참가자는 사용자 정의 프로그램을 사용하여 트렌치 코트를 만드는 방법에 대한 지침을 읽고 1-8 단계를 따릅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
2. 조사 절차
- 참가자들에게 설문조사의 첫 페이지에 만든 트렌치코트의 스크린샷과 가격을 업로드하도록 요청합니다(그림 2참조).
참고: 스크린샷을 업로드한 참가자만 설문지에 액세스할 수 있습니다. - 참가자들에게 인식된 혜택, 맞춤형 제품에 대한 정서적 애착, 맞춤 프로그램에 대한 태도, 충성도 의도 및 인구 통계학적 질문에 관한 온라인 설문지를 작성하도록 요청합니다(표 1참조).
- 설문조사를 완료한 사람들에게 보상을 제공합니다.
참고: 여기에서 참가자들은 참가시 10,000유로(미화 약 10달러)의 포상금을 받았습니다. 설문조사를 종료하거나 스크린샷을 제공하지 못한 참가자와 가격은 1,000유로(미화 약 1달러)를 받았습니다.
그림 2: e-질량 맞춤 화 프로그램을 사용하여 작성된 트렌치코트의 예. 참가자들은 선호하는 칼라, 길이, 패브릭 등을 선택하여 트렌치코트를 제작하고 트렌치코트 제작 스크린샷을 업로드했습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 외인성 혜택 (Franke et al., 2009) |
| 표준 제품과 비교하여 사용자 정의 된 제품은 ___________________________________________를 것입니다. |
| 1. 더 나은 내 요구 사항을 충족 |
| 2. 내 개인적인 취향을 더 잘 충족 |
| 3. 나에게 가장 적합한 솔루션이 될 가능성이 더 높습니다. |
| 본질적인 혜택 (프랭크와 슈라이어, 2010) |
| 1. 이 디자인 활동을 대단히 즐겼다. |
| 2. 제품을 디자인하는 것이 매우 즐거웠다고 생각했습니다. |
| 3. 이 제품을 디자인하는 것은 매우 흥미로웠습니다. |
| 정서적 제품 부착 (톰슨 외, 2005) |
| 이 브랜드의 표준 제품에 비해, 사용자 정의 제품에 대한 나의 느낌은 _____________________________________________________________________________________ |
| 1. 애정 |
| 2. 연결 |
| 3. 열정 |
| 4화 사로잡기 |
| 대량 사용자 정의 프로그램에 대한 태도 (Li et al., 2001) |
| 이 웹 사이트의 대량 사용자 지정 프로그램은 ___________________였습니다. |
| 1. 매력적이지 않은 전자 매력 |
| 2. 불쾌한 전자 쾌적한 |
| 3. 매력적이지 않은 전자 매력 |
| 4. 믿을 수 없는 전자 |
| 충성의 의도 (권레논, 2009) |
| 1. 가까운 장래에이 사용자 정의 프로그램에서 맞춤형 제품을 구입합니다. |
| 2. 친구 나 친척에게이 사용자 정의 프로그램을 추천할 것입니다. |
| 3. 이 웹 사이트로 돌아가 가까운 장래에 제품을 사용자 정의 할 것입니다. |
| 제품 참여 (자이치코프스키, 1985) |
| 나에게 옷은 _________________입니다. |
| 1. 중요하지 않은 전자 중요 |
| 2. 지루한 전자 흥미로운 |
| 3. 매력적이지 않은 전자 매력 |
| 4. 필요하지 않은 전자 |
| 5. 흥미 진진한 전자 흥미 진진한6. 쓸모없는 전자 가치 |
| 패션 혁신 (Park et al., 2007) |
| 1. 일반적으로, 나는 최신 새로운 패션의 이름을 알고 친구의 내 서클에서 마지막입니다 (R) |
| 2. 일반적으로, 나는 그것이 나타날 때 새로운 패션 아이템을 구입하는 친구의 내 서클에서 마지막 중 입니다 (R) |
| 3. 친구들과 비교하면 새로운 패션 아이템을 소유하고 있습니다. |
| 4. 나는 다른 사람들이하기 전에 새로운 패션 디자이너의 이름을 알고있다. |
| 5. 가게에서 새로운 패션 아이템을 구할 수 있다는 소식을 들었다면, 나는 그것을 살 만큼 흥미를 가지게 될 것이다. |
| 6. 전에 본 적이 없더라도 새로운 패션 아이템을 사게 됩니다. |
| (R) 역방향 코딩 |
표 1: 측정 척도. 이 테이블은 이전에29.
3. 데이터 준비
- SPSS 파일에 설문조사 데이터를 "Data_TOTAL.sav"(그림 3참조)로 저장하고 설문조사 참가자의 모든 응답을 포함합니다. 누락된 값이 포함된 서비스 케이스를 삭제합니다. 정리된 데이터를 사용하여 SEM 분석을 수행합니다.
- 전체 데이터를 높고 낮은 패션 혁신 그룹이라는 두 개의 데이터 파일로 분리합니다. 중앙값 분할을 사용합니다. 패션 혁신의 여섯 항목의 점수를 합산하고, 패션 혁신의 중간 점수를 계산 (메드 = 4.17).
참고: 중앙값 분할은 심리학 및 마케팅 연구에서 자주 사용되며, 그룹 차이를 검사하기 위해 연속 변수에 대한 중앙값 분할을 사용하는 것은유효합니다 24. - "변환" 메뉴에서 "다른 변수로 다시 코딩"을 클릭합니다. 새 변수인 "패션 혁신 그룹(FIG)"을 생성하고, 평균 점수가 중앙값(예: 중앙값 = 4.17)보다 낮으면 "1(낮은 패션 혁신 그룹)"을 코딩하거나 중앙값보다 높은 경우 "2(하이 패션 혁신 그룹)"를 코딩하여 생성합니다(그림 4 참조) ).
- "데이터" 메뉴에서 "파일로 분할"을 클릭하고 변수 "패션 혁신 그룹(FIG)"을 두 번 클릭하여 "분할 사례 별" 필드로 이동하고 "출력 파일 디렉토리" 위치를 할당하여 파일을 저장합니다(그림 5참조).
- 할당된 디렉토리에 "1.sav" 및 "2.sav"를 저장합니다. 파일 이름을 "Data_low fashion innovativeness.sav"와 "Data_high fashion innovativeness.sav"로 변경하여 LMA에 모두 사용할 수 있습니다.
그림 3: 데이터_TOTAL. 데이터는 SEM 분석에 사용되는 모든 참가자(n = 290)의 응답을 포함한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 새로운 변수 "패션 혁신 그룹(FIG)"을 만듭니다. 새로운 변수(도)는 "1(로우 패션 혁신 그룹)"과 "2(높은 혁신 그룹)"를 코딩하여 만들어졌습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 데이터 집합을 두 개의 데이터 파일로 분할합니다. 총 데이터 파일인 "Data_TOTAL"은 LMA에서 후속 사용을 위해 "Data_low fashion innovativeness.sav"와 "Data_high fashion innovativeness.sav" 파일로 나뉩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
4. 확인 요인 분석 실행(CFA)
-
수렴 타당성을 확인하기 위해 5단계 측정 모델을 사용하여 단일 그룹 CFA를 수행합니다. "데이터 파일 선택" | 데이터_TOTAL.sav". 연구 질문을 기반으로 측정 모델을 개발합니다.
- 측정 모델에는 5개의 잠재 변수(예: 외적 이점, 본질적인 이점, 감정적 제품 부착, 대량 사용자 지정 프로그램에 대한 태도 및 충성도 의도)와 17개의 관찰변수(3개의 관찰변수)가 포함됩니다. 외인성 혜택, 본질적인 이익을 위한 3개, 정서적 제품 부착을 위한 4개, 대량 맞춤 프로그램에 대한 태도에 대한 4개, 충성도 의도에 대한 3개). 잠재 변수의 분산을 "1"으로 설정합니다(그림 6 및 그림 7참조). '예상 계산'을 클릭합니다.
- 단일 그룹 CFA의 결과에서 측정 모델의 맞춤 지수 를 확인합니다: 적합도 지수(GFI), 조정된 적합도 지수(AGFI), 규범 맞춤 지수(NFI), 터커-루이스 지수(TLI), 비교 적합 지수(CFI) 및 근평균 제곱 오차 근사치(RMSEA)를 참조하십시오.
그림 6: 확인 요인 해석을 위한 모델 사양입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 확인 요인 분석을 위한 측정 모델입니다. CFA의 측정 모델은 AMOS 프로그램을 사용하여 만들어졌습니다. 잠재 변수의 분산은 "1"로 설정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
5. SEM 실행
- 잠재 변수 간의 관계를 테스트하려면 SEM을 수행합니다. 데이터_TOTAL.sav". 5개의 잠재 변수와 17개의 관찰된 변수를 포함하여 연구 질문을 기반으로 SEM을 개발합니다.
- "Extrinsic_V"와 "Intrinsic_V"에서 "EP_Attachment" 및 "Attitude_MP"로 화살표를 그리고 "EP_Attachment"와 "Attitude_MP"에서 "충성도"로 화살표를 그립니다. 관찰되지 않은 세 가지 변수, 즉 "ep_Attatchment"의 예측 변수로 "z1", "Attitude_MP"의 예측 변수로 "z2", "충성도"의 예측변수로 "z3"를 추가합니다(그림 8, 그림 9참조). "예상 계산"을 클릭합니다. 모델의 "예상" 및 맞춤 인덱스를 확인합니다.
그림 8: 구조 방정식 모델링을 위한 모델 사양입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 구조 방정식 모델링 해석. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
6. LMA에 대한 불변성 테스트 수행
- 높고 낮은 패션 혁신 그룹을 비교하려면 다중 그룹 확인 요인 분석 (MGCFA)을 기반으로 LMA를 수행합니다. LMA 전에는 두 그룹 간의 구성 불변, 메트릭 불변성 및 스칼라 불변을테스트합니다(25).
- 다중 그룹 측정 모델 만들기: "그룹 관리"에서 "높음" 및 "낮음"이라는 두 그룹으로 측정 모델(즉, MGCFA모델)을 만듭니다. 로우 패션 혁신 그룹에 대한 "Data_low fashion innovativeness.sav"와 하이 패션 혁신 그룹을 위한 "Data_high fashion innovativeness.sav"(그림 10참조)의 그룹 데이터 파일을 선택합니다.
그림 10: 그룹에 대한 데이터 파일 선택. MGCFA의 측정 모델이 만들어졌고 두 개의 데이터 파일("Data_low fashion innovativeness.sav"과 "Data_high fashion innovativeness.sav")이 업로드되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
-
구성 불변 테스트
참고: 두 그룹의 측정 모델 구조가 동일한 형태(즉, 동일한 치수와 고정 및 고정되지 않은 값의 동일한 패턴)를 가지는 경우 구성 불변이 충족됩니다(그림 11참조). 측정 모델의 적합성이 만족스러우면 메트릭불변(26)을확인하기 위한 다음 단계로 진행한다.- 각 그룹에 대해 이전에 제안된 5단계 측정 모델로 CFA를 수행합니다. "예상 계산"을 클릭합니다. 두 모델의 "예상" 및 맞춤 인덱스를 확인합니다. 두 모델의 적합성이 만족스럽고 계수 계수가 중요한 경우 다음 단계로 진행합니다.
- 5단계 측정 모델을 기준 모델로 사용하여 MGCFA를 수행합니다. 각 잠재 변수에서 첫 번째 관측 변수로 요인 계수에 대해 "1"을 수정하고 다른 계수 계수를 해제합니다. "예상 계산"을 클릭합니다.
- 두 그룹의 "추정"을 확인하고 모델의 인덱스에 맞습니다. 모델의 적합도가 만족스럽고 계수 계수가 중요한 경우 구성 불변이 충족됩니다. 그런 다음 메트릭 불변 성 테스트를 포함하는 다음 단계로 진행합니다.
그림 11: 두 그룹에서 측정 모델의 크기와 형태가 동일합니다. (A) 하이 패션 혁신 그룹 모델과 (B) 로우 패션 혁신 그룹을 위한 모델. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
-
테스트 메트릭 불변
참고: 메트릭 불변성 테스트는 잠재 변수를 관찰된 변수에 연결하는 요인 계수가 그룹 간에 동일한지 여부를 평가합니다.- 메트릭 불변성 테스트를 위해 그룹 간 계수를 수정합니다. 그룹 간에 동일한 계수에 대해 동일한 이름을 입력합니다(예: Extrinsic_V의 경우 "a"| E2, EP_첨부 파일 | "j" EA4, 그림 12참조). "예상 계산"을 클릭합니다. 두 그룹의 "추정"을 확인하고 모델의 인덱스에 맞습니다.
- 전체 메트릭 불변선 모델(즉, 그룹 간에 고정 계수가 있는 모델)과 구성 불변선 모델(즉, 그룹 간에 자유 계수가 있는 모델)을 비교하여 카이 제곱 차이 테스트를 수행합니다. 카이제곱 차이가 중요하지 않은 경우 메트릭 불변이 충족됩니다. 이어서, 스칼라 변량 시험25,26,27을포함하는 다음 단계로 진행한다.
그림 12: 그룹 간 계수 고정. 그룹 간에 동일한 계수에 대해 동일한 이름을 입력하면 계수 계수가 제한됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
-
스칼라 불변 테스트
참고: 스칼라 불변은 1) 잠재 구문에 동일한 값이 관찰된 변수의 동일한 값과 연관되고 2) 관찰된 변수의 평균 차이에서 파생된다는 것을 의미합니다. 스칼라 불변성을 테스트하려면 관찰된 변수의 가로채기를 제한하여그룹 28에서동일하게 합니다.- "보기" 메뉴에서 "분석 속성"을 클릭합니다. "추정" 탭을 클릭하고 "예상 수단 및 가로채기"를 확인합니다. 관찰된 각 변수를 마우스 오른쪽 단추로 클릭하고 "개체 속성"을 선택합니다. "매개 변수" 탭을 선택하고 가로채기 텍스트 상자에 "int_e1" 및 "int_ea1"과 같은 매개 변수 이름을 입력합니다(그림 13참조).
- 전체 메트릭/전체 스칼라 불변 모델(즉, 관찰된 변수및 그룹 간 고정 계수의 고정 절편이 있는 모델)과 전체 메트릭 불변모델(즉, 모델)을 비교하여 카이 제곱 차이 테스트를 수행합니다. 고정 계수 그룹 간에). 카이제곱 차이가 중요하지 않은 경우 전체 메트릭/전체 스칼라 불변이 충족됩니다.
참고: 여기서, 특정 계층구조(구성불변변선검, 메트릭 불변선검, 스칼라불변변선검)가 사용된다. 각 불변성 테스트가 충족되면 마지막으로 선택한 모델(즉, 전체 메트릭/전체 스칼라 불변 모델)을 사용하여 LMA를 수행합니다.
그림 13: 가로채기 텍스트 상자에 매개변수 이름을 입력합니다.
이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
7. LMA 실행
- 전체 스칼라/전체 메트릭 불변모델27,28을활용하여 LMA를 수행합니다. 잠재 변수의 수단을 비교하려면 한 그룹에서 잠재 변수의 수단을 수정하고 다른 그룹에서 무료로 사용할 수 있도록 합니다.
- 참조 그룹에 대한 평균 중 하나를 0으로 고정한 다음 다른 그룹의 평균 값을 추정하여 그룹 간 평균 차이를 추정합니다. 따라서, 제로에서 낮은 패션 혁신적인 그룹의 모든 잠재 변수의 수단을 수정합니다. 하이 패션 혁신 그룹의 잠재 변수 수단이 무료이고 두 그룹의 분산이 무료인지 확인하는 것이 중요합니다(그림 14참조).
- "예상 계산"을 클릭합니다. 두 그룹의 "추정"을 확인하고 모델의 인덱스에 맞습니다.
- "텍스트 보기"를 클릭하고 "추정"(그림 15참조)에서 하이 패션 혁신 그룹에서 잠재 변수의 수단을 확인합니다.
그림 14: 잠재 변수 평균 및 분산 설정. (A)하이 패션 혁신 그룹 과(B)낮은 패션 혁신 그룹. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 15: 잠재에 대한 출력은 분석을 의미합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
빈도 통계는 샘플의 특성을 제공했습니다. 총 290명의 여성 온라인 소비자가 e-mass 커스터마이징 프로그램을 사용하여 쇼핑 프로세스를 완료했습니다. 표본의 인구 통계학적 특성은 고르게 분포되었다. 연령대별로는 23.1%, 20대 28.3%, 40대 26.6%, 50대 22.1%였다. 결혼 여부별로는 58.3%, 혼인은 40%였다. 직업별로는 45.2%가 사무직, 22.8%는 주부, 10.3%는 전문가, 9.3%는 학생, 5.5%는 서비스부문(표2)이었다.
단일 그룹 CFA는 5개의 잠재 변수("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" 및 "충성도")와 17개의 관찰된 변수로 수행되었습니다. 5단계 측정 모델의 적합성을 평가하였다. 카이 제곱 통계는 유의했지만(카이스퀘어 = 179.63, df = 109, p = 0.000), 카이스퀘어 통계는 큰 샘플 크기(n = 209)에 민감합니다. 다른 맞춤 지수의 값은 양호한 전체 모델 적합도를 나타내었다(GFI = 0.93, AGFI = 0.91, NFI = 0.97, TLI = 0.98, CFI = 0.99 및 RMSEA = 0.05). 요인 계수의 모든 임계 비율(CR)은 유의한(p&0.001)이었으며, 이는 수렴 타당성이 달성되었음을 암시한다(그림16).
| 연령대 | ||
| 주파수 | 백분율 | |
| 20대 | 67 | 23.1 |
| 30대 | 82 | 28.3 |
| 40대 | 77 | 26.6 |
| 50년대~ | 64 | 22.1 |
| 점령 | ||
| 주파수 | 백분율 | |
| 학생 | 27 | 9.3 |
| 사무직 근로자 | 131 | 45.2 |
| 생산 | 1 | 0.3 |
| 서비스 | 16 | 5.5 |
| 전문가 | 30 | 10.3 |
| 비즈니스 | 12 | 4.1 |
| 주부 | 66 | 22.8 |
| 다른 | 7 | 2.4 |
| 총 | 290 | 100.0 |
| 결혼 여부 | ||
| 주파수 | 백분율 | |
| Sigle | 116 | 40.0 |
| 결혼 | 169 | 58.3 |
| 다른 | 5 | 1.7 |
| 총 | 290 | 100.0 |
표 2: 샘플 특성.
그림 16: 확인 요인 분석을 위한 출력입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
단일 그룹 SEM이 수행되었다. 측정 모델의 맞춤 지수는 허용 가능한 적합성(GFI = 0.93, AGFI = 0.91, NFI = 0.97, TLI = 0.98, CFI = 0.99 및 RMSEA = 0.05)을 밝혔다. 경로 계수의 CR 값은 유의하고 다음을 밝혔다: (1) "Extrinsic_V"의 긍정적 인 효과 (베타 = 0.431, CR = 6.661, p < 0.001) 및 "Intrinsic_V"(베타 = 0.339, CR = 6.848, p < 0.001). (2) "Extrinsic_V"(베타 = 0.159, CR = 2.581, p & 0.05) 및 "본질적_V"(베타 = 0.378, CR = 6.688, p < 0.001)의 긍정적인 효과"에 대한 "Attitude_MP"; (3) "Attitude_MP"에 대한 "EP_Attachment"의 긍정적인 효과(베타 = 0.328, CR = 4.905, p< 0.001); (4) "충성도"에 대한 "Attitude_MP"의 긍정적 인 효과 (베타 = 0.846, CR = 6.932, p < 0.001). "충성도"에 대한 "EP_Attachment"의 효과는 유의하지 않았습니다(베타 = 0.078, CR = 0.696, p = 0.486; 표 3참조).
| 경로 계수 | 견적 | 표준화된 추정전자 | 동남. | C.R. | P |
| "외인_V" --> "EP_첨부 파일" | 0.431 | 0.437 | 0.065 | 6.661 | *** |
| "본질_V" --> "EP_첨부 파일" | 0.399 | 0.439 | 0.058 | 6.848 | *** |
| "외인_V" --> "태도_MP" | 0.159 | 0.166 | 0.061 | 2.581 | 0.01 |
| "본질_V"--> "Attitude_MP" | 0.378 | 0.429 | 0.056 | 6.688 | *** |
| "EP_첨부 파일"-->"Attitude_MP" | 0.328 | 0.338 | 0.067 | 4.905 | *** |
| "EP_첨부 파일"--> "충성도" | 0.078 | 0.062 | 0.113 | 0.696 | 0.486 |
| "Attitude_MP"--> "충성도" | 0.846 | 0.645 | 0.122 | 6.932 | *** |
| p-값 & 0.001 | |||||
표 3: 단일 그룹 구조 방정식 모델링의 결과입니다. 이 테이블은 이전발행물 29에서수정되었습니다.
중간 분할(med = 4.17)을 활용하여 데이터는 낮은 패션 혁신 그룹과 하이 패션 혁신 그룹이라는 두 그룹으로 나뉘었습니다. t-test가실시되었고, 하이 패션 과 로우 패션 혁신 그룹 간의 패션 혁신성의 중요한 평균 차이를 밝혔다 (M높음 = 5.03 > M낮음 = 3.50; SD높음 = 0.72, SD낮음 = 0.68; Nhigh = 141, N낮음 = 149; t = 18.53, df = 288, p< 0.001).
높고 낮은 패션 혁신적인 그룹 사이의 잠재 수단을 비교하기 전에, 불변 테스트의 계층 구조가 수행되었다. 첫째, 제안된 5단계 측정 모델이 있는 CFA는 로우 패션혁신및 하이패션 혁신 그룹을 위해 별도로 실시되었습니다. 결과는 낮은 패션 혁신 그룹 (NFI = 0.96, TLI = 0.99, CFI = 0.99 및 RMSEA = 0.04) 및 하이 패션 혁신 그룹 (NFI = 0.93, TLI = 0.97, CFI = 0.97 및 RMSEA = 0.07)에 적합한 우수한 모델을 밝혀냈습니다. 모든 요인 계수는 두 그룹 모두에 대해 5단계 모델이 허용됨을 의미합니다.
다음 단계는 단일 그룹 CFA에서 MGCFA로 이동하여 두 그룹에 대한 5단계 측정 모델을 교차 검증하는 것이었습니다. 모델 1(구성 불변 모델)은 제안된 구조가 낮고 높은 패션 혁신 그룹에서 동일할지 여부를 확인하기 위해 테스트되었습니다. 결과는 모델의 적합성이 만족스럽다는 것을 발견했습니다. 다른 맞춤 지수의 값은 양호한 전체 모델 적합도를 나타내었다(NFI = 0.94, TLI = 0.98, CFI = 0.98 및 RMSEA = 0.04; 표 4참조). 따라서 구성 불변이 달성되었습니다. 요인 계수의 모든 RS는 유의했다 (p < 0.001). 모델 1은 기준선 모델로 간주되었습니다.
메트릭 불변성을 테스트하기 위해 요인 계수는 두 그룹 간에 동일하게 제한되었고 다른 MGCFA가 수행되었습니다(모델 2). 모델 2가 모델 1에 중첩되었기 때문에 카이 스퀘어 차이 테스트를 실시했습니다. 결과는 14.728(df = 12)의 카이제곱 차이가 유의하지 않음(p = 0.257) 및 메트릭 불변이 만족된 것으로 나타났습니다(표 4참조). 카이제곱 차이 시험의 예는 다음과 같다: 카이제곱(모델 2) - 카이제곱(모델 1) = 323.492 - 308.764 = 14.728; df 차이: df (모델 3) - df (모델 2) = 230-218 = 12; 카이 스퀘어 (df = 12) = 14.728, p 값 = 0.256649.
메트릭 불변모델(모델 2)이 허용되었기 때문에 스칼라 불변성이 테스트되었습니다. 5개의 잠재 변수의 절편은 두 그룹에서 동일하게 제한되었고 마지막 MGCFA가 수행되었습니다(모델 3). 전체 메트릭/전체 스칼라 불변 모델(모델 3)이 모델 2에 중첩되었기 때문에 카이 제곱 차이 테스트를 수행했습니다. 결과는 11.18(df= 12)의 카이제곱 차이가 유의하지 않음(p= 0.514) 및 스칼라 불변성이 만족한 것으로 나타났습니다(표 4참조). 카이 제곱 차이 테스트의 예는 다음과 같습니다: 카이제곱(모델 3) - 카이제곱(모델 2) = 334.672 – 323.492 = 11.18; df 차이: df (모델 3) - df (모델 2) = 242-230 = 12; 카이 스퀘어 (df = 12) = 11.18, p 값 = 0.513559.
| 카이 스퀘어 | Df | RM시 (주) | NFI (주)(주) | Tli | Cfi | |
| 구성 불변(기준선 모델): 모델 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
| 전체 메트릭 불변: 모델 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
| 전체 메트릭/전체 스칼라 불변: 모델 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
| 카이 스퀘어 차이 | df 차이 | P | 결정 | |||
| 전체 메트릭 불변 테스트(모델 1 대 모델 2) | 14.728 | 12 | 0.256649 | 받아들일 | ||
| 전체 스칼라 불변 테스트(모델 1 대 모델 2) | 11.18 | 12 | 0.513559 | 받아들일 | ||
표 4: LMA에 대한 변량 테스트에 대한 인덱스를 적합합니다. 이 테이블은 이전발행물 29에서수정되었습니다.
구성 불변, 메트릭 불변성 및 스칼라 불변이 달성된 것을 감안할 때 LMA가 수행되었습니다. 낮은 패션 혁신 그룹은 참조 그룹으로 사용되었으며 잠재 변수의 수단은 0으로 고정된 반면, 하이 패션 혁신 그룹에 대한 잠재 평균 값은 추정되었습니다. LMA의 결과는 하이 패션 혁신적인 그룹에 대한 다섯 잠재 변수 ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP", 및 "충성도")의 수단이 긍정적 인 값이었고 낮은 것에 대한 것보다 훨씬 높았다는 것을 밝혔다. 패션 혁신 그룹(표 5참조).
| 생성 | 낮은 | 높은 | Se | Cr |
| "외인성_V" | 0 | 0.590 | 0.134 | 4.393*** |
| "본질_V" | 0 | 0.690 | 0.141 | 4.878*** |
| "EP_첨부 파일" | 0 | 0.527 | 0.134 | 3.926*** |
| "애티튜드_MP" | 0 | 0.521 | 0.127 | 4.084*** |
| "충성도" | 0 | 0.980 | 0.169 | 5.796*** |
| p-값&0.001 | ||||
표 5: LMA의 결과. 이 테이블은 이전발행물 29에서수정되었습니다.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
결과의 의미
이 연구의 연구 결과는 대량 맞춤형 제품을 만드는 소비자의 외적 및 본질적 이점이 제품에 대한 감정적 인 애착의 성장, 사용자 정의 프로그램에 대한 긍정적 인 태도의 생성을 돕고, 충성도 가 증가했습니다. 패션 혁신의 적당한 효과에 대한 연구 결과는 낮은 패션 혁신 그룹의 소비자에 비해, 높은 패션 혁신 그룹의 사람들은 더 큰 혜택을 인식, 더 큰 첨부 파일을 가지고, 더 유리한 형성 것을 알 수 프로그램에 대한 태도가 높아지고 충성도가 높아졌습니다. 이러한 결과는 HOE 모델을 지원하는 이론적이고 실용적인 통찰력을 제공합니다.
온라인 설문조사 방법론의 시사점
이 연구는 한국의 설문 조사 회사를 사용하여 온라인 설문 조사를 실시했습니다. 이 리서치 회사는 국내 에서 가장 높은 응답률을 가진 소비자 패널을 보유하고 있습니다. 패널의 연령과 성별 분포는 한국 인구의 상태를 반영합니다. 소비자 패널은 실명 검증을 통해 높은 수준의 신뢰성을 가지고 있습니다. 연구 회사는 다양한 혁신적인 방법으로 패널을 지속적으로 관리하기 때문에 연구 회사에 대한 패널의 충성도가 높습니다. 따라서 회사가 얻은 설문 조사 결과는 매우 신뢰할 수 있는 것으로 간주됩니다.
기존 질량 맞춤 화 프로그램의 사용은 기존의 실험 연구에 비해 장점이 있습니다. 참가자는 연구를 위해 의도적으로 조작된 프로그램이 아니라 자연스럽고 현실적인 환경에서 대량 사용자 지정 프로그램을 시도할 수 있습니다. 참가자들은 연구에 참여하고 있다는 것을 이해하지만 조사 중인 대량 맞춤 프로그램을 활용하지 않습니다. 반응성 효과는 제거할 수 있으며, 대량 맞춤 제품에 대한 반응은 사용자 정의 제품을 만들 때 실제 동작과 더 유사합니다. 따라서, 이 연구는 자연주의30에근거한 현장 연구의 이점을, 따라서 외부 타당성의 높은 수준을 유지합니다. 또한, 참가자의 응답은 선택한 인구의 구성원과 유사합니다. 이 연구는 이 특정 조건 (즉, 한국의 여성 온라인 의류 쇼핑객)에 대한 발견의 일반화성을 얻습니다.
이 연구에서는 사용자 지정 프로그램에서 제품을 만들려는 참가자에게 시나리오를 제공합니다. 시나리오 기반 연구에 대한 비판은 외부적 타당성입니다. 참가자는 시나리오31의인위적특성 때문에 감정적 인 것보다 인지 평가에 참여할 가능성이 더 높습니다. 그러나, 연구 결과는 주문을 받아서 만들어진 제품에서 이득을 인식하는 소비자가 경험에 의하여 인지와 정서적 양상을 둘 다 평가할 수 있다는 것을 나타내는 제품에 더 중대한 감정적인 애착을 보여 준다는 것을 제시합니다. 이 연구는 설명된 시나리오를 사용하여 실제 구매 환경을 시뮬레이션합니다. 그 결과, 참가자들은 구매 상황에 더 높은 수준의 참여를 보여 외부 타당성을 더욱 향상시킵니다.
SEM 및 LMA의 의미
이 연구는 잠재 변수 간의 관계를 테스트하기 위해 SEM을 적용하고, 두 소비자 그룹 (낮은 및 하이 패션 혁신적인 그룹)에 걸쳐 잠재 변수의 수단을 비교하기 위해 MGCFA와 LMA를 사용합니다. LMA는 (1) 구성 불변성 테스트, (2) 메트릭 불변성 테스트 및 (3) 스칼라 불변 성 테스트의 중요한 단계를 따르는 변량 테스트의 계층 구조를 필요로합니다. 불변 성 테스트는 각 잠복 변수 내에서 측정 오류를 수정 및 평가하고, 구성 타당성을 추정하고, 측정을 평가할 수 있기 때문에 고품질 연구는 SEM 및 LMA를 테스트하기 전에 불변 성 테스트를 적용해야 한다고 강조되었습니다. 그룹 간 변이13. 평균 비교 결과는 ANOVA 및 MGCFA와 같은 적용된 데이터 분석에 따라 다를 수 있습니다. 측정 불변이 유지되지 않는 경우 ANOVA 및 MGCFA의 평균 차이에 대한 통계 결과는 다르고 무효32가됩니다.
이 연구는 평균 비교를 위한 측정 불변성 테스트의 중요성을 강조하고 소비자 행동에 대한 연구에 관한 불변 테스트 절차 및 LMA의 적용 가능성에 대한 정보를 제공합니다. 독자는 자신의 분석을 쉽게 수행 할 수 있어야합니다. 필요한 경우 측정 불변에 대한 가정이 충족되지 않으며 잠재 변수의 평균 비교가 해석되지 않을 수 있습니다. 평균 차이의 연구 결론은 측정 불변을 보장하기 위해 정교한 통계 절차에 의해 유도되기 때문에 타당성을 가질 수 있습니다. 연구원은 측정 불변을 추정하고 미래 연구의 무결성을 보장하기 위해 평균 비교를 수행해야합니다.
이 연구는 여러 그룹 비교에 초점을 맞추고 있지만, 비교는 잠재 평균 차이를 검사하기 위해 제한되며 잠재 변수 간의 관계에 있는 그룹 차이를 다루지 않습니다. 여러 그룹 비교를 위한 대체 방법은 MGSEM 다중 그룹 구조 방정식 모델링(MGSEM)을 적용하고 그룹 간 경로 계수를 비교하는 것입니다. 이를 위해서는 측정 불변 성 테스트가 필요하며 불변 성 테스트의 계층 구조는 추가 연구에 적용됩니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 것이 없다.
Acknowledgments
데이터는 박씨와 유씨의 연구29에서수정되었습니다. 이 작품은 대한민국 교육부와 한국국립연구재단(NRF =2016S1A5A2A03927809)의 지원을 받았습니다.
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).
